Escolar Documentos
Profissional Documentos
Cultura Documentos
brAsÍLIA -dF.
Elaboração
Produção
APRESENTAÇÃO.................................................................................................................................. 4
INTRODUÇÃO.................................................................................................................................... 7
UNIDADE I
INTRODUÇÃO E PROCEDIMENTOS.......................................................................................................... 9
CAPÍTULO 1
INTRODUÇÃO AO SISTEMA ESTATÍSTICO R.................................................................................. 9
CAPÍTULO 2
INTRODUÇÃO AO AJUSTAMENTO DE OBSERVAÇÕES................................................................ 33
UNIDADE II
PRÁTICAS............................................................................................................................................. 43
CAPÍTULO 1
PRINCÍPIOS DE AJUSTAMENTO DE OBSERVAÇÕES.................................................................... 43
CAPÍTULO 2
AJUSTAMENTO DE REDES GEODÉSICAS.................................................................................... 80
UNIDADE III
PRÁTICAS FINAIS................................................................................................................................... 96
CAPÍTULO 1
PRÁTICAS FINAIS...................................................................................................................... 96
REFERÊNCIAS................................................................................................................................. 101
Apresentação
Caro aluno
Conselho Editorial
4
Organização do Caderno
de Estudos e Pesquisa
A seguir, uma breve descrição dos ícones utilizados na organização dos Cadernos de
Estudos e Pesquisa.
Provocação
Textos que buscam instigar o aluno a refletir sobre determinado assunto antes
mesmo de iniciar sua leitura ou após algum trecho pertinente para o autor
conteudista.
Para refletir
Questões inseridas no decorrer do estudo a fim de que o aluno faça uma pausa e reflita
sobre o conteúdo estudado ou temas que o ajudem em seu raciocínio. É importante
que ele verifique seus conhecimentos, suas experiências e seus sentimentos. As
reflexões são o ponto de partida para a construção de suas conclusões.
Praticando
5
Atenção
Saiba mais
Sintetizando
6
Introdução
Vamos iniciar nossos estudos em Ajustamento de Observações no contexto do
georreferenciamento de imóveis rurais, utilizando o sistema estatístico R, que aos
poucos todos os alunos ficarão familiarizados.
Quando copiar as linhas de comando e digitar Ctrl R para rodar e Script escrito
em R, e não acontecer nada pode ser que na revisão, desse material, algumas
linhas de comando passaram a conter espaços desnecessários. É bom prestar
atenção nisso.
Objetivos
»» Desenvolver fundamentos da estatística, aplicada ao georreferenciamento
de imóveis rurais, fazendo uma breve introdução ao sistema estatístico R.
7
8
INTRODUÇÃO E UNIDADE I
PROCEDIMENTOS
CAPÍTULO 1
Introdução ao sistema estatístico R
Objetivo
Vamos usar os dados da seção técnica da revista A Mira – Comparativo entre dados
obtidos pelo nivelamento trigonométrico com ET e dados altimétricos obtidos com GPS
com correção em tempo real (RTK). (A MIRA, Ano XXII, no 163; SANTOS et al., 2014).
E, a partir desses dados, fazer uma pequena introdução ao sistema estatístico R. Então,
na sequência, discutir alguns resultados, fazendo uma revisão estatística, dentro do
contexto do ajustamento de observações.
Passo a passo
9
I EDA NU SOTNEMID C RP OÃÇUD RTNI
Figura 1. Altimetria.
Fonte: Autor.
Figura 2.
Fonte: Autor.
Obs.: a resposta, ou saída no R Console, não será, na maioria das vezes, documentada.
> variável
Ou
> Altimetria
10
SOTNEMID C RP OÃÇUD RTNI I EDA NU
> ET
> GPS
>v
5o Passo: segundo a teoria, que pode ser aprofundada, o vetor v dos erros deve seguir
a distribuição normal (Curva de Sino), portanto vamos testar a normalidade dos dados.
Figura 3.
Fonte: Autor.
Obs.: caso os dados não obedeçam à distribuição normal, será necessária uma
transformação matemática. Por exemplo, usando logaritmo ou expansão em série de
Taylor.
Obs.: discutir o resultado p-value que deve ser maior que 0,05.
11
I EDA NU SOTNEMID C RP OÃÇUD RTNI
> qqnorm(v)
> qqline(v)
Obs.: os dados devem, sempre quando necessário, serem armazenados em uma variável.
1o modo:
> mv
2o modo:
> mv
1o modo:
12
SOTNEMID C RP OÃÇUD RTNI I EDA NU
2o modo:
> sv
> x<-c(1,2,5,0,-2)
>x
> y<-c(-1,4,0,5,-2)
>y
> v<-sum(x-y)
>v
Percebe-se claramente que x e y não são iguais, mas como as diferenças positivas e
as diferenças negativas cancelam uma a outra, esse método simples faz com que eles
pareçam ser iguais.
O erro entre sinais, x e y, pode ser encontrado e melhorado com o comando a seguir:
(veja a função de valor absoluto abs)
> v<-sum(abs(x-y))
>v
Outra forma, mais sofisticada, de se medir o erro é conhecida com RMSE (root mean
square error ou raiz quadrada do erro médio quadrático – bem parecido com o desvio
padrão), que é calculado segundo o código a seguir. Primeiramente, diff encontra a
diferença entre os sinais x e y. Em seguida, encontramos sigma_squared (sigma ao
13
I EDA NU SOTNEMID C RP OÃÇUD RTNI
> diff
> sigma_squared
> RMSE<-sqrt(sigma_squared/length(x))
> RMSE
> hist(v)
Discussão
A conclusão do trabalho, que pode ser lido na íntegra na revista A Mira, segundo a
observação final dos dados, é que os dois métodos possuem resultados bem próximos.
Mas “bem próximo” pode ser uma conclusão vaga, ou não científica, e, portanto, não
pode ser aceita. Precisamos de algum teste estatístico para validar os resultados,
apresentando o p-value.
14
SOTNEMID C RP OÃÇUD RTNI I EDA NU
> t.test(v)
Obs.: discutir o resultado p-value que deve ser maior que 0,05.
Prática R-02: pesquisar a fórmula para resolver, ou calcular para o erro v, o teste t de
Student e produzir um Script escrito em R.
11o Passo: vamos fazer agora uma análise da variância ANOVA para os dois métodos
de levantamentos (um fator) que foram testados, ou comparados, (ET e GPS):
15
I EDA NU SOTNEMID C RP OÃÇUD RTNI
Tabela 1. AA.
Abrir arquivo:
> AA
Separar vetores:
> MD
> FT
16
SOTNEMID C RP OÃÇUD RTNI I EDA NU
FT<- factor(FT)
Obs.: no resultado, tempos duas linhas. A linha para os efeitos da variável MD (variação
entre os grupos) e a outra para os resíduos (variação dentro dos grupos).
11o Passo: vamos repetir a análise da variância ANOVA para os dois métodos de
levantamentos ET e GPS usando, agora, um novo fator, o operador:
> OP
Script:
> v <-ET-GPS
>v
> gl<-length(v)
> gl
> gl<-gl-1
> gl
17
I EDA NU SOTNEMID C RP OÃÇUD RTNI
> S0<-sum(sqrt(v*v/gl))
> S0
> Qui<-gl*S0
Nova rodada
Vamos fazer uma nova rodada usando uma tabela modificada e discutir os resultados
do novo erro vm:
Figura 4.
Fonte: Autor.
Obs.: ou calcular o erro de 15 pontos GPS, em três dimensões 3D, e novamente fazer as
análises do erro V:
Tabela 2.
Pontos GPS
Pontos E(m) N(m) H(m)
1 -0,012 -0,003 -0,038
2 -0,002 -0,013 1,008
3 -0,002 -0,009 0,090
4 0,015 0,002 0,121
5 0,012 -0,015 0,087
6 0,026 0,001 0,058
7 -0,027 -0,005 1,076
8 0,026 0,015 2,036
9 0,027 0,023 0,024
10 0,037 0,004 1,054
11 0,04 0,009 -0,048
12 0,055 -0,036 0,054
13 0,065 0,016 0,024
14 0,073 0,016 -0,019
15 0,235 -0,019 0,382
Fonte: Autor.
18
SOTNEMID C RP OÃÇUD RTNI I EDA NU
Script:
> gps
> E<-gps[,1]
>E
> N<-gps[,2]
>N
> H<-gps[,3]
>H
> V<-sqrt(E^2+N^2+H^2)
>V
Script R1 – Completo
> Altimetria
> ET
> GPS
>v
> plot(v)
> qqnorm(v)
> qqline(v)
19
I EDA NU SOTNEMID C RP OÃÇUD RTNI
> length(v)
> max(v)
> min(v)
> sum(v)
> v^2
> sqrt(v^2)
> mv
> mv
> sv
> hist(v)
> t.test(v)
Script R2 – Completo
> AA
> MD
> FT
> FT <-factor(FT)
20
SOTNEMID C RP OÃÇUD RTNI I EDA NU
> FT
> OP <-AA[,4]
> OP
> OP <-factor(OP)
> OP
Caso prático
No trabalho apresentado, e que foi discutido usando as ferramentas do sistema estatístico
R, podemos fazer algumas analogias e demonstrar a finalidade ou importância de
tudo isso. Por exemplo, vamos imaginar que a primeira medição usando ET e GPS, ou
qualquer outro método, foi uma medição de controle e de alta precisão. Mas no decorrer
dos trabalhos outras medições deverão ser realizadas, com novos métodos ou outros
equipamentos menos precisos, e comparadas com as medições originais. Levando em
consideração todas as estatísticas apresentadas, para validar o primeiro conjunto de
dados, então, poderemos usar simplesmente a função densidade de probabilidade,
da distribuição normal, que depende apenas da média mv e do desvio padrão sv, dos
dados da medição de controle, e dizer, para cada novo conjunto de novas medidas, se
os valores são confiáveis ou não.
Finalmente vamos terminar essa primeira etapa fazendo uma análise de Correlação
Linear dos dados, conhecida como Correlação Linear de Pearson ou Régua de
Pearson.
21
I EDA NU SOTNEMID C RP OÃÇUD RTNI
Fica a dica do livro Uma Senhora Toma Chá... Como a estatística revolucionou o
século XX, em que são contadas as histórias de Fisher, Pearson, Student e outros
grandes nomes da estatística.
13o Passo: vamos produzir uma distribuição normal com 11 observações, de média mv
e desvio padrão sv:
Obs.: a correlação linear é uma questão muito importante e que tem aplicação em
praticamente tudo e que pode ser aprofundada com mais detalhes. Porém, no momento,
basta saber que ela varia de 0 a 1. Quanto mais perto de 1 (um) melhor.
Conclusão
22
SOTNEMID C RP OÃÇUD RTNI I EDA NU
14o Passo: fazer uma Regressão Linear dos dados e achar a função matemática:
Aqui vamos ter que usar um pouco mais a imaginação, pois existem várias possibilidades
práticas. Primeiro, vamos imaginar (extrapolando a ideia inicial) que ET e GPS são, na
verdade, parte de um conjunto de pontos de controle, que foram medidos com alta
precisão usando duas técnicas para comparar os resultados. Após isso, rotineiramente,
ao longo do tempo, precisaremos fazer outras verificações, comparadas com as
medições feitas em T0, e que resultaram nas coordenadas da figura 1 Altimetria. Como
foi apresentado ao longo dessa introdução, supomos que o trabalho inicial foi feito com
todo rigor metodológico e com equipamentos de alta precisão, porém, as novas medições
de verificação, certamente, deverão seguir uma rotina mais simplificada. Então, e em
vez de comparar diretamente as novas séries de medições com as coordenadas de
controle, vamos usar um modelo matemático (no nosso caso, simplificado), criado para
cada ponto P (ET e GPS), para comparar os resultados. Podemos ter N pontos P2 (ET2,
GPS2), P3 (ET3, GPS3) etc., onde esse processo ou procedimento poderia ser repetido.
Script R3 – Completo
> Altimetria
> ET
> GPS
>v
> mv
> sv
23
I EDA NU SOTNEMID C RP OÃÇUD RTNI
> Modificada
> ETm
> GPSm
> vm
Script R4 – Completo
> Altimetria
> ET
> GPS
>v
> mv
> sv
> distNorm
24
SOTNEMID C RP OÃÇUD RTNI I EDA NU
Script R5 – Completo
> Altimetria
> ET
> GPS
>v
> mv
> sv
> summary(MODELO3)
Ou
> summary(MODELO4)
> v2
> v2
> v3
25
I EDA NU SOTNEMID C RP OÃÇUD RTNI
> v3
> ET
> GPS
As novas ferramentas são chamadas equações não lineares, e o nome diz tudo.
Essas equações são utilizadas para descrever com precisão o comportamento das
coisas com uma faceta imprevisível. Isto inclui quase tudo: do funcionamento de
motores de carros à ação das moléculas do DNA. Até mesmo assar um bolo é
não linear: elevando a temperatura do forno duas vezes mais não assaria o bolo
duas vezes mais rápido. E com algumas receitas industriais, como as de produzir
medicamentos e plásticos, uma minúscula nos ingredientes ou nas condições
de processamento pode significar uma enorme diferença no produto final.
A matemática não linear pode ajudar a explicar esses efeitos assimétricos. Para
resumir, ela “permite a você descrever as coisas da forma que elas funcionam no
mundo real”, diz David Kinderlehrer, diretor do Centro de Análise Não-Linear da
Universidade de Minnesota.
26
SOTNEMID C RP OÃÇUD RTNI I EDA NU
qualquer mudança vai afetar o resultado, você tem que se ligar em todas as
variações concebíveis e resolver as equações milhares ou milhões de vezes.
Antigamente, até mesmo um simples problema não linear era um trabalho para
um supercomputador – e os problemas mais difíceis ainda são irresolvíveis: eles
tomariam décadas de contínua realização de cálculos.
Ele deveria saber. A Boeing vem utilizando essas técnicas não lineares como a
dinâmica computacional dos fluídos (DFC) desde a década de 1970. A DFC envolve
elaboração de um projeto de estrutura de um avião em milhares ou milhões
de formas interconectadas chamadas de elementos finitos. Quanto mais houver,
tanto mais precisos serão os resultados. O modelo de computador resultante é
coberto com uma “rede”, que a faz parecer estar embrulhada amarrotadamente
em papel de gráfico. Depois o computador simula uma corrente de ar sobre cada
elemento e integra todas as respostas para determinar como o avião voará bem.
O último software da DFC, que custa uma fração das versões iniciais, gera a rede
até automaticamente, economizando dias de tempo de engenharia. Como
resultado a Boeing imagina que ele agora paga para reformar os aviões velhos.
Uma edição futura do 737 de trintas anos de vida útil será mais leve, carregará
mais carga útil, e utilizará menos combustível.
Enquanto isso, a IBM se voltou para a DCF para melhorar os seus acionadores
de discos rígidos. A cabeça “read/write”, que desliza sobre o disco a 30 milhas
por hora, cria tanta pressão aerodinâmica que os engenheiros não poderiam
27
I EDA NU SOTNEMID C RP OÃÇUD RTNI
Setor aeroespacial
28
SOTNEMID C RP OÃÇUD RTNI I EDA NU
Biotecnologia
Carros
Finanças
Manufatura
O que é um sinal
Segundo Weeks (2012) um sinal é um fenômeno variável que pode ser medido. Muitas
vezes trata-se de uma quantidade física que varia com o tempo, embora também
possa variar com outro parâmetro, tal como o espaço. Exemplos incluem o som (ou,
mais precisamente, a pressão acústica), uma tensão (tal como as diferenças de tensão
produzidas por um microfone), radar e imagens transmitidas por câmeras de vídeo.
A temperatura é outro exemplo de sinal. Medida a cada hora, a temperatura flutuará,
indo normalmente de um valor baixo (ao amanhecer) para um valor mais alto (no final
da manhã), até um ainda maior ainda (à tarde) e depois para um valor mais baixo
(ao anoitecer), até finalmente atingir um valor baixo à noite, novamente. Em muitos
casos, devemos examinar o sinal ao longo de um período de tempo. Se, por exemplo,
você estiver planejando viajar para uma cidade distante, saber a temperatura média
na cidade pode lhe dar uma noção das roupas a serem postas na mala. Mas, se você
verificar como a temperatura muda ao longo de um dia, poderá saber se precisará ou
não levar uma jaqueta.
29
I EDA NU SOTNEMID C RP OÃÇUD RTNI
Alguns sinais reais, como a temperatura, podem ser medidos continuamente. Não
importa por quanto tempo você olhar para um termômetro, ele fornecerá uma leitura,
mesmo que o tempo entre as leituras seja arbitrariamente curto. Podemos registar
a temperatura em intervalos de um segundo, um minuto, uma hora etc. Uma vez
que tenhamos registrado essas medições; compreenderemos intuitivamente que a
temperatura possui valores entre as leituras e que não sabemos quais seriam eles.
Se soprar um vento frio, a temperatura cairá e, se o sol brilhar entre as nuvens, ela
subirá. Suponha, por exemplo, que meçamos a temperatura a cada hora. Ao fazermos
isso, estamos optando por ignorar a temperatura o tempo todo exceto durante as
leituras de hora em hora. Trata-se de uma ideia importante: o sinal pode variar ao
longo do tempo, mas, quando fazemos leituras periódicas do sinal, terminamos apenas
com uma representação do mesmo.
Um sinal pode ser imaginado como uma sequência (Contínua ou discreta) de valores
(Contínuos ou discretos). Ou seja, um sinal contínuo pode ter valores em qualquer
valor de índice (index) arbitrário (você pode medir a temperatura ao meio-dia ou, caso
deseje, medi-la 0,0000000003 segundos após o meio-dia).
Da mesma forma, os valores para o sinal podem ser medidos com uma precisão arbitrária
(contínua) ou com uma precisão limitada (discreta). Isto é, você poderia registar a
temperatura em milionésimos de grau ou poderia limitar os valores a um nível razoável,
tal como um dígito além do decimal. Discreto não significa inteiro, e sim que os valores
poderiam ser armazenados como um número racional (um inteiro dividido por outro
inteiro). Por exemplo, 72,3 graus Fahrenheit poderiam ser encarados como 723/10. Isso
implica que números irracionais não podem ser armazenados em um computador, mas
apenas aproximados. Um bom exemplo é π. Você pode escrever 3.14 para representar
π, mas trata-se de uma mera aproximação. E, se você escreveu 3,141592654 para
representar π, ainda assim não passou de uma aproximação. Na verdade, você poderia
representá-lo com 50 milhões de dígitos e mesmo assim continuaria sendo somente
uma aproximação!
30
SOTNEMID C RP OÃÇUD RTNI I EDA NU
É possível considerar um sinal cujo índice seja contínuo e cujos valores sejam discretos,
tal como o número de pessoas presentes em um edifício em um dado momento.
O índice (tempo) pode ser medido em frações de segundo, enquanto o número de pessoas
é sempre um número inteiro. Também é possível lidar com um sinal em que o índice
seja discreto e os valores sejam contínuos; por exemplo, a hora de nascimento de cada
pessoa em uma cidade. A pessoa no 4 pode ter nascido apenas 1 microssegundo antes da
pessoa no 5, mas tecnicamente elas não nasceram ao mesmo tempo. Isso não significa
que duas pessoas não podem ter a mesma hora de nascimento, mas que podemos ser
tão precisos quanto desejamos em relação a essa hora.
Na maioria dos casos, concentramos nossa atenção nos sinais contínuos (que possuam
um índice contínuo e um valor contínuo) e nos sinais discretos (com um índice
inteiro e um valor discreto). A maior parte dos sinais na natureza é contínua, mas os
sinais representados no interior de um computador são discretos. Um sinal discreto
frequentemente é uma aproximação de um valor contínuo.
No âmbito digital, um sinal não é mais do que uma lista de números. Ele pode ser
encarado como um vetor, uma matriz unidimensional. Naturalmente, existem
sinais multidimensionais, tais como as imagens, que são simplesmente matrizes
bidimensionais. Encarar os sinais como matrizes constitui uma importante etapa
analítica, por permitir que utilizemos álgebra linear com os nossos sinais. Ou seja,
uma lista de números poderia corresponder às mudanças na pressão acústica
medida em intervalos de 1 milissegundo ou poderia ser a temperatura em graus
centígrados medida a cada hora.
31
I EDA NU SOTNEMID C RP OÃÇUD RTNI
A partir do gráfico, podemos ver uma mudança em torno do ano 1900. O número médio
de acidentes a partir de então parece ficar bem reduzido em comparação com o período
anterior.
>ac<- c(4,5,4,1,0,4,3,4,0,6,3,3,4,0,2,6,3,3,5,4,5,3,1,4,4,1,5,5,3,4,2,5,2,2,3,4,2,1,3,2,2,1,
1,1,1,3,0,0,1,0,1,1,0,0,3,1,0,3,2,2,0,1,1,1,0,1,0,1,0,0,0,2,1,0,0,0,1,1,0,2,3,3,1,1,2,1,1,1,1,2,
4,2,0,0,0,1,4,0,0,0,1,0,0,0,0,0,1,0,0,1,0,1)
> ac
> summary(ac)
> class(st)
> st
> plot(st)
> dec$seasonal
> plot(dec$seasonal)
> plot(dec$trend)
> plot(dec$random)
> plot(dec)
Visite site do INPE e veja os dados das séries temporais do satélite MODIS.
32
CAPÍTULO 2
Introdução ao ajustamento de
observações
33
I EDA NU SOTNEMID C RP OÃÇUD RTNI
mas também toda sorte de erros possíveis de ocorrer nas medições, identificações,
anotações e transferência de dados. (DALMOLIN, 2004)
As medidas que representam uma mesma quantidade possuem dispersão com respeito
a uma média, o que se chama de flutuações randômicas próprias das observações ou
erros randômicos, também chamados erros acidentais. Esse tipo de erro será o objeto
de nosso estudo, pois devidos às flutuações randômicas (pequenos erros) os sistemas
de equações (propostos para os diversos problemas apresentados) serão inconsistente
e exigirão uma solução pelo Método dos Mínimos Quadrados.
Porém as medidas podem ainda possuir outros erros, como os erros grosseiros, um
bom exemplo seria os erros de anotação e os erros sistemáticos quando se trabalha
com instrumentos mal calibrados. Esses erros devem ser eliminados basicamente por
procedimentos operacionais. Já os erros acidentais jamais poderão ser eliminados, não
existe mensuração sem esses erros, por mais preciso que possa ser o instrumento de
medida, eles sempre vão ocorrer.
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)
É notável que uma ciência que começou com jogos de azar tenha se tornado o
mais importante objeto do conhecimento humano.
Albert Einstein
34
SOTNEMID C RP OÃÇUD RTNI I EDA NU
O demônio de Laplace
Porém, a observação de planetas e cometas a partir da Terra não se ajustava com precisão
às posições previstas matematicamente, fato que levou Laplace e seus colegas cientistas
atribuírem a erros nas observações, algumas vezes atribuíveis a alterações na atmosfera
da Terra (erros sistemáticos), outras vezes a falhas humanas (erros grosseiros). Laplace
reuniu todos esses erros numa peça extra (a função erro), que atrelou a suas descrições
matemáticas. Essa função erro absorveu as imprecisões e deixou apenas as puras leis do
movimento para prever as verdadeiras posições dos corpos celestes. Acreditava-se que,
com medições cada vez mais precisas, diminuiria a necessidade da função erro. Como
ela dava conta de pequenas discrepâncias entre observado e previsto (erros aleatórios).
No entanto, a ciência do século XIX ainda estava nas garras do determinismo filosófico
– a crença de que tudo é determinado de antemão pelas condições iniciais do Universo
e pelas fórmulas matemáticas que descrevem seus movimentos.
35
I EDA NU SOTNEMID C RP OÃÇUD RTNI
Erros grosseiros
A desatenção do observador pode conduzir a erros grosseiros como a inversão de dígitos
numa leitura, a troca do bordo visado na medida da distância zenital do Sol etc.
Muitas vezes somente um teste estatístico pode justificar ou não a rejeição de uma
observação suspeita de abrigar um erro grosseiro.
Erros sistemáticos
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.
36
SOTNEMID C RP OÃÇUD RTNI I EDA NU
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.
37
I EDA NU SOTNEMID C RP OÃÇUD RTNI
A precisão é definida pelo desvio padrão de uma série de medidas de uma mesma
amostra ou um mesmo ponto. Quanto maior o desvio padrão, menor é a precisão.
A precisão está relacionada com as incertezas aleatórias da medição e tem relação com
a qualidade do instrumento.
Figura 5.
Fonte: <www.calibraend.com.br>
38
SOTNEMID C RP OÃÇUD RTNI I EDA NU
Figura 6.
Fonte: Autor.
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.
39
I EDA NU SOTNEMID C RP OÃÇUD RTNI
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)
>x
> y<- x
>y
> plot(x,y)
Figura 7.
Fonte: Autor.
40
SOTNEMID C RP OÃÇUD RTNI I EDA NU
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
>y
Figura 8.
Fonte: Autor.
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
41
I EDA NU SOTNEMID C RP OÃÇUD RTNI
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) + ...
Fourier conseguiu achar uma forma simples e elegante de calcular esses coeficientes
a0, a1, a2, ... , b1, b2.
42
PRÁTICAS UNIDADE II
CAPÍTULO 1
Princípios de ajustamento de
observações
43
I EDA NU A C SI T Á R P
Figura 10.
S = ∑ [yi − fi]²
x 1 4 3 5
y 3 4 2,5 0,5
Fonte: Autor.
S = [y₁ −(ax₁ + b)]² + [y₂ −(ax₂ + b)]² + [y₃ −(ax₃ + b)]² + [y₄ −(ax₄ + b)]²
S = [3 −(1a + b)]² + [4 −(2a + b)]² + [2,5 −(3a + b)]² + [0,5 − (5a + b)]²
44
A C SI T Á R P I EDA NU
Derivando
S1 – Resolvendo do sistema:
21 – 39a – 11b = 0
10 – 11a – 4b = 0
Resulta:
> ano
45
I EDA NU A C SI T Á R P
> lucro_liq
> modLn
Fonte: Autor.
Fonte: Autor.
46
A C SI T Á R P I EDA NU
> luro_liq_l
> modLn
Figura 13. Após a transformação usando logaritmo, os dados seguem uma curva linear.
Fonte: Autor
Fonte: Autor
47
I EDA NU A C SI T Á R P
> y_prod_leite
> ny
> x_indice_pluv
> nx
> sy
> sx
> sxy
48
A C SI T Á R P I EDA NU
> sxx
> sqxy
> sqx
>b
>a
> modLn
Tabela 6. Elementos.
49
I EDA NU A C SI T Á R P
Figura 15.
Fonte: Autor.
Tabela 7. Resposta.
Par R2 Equação
4 Área x Turb
5 Cond x N
6 Cond x Perim
7 Cond x Turb
8 N x Perim
9 N x Turb
10 Perim x Turb
Fonte: Autor.
> variável
Obs.: a tabela 5 pode ser aberta no Sistema R através de um arquivo TXT (usando o
Bloco de Notas ou Notepad++)
50
A C SI T Á R P I EDA NU
SCRIPT R-08
> Elementos
> fit1<-lm(Condutividade~Área,Elementos)
> fit1
> fit2<-lm(Nitrogênio~Área,Elementos)
> fit2
Obs.: explorar:
> fit3<-lm(Nitrogênio~Área+Perímetro,Elementos)
> fit3
> anova1<-aov(fit3)
> anova1
Tabela 8. Galápagos.
Ilha
SPE SPE Dist. Sta Dist. Ilha
Id Coord_E Coord_N Ilhas Elevação Área Mais
Total Nativas Cruz Adjacente
Prox.
1 803690.69 9950405.32 Baltra 58 23 0 25.09 0.6 0.6 1.84
2 772991.66 9968578.24 Bartolome 31 21 109 1.24 0.6 26.3 572.33
3 796228.87 9855436.65 Caldwell 3 3 114 0.21 2.8 58.7 0.78
4 790950.53 9863052.31 Champion 25 9 46 0.1 1.9 47.4 0.18
5 802919.23 9916020.39 Coamano 2 1 0 0.05 1.9 1.9 903.82
51
I EDA NU A C SI T Á R P
Ilha
SPE SPE Dist. Sta Dist. Ilha
Id Coord_E Coord_N Ilhas Elevação Área Mais
Total Nativas Cruz Adjacente
Prox.
15 171012.73 35653.17 Genovesa 40 19 76 17.35 47.4 92.2 129.49
27 786088.04 9857069.81 Santa Maria 285 73 640 170.92 2.6 49.2 0.1
Floreana
28 802343.92 9956400.39 Seymour 44 16 0 1.84 0.6 9.6 25.09
SCRIPT R-09
> Galapagos
> fit1<-lm(SPE_Total~Area,Galapagos)
> fit1
> anova1<-aov(fit1)
> anova1
> fit2<-lm(SPE_Nativas~Area+Elevacao+Ilha_Mais_Prox,Galapagos)
> fit2
> anova2<-aov(fit2)
52
A C SI T Á R P I EDA NU
> anova2
> fit3<-lm(SPE_Nativas~Elevacao,Galapagos)
> fit3
> anova3
Exercício R-7: Qual dos modelos: fit1, fit2, fit3, escolher? Vamos discutir o resultado.
53
I EDA NU A C SI T Á R P
Esse é um experimento que você mesmo pode fazer: Vamos escolher, por exemplo,
três caminhos para ir para o trabalho e cronometrar, cada dia, aleatoriamente, para
eliminar outros fatores indesejáveis, o tempo de percurso. Uma análise da variância
seria interessante para abordar o problema. Mas aí você vai me perguntar o que isso
tem haver com georreferenciamento de imóveis rurais? Vou lhe responder que esse
exercício é exatamente o mesmo de analisar o tempo de percurso entre um, ou vários
satélites, até um, ou vários receptores, em terra. Existem vários efeitos como, por
exemplo, o multicaminhamento, que atrasa a chegada do sinal, e claro, vai aumentar
o valor da distância e, consequentemente, provocar o erro no posicionamento. Então,
o melhor procedimento, é que esse, ou esses, satélites sejam eliminados antes do
processamento.
54
A C SI T Á R P I EDA NU
SCRIPT R-10
> ensaio
> leitura<-ensaio[,1]
> leitura
> tempo<-ensaio[,5]
> tempo
55
I EDA NU A C SI T Á R P
> percurso<-ensaio[,4]
> percurso
> per.f<-factor(percurso)
> per.f
> table(per.f )
> plot(per.f,tempo)
Série de Taylor
A série de Taylor nos proporciona o valor de uma função f(x) quando x=0.
A expansão em série de Taylor serve para linearizar as funções, pois para valores de x
próximos da segunda potência, que serve para muitos casos práticos, podemos truncar
ou descartar os valores superiores, e nesse caso, a curva f(x) poderá ser substituída por
uma resta:
Figura 16.
Fonte: Autor.
56
A C SI T Á R P I EDA NU
> x<-c(1:100)
>x
> y<-sin(x)
>y
>y
Observe que a partir do valor 5 (cinco) os dados começam a divergir, o que podemos
fazer? Acrescentar mais termos a série? E é exatamente isso que uma calculadora faz,
ou usa, para calcular valores de seno, cosseno, pi, exponencial etc.
Tabela 11.
57
I EDA NU A C SI T Á R P
> sin(.5*pi)
> cos(2*pi)
> tan(pi)
> atan(0)
Propagação do erro
O volume de um cilindro pode ser determinado medindo-se o comprimento L e o raio
R. Ou seja, um problema estocástico.
V = πLR2
Portanto, a relação entre as incertezas será dada pela Lei da Propagação dos Erros:
2
∂V 2 ∂V 2
S v=
2S L+ S R
∂L ∂R
Calculando as derivadas parciais,
∂V/∂L = πR2
∂V/∂R = πL(2R)
Obtém-se
58
A C SI T Á R P I EDA NU
Introdução à probabilidade
Experimentos aleatórios
Espaço amostral
Exemplo:
(1,2,3, … 6) ou (1 e 2 e 3…. e 6)
Moedas
Evento
Jogo de dados
(1 ou 2 ou 3…. ou 6)
Moedas
(Cara ou coroa)
Probabilidade
P = E/S
59
I EDA NU A C SI T Á R P
P=1/1000
Experimento
Probabilidade de cara = 5
Probabilidade de coroa = 5
Medição
Ocorrência de cara = 6
Ocorrência de coroa = 4
Erro aleatório
Em termos matemáticos:
f(x) + n – p = r
60
A C SI T Á R P I EDA NU
Figura 17.
Síntese matemática 1
M(5) − n₁(6) = e₁
M(5) − n₂(4) = e₂
….
M( ) − nn( ) = en
Segue:
Derivando
d∑e² ∕dM = 0
Resulta
nM - (n₁ + n₂ + … + nn) = 0
M = (n₁ + n₂ + … + nn) / n
61
I EDA NU A C SI T Á R P
Síntese matemática 2
….
Segue
Derivando
d∑e² ∕dM = 0
Resulta
62
A C SI T Á R P I EDA NU
Tabela 12.
Exemplo tirado do livro Conhecendo o R, uma visão mais que Estatística (Mello, 2013).
Agora, supomos que haja um conjunto de sete cidades (ou sete bairros etc.) (aqui
nomeadas de A a G) e suas coordenadas planas (x e y). Assim, cada cidade pode ser
identificada individualmente, veja:
> nomes
63
I EDA NU A C SI T Á R P
> cidades
> plot(cidades)
Pacotes do R
Caso o mesmo experimento seja repetido com dois dados ou mais, em vez de moedas,
será possível perceber que o erro se aproxima de uma curva com distribuição normal,
ou seja, segue o traçado da curva de sino ou Gauss.
Fonte: Autor.
Figura 19.
Fonte: Autor.
Tabela 13.
65
I EDA NU A C SI T Á R P
Segue um Script em R:
> # 25º10’30”
> x<-c(25,10,30)
>x
> x1<-x[3]
> x1
> x1<-x1/60
> x1
> x2<-x[2]
> x2
> x3<-x1+x2
> x3
> x3<-x3/60
> x3
> x4<-x[1]
> x4
> x5<-x4+x3
> x5
66
A C SI T Á R P I EDA NU
Segue um Script em R:
> x<-c(5.25,6.48,16.35,20.85,2.9
>x
> x1
> x2<-trunc(x)
> x2
> x3<-signif(x)
> x3
Tabela 14.
Fonte: Autor.
»» O sistema é consistente?
AX=L
Onde A é a matriz nxn dos coeficientes; X é o vetor das incógnitas e L o vetor dos termos
independentes.
Para este sistema a questão (a) pode ser respondida através de uma análise das
características ou postos das matrizes A e A’, isto é:
Posto(A) = Posto(A’)=?
Onde A’ é uma matriz obtida da A pela substituição de uma de suas colunas pelo
vetor L.
det(A) ≠ 0
Então o sistema terá solução única. Determinante nulo implica que o sistema possui
infinitas soluções. (DALMOLIN, 2004)
Ajustamento paramétrico
La = F(Xa)
68
A C SI T Á R P I EDA NU
Onde La é o vetor (nx1) das observações ajustadas, Xa o vetor (ux1) dos parâmetros
ajustados e F um funcional que relaciona La a Xa.
Conforme a função F seja linear ou não linear, o ajustamento se chamará de: paramétrico
linear ou não linear. Consideraremos inicialmente o primeiro caso.
Neste caso a função F é linear e a equação La = F(Xa) pode ser escrita na forma:
L=AX
Um sistema consistente não pode ser formado inicialmente, pois o verto La não está
disponível. Isto é, dispomos somente do vetor Lb, dos valores medidos, que forma um
sistema inconsistente.
Lb = AX
Que requer uma correção V (função erro) ao vetor das medidas Lb. Assim:
La = Lb + V
AX= Lb + V
Constitui um sistema compatível, mas com maior número de incógnitas que o número
n de equações (Xa e V possuem u + n incógnitas).
AX = Lb + V.
V = AX – Lb
69
I EDA NU A C SI T Á R P
Ou
E = XT AT AX – XT AT Lb – LtbAX+LTbL
Ou seja:
Então:
= XTATA-LTbA=0
e:
XTATA = LTbA
ATAX =ATLb
X =(ATA)-1ATLb
70
A C SI T Á R P I EDA NU
> vendas <- c(45, 23, 66, 77, 33, 44, 56, 12, 78, 23, 78, 90)
> vendas
[1] 45 23 66 77 33 44 56 12 78 23 78 90
> vendas
[1,] 45 77 56 23
[2,] 23 33 12 78
[3,] 66 44 78 90
Repare como os números foram “espalhados” por uma matriz com três linhas e quatro
colunas, que foi a dimensão que atribuímos ao vetor vendas através da função dim().
Na realidade seria mais simples criar a matriz usando uma função específica para isso:
> vendas <- matrix(c(45, 23, 66, 77, 33, 44, 56, 12, 78, 23, 78, 90), 3, 4)
Repare que os números foram “espalhados” pela matriz por coluna, isto é, primeiro
foi preenchida a primeira coluna, depois a segunda etc. Caso não seja isso o que
pretendemos, poderemos preencher a matriz por linhas da seguinte forma:
> vendas <- matrix(c(45, 23, 66, 77, 33, 44, 56, 12, 78, 23, 78, 90), 3, 4, byrow = T)
> vendas
[1,] 45 23 66 77
[2,] 33 44 56 12
[3,] 78 23 78 90
71
I EDA NU A C SI T Á R P
Nas matrizes também é possível dar nomes aos elementos para tornar a leitura da
informação mais legível. Vejamos como fazer isso para a nossa matriz de vendas
trimestrais nas três lojas:
> vendas
loja1 45 23 66 77
loja2 33 44 56 12
loja3 78 23 78 90
> vendas[2, 2]
[1] 44
[1] 44
De igual modo, podemos tirar partido dos esquemas de indexação para selecionar
elementos das matrizes, como mostram os seguintes exemplos:
> vendas[-2, 2]
loja1 loja3
23 23
1.trim 3.trim
45 66
72
A C SI T Á R P I EDA NU
Podemos mesmo omitir uma das dimensões das matrizes para deste modo obter todos
os seus elementos (um índice vazio):
> vendas[1, ]
45 23 66 77
77 12 90
As funções cbind() e rbind() podem ser usadas para juntar dois ou mais vetores ou
matrizes, por colunas ou por linhas, respectivamente. Os seguintes exemplos ilustram
o seu uso:
> m1 <- matrix(c(45, 23, 66, 77, 33, 44, 56, 12, 78, 23), 2, 5)
> m1
[1,] 45 66 33 56 78
[2,] 23 77 44 12 23
[,1] [,2]
[1,] 4 56
[2,] 76 12
> m2
[1,] 10 10 10 10 10
[2,] 10 10 10 10 10
73
I EDA NU A C SI T Á R P
[3,] 10 10 10 10 10
[4,] 10 10 10 10 10
[5,] 10 10 10 10 10
[6,] 10 10 10 10 10
[7,] 10 10 10 10 10
[8,] 10 10 10 10 10
[9,] 10 10 10 10 10
[10,] 10 10 10 10 10
> m3
[1,] 45 66 33 56 78
[2,] 10 10 10 10 10
Regras aritméticas
> m <- matrix(c(45, 23, 66, 77, 33, 44, 56, 12, 78, 23), 2, 5)
>m
[1,] 45 66 33 56 78
[2,] 23 77 44 12 23
>m*3
74
A C SI T Á R P I EDA NU
> m1
[1,] 45 66 33
[2,] 23 77 44
> m2
[1,] 12 32 4
[2,] 65 7 78
> m1 + m2
[1,] 57 98 37
[2,] 88 84 122
Por exemplo, a multiplicação de duas matrizes pode ser feita da seguinte forma:
> m1
75
I EDA NU A C SI T Á R P
[1,] 45 66 33
[2,] 23 77 44
> m2
[,1] [,2]
[1,] 5 54.5
[2,] 3 3.2
> m1 %*% m2
[,1] [,2]
Ainda no contexto da álgebra matricial, o R tem muitas outras funções, a saber, a função
t() para obter a transposta de uma matriz quadrada.
> t(m1)
[,1] [,2]
[1,] 45 23
[2,] 66 77
[3,] 33 44
76
A C SI T Á R P I EDA NU
> det(m)
[1] 1159
É também possível usar a função solve() para obter a inversa de uma matriz:
> solve(m)
[,1] [,2]
Finalmente, esta mesma função pode ser usada para resolver sistemas de equações
lineares. Vejamos o seguinte sistema de equações:
54.3x − 4y = 45
coefs
ys
solve(coefs, ys)
77
I EDA NU A C SI T Á R P
10 – 11a – 4b = -10
coefs
ys <- c(-21,-10)
ys
solve(coefs, ys)
– 11a – 4b = -10
Lembrar:
SCRIPT 12
>a
>a
> dim(b)<-c(2,1)
>b
> at
78
A C SI T Á R P I EDA NU
> n1<-at%*%a
> n1
> invn1
> n2
> m<-invn1%*%n2
>m
79
CAPÍTULO 2
Ajustamento de redes geodésicas
Imagine começar um projeto enorme, que deve levar dez anos e precisar de
milhares de pessoas para construir e resolver um sistema de equações lineares
1.800.000 por 900.000. Foi exatamente isso que o National Geodetic Survey
(Levantamento Geodésico Nacional) fez em 1974, quando começou a atualizar o
North American Datum (Dados da América do Norte, NAD) – uma rede de 268.000
pontos de referência marcados com precisão, abrangendo todo o continente
norte-americano e agregando Groenlândia, o Havaí, as Ilhas Virgens, Porto Rico
e outras ilhas do Caribe. (LAY, 2013)
80
A C SI T Á R P I EDA NU
Verifica-se então que, desde o início da sua implantação, a Rede Planimétrica de Alta
Precisão vem sofrendo evoluções nos métodos e instrumentos utilizados na obtenção
das coordenadas planimétricas, principalmente no que diz respeito à precisão.
81
I EDA NU A C SI T Á R P
Nivelamento que realiza a medida da diferença de nível entre pontos do terreno por
intermédio de leituras correspondentes a visadas horizontais, obtidas com um nível,
em miras colocadas verticalmente nos referidos pontos. (NBR 13133, 1994)
»» Visada à ré, V Ré: toda a leitura de mira que for feita com a finalidade de
calcular AI, qualquer que seja a sua direção.
»» Visada à vante, V Vante: toda leitura de mira que for feita para determinar
a cota do ponto visado; qualquer quer que seja a direção. Portanto vante
e ré, em nivelamento geométrico, nada tem ver com a direção para frente
ou para trás.
82
A C SI T Á R P I EDA NU
Fórmulas básicas:
AI = Cota + V Ré
Cota = AI – V Vante
RN. Referência de nível é a cota de um ponto que serve de referência para um trabalho
de nivelamento geométrico. A referência de nível absoluta é o nível do mar assumido
como cota zero. Nos trabalhos de interesse particular pouco importante, pode-se
assumir uma referência arbitrária. (BORGES, 2001)
Tabela 15.
Prova do cálculo:
83
I EDA NU A C SI T Á R P
Figura 20.
Fonte: Autor.
Figura 21.
Fonte: Autor.
84
A C SI T Á R P I EDA NU
Incógnitas (parâmetros):
Xa=
Observações:
Lb
D = ((x – xi )2 + (y – yi)2)1/2
Ou
AX + L = V
Onde:
Onde:
Parâmetros corrigidos:
Xa = X0 + X
Ou
Xa = X0 + ∆X
85
I EDA NU A C SI T Á R P
Tabela 16.
F10= SOMARPRODUTO(D3:D7;F3:F7)+SOMARPRODUTO(E3:E7;F3:F7)
x-a= ABS(B3-$B$10)
Y-b= ABS(C3
Fonte: Tompkins, 2010.
Figura 22.
Fonte: Autor.
4. Problema de localização:
86
A C SI T Á R P I EDA NU
Tabela 16.
Figura 23.
Fonte: Autor.
87
I EDA NU A C SI T Á R P
Assumindo agora que as localidades são pontos num plano cartesiano e que
podem ser identificado pelas coordenadas (x, y) para os centros de cada cidade
satélite e pelas coordenadas (X, Y) para o local onde deverá ser construída a nova
torre de transmissão, o nosso objetivo será minimizar a distância total entre o
ponto da nova ANTENA e os centros consumidores, ou seja, os centros de cada
cidade satélite.
Min ∑ √(X₁ − x₁)² +(Y₁ − y₁)² + √(X1 − x2)² +(Y₁ − y2)² + √(X1 − x3)² +(Y₁ − y4)²
Obs.: podemos usar o Solver do LibreOffice Calc para resolver o problema. A partir
daqui poderíamos sair do método paramétrico e entrar no método condicional,
usando multiplicadores de Lagrange.
Uma primeira conclusão: nossa viagem até aqui é apenas um início neste vasto campo
que é o ajustamento de observação. Podemos aplicar esse conhecimento em topografia,
como também no largo campo do posicionamento geodésico, por satélites GNSS.
Temos ferramentas tecnológicas, como as oferecidas pelo IBGE, chamadas de PPP –
Posicionamento por Ponto Preciso; com o rastreio de um único ponto, usando apenas
um aparelho de GPS, podemos obter um ponto de controle para o nosso trabalho
topográfico.
88
A C SI T Á R P I EDA NU
Também temos o chamado Rinex Virtual (GEGE – UNESP, software on-line FCT_
RTK_NET – VRS), que ainda não está operando em todo país, mas logo poderá estar
disponível na RIBac, a rede de monitoramento contínuo do INCRA.
Fonte: IBGE.
Obs.: acessar o site do IBGE RBMC ou do INCRA RIBaC e fazer o cadastro, baixar
os dados Rinex de um ponto da rede e submetê-lo novamente para o processamento
do PPP, ou usar uma coordenada (Rinex) obtida com o seu próprio aparelho GPS, ou
ainda, conseguir as coordenadas no site do GEGE – UNESP, software on-line FCT_
RTK_NET – VRS (Virtual Rinex).
Figura 25.
Fonte: Ribac.
89
I EDA NU A C SI T Á R P
Princípio da vizinhança
Regra básica da geodésia, que deve ser também aplicada à topografia. Esta
regra estabelece que cada ponto novo determinado deve ser amarrado ou
relacionado a todos os pontos já determinados, para que haja uma otimização
da distribuição dos erros. É importante a hierarquização, em termos de
exatidão dos pontos nos levantamentos topográficos, pois cada ponto novo
determinado tem exatidão sempre inferior à dos que serviram de base a sua
determinação, não importando o grau de precisão desta determinação. (NBR
13133, 1994)
O resumo, então, é saber que as medições devem ser superabundantes, devemos calcular
as médias e os erros e, principalmente, saber que esses erros são propagados
90
A C SI T Á R P I EDA NU
Tabela 27.
Figura 26.
Ax = L => x = (AtA)-1At L
91
I EDA NU A C SI T Á R P
1. Encontrar a matriz A:
Tabela 18.
A B C L
1 1 0 0 105.10
2 -1 0 0 -105.16
3 0 0 1 106.25
4 0 0 -1 -106.13
5 -1 1 0 -0.68
6 0 1 0 104.50
7 0 -1 1 1.70
Fonte: Autor.
Obs.: Quando a rede é 1D, como no nosso caso, temos três colunas – o mesmo
número das incógnitas. Se a rede fosse 2D teríamos 6 colunas, 3D nove colunas
e assim por diante. O número de colunas reflete a dimensão do problema. Uma
questão que vai ficar em aberto é sobre o grau de liberdade, n – 1 ou num caso
mais geral n – u. Pois o número de linhas da matriz é igual ao número de arcos,
ou alinhamentos, ou medições, vezes o número da dimensão do problema, 2D,
3D etc.
»» n – u, como calcular?
> a<-c(1,-1,0,0,-1,0,0)
>a
92
A C SI T Á R P I EDA NU
> b<-c(0,0,0,0,1,1,-1)
>b
> c<-c(0,0,1,-1,0,0,1)
>c
> l<-c(105.10,-105.16,106.25,-106.13,-.68,104.5,1.70)
>l
> A<-cbind(a,b,c)
>A
L<-cbind(l)
> At<-t(A)
> At
> N1<-At%*%A
> N1
> N2<-solve(N1)
> N2
> N3<-At%*%L
> N3
> X<-N2%*%N3
>X
ΔXAC = 50
93
I EDA NU A C SI T Á R P
ΔYAC = - 100
ΔXBC = - 50
ΔYBC = - 100
5.
Figura 27.
Fonte: Autor.
Esse exercício foi retirado do livro do Monico, (2000), vamos dar uma olhada na
figura anterior, todos os dados são conhecidos: as coordenadas dos satélites, as
coordenadas dos pontos de controle, as linhas tracejadas (que são as distâncias
satélites-receptores), e até mesmo as coordenas aproximadas do ponto que
desejamos ajustar, são conhecidas.
Então o que precisamos calcular? São os ΔX, ΔY, ΔZ. E como fazemos isso?
Expandido a equação da distância Euclidiana em série de Taylor.
D = [(xj0-xi0)2 + (yj0-yi0)2]1/2
F(xi,yi, xj, yj) = (xi0,yi0, xj0, yj0) + (∂F/∂xi) dxi + (∂F/∂yi) dyi + (∂F/∂xj) dxj + (∂F/∂yj) dyj
94
A C SI T Á R P I EDA NU
Tabela 19.
95
PRÁTICAS FINAIS UNIDADE III
CAPÍTULO 1
Práticas finais
96
SIAN FC TÁRP I EDA NU
Figura 28.
Fonte: <www.facebook.com/petrobrasbrasil>
Escala de cores:
97
I EDA NU SIAN FC TÁRP
Figura 29.
Fonte: Autor.
Matriz Jacobiana
2. Encontre os valores, desconhecidos, de x e y da equação não linear
usado o teorema de Taylor para encontrar a matriz Jacobiana, matriz A.
Use x0=5 e y0=5 (como chute) para uma aproximação inicial:
JX = K
Função F
x2y – 3x2 = 75
Função G
x2 – y = 19
98
SIAN FC TÁRP I EDA NU
O método era simples: estime o valor (chute) e calcule a distância de cada observação
em relação à estimativa – o erro. Em seguida eleve ao quadrado cada erro e some todos
eles. Depois, faça outra estimativa e veja se a soma dos quadrados dos novos erros é
menor.
Repita várias vezes o procedimento. A estimativa dos “mínimos quadrados” gera erros
com a menor soma dos quadrados; é o valor que se encaixa com mais exatidão a todas
as observações. Trata-se de um método eficaz, cuja utilidade foi logo reconhecida e
que hoje é usado em todos os tipos de pesquisa física, da astronomia à biologia.
(MANDELBROT, 2004).
V = AX – L
S0 = Raiz de VtV/r (r = n – u)
Qui-quadrado
> H0 = 1
> H0 ≠ 1
> V<-(A%*%X) – L
>V
99
I EDA NU SIAN FC TÁRP
> Vt<-t(V)
> Vt
> S0<-sqrt((Vt%*%V)/gl)
> S0
> Qui<-gl*S0
> Qui
Mapa mental
Figura 30.
100
Referências
LEICK, Alfred. GPS satellite surveyng. New Jersey: John Wiley and Sons, Inc.,
2004.
LAY, David C. Álgebra linear e suas aplicações. Rio de Janeiro: LTC, 2014.
MELLO, Marcio Pupin et al. Conhecendo o R, uma visão mais que estatística.
Viçosa: UFV, 2013.
NETO, Benício de Barros et al. Como fazer experimentos. Porto Alegre: Bookman,
2010.
101
SAICNÊREF
VUOLO, José Henrique. Fundamentos de teoria dos erros. São Paulo: Edgar
Blucher. 1992.
Sites
<http://www.fct.unesp.br/#!/pesquisa/grupos-de-estudo-e-pesquisa/gege/>
<www.calibraend.com.br>
102