Você está na página 1de 52

1

UNIVERSIDADE FEDERAL DO PARAN


SETOR DE CINCIAS DA TERRA
DEPARTAMENTO DE GEOMTICA
Disciplina: Ajustamento
Prof. Alvaro Muriel Lima Machado
2
Medidas e Observaes
(processo ou operao X resultado da operao)
Introduo
3
Propriedades fundamentais da medida:
Medir significa realizar uma operao fsica, consistindo de vrias
operaes elementares tais como preparao, calibrao, pontaria,
leitura, etc.;
O resultado do processo a observao, e representa a medida;
A no ser na contagem de certos eventos, a medida sempre
realizada com o auxlio de instrumentos;
As medidas esto referenciadas a um padro, os quais so
estabelecidos por conveno. Medir ento comparar uma grandeza
a um padro, tendo ento unidade e dimenso;
Introduo
4
As medies podem ser feitas:
Diretamente
Indiretamente
Introduo
5
Introduo
No processo de medio, o
operador deve ter
conscincia que no existe
observao exata e todas as
medidas esto afetadas por
erros.
6
Introduo
Erros de Observao
No existe observao exata;
Toda e qualquer observao contm erros;
O valor verdadeiro da observao nunca
conhecido;
A magnitude exata dos erros presentes no processo
sempre desconhecida.
Erro = Valor Medido Valor Verdadeiro
Desvio = Valor Medido Valor Mais Provvel
7
A Teoria dos Erros cuida da anlise dos erros cometidos durante as
medies para saber se eles so estatisticamente confiveis e se
suas magnitudes so aceitveis (dentro de determinados limites).
Em seguida as medidas devem ser ajustadas de acordo com as
especificaes geomtricas ou outras particularidades (condies ou
restries) que possam interferir no processo de medio.
Finalmente obtm-se a melhor determinao do ponto medido.
Introduo
8
Fontes de Erros
Erros Instrumentais
Erros Naturais
Erros Pessoais
Classificao dos Erros de Observao
Erros Grosseiros
Erros Sistemticos
Erros Acidentais ou Aleatrios
Introduo
9
So oriundos de uma falsa determinao do valor de uma grandeza.
Pode ser provocado pela falta de ateno do operador (equvoco), ou
pelo uso de equipamento inadequado.
Exemplo: Troca de dgitos em anotaes de medidas
Podem ser detectados atravs de procedimentos de verificao.
Geralmente, os valores errados so facilmente detectveis devido
sua grandeza, sem relao alguma com outras observaes
efetuadas. Quando isto no acontece so muito difceis de serem
identificados.
Erros Grosseiros
ATENO
10
So oriundos de influncias externas s medies, sem serem
considerados no processo. Podem ser de origem instrumental, ou de
origem fsica (condies ambientais).
Exemplos: Medida eletrnica de longa distncia sem a considerao
do efeito da refrao. Operador de nvel que realiza a leitura sempre
um pouco abaixo do trao da mira. Equipamento de medio no
calibrado.
Este tipo de erro possui a particularidade de se repetir da mesma
forma sempre que a medio for repetida em condies idnticas.
Pode ser eliminado atravs de tcnicas especiais de observao ou
de modelo fsico adequado para o clculo da grandeza medida.
Erros Sistemticos
11
Depois da eliminao dos erros grosseiros (adoo de procedimentos
de verificao) e dos erros sistemticos (adoo de modelos fsicos
apropriados), as observaes repetidas sobre uma mesma grandeza
ainda se revelam com discrepncias entre si. Tais erros no so
vinculados a nenhuma causa conhecida.
Erros Acidentais ou Aleatrios
O erro acidental o erro estudado
na Teoria dos Erros!
Quando a quantidade de observaes cresce:
Os resduos de mesmo mdulo e sinais opostos so
igualmente provveis;
Os resduos menores ocorrem com maior frequncia;
A mdia dos resduos aproximadamente nula.
12
Erros Acidentais ou Aleatrios
Mdia de resduos diferente
de zero deve servir de alerta
para a presena de erros
sistemticos!
13
Preciso X Acurcia (Exatido)
Indicadores de Preciso
Preciso est vinculado apenas a efeitos aleatrios
Acurcia vincula-se a efeitos aleatrios e sistemticos.
Preciso: Grau de
afastamento dos valores
medidos em relao a sua
mdia.
Acurcia: Grau de
afastamento dos valores
medidos em relao ao seu
valor verdadeiro.
14
Introduo
Importncia da redundncia nas observaes
Permite a deteco de erros grosseiros atravs da confirmao dos valores
medidos;
Permite uma avaliao mais precisa das propriedades desejadas, atravs da
execuo de um ajustamento;
Permite estimar a ordem de grandeza da preciso obtida para os valores
ajustados.
Graus de liberdade
Exemplos com verificao de erros de fechamento
Nivelamento em poligonal fechada
Somatria de ngulos internos de polgonos
Mtodo dos Mnimos Quadrados (MMQ)
Ajustamentos
Modelo Matemtico
15
Estatstica
L = [ 22,7 22,3 21,9 22,6 23,1 22,9 22,8 23,5 21,7 23,2]
Dado um conjunto de elementos, quais as
ferramentas estatsticas que podem ser usadas
para representar e analisar o mesmo?
16
Estatstica
Populao X Amostra
A populao consiste de todas as possveis medidas
que podem ser feitas de uma quantidade particular.
As vezes a populao tem um nmero infinito de
elementos (dados);
Amostra um subconjunto de dados selecionado a
partir da populao. Deve apresentar as mesmas
caractersticas (objeto de estudo) da populao, de
forma que possa represent-la adequadamente.
17
Estatstica
Populao Amostra
Distribuio de Probabilidade (ou FDP)
Parmetros
Distribuio Amostral
Estatsticas
(valor fixo)
estimar
(varivel aleatria)
Por pontos
Por intervalos
18
Estatstica
Varivel Aleatria (v.a.) ou estocstica uma funo
que associa a cada elemento de um espao amostral um
nmero real.
uma funo que assume um valor real em cada ponto
de seu espao amostral.
A v.a. definida pela sua distribuio amostral, modelo
matemtico que associa uma probabilidade a cada valor
que a v.a. pode assumir.
Espao Amostral
= Conjunto de todos os resultados possveis.
19
Estatstica
Intervalo /Disperso / Amplitude: diferena entre o maior e o
menor valor da leitura.
Frequncia: quantidade de vezes que um evento acontece.
Frequncia Acumulada: somatrio das frequncias.
Porcentagem: calcula-se da seguinte maneira
Porcentagem Acumulada: somatrio das porcentagens.
Microsoft Equation
3.0
% 100 x
total
frequncia
20
Estatstica
Quando uma grande quantidade de dados brutos est envolvida nos
estudos, possvel distribu-los em classes ou categorias e determinar
o nmero de indivduos pertencentes a cada uma das classes,
denominado freqncia da classe.
Um arranjo tabular dos dados por classes, juntamente com as
freqncias correspondentes, denominado distribuio de freqncia
ou tabela de freqncia.
21
Estatstica
Histograma: grfico de barras que mostra a variao de uma
medida em um grupo de dados atravs da distribuio de frequncia.
Seu principal uso estimar a distribuio de uma caracterstica na
populao atravs de amostras.
O histograma demonstra visualmente a variabilidade das medidas de
uma caracterstica do processo em torno da mdia.
Vantagem:
Visualizao/entendimento
rpido do comportamento
da populao.
22
Exerccio Resolvido
Alturas de 100 estudantes do sexo
masculino da Universidade XYZ
Altura (cm) Nmero de estudantes
151 158 5
159 166 18
167 - 174 42
175 182 27
183 190 8
TOTAL 100
Amplitude
Classes
Limites de classe
Comprimento de classe
Frequncia
23
Histograma
Como construir um histograma?
1) Conte a quantidade de valores coletados na tabulao.
2) Determine a amplitude R de toda a tabulao, subtraindo o menor valor
do maior.
3) Determine a quantidade de classes K desejada.
4) Determine o intervalo de classe H = R/K.
5) Determine o limite das classes ou os pontos limites. Simplificando, tome
a menor medida individual da tabulao para ser o valor inferior do
primeiro intervalo. A este nmero acrescente o valor H e obter o valor
superior. Proceda da mesma forma com todos os outros valores at
chegar maior medida.
6) Construa uma tabela de frequncia baseada nos valores definidos no
passo 5 para os dados trabalhados no passo 1.
7) Construa o histograma baseado na tabela de frequncias.
24
Exerccio
A tabela abaixo mostra a distribuio de frequncia dos salrios, em reais,
de 65 empregados da Companhia X & Y.
Com referncia a esta tabela, determinar:
Salrios (Reais) Nmero de
empregados
500,00 599,00 8
600,00 699,00 10
700,00 799,00 16
800,00 899,00 14
900,00 999,00 10
1000,00 1099,00 5
1100,00 1199,00 2
TOTAL 65
a) O limite inferior da sexta classe;
b) O limite superior da quarta classe;
c) O ponto mdio da terceira classe;
d) Os limites reais da quinta classe;
e) Amplitude do quinto intervalo de
classe;
f) A frequncia da terceira classe;
g) A frequncia relativa da terceira
classe;
h) O intervalo de classe que tem a
maior frequncia (classe modal);
i) A porcentagem de empregados
que ganham menos de R$800,00;
j) A porcentagem de empregados
que ganham acima de R$599,00
e abaixo de R$1000,00;
k) Construir a distribuio de
frequncia acumulada.
25
Exerccio
a) O limite inferior da sexta classe =
b) O limite superior da quarta classe =
c) O ponto mdio da terceira classe =
d) Os limites reais da quinta classe =
e) Amplitude do quinto intervalo de classe =
f) A frequncia da terceira classe =
g) A frequncia relativa da terceira classe =
h) O intervalo de classe modal =
i) A porcentagem de empregados que ganham menos de R$800,00;
j) A porcentagem de empregados que ganham acima de R$599,00 e
abaixo de R$1000,00;
26
Exerccio
k) Construir o histograma da distribuio de frequncia acumulada.
27
Exerccio
Na tabela seguinte esto relacionados os pesos de quarenta estudantes do
sexo masculino da Universidade Estadual, arredondados para meio quilo.
Construir o histograma e histograma de frequncia relativa, considerando 6
classes.
69 82 75 66 72 62,5 74,5 78,5
73 79 70 73,5 68 74 76 72
84 63 69 88 81,5 59,5 77 82,5
73 86,5 71 73,5 67,5 76,5 70 67,5
80,5 72,5 67,5 71 75 78 72,5 64
28
Exerccio
1) Quantidade de valores coletados na tabulao =
2) Amplitude R de toda a tabulao =
3) Quantidade de classes K desejada =
4) Intervalo de classe H = R/K =
5) Limite das classes:
6) Tabela de frequncia
Frequncia Classes de
Pesos
Frequncia
Relativa
Freq Relativa
Acumulada
29
Exerccio
30
Estatstica
Medidas de tendncia central
N
x
M
N
i
i
=
=
1
Mdia aritmtica
Mediana: o valor que ocupa o ponto intermedirio.
Moda: o valor que mais frequentemente se repete.
(quartis, decis, percentis)
31
Estatstica
Exemplo:
Seja uma amostra de tamanho n. A sua mdia aritmtica
n
x
x
n
i
i
=
=
1
Se cada um dos r valores distintos de x
i
ocorrer na amostra com uma
frequncia n
j
, a frmula anterior assumir a forma
=
= =

= =
x
f x
n
x n
x
r
j
j j
r
j
j j
1 1
.
sendo a frequncia relativa.
n
n
f
j
j
=
32
Exerccio
0,010 10
0,120 9
0,250 8
0,370 7
0,180 6
0,040 5
0,002 4
0,005 3
0,002 2
0,001 1
0,020 0
p(x) x

= =
= =
r
j
j j
r
j
j j
f x
n
x n
x
1 1
.
33
Estatstica
Medidas de disperso
Varincia da populao
n
n
i
i
=
=
1
2
2

Varincia da amostra
1
1
2
2

=

=
n
v
s
n
i
i
34
Estatstica
Medidas de disperso
Erro padro
Desvio padro
n
n
i
i
=
=
1
2

1
1
2

=

=
n
v
s
n
i
i
Desvio padro da mdia
n
s
n n
v
s
n
i
i
=

=

=
) 1 (
1
2

35
Medidas de disperso
Curva normal reduzida
= 0
= 1


=
x
z
36
Exerccio
O conjunto de dados, mostrado abaixo, representa a poro em segundos de
arco de 50 medidas de uma direo. Calcular a mdia, a mediana, desvio
padro da amostra e construir um histograma de classes.
L(01:10) = [34.2 33.6 35.2 30.1 38.4 34.0 30.2 34.1 37.7 36.4];
L(11:20) = [37.9 33.0 33.5 35.9 35.9 32.4 39.3 32.2 32.8 36.3];
L(21:30) = [35.3 32.6 34.1 35.6 33.7 39.2 35.1 33.4 34.9 32.6];
L(31:40) = [36.7 34.8 36.4 33.7 36.1 34.8 36.7 30.0 35.3 34.4];
L(41:50) = [33.7 34.1 37.8 38.7 33.6 32.6 34.7 34.7 36.8 31.8];
37
Exerccio
38
Exerccio
39
Exerccio
40
Exerccio
Duas variveis, X e Y, assumem os valores X
1
= 2, X
2
= -5, X
3
= 4, X
4
= -8,
e Y
1
= -3, Y
2
= -8, Y
3
= 10, Y
4
= 6, respectivamente. Calcular:
a) X = ;
b) Y;
c) XY
d) X
2
;
e) Y
2
;
f) (X)(Y);
g) XY
2
;
h) ((X+Y)(X-Y)).
2
X

41
Exerccio
a) X;
= =
-8
4
-5
2
(X - )
2
X - X
42
Exerccio
a) X;
b) Y;
c) XY
d) (X
2
);
e) (Y
2
);
f) (X)(Y);
g) (XY
2
);
h) ((X+Y)(X-Y)).
X = [2 -5 4 -8];
Y = [-3 -8 10 6];
43
Exerccio
Prove que a soma dos desvios de X
1
, X
2
, ..., X
n
em relao sua mdia
aritmtica M, igual a zero.
44
Exerccio
Um distancimetro eletrnico e um refletor foram instalados nos extremos
de uma linha de base com 500,781m de extenso. Um operador repetiu
25 vezes a medida de seu comprimento e obteve os seguintes
resultados:
L(01:05) = [500.806 500.824 500.814 500.793 500.804];
L(06:10) = [500.803 500.816 500.820 500.811 500.807];
L(11:15) = [500.825 500.820 500.809 500.800 500.813];
L(16:20) = [500.813 500.817 500.812 500.815 500.805];
L(21:25) = [500.807 500.810 500.828 500.808 500.799];
Pede-se:
a) A mdia, mediana e o desvio padro dos dados;
b) Construir um histograma dos dados e descrever suas propriedades. No
histograma delimite o desvio padro a partir da mdia em ambos os
lados;
c) Quantas observaes esto entre a mdia e o desvio padro? (Ms), e
qual a percentagem que estas medidas representam?
45
Exerccio
46
Exerccio
47
Exerccio
Uma distncia foi medida em duas partes com uma fita de ao de 100m de
comprimento, e depois, foi medida em sua totalidade com uma fita de ao
de 200m. As medidas foram repetidas 10 vezes em cada mtodo obtendo
os seguintes conjuntos de dados:
Observaes feitas com a fita de ao de 100m: (parte 1 e parte 2)
{100.001 100.018 99.974 99.992 99.972 99.990 99.950 99.984 99.979 99.988}
{49.329 49.365 49.346 49.300 49.327 49.324 49.349 49.357 49.341 49.333}
Observaes feitas com a fita de 200m: (medidas do total)
{149.326 149.397 149.357 149.294 149.337 149.338 149.329 149.331 149.370
149.363}
Pede-se:
a) A mdia, a varincia e o desvio padro para cada um dos dois conjuntos
das medidas parciais de distncia, e tambm para os conjuntos das
medidas considerando-se a distncia total;
b) Crie uma tabela de classes de frequncia e histograma para cada
conjunto de dados usando a largura da classe 0,009 (9mm).
48
Exerccio
49
Estatstica
Distribuio de probabilidade de uma v.a. discreta
Seja X uma v.a. discreta, isto , que assume valores em
associao com nmeros inteiros x
1
, x
2
, ..., x
n
.
Associemos a cada x
i
um nmero p(x
i
) representativo da
sua probabilidade.
p(x
i
) = P(X = x
i
)
tal que
a) 0 p(xi) 1
b) = 1
c) P(a X b) = i tal que a X b.
i
i
x p ) (

=
n
i
i
x p
1
) (
50
Estatstica
Distribuio de probabilidade de uma v.a. contnua
Seja X uma v.a. contnua.
A probabilidade pontual associada varivel discreta
substituda pela densidade de probabilidade (x) relativa
a um intervalo infinitsimo.
(x)dx = P(x X x+dx) ou
x
x x X x P
x
x
+
=

) (
) (
lim
0

tal que
a) (x) 0
b)
c) P(a X b) =

+

=1 ). ( dx x

b
a
dx x). (
51
Estatstica
A funo que estabelece a correspondncia
entre um valor da v.a. contido no intervalo
elementar e a densidade de probabilidade
denominada funo densidade de probabilidade
(fdp).

=
2
1
). ( ) (
2 1
x
x
dx x x X x P
52
Estatstica
Funo de distribuio de probabilidade acumulada
A funo tal que
chama-se funo de distribuio (de
probabilidade) acumulada (fda) de uma v.a.
contnua X.


= =
x
du u x X P x ). ( ) ( ) (
53
Exerccio
A mdia dos dimetros internos de uma amostra de 200 arruelas produzidas
por uma certa mquina 0,502 cm e o desvio padro 0,005 cm. A finalidade
para a qual essas arruelas so fabricadas permite a tolerncia mxima, para o
dimetro de 0,496cm a 0,508cm; se isso no se verificar, as arruelas sero
consideradas defeituosas. Determinar a percentagem de arruelas defeituosas
produzidas pela mquina, admitindo-se que os dimetros so distribudos
normalmente.
Curva normal reduzida
= 0
= 1


=
x
z
54
Exerccio Resolvido
55
Exerccio
O peso mdio de 500 estudantes do sexo masculino, de uma determinada
universidade, 75,5kg e o desvio padro 7,5kg. Admitindo-se que os
pesos esto distribudos normalmente, com largura de classe
considerada de 0,5kg, determinar quantos estudantes pesam:
a) Entre 60,0kg e 77,5kg;
b) Mais do que 92,5kg;
c) Menos do que 64,0kg;
d) 64,0kg;
e) 64,0kg ou menos;
a) Os pesos relacionados entre 60,0kg e 77,5kg podem ter, na realidade,
qualquer valor compreendido entre 59,75kg e 77,75kg (largura de classe).
56
Exerccio Resolvido
57
Exerccio Resolvido
58
Exerccio Resolvido
59
Exerccio Resolvido
60
Exerccio Resolvido
61
Exerccio
Uma varivel aleatria contnua X, que pode assumir somente valores
compreendidos entre 2 e 8, inclusive, tem uma funo de densidade de
probabilidade dada por a*(X+3), em que a uma constante.
a) Calcular o valor de a;
b) Determinar Prob{3<X<5}
c) Determinar Prob{X4}
d) Determinar Prob{|X-5|<0,5}
62
Exerccio Resolvido

=
b
a
dx x b X a P ). ( ) (
b) Prob{3<X<5} =
a)
63
Exerccio Resolvido
c) Prob{X4} =
d) Prob{|X-5|<0.5} = Prob{4,5<X<5,5}
64
Distribuies
Funo de distribuio normal (Gauss)

2
) (
2
2
1
|

\
|

=
x
e
x f
65
Distribuies
Funo de distribuio t (Student)
usada para comparar a mdia da populao com a mdia da
amostra M com base no nmero de graus de liberdade da amostra.
Esta distribuio indicada quando a amostra menor do que 30
(pequenas amostras). Assim ela muito importante para analisar
dados de levantamentos.

2
z
t =
66
Distribuies
Funo de distribuio t (Student)
Para pequenas amostras a distribuio normal apresenta valores
menos precisos.
A principal diferena entre a distribuio normal e a t de Student que
esta tem mais rea nas caudas.
67
Distribuies
Funo de distribuio Chi-Quadrado
2

Compara a relao entre a varincia da amostra s


2
e a varincia da
populao com base no nmero de redundncias ou graus de
liberdade da amostra.
2
2
2
.

s
=
68
Distribuies
Funo de distribuio Chi-Quadrado
2

A distribuio Chi-Quadrado usada nas amostragens estatsticas


para determinar o limite (superior e/ou inferior) no qual a
varincia da populao pode ser esperada a ocorrer com base em:
a) Alguma porcentagem de probabilidade especificada;
b) A varincia da amostra;
c) O nmero de graus de liberdade da amostra.
69
Distribuies
Funo de distribuio F (Snedecor)
Esta distribuio usada quando se quer comparar a varincia de
duas amostras.
2
2
2
1
2
1
/
/


= F
70
Estimativa de Parmetros
71
Estimao
A estimativa de um parmetro populacional, dada por um nmero
nico, denominada estimativa por pontos.
A estimativa de um parmetro populacional, dada por dois nmeros,
entre os quais pode-se considerar que ele esteja situado,
denominado estimativa por intervalos.
As estimativas por intervalos indicam sua preciso e so, portanto,
preferveis s estimativas por pontos.
Exemplo: Dizendo-se que uma distncia foi observada com 5,28m,
est se apresentando uma estimativa por pontos. Se, por outro lado,
se disser que a distncia mede 5,280,03m, isto , que ela est
compreendida entre 5,25 e 5,31m, dentro de uma certa
probabilidade, apresenta-se uma estimativa por intervalos.
72
Exerccios
Um ngulo foi medido dez vezes, conforme a
tabela. Calcule as estimativas pontual e por
intervalo.
Observao ngulo (a
i
)
1 120 31' 40,1"
2 120 31' 41,2"
3 120 31' 40,8"
4 120 31' 42,1"
5 120 31' 42,9"
6 120 31' 42,4"
7 120 31' 43,0"
8 120 31' 40,7"
9 120 31' 41,9"
10 120 31' 41,5"
ESTIMATIVA PONTUAL
a) Mdia
b) Erro Mdio Quadrtico de uma
observao isolada
c) Erro Mdio Quadrtico da Mdia
73
Exerccios
Teste unilateral Teste bilateral
74
Exerccios
ESTIMATIVA POR INTERVALO
a) Intervalo de confiana para a mdia (em funo do desvio padro)


= +

1 ]

[
2 / 1 2 / 1
t
n
x t
n
x P
Desvio padro da mdia
75
Exerccios
ESTIMATIVA POR INTERVALO
a) Intervalo de confiana para a mdia (em funo do desvio padro)


= +

1 ]

[
2 / 1 2 / 1
t
n
x t
n
x P
76
Exerccios
ESTIMATIVA POR INTERVALO
b) Intervalo de confiana para a varincia

1 ]
) 1 ( ) 1 (
[
2
2 /
2
2
2
2 / 1
2
n n
P
Graus de liberdade
Cauda
superior
Cauda
inferior
77
Exerccios
ESTIMATIVA POR INTERVALO
b) Intervalo de confiana para a varincia

1 ]
) 1 ( ) 1 (
[
2
2 /
2
2
2
2 / 1
2
n n
P
78
Exerccios
Um ngulo foi medido em quatro etapas.
Tomando pesos proporcionais ao
nmero de observaes, estimar o valor
do ngulo e sua preciso.
ESTIMATIVA PONTUAL
a) Mdia ponderada
b) Erro Mdio Quadrtico de uma observao
isolada
c) Erro Mdio Quadrtico da Mdia Ponderada
ngulo Observaes Peso
80 50 12 6 2
80 50 14 3 1
80 50 12 9 3
80 50 18 6 2
79
Exerccios
ESTIMATIVA POR INTERVALO
a) Intervalo de confiana para a mdia ponderada


= +

1 ] [
2 / 1 2 / 1
t x t x P
x x
80
Exerccios
ESTIMATIVA POR INTERVALO
b) Intervalo de confiana para a varincia

1 ] [
2
2 /
2
2
2
2 / 1
2
i i i i
v p v p
P
81
Estatstica
Esperana Matemtica de uma v.a.
Define-se valor esperado, valor mdio, expectncia, esperana
matemtica, ou simplesmente esperana de uma v.a. contnua X por

+

= = dx x x X E
x
). ( . } {
De maneira anloga define-se a esperana de uma funo de v.a. f(X)

+

= = dx x X f X f E
x
). ( ). ( )} ( {
Esperana matemtica de uma v.a. discreta

=
=
n
i
i i
x p x X E
1
) ( . } {
82
Estatstica
Se e n ) (
i i
x p f } {X E x
Propriedades da esperana matemtica:
a) Sendo C e C constantes
E{C} = C;
E{CX} = CE{X};
E{C+CX} = C+CE{X}
b) E{X+Y+...+Z} = E{X} + E{Y} + ... + E{Z}
E{CX+CY} = CE{X} + CE{Y}
c) E{XY} = E{X} . E{Y} +cov(XY)
d) E{E{X}} = E{X}
e) E{X
2
} (E{X})
2
83
Estatstica
Momento de ordem r de uma v.a.
em relao sua esperana matemtica
(momento centrado) definido como:
dx x x X E M
r
x
r
x
r
). ( . ) ( } ) {( = =

+


Tem particular importncia o momento de segunda ordem ou VARINCIA (r = 2)


= = =

=
+

1
2
2
2 2
) ( . ) (
). ( . ) (
} ) {( ) var(
i
i x i
x
x
x p x
dx x x
X E X


(v.a.c.)
(v.a.d.)
1) Se um homem adquirir um bilhete de loteria, poder ganhar um primeiro
prmio de R$5000,00 ou um segundo de R$2000,00, com as
probabilidades de 0,001 e de 0,003. Qual ser o preo justo a pagar
pelo bilhete?
2) Em uma certa especulao comercial, um homem pode ter um lucro de
R$3000,00, com a probabilidade de 0,6, ou um prejuzo de R$1000,00,
com a probabilidade de 0,4. determinar sua esperana.
3) Qual o preo justo a pagar para entrar em um jogo no qual se pode
ganhar R$25,00 com probabilidade de 0,2 e R$10,00 com probabilidade
de 0,4?
4) Qual o preo justo a pagar para um jogo simples na MegaSena (6
nmeros valor de aposta = R$2,00)? Probabilidade de acerto =
1/50063860
84
Exerccio
85
Exerccios
Um observador realizou diversas medies de um objeto (distribuio normal)
obtendo:
L(01:05) = [212.22, 212.25, 212.23, 212.15, 212.23];
L(06:10) = [212.11, 212.29, 212.34, 212.22, 212.24];
L(11:15) = [212.19, 212.25, 212.27, 212.20, 212.25];
Verifique se existe alguma observao que possa ser rejeitada por estar fora
do nvel de exatido de 95,0%.
99,9
99,7
99
95
90
50
Fator de Sigma Probabilidade (%)
86
MVC
Varivel Aleatria Bidimensional
} ) {(
2 2
X X
X E = } ) {(
2 2
Y Y
Y E =
Podemos agora definir a covarincia
XY
da v.a. bidimensional para exprimir
a correlao entre as duas componentes, ou seja, o grau de dependncia
entre as mesmas:
Seja X o resultado de um experimento e Y de um segundo experimento,
ambos com varincia prpria.
dy dx y x y x
y x xy
. ). , ( ). ).( ( =

+

)} )( {( ) , cov(
y x xy
Y X E Y X = =
ou
87
MVC
Desenvolvendo a equao )} )( {(
y x xy
Y X E =
} { } { } { X E Y E XY E
y x y x xy
+ =
x y y x y x xy
XY E + = } {
y x xy
XY E = } {
} { }. { } { Y E X E XY E
xy
=
Quando as componentes so estatsticamente independentes
) ( ). ( ) ( Y X XY = E{XY} = E{X}.E{Y}
Quando as componentes X e Y so estatsticamente independentes
a covarincia nula, sem que a recproca seja necessariamente
verdadeira.
0 =
xy

88
MVC
Varivel Aleatria n-Dimensional
Seja X = [x
1
x
2
... X
n
]
T
com cada x
i
representando agora uma v.a. unidimensional.
A esperana matemtica da varivel n-dimensional ou, em outras palavras, o vetor
esperado E{X} da distribuio n-dimensional, escreve-se:
(
(
(
(

=
(
(
(
(

(
(
(
(

= =
n n n
x
x E
x E
x E
x
x
x
E X E U

M M M
2
1
2
1
2
1
} {
} {
} {
} {
Cada componente x
i
de X uma v.a. unidimensional de varincia:
} ) {(
2 2
i i i
x E =
89
MVC
Varivel Aleatria n-Dimensional
Temos assim n varincias (de cada uma das
componentes) e n*(n-1) covarincias entre os pares de componentes de
ndices diferentes (ij)
2 2
2
2
1
, , ,
n
L
ji ij
j j i i ij j i
x x E x x


=
= = )} )( {( ) , cov(
90
MVC
Matriz Varincia-Covarincia (MVC)
As varincias e as covarincias (ij) das componentes de uma
varivel n-dimensional X podem ser dispostas de maneira a formar uma matriz
quadrada (n x n) que indicada por
2
i

ij

(
(
(
(
(

=
2
3 2 1
2 23
2
2 21
1 13 12
2
1
n n n n
n
n
X



L
L L L L L
L
L
A matriz acima, simtrica, recebe o nome de matriz varincia-covarincia (MVC)
ou simplesmente matriz covarincia (pois a varincia um caso particular da
covarincia para i=j).
No caso das componentes do vetor X serem independentes entre si as
covarincias sero nulas e a MVC degenera numa matriz diagonal.
91
MVC
Desenvolvendo a expresso matricial
T
x x
U X U X ) )( (
(
(
(
(




) )( ( ) )( ( ) )( (
) )( ( ) )( ( ) )( (
) )( ( ) )( ( ) )( (
2 2 1 1
2 2 2 2 2 2 1 1 2 2
1 1 2 2 1 1 1 1 1 1
n n n n n n n n
n n
n n
x x x x x x
x x x x x x
x x x x x x



L
L L L L L L L L L L L L L
L
L
o que nos permite escrever
} ) )( {(
T
x x X
U X U X E =
| |
n n
n n
x x x
x
x
x


(
(
(
(

L
M
2 2 1 1
2 2
1 1
92
MVC
Obs.: Sempre que as varincias da v.a. forem finitas a correspondente MVC
ser positiva semidefinida, isto
0 ). .( X MVC X
T
Propriedades de matriz positiva semidefinida:
Autovalores no negativos ( 0)
Elementos diagonais no negativos ( 0)
Matriz simtrica
para todos os vetores X n 1
93
MVC
As seguintes matrizes NO podem ser matrizes de varincia e covarincia
(


=
(
(
(

=
(

=
6 6
6 6
4 0 2
0 3 1
3 1 5
1 4
4 3
C
B
A
Covarincia uma medida do grau de correlao existente entre duas
componentes quaisquer de uma funo n-dimensional.
(
(
(

=
3 5
5 3
3 2
D
| | 2 4 5 = E
94
MVC
Coeficiente de Correlao Linear
Chama-se coeficiente de correlao linear o coeficiente
(adimensional) que descreve a dependncia linear entre as duas
componentes da v.a. bidimensional.
y x
xy
xy

.
=
Demonstra-se que 1 1 +
xy

95
MVC
Podemos afirmar que h uma perfeita relao linear entre X e Y ou,
em outras palavras, que Y uma funo linear de X. Ver figuras (a)
e (b).
1 =
xy

Dizemos que as variveis no so correlacionadas (X e Y no


tendem a variar juntas (figura (c)), mas isso no significa
necessariamente que as componentes sejam independentes
estatsticamente.
0 =
xy

96
MVC
97
Matriz dos Coeficientes de Correlao
A partir da MVC pode-se calcular a matriz dos coeficientes de correlao
j i
ij
ij
n n n
n
n
R




.
1
1
1
3 2 1
2 23 21
1 13 12
=
(
(
(
(

=
L
L L L L L
L
L
98
MVC Correlao estatstica

= =
=


=
n
i
n
i
i i
n
i
i i
y x
y y x x
y y x x
1 1
2 2
1
,
) ( ) (
) )( (



= = = =
= = =

=
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
n
i
i i i i
y x
y
n
y x
n
x
y x
n
y x
1 1
2 2
1 1
2 2
1 1 1
,
) (
1
) (
1
1

99
Exerccios
Implementar uma rotina (function) em FreeMat que calcule a Matriz dos
Coeficientes de Correlao, a partir da MVC.
function [saida] = nome (entrada)
100
Lei de Propagao das Varincias
101
Lei de Propagao das Covarincias
Consideremos duas v.a. multidimensionais Y e X, ligadas por um modelo linear
1 1 1
* C X G Y
m n n m m
+ =
Aplicando o operador E{ } a ambos os membros
C X GE C GX E Y E U
y
+ = + = = } { } { } {
mas
} ) )( {(
T
y y Y
U Y U Y E =
T
X Y
T T
x x Y
T T
x x Y
T
x x
T
Y
T
Y
G G
G U X U X GE
G U X U X G E
GU GX GU GX E X GE GX X GE GX E
C X GE C GX C X GE C GX E
=
=
=
= =
+ + =
} ) )( {(
} ) )( ( {
} ) )( {( } }) { })( { {(
} ) } { )( } { {(
a) Somando uma constante a uma v.a., a sua varincia no se altera.
b) Multiplicando uma v.a. por uma constante, a sua varincia fica
multiplicada pelo quadrado da constante.
102
Exerccios
Calcular a varincia de y nos casos abaixo:
a) y = x
b) y = ax + b
c) y = x1 + x2 com
(

=
1 0
0 2
X
d) y = x1 + x2 com
(

=
1 5 , 0
5 , 0 2
X
103
Exerccios
Calcular a varincia de y nos casos abaixo:
e) y = x1 + x2 com
(


=
1 5 , 0
5 , 0 2
X
f) y = x1 x2 com
(


=
1 5 , 0
5 , 0 2
X
104
Exerccios
Calcular a varincia de y nos casos abaixo:
g) com

+ =
+ =
2 1 2
2 1 1
3
2
x x y
x x y
(

=
3 0
0 3
X
h) com

=
+ + =
3 2 2
3 2 1 1
2
x x y
x x x y
(
(
(

=
2 0 0
0 2 0
0 0 2
X
105
Exerccios
As direes D
i
abaixo foram observadas com a mesma varincia

2
= 3 e sem correlao. Calcular o coeficiente de correlao entre os
ngulos (A
1
e A
2
), (A
1
e A
3
), (A
1
e A
4
).
O modelo matemtico que liga as
direes aos ngulos linear:

=
=
=
=
3 4 4
1 4 3
1 3 2
1 2 1
D D A
D D A
D D A
D D A
106
Exerccios
Resposta:
107
Exerccios
Dada uma estao total TC407 (preciso de 7) presente no laboratrio
de Topografia, determinar a preciso de um ngulo qualquer medido
com a mesma.
108
Exerccios
Dado o modelo e sabendo-se que as componentes de Y
tem varincia igual a 3 e covarincia igual a 1, calcular a MVC de z = x
1
+ x
2
.

+ =
+ =
2 1 2
2 1 1
2
2
x x y
x x y
109
Ajustamento
110
Exerccios
111
Exerccios
112
Lei de Propagao das Covarincias
A frmula de propagao de covarincias para modelos lineares pode ser
generalizada para o caso de dependncia no linear.
Seja o modelo no linear: ) (X F Y =
Usando o desenvolvimento por Taylor, tem-se:
) ( ) ( ) (
0 0
0
X X
X
F
X F X F Y
X X

+ =
=
Procedimento anlogo ao anterior conduz lei de propagao das covarincias
T
X Y
D D =
113
0
0
2 1
2
2
2
1
2
1
2
1
1
1
X X
n
m m m
n
n
X X
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
X
F
D
=
=
(
(
(
(
(
(
(
(

=
L
L L L L
L
L
T
X Y
D D =
onde
Lei de Propagao das Covarincias
114
Srie de Taylor em forma matricial
A srie de Taylor nos proporciona o valor de uma funo f(t) no ponto t = x
quando conhecemos o valor da funo para t = a.
...
! 2
) (
) ( "
! 1
) (
) ( ' ) ( ) (
2
+

+ =
a x
a f
a x
a f a f x f
Para valores de x prximos de a
as potncias igual e superiores
segunda podem, em muitos
casos prticos, ser desprezadas,
isto , nas proximidades de a a
curva f(t) pode ser substituda
por uma reta.
) )( ( ' ) ( ) ( a x a f a f x f + =
115
Srie de Taylor em forma matricial
X
X
F
X F X F
X X

+ =
=
* ) ( ) (
0
0
0
0
2 1
2
2
2
1
2
1
2
1
1
1
X X
n
m m m
n
n
X X
x
F
x
F
x
F
x
F
x
F
x
F
x
F
x
F
x
F
X
F
=
=
(
(
(
(
(
(
(
(

L
L L L L
L
L
116
Exerccios
So dadas as coordenadas planas ajustadas de dois vrtices de uma poligonal:
A B
X 10,00m 1000,00m
Y 10,00m 1000,00m
e a
correspondente
MVC
(
(
(
(

=
2 1 1 0
1 3 1 1
1 1 3 1
0 1 1 2
AB
Estimar a varincia da distncia (d) entre os dois pontos.
(
(
(
(

=
(
(
(
(

=
00 , 1000
00 , 1000
00 , 10
00 , 10
0
B
B
A
A
y
x
y
x
X
2 2
) ( ) (
B A B A
y y x x distncia + =
117
Exerccios
118
Exerccios: Soluo com FreeMat
119
Exerccios
Um terreno retangular teve suas dimenses medidas conforme tabela
abaixo. Estimar a rea e o desvio padro.
L C Area * =
a) Modelo matemtico
12,495 65,323
12,498 65,327
12,495 65,328
12,499 65,326
12,501 65,330
12,496 65,321
Largura (m) Comprimento (m)
120
Exerccios
b) Estimativa das dimenses e precises
Comprimento mdio =
Largura mdia =
Desvio padro da mdia do Comprimento =
Desvio padro da mdia da Largura =
c) Clculo da rea
Area =
d) Propagao de covarincias
(

=
2
2
0
0
L
C
CL

| | C L
L
Area
C
Area
D =
(

=
121
Exerccios: Soluo com FreeMat
122
Exerccios
Na figura abaixo, a distncia d no pode ser medida diretamente, mas
pode-se medir s
1
, s
2
e . Estimar d e o seu desvio-padro.
Medidas Desvio-padro
S
1
= 136m = 1,5cm
S
2
= 115m = 1,5cm
= 50 =10
cos 2
2 1
2
2
2
1
s s s s d + =
a) Modelo matemtico
= 107,77m
123
Exerccios
d
sen s s d
d
s s
s
d
d
s s
s
d
2
2
2
cos 2 2
2
cos 2 2
2 1
1 2
2
2 1
1

b) Clculo da matriz D
(

d
s
d
s
d
D
2 1
124
Exerccios
d) Clculo da MVC de d
T
X d
D D =
c) Montagem da
matriz MVC de s
1
,
s
2
e
125
Exerccios: Soluo com FreeMat
126
Exerccios
Na figura ao lado foram medidos o
ngulo () e o raio (r) com o seguinte
resultado:
ngulo () Raio (r)
60 31,7 120,01m
60 33,8 119,99m
60 27,6 120,07m
60 30,7 119,93m
60 28,2 120,13m
Estimar a varincia da rea do
tringulo.
127
Exerccios
Resposta:
a) Estimativa do ngulo
b) Estimativa do raio
c) Estimativa da varincia da mdia
d) rea do tringulo
2
) ( *
2
)) 2 / cos( * ( * )) 2 / ( * * 2 (
2
*
2
sen r r sen r h B
Area = = =
128
Exerccios
Resposta:
e) Propagao
T
r area
D D
,
=
(

=
r
X

129
Exerccios: Soluo com FreeMat
130
Exerccios
Na poligonal O-B-C-D da figura a seguir, o ponto inicial considerado a
origem do sistema de coordenadas e o azimute conhecido: =1500
Calcular a MVC das coordenadas do vrtice D.
3mm 10ppm 1500m L3 2 202 00 17 A3
3mm 10ppm 3000m L2 2 209 47 59 A2
3mm 10ppm 6000m L1 2 40 20 10 A1
mdia nome mdia nome
LADOS NGULOS
131
Exerccios
Resposta:
a) Azimute dos segmentos da poligonal
b) MVC dos azimutes
132
Exerccios
Resposta:
c) Coordenadas do vrtice A3
d) MVC das distncias observadas
e) MVC das distncias e azimutes
133
Exerccios
(

0
0
,
L
L
Montagem da MVC das distncias e azimutes, no FreeMat ...
mvc_L_Alfa = [ mvc_L (1, :) 0 0 0; mvc_L (2, :) 0 0 0; mvc_L (3, :) 0 0 0]
mvc_L_Alfa(4:6,:) = [0 0 0 mvc_Alfa(1, :); 0 0 0 mvc_Alfa(2, :); 0 0 0 mvc_Alfa(3, :)]
Linha 1 Linha 2 Linha 3
Linhas 4 a 6, todas as colunas
134
Exerccios
Resposta:
f) MVC das coordenadas do vrtice D
T
L N E
D D
, ,
=
(
(
(
(

=
3
3
2
3
1
3
3
3
2
3
1
3
3
3
2
3
1
3
3
3
2
3
1
3
A
N
A
N
A
N
L
N
L
N
L
N
A
E
A
E
A
E
L
E
L
E
L
E
D
135
Exerccios
136
Exerccios: Soluo com FreeMat
137
Exerccios: Soluo com FreeMat
138
Ajustamento
139
Ajustamento
Resolver o seguinte sistema de equaes lineares:

= +
= +
= +
2 * 2 * 3 * 2
2 * 2 * 3
1 * 2 * 2
z y x
z y x
z y x
140
Ajustamento
Resolver o seguinte sistema de equaes lineares:
141
Ajustamento
142
Ajustamento de Observaes
Quando as medidas no so feitas diretamente sobre as grandezas
procuradas, mas sim sobre outras relacionadas matematicamente...
Mtodo paramtrico L
a
= F(X
a
)
Os valores observados ajustados podem ser expressos
explicitamente como uma funo dos parmetros ajustados.
Mtodo dos correlatos F(L
a
) = 0
Os valores observados ajustados devem satisfazer determinadas
condies (erro de fechamento = zero).
Mtodo combinado F(L
a
, X
a
) = 0
Os valores observados ajustados e os parmetros ajustados so
ligados por funo no explcita (no se consegue separ-los).
143
Ajustamento: Mtodo Paramtrico
Sejam:
L
b
= Vetor (n X l) dos valores observados;
V = Vetor (n X l) dos resduos;
L
a
= Vetor (n X l) dos valores observados ajustados.
X0 = Vetor (u X l) com valores aproximados dos parmetros;
X = Vetor correo (u X l);
Xa = Vetor dos parmetros ajustados (um dos objetivos).
Quando os valores observados ajustados podem ser expressos explicitamente
como uma funo dos parmetros ajustados, isto , quando se verifica o modelo
matemtico: dizemos que o ajustamento se processa pelo
mtodo paramtrico.
V L L
b a
+ =
X X X
a
+ =
0
) (
a a
X F L =
144
Ajustamento: Mtodo Paramtrico
) (
a a
X F L =
X
X
F
X F X X F V L
X X a
b
a
* ) ( ) (
0
0 0
=

+ = + = +
Substituindo o primeiro membro e linearizando o segundo:
Designando a funo dos parmetros aproximados: ) (
0 0
X F L =
e a matriz das derivadas parciais
0
X X a
a
X
F
A
=

=
tem-se:
AX L V L
b
+ = +
0
ou
b
L L AX V + =
0
Fazendo-se:
b
L L L =
0
Obtem-se o modelo linearizado do mtodo paramtrico
1 1 1
L X A V
n u u n n
+ =
145
Ajustamento: Mtodo Paramtrico
1 1 1
L X A V
n u u n n
+ =
O ndice na parte inferior direita da matriz dos coeficientes das incgnitas
lembra que as derivadas parciais so calculadas numericamente com os
valores aproximados das incgnitas.
(
(
(
(

+
(
(
(
(

(
(
(
(
(
(
(
(

=
(
(
(
(

n n
x au
n
a
n
a
n
au a a
au a a
n
l
l
l
x
x
x
x
f
x
f
x
f
x
f
x
f
x
f
x
f
x
f
x
f
v
v
v
L L
L
L L L L
L
L
L
2
1
2
1
2 1
2
2
2
1
2
1
2
1
1
1
2
1
0

=
=

=
u j
n i
x
f
a
aj
i
ij
,..., 2 , 1
,..., 2 , 1
Fazendo:
a primeira linha se escreve:
1 1 2 12 1 11 1
... l x a x a x a v
u u
+ + + + =
146
Ajustamento: Mtodo Paramtrico
Consideraes sobre a Matriz dos Pesos
Se a matriz Q for no singular admitir uma inversa
que recebe o nome de matriz dos pesos.
Se as observaes no oferecem o mesmo grau de confiana, podemos
homogeneiz-las multiplicando-as por pesos, isto , por valores tanto
maiores quanto maior a confiana que inspiram (quanto menor o valor de
2
)
b
L Q =
2
0
1

P L Q
b
= =
1 2
0
1

2
2
0
i
i
p

=
147
Fazendo: e
Ajustamento: Mtodo Paramtrico Equaes Normais
Minimizando a forma quadrtica fundamental, obtemos sucessivamente:
min ) ( ) ( = + + = = L AX P L AX PV V
T T

min ) ( ) ( = + + + = + + = PL L PAX L PL A X PAX A X L AX P L A X


T T T T T T T T T

onde segundo e terceiro termos so iguais... (1Xu*uXn*nXn*nX1)


min 2 = + + = PL L PL A X PAX A X
T T T T T

Igualando a zero a derivada primeira em relao a X:


0 2 2 = + =

PL A PAX A
X
T T

) .( ) (
1
PL A PA A X
T T
=
PA A N
T
=
X X X
a
+ =
0

cujas componentes convertem os parmetros aproximados em ajustados:


U N X
1
= PL A U
T
=
148
Ajustamento: Mtodo Paramtrico - MVC
1 2
0

=
b
L P a) Antes do ajustamento necessitamos estimar
b
L
X

) (
0
1 1 1
b
T T
L L P A N PL A N U N X = = =

b
T T
PL A N PL A N X
1
0
1
+ =
b) MVC das correes
Aplicando a lei de propagao das covarincias
T
b X
G L G =
P A N G
T 1
=
1 1
= = PAN AN P G
T T
(P e N
-1
so matrizes simtricas)
) ( ) (
1 1
= PAN L P A N
b
T
X
1 1 2
0
1 1 2
0
1 1 2
0
1
) ( ) (

= = = NN N PAN A N PAN P P A N
T T
X

1 2
0

= N
X

149
Ajustamento: Mtodo Paramtrico - MVC
c) MVC dos parmetros X X X
a
+ =
0
1 2
0

= = N X X
a

d) MVC dos valores observados ajustados
b b b b a
L L AX L L AX L V L L + + = + + = + =
0
0
L AX L
a
+ =
T T
X L
A AN A A
a
1 2
0

= =
e) MVC dos resduos
b a
L L V
=
) (
1 1 2
0

= P A AN
T
V

150
Ajustamento: Mtodo Paramtrico
Varincia a posteriori
u n
PV V
T

=
2
0

PL L U X PV V
T T T
+ =
n = equaes de observao
u = parmetros
n u = graus de liberdade
151
Ajustamento: Mtodo Paramtrico
Uma linha de nivelamento foi feita ligando dois pontos A e D de altitudes
conhecidas H
A
= 785,53m e H
D
= 842,00m, conforme figura abaixo.
O sentido da seta indica a direo da estao mais elevada.
Os pesos das observaes so inversamente proporcionais aos comprimentos
das linhas. As observaes no so correlacionadas.
Calcular as altitudes dos pontos B e C ajustadas usando ajustamento
paramtrico.
2,5 17,97 CD=h
3
1,0 5,93 BC=h
2
2,0 32,54 AB=h
1
Distncia (km) Desnvel (m) Seo
152
Ajustamento: Mtodo Paramtrico
a) Modelo matemtico
V L L
b a
+ =
c) Matriz das observaes

d) Matriz dos Pesos


b b
L L L L = =
0
b) Soluo inicial aproximada: Modelo linear
0 ) (
0 0
= = X F L 0
0
= X
153
Ajustamento: Mtodo Paramtrico
e) Matriz A
B
h
C
h
Equao 1
Equao 2
Equao 3
Parmetros
Equaes
= A
(
(
(

No FreeMat...
154
Ajustamento: Mtodo Paramtrico
= = PA A N
T
= =
b
T
PL A U = =

U N X
1
f) Equaes Normais
g) Propagao de Covarincias
155
Ajustamento: Mtodo Paramtrico
Para modelos lineares no se precisa de valores aproximados...
O mesmo problema pode ser resolvido de outra forma:
) .( ) (
0
) ( . ) (
) .( ) (
1
0
0
1
0
1
1
b
T T
b
T T
b
T T
L A A A X
L
L L A A A X
I P
L L L
PL A PA A X
U N X

=
=
=
=
=
=
=
Se todas as observaes tem o mesmo peso...