Escolar Documentos
Profissional Documentos
Cultura Documentos
______________________________________________________________________________________
A Topografia é uma ciência experimental, não exata. As medições conduzidas pelo ser humano, se
caracterizam pela inevitável presença de erros. Há também os erros devido às imperfeições dos
equipamentos – fabricados pelo homem com peças que se desgastam – e aqueles devido às influências
das condições ambientais, uma vez que a natureza não é, felizmente, exata. Conseqüentemente há
necessidade de se abdicar da pretensão de se obter valores verdadeiros, ou exatos, para as grandezas
observadas, e buscar valores mais prováveis para tais grandezas bem como estimar a precisão destes
valores. Assim, a descrição georreferenciada (ou toporreferenciada) de um lugar deve ser feita com um
nível de confiabilidade estatisticamente comprovado.
Nas engenharias de Agrimensura e Cartográfica o que garante a qualidade de um trabalho não são
os anos de experiência nem as aparências, mas os bons resultados de corretas avaliações estatísticas.
Este capítulo faz uma breve introdução à teoria dos erros, classificando-os [1], apresentando
algumas definições estatísticas [2] e tratando da chamada “lei de propagação” dos erros, ou das variâncias
[3]. Um estudo mais aprofundado do assunto pode ser feito em textos específicos sobre ajustamento de
observações.
______________________________________________________________________________________
Os erros, também conhecidos como propriedades estatísticas das observações, podem ser
classificados em:
51
Rodrigues, D. D. - 2008 Introdução à teoria dos erros
2- ALGUMAS DEFINIÇÕES
A falta de confiança no resultado de uma medida isolada leva naturalmente à repetição das
observações. A repetição do processo de medição conduzirá a valores diversos para as medidas e daí a um
novo problema: que valor usar para representar a grandeza medida? o comportamento inconstante das
observações define o caráter estatístico dos resultados, podendo ser considerado como sua principal
propriedade.
Nem sempre é exeqüível repetir as medições para empregar o método probabilístico na análise das
propriedades estatísticas do processo. Uma forma de contornar essa dificuldade é determinar as
propriedades estatísticas dos instrumentos em meios e condições semelhantes àquelas em que serão
empregados, ou seja, é calibrar o instrumento – método determinístico, no qual se admite que sob as
mesmas condições obtêm-se sempre os mesmos resultados. Recomenda-se que todo instrumento de
medição tenha seu certificado de calibração atualizado e devidamente assinado pelo profissional
responsável. Infelizmente, essa é uma prática pouco comum no Brasil. As informações dos fabricantes de
instrumentos de medição são nominais; nem sempre efetivas, uma vez que foram transportados e
calibrados em meios e condições diferentes daquelas em que serão utilizados.
A seguir serão apresentadas definições e equações que podem ser mais bem estudadas em textos
específicos sobre Estatística ou Ajustamento de observações.
• Experiência: método científico que consiste em observar um fenômeno natural sob condições
determinadas que permitam aumentar o conhecimento que se tenha das manifestações ou leis
que regem esse fenômeno, (FERREIRA, 1986).
• Experimento: ensaio técnico-científico com o objetivo de verificar um fenômeno natural.
• Evento estatístico ou observação: ocorrência, num fenômeno aleatório, de um membro de um
determinado conjunto que se define a priori; acontecimento. Em outras palavras, é o resultado
de um experimento. Por exemplo, o valor da medida de um ângulo é o resultado de
experimento estatístico.
• Variável aleatória: é o nome para o resultado de um evento. (Leick, 1995).
52
Topografia: planimetria para engenheiros Agrimensores e Cartógrafos
• População (Universo): diz respeito ao conjunto de todos os elementos onde, cada um deles,
apresenta uma ou mais características em comum. È a totalidade de todos os eventos. Inclui
todos os possíveis valores que uma variável aleatória pode ter.
• Amostra: quando se extrai um conjunto de n observações da população, ou seja, toma-se parte
desta, para a realização do estudo, tem-se a amostra. Por exemplo, se uma mesma distância
foi medida dez vezes, estas dez medidas formam uma amostra de todas as possíveis medidas.
Às vezes uma amostra consiste de uma única observação. Na prática, a partir de uma amostra,
podem-se fazer inferências para a população. Neste texto serão utilizados os mesmos
símbolos para informações de amostras e de população.
• Média aritmética ( X ): valor mais provável (ou valor estimado) para a grandeza procurada e
medida n vezes. È o valor que, atribuído como mais provável, fornecerá um mínimo para o
somatório do quadrado dos resíduos. A média de uma variável aleatória é dada por:
X = E {X} , (4.1)
∑X i
X=
i =1 (4.2)
n
• Resíduo (V): também conhecido como desvio. É a diferença entre a média ( X ) e o valor
observado ou medido. O valor numérico de um resíduo é, portanto:
Vi = X − Xi (4.3)
Quanto mais a observação se afasta da média, maior é o resíduo. Uma observação com
grande resíduo pode ser classificada como observação com erro grosseiro e assim, eliminada
da amostra.
• Variância de uma observação isolada ( σ2X ): é uma medida da dispersão das observações em
torno da média. A variância de uma “população de variáveis aleatórias” é dada por:
σ2Xi = E {(X − µ ) }
i X
2
(4.4)
ou
SQV (4.5)
σ 2X =
n −1
53
Rodrigues, D. D. - 2008 Introdução à teoria dos erros
n n
SQV = ∑
i =1
Vi
2
= ∑ (X − X )
i =1
i
2
(4.6)
σ XY = E{ (X − µ X )(Y − µ Y ) } (4.7)
ou
n
∑ ( X − X )( Y − Y )
i=1
i i
σ xy = (4.8)
n −1
seja:
SQV
σX = + σ2X = + (4.9)
n −1
É também uma medida da dispersão das observações em torno da média. O desvio padrão
apresenta, em relação à variância, a vantagem de ter a mesma unidade das observações
consideradas. É também conhecido como erro padrão (“standard error”) de qualquer observação,
ainda que a palavra “erro” não tenha um significado estritamente estatístico. É uma medida da
precisão ou incerteza do processo de medição. Quanto maior o desvio padrão, menor a precisão ou
maior a incerteza.
• Desvio padrão da média ou erro padrão da média (σ X ) : se uma população de elementos X tem
σX SQV (4.10)
σX = = +
n n(n − 1)
Que é uma medida da incerteza da média, ou seja, uma medida da precisão do valor mais
provável para a grandeza procurada.
54
Topografia: planimetria para engenheiros Agrimensores e Cartógrafos
σ XY
ρ XY = (4.11)
σX ⋅ σY
σX
CV = ⋅ 100 (4.12)
X
• Erro verdadeiro (ε): è a diferença entre o valor observado e o valor exato da grandeza
observada ( µX ), ou seja:
ε i = Xi − µ X (4.13)
O valor exato de uma grandeza pode ser obtido em casos como erros de fechamento
angular e linear de um polígono. Na maioria das vezes não se conhece o valor verdadeiro de
uma variável aleatória espacial.
• Erro aparente (e): è a diferença entre o valor observado e o valor mais provável para a
grandeza observada ( X ), ou seja:
ei = Xi − X (4.14)
• Erro médio quadrático ou “root mean square” (rms): outra medida da precisão de um processo
de medição. É definido como:
SQV
rm s = ± σ X = (4.15)
n −1
Apresenta como vantagem em relação ao desvio padrão o fato de assumir sinais positivo e
negativo, mostrando que o “erro” pode ocorrer para mais ou para menos.
• Erro relativo (er): pode ser dado pela razão entre o erro padrão e o valor mais provável para
grandeza observada.
σX
er = (4.16)
X
É uma forma de representar o erro. Pode ser expresso em porcentagem (%), partes por
milhão (ppm) ou no formato de escala com numerador igual à unidade. Se o valor encontrado
55
Rodrigues, D. D. - 2008 Introdução à teoria dos erros
pela (4.16) é multiplicado por 100 tem-se er em porcentagem e se multiplicado por 106 em
ppm. Na notação de escala tem-se:
1 (4.17)
er =
X
σX
••
•••••• •
•••••• • ••
•• •
• • •
a b c
56
Topografia: planimetria para engenheiros Agrimensores e Cartógrafos
X1 = f (l1, l2 , l3 ) (4.18)
2 2 2
⎛ ∂X ⎞ ⎛ ∂X ⎞ ⎛ ∂X ⎞ ⎛ ∂X ⎞ ⎛ ∂X ⎞
σ 2
X1 = ⎜⎜ 1 ⎟⎟ ⋅ σl21 + ⎜⎜ 1 ⎟⎟ ⋅ σl22 + ⎜⎜ 1 ⎟⎟ ⋅ σl23 + 2 ⋅ ⎜⎜ 1 ⎟⎟ ⋅ ⎜⎜ 1 ⎟⎟ ⋅ σl1l2 +
⎝ ∂l1 ⎠ ⎝ ∂l2 ⎠ ⎝ ∂l3 ⎠ ⎝ ∂l1 ⎠ ⎝ ∂l2 ⎠
⎛ ∂X 1 ⎞ ⎛ ∂X 1 ⎞ ⎛ ∂X 1 ⎞ ⎛ ∂X 1 ⎞
2 ⋅ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ l1 l3 + 2 ⋅ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ l2 l3
⎝ ∂ l1 ⎠ ⎝ ∂ l3 ⎠ ⎝ ∂ l2 ⎠ ⎝ ∂ l3 ⎠
(4.19)
X 2 = f (l1, l2 , l3 ) , (4.20)
então
2 2 2
⎛ ∂X ⎞ ⎛ ∂X ⎞ ⎛ ∂X 2 ⎞ ⎛ ∂X ⎞ ⎛ ∂X ⎞
σ 2X2 = ⎜⎜ 2 ⎟⎟ ⋅ σl21 + ⎜⎜ 2 ⎟⎟ ⋅ σl22 + ⎜⎜ ⎟⎟ ⋅ σl23 + 2 ⋅ ⎜⎜ 2 ⎟⎟ ⋅ ⎜⎜ 2 ⎟⎟ ⋅ σl1l2 +
∂l
⎝ 1 ⎠ ⎝ ∂l2 ⎠ ∂l
⎝ 3 ⎠ ⎝ ∂l1 ⎠ ⎝ ∂l2 ⎠
⎛ ∂X 2 ⎞ ⎛ ∂X 2 ⎞ ⎛ ∂X 2 ⎞ ⎛ ∂X 2 ⎞
2 ⋅ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ l1 l3 + 2 ⋅ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ l2 l 3
⎝ ∂ l1 ⎠ ⎝ ∂ l3 ⎠ ⎝ ∂ l2 ⎠ ⎝ ∂ l3 ⎠
(4.21)
⎛ ∂X 1 ⎞ ⎛ ∂X 2 ⎞ ⎛ ∂X 1 ⎞ ⎛ ∂X 2 ⎞ ⎛ ∂X 1 ⎞ ⎛ ∂X 2 ⎞
σ X1 X 2 = ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ l21 + ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ l22 + ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ l23 +
⎝ ∂ l1 ⎠ ⎝ ∂ l1 ⎠ ⎝ ∂ l2 ⎠ ⎝ ∂ l2 ⎠ ⎝ ∂ l3 ⎠ ⎝ ∂ l3 ⎠
⎡⎛ ∂X 1 ⎞ ⎛ ∂X 2 ⎞ ⎛ ∂X 1 ⎞ ⎛ ∂X 2 ⎞⎤ ⎡⎛ ∂X 1 ⎞ ⎛ ∂X 2 ⎞ ⎛ ∂X 1 ⎞ ⎛ ∂X 2 ⎞⎤
⎢ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⎥ ⋅ σ l1 l2 + ⎢ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⎥ ⋅ σ l1 l3 +
⎢⎣ ⎝ ∂ l1 ⎠ ⎝ ∂ l2 ⎠ ⎝ ∂ l2 ⎠ ⎝ ∂ l1 ⎠ ⎥⎦ ⎢⎣ ⎝ ∂ l1 ⎠ ⎝ ∂ l3 ⎠ ⎝ ∂ l3 ⎠ ⎝ ∂ l1 ⎠ ⎥⎦
⎡⎛ ∂X 1 ⎞ ⎛ ∂Y ⎞ ⎛ ∂X 1 ⎞ ⎛ ∂Y ⎞⎤
⎢ ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ ⋅ ⎜⎜ ⎟⎟ ⎥ ⋅ σ l2 l 3
⎣⎢ ⎝ ∂ l 2 ⎠ ⎝ 3 ⎠∂ l ⎝ ∂ l3 ⎠ ⎝ ∂ l 2 ⎠ ⎦⎥
(4.22)
e as observações de l1, l2, ..., ln são independentes, não correlacionadas, σ li lj = 0 , os termos que
2 2 2 2
⎛ ∂X ⎞ ⎛ ∂X ⎞ ⎛ ∂X ⎞ ⎛ ∂X ⎞
σ 2
X1 = ⎜⎜ ⎟⎟ ⋅ σ l21 + ⎜⎜ ⎟⎟ ⋅ σ l22 + ⎜⎜ ⎟⎟ ⋅ σ l23 + L + ⎜⎜ ⎟⎟ ⋅ σ ln2 (4.24)
⎝ ∂ l1 ⎠ ⎝ ∂ l2 ⎠ ⎝ ∂ l3 ⎠ ⎝ ∂ ln ⎠
57
Rodrigues, D. D. - 2008 Introdução à teoria dos erros
M
X m = f m ( l1 , l 2 , l 3 , L l n ) ,
C X = J X L ⋅ C L ⋅ J TX L (4.26)
onde
Cx é a Matriz das Variâncias e Covariâncias (MVC) - ou simplesmente Matriz das Covariâncias (uma
vez que variância é um caso particular de covariância) –, dos parâmetros X 1 , X 2 , X 3 , L X m , que tem
a seguinte forma:
⎡ σ 2X1 σ X1 X 2 σ X1 X3 σ X1 Xm ⎤
⎢ ⎥
⎢σ X X σ 2X 2 σ X2 X3 L σ X 2 Xm ⎥
⎢ 2 1 ⎥
CX = ⎢ σ X3 X1 σ X2 σ 2X3 σ X 3 Xm ⎥ ; (4.27)
⎢ X3
⎥
⎢ M O ⎥
⎢ ⎥
⎢σ σ Xm σ Xm σ 2Xm ⎥⎦
⎣ Xm X1 X2 X3
⎡ σ l21 σ l1 l2 σ l1 l3 σ l1 ln ⎤
⎢ ⎥
⎢σ l l σ l22 σ l 2 l3 L σ l2 ln ⎥
⎢ 21 ⎥
C l = ⎢σ l3 l1 σ l 2 l3 σ l23 σ l3 ln ⎥ (4.28)
⎢ ⎥
⎢ M O M ⎥
⎢ ⎥
⎢σ σ ln l 2 σ ln l3 2 ⎥
σ ln ⎦
⎣ ln l1
e
JXL é denominada Matriz Jacobiana. É a matriz das derivadas parciais dos parâmetros (Xi) em relação
às observações (Lj) – com o seguinte formato:
58
Topografia: planimetria para engenheiros Agrimensores e Cartógrafos
⎡ ∂X 1 ∂X 1 ∂X 1 ∂X 1 ⎤
⎢ ∂ l1 ∂ l2 ∂ l3 ∂ l n ⎥⎥
⎢
⎢ ⎥
⎢ ∂X 2 ∂X 2 ∂X 2 ∂X 2 ⎥
⎢ L
∂ l1 ∂ l2 ∂ l3 ∂ ln ⎥
⎢ ⎥
⎢ ⎥
∂X ∂ F(L ) ∂X 3 ∂X 3 ∂X 3 ∂X 3 ⎥ , (4.29)
JX L = = = ⎢
∂L ∂L ⎢ ∂ l1 ∂ l2 ∂ l3 ∂ ln ⎥
⎢ ⎥
⎢ ⎥
⎢ M O M ⎥
⎢ ⎥
⎢ ⎥
⎢ ∂X n ∂X n ∂X n ∂X n ⎥
⎢ ⎥
⎢⎣ ∂ l1 ∂ l2 ∂ l3 ∂ l n ⎥⎦
Observa-se que as matrizes de covariâncias são quadradas e simétricas, uma vez que σ12 = σ 2 1 ,
conforme mostra a equação (4.8). Sendo simétricas, é possível anotar nas MVCs somente os elementos da
diagonal e os acima dela.
Segundo Cooper, 1987, é prática comum considerar as observações independentes, não
correlacionadas, de forma que todos os pares de covariâncias sejam nulos e todas as medidas não
correlacionadas, não somente por conveniência prática, mas por que a experiência justifica isso. De
qualquer forma é muito difícil determinar a covariância entre pares de observações realizadas empregando
procedimentos normais de campo. No entanto, se os elementos do vetor L são derivados de outras
variáveis, poderá haver correlação entre eles.
Para se propagar as variâncias e assim verificar o efeito de um erro de uma observação em um
parâmetro, há necessidade de determinar o valor numérico da derivada parcial da função em relação á
variável.
4- ALGUMAS DERIVADAS
A seguir são relacionadas algumas funções, e suas derivadas, comumente usadas em Agrimensura
e Cartografia.
• Se h( x ) = f ( x ) + g( x ) ,.................................... h ′( x ) = f ′( x ) + g′( x )
• Se h( x ) = f ( x ) ⋅ g( x ) ,........................................ h ′( x ) = f ′( x ) ⋅ g( x ) + f ( x ) ⋅ g′( x )
1
• Se f ( x ) = arctg x , ........................................... f ′( x ) =
1 + x2
59
Rodrigues, D. D. - 2008 Introdução à teoria dos erros
−1
• Se f ( x ) = arccos x , ......................................... f ′( x ) =
1 − x2
1
• Se f ( x ) = arcsen x , ......................................... f ′( x ) = ,
1 − x2
5- EXERCÍCIOS RESOLVIDOS
i) Sabendo-se que a leitura estadimétrica, m, é resultado da diferença entre as leituras na mira com
os fios superior e inferior, FS, e FI; calcular a variância de uma leitura estadimétrica qualquer,
sabendo que σ FS = σ FI = 3 mm . OBS: A precisão com que se lê FS, FM e FI, em uma mira
vertical, depende da distância. Quanto maior a distância menor a precisão, ou seja, maior o desvio
padrão.
A função que relaciona, explicitamente, as leituras com os fios (observações) e a leitura estadimétrica
(incógnita ou parâmetro) é:
m = FS − FI .
Como σ FS = σ FI e admitindo que σ FS FI = 0 , ou seja, admitindo que não haja correlação entre as
σ m2 = 2 ⋅ σ F2
portanto,
σm = 2 ⋅ σF .
σm = 2 ⋅ 3 mm = 4 mm
60
Topografia: planimetria para engenheiros Agrimensores e Cartógrafos
D = m ⋅ g ⋅ cos 2 î ,
2 2
⎛ ∂D ⎞ ⎛ ∂D ⎞ ⎛ ∂D ⎞ ⎛ ∂D ⎞
σ 2
D =⎜ ⎟ ⋅ σ m + ⎜⎜
2
⎟ ⋅ σ 2î + 2 ⋅ ⎜
⎟ ⎟ ⋅ ⎜⎜ ⎟⎟ ⋅ σ m î
⎝ ∂m ⎠ ⎝ ∂ î ⎠ ⎝ ∂m ⎠ ⎝ ∂ î ⎠
Portanto
(
σ D2 = g ⋅ cos 2 î )
2
⋅ σ m2 + (− 2 ⋅ m ⋅ g ⋅ cos î ⋅ sen î )2
( )( )
⋅ σ 2 + 2 ⋅ g ⋅ cos 2 î ⋅ − 2 ⋅ m ⋅ g ⋅ cos î ⋅ sen î ⋅ σ m Î
î
Admitindo que não haja correlação entre a leitura estadimétrica e o ângulo de inclinação, ou seja, admitindo
que σ m Î = 0 , tem-se:
(
σ m2 = g ⋅ cos 2 î )2
⋅ σ m2 + (− 2 ⋅ m ⋅ g ⋅ cos î ⋅ sen î ) 2
⋅ σ2
î
σ m2 = 5625 ⋅ σ m2 + 1973,768 (m 2 ) ⋅ σ 2
î
Para adequar as unidades na equação acima, é necessário transformar a unidade da variância de î para
radiano ao quadrado, assim:
e
σ D2 = 5625 ⋅ 16 (mm 2 ) + 1973,768 × 10 6 (mm 2 ) ⋅ 2,1154 × 10 −6
portanto,
σ D2 = 90 000 (mm 2 ) + 4175,308 (mm 2 )
De onde se observa que o efeito de um desvio de 5’ no ângulo vertical – segundo termo da equação - é
menor que o efeito de um desvio de 3 mm na leitura com os fios estadimétricos. O efeito conjunto desses
desvios na distância D, de 38,475 m, será:
σ D = 30,7cm ,
61
Rodrigues, D. D. - 2008 Introdução à teoria dos erros
iii) Sabendo que, de acordo com a Figura 4.2, as coordenadas do ponto B podem ser calculadas
empregando as equações mostradas na Figura, que as coordenadas do ponto A têm as seguintes
precisões iguais a σD e σ AZ e que não há correlação entre a distância e o azimute, ou seja, que
Y
B X B = X A + D AB ⋅ sen AZ AB
YB = YA + D AB ⋅ cos AZ AB
AZAB DAB
YA
A
XA X
As funções que relacionam as variáveis aleatórias XA, YA, DAB e AZAB, componentes de um vetor L,
com as variáveis XB e YB, componentes de um vetor X, são:
X B = X A + D AB ⋅ sen AZ AB
YB = YA + D AB ⋅ cos AZ AB
C X = J X L ⋅ C L ⋅ J TX L
onde
⎡σ 2X A σ X A YA 0 0 ⎤
⎢ ⎥
⎢ σ 2YA 0 0 ⎥
CL = ⎢ ⎥.
⎢ σ D2 AB 0 ⎥
⎢ ⎥
⎢⎣ σ 2AZ AB ⎥⎦
Os valores nulos na matriz relevam que não há correlação entre as coordenadas e as observações e entre
as observações. As derivadas parciais são dispostas na matriz JXL da seguinte forma:
62
Topografia: planimetria para engenheiros Agrimensores e Cartógrafos
⎡ ∂X B ∂X B ∂X B ∂X B ⎤
⎢ ∂X A ∂YA ∂D AB ∂AZ AB ⎥⎥
∂ F( L ) ⎢
JX L = = ⎢ ⎥
∂L ∂YB ∂YB ∂YB ∂YB ⎥
⎢
⎢ ∂X A ∂YA ∂D AB ∂AZ AB ⎥⎦
⎣
⎡ 1 0 sen AZ D ⋅ cos AZ ⎤
J XL = ⎢ ⎥
⎢⎣ 0 1 cos AZ − D ⋅ sen AZ ⎥⎦
Ou seja:
6- EXERCÍCIOS PROPOSTOS
63
Rodrigues, D. D. - 2008 Introdução à teoria dos erros
ii) Sabendo-se que um ângulo α é resultado da diferença entre a direção final, δ f , e a direção
v) Para obter o valor do ângulo da Figura 4.3, foram medidos os lados do triângulo com um desvio
padrão de 1 cm. Qual será o desvio padrão do ângulo calculado, em minutos do sistema
sexagesimal? Ou seja, qual é o efeito do erro de 1 cm nas distâncias medidas, no ângulo
procurado?
30,16 m 26,57 m
α
41,83 m
Figura 4.3: Ângulo com trena
vi) Sabendo que, de acordo com a Figura 4.2, as coordenadas do ponto A, seus desvios padrão e o
coeficiente de correlação entre elas, são iguais a: XA = 1245,192 m, YA = 2341,052 m, σ XA = 5 cm ,
covariâncias, CPQ, determinar os desvios padrão de DPQ, DHPQ, AZPQ, Ẑ PQ , sabendo que:
DPQ
Ẑ PQ AZPQ
Z DHPQ
Y
P
O X
64
Topografia: planimetria para engenheiros Agrimensores e Cartógrafos
[ ]
1
• D PQ = ( X Q − X P ) 2 + ( YQ − YP ) 2 + ( Z Q − Z P ) 2 2 ,
[ ]
1
• DHPQ = ( X Q − X P ) 2 + ( YQ − YP ) 2 2 ,
XQ − XP
• AZ PQ = arctg ( ) e
YQ − YP
Z Q − ZP
• Ẑ PQ = ar cos ( )
[ (X ]
1
Q − XP ) 2
+ ( YQ − YP ) 2
+ (Z Q − ZP ) 2 2
65