Você está na página 1de 25

Ajustamento das Observaes

prof. eng. Rodrigo Gonales Pirassununga - SP janeiro 2004

Sumrio
1 Conceitos Gerais 1.1 Matrizes . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 Denio . . . . . . . . . . . . . . . . . . . . . 1.1.2 Representao de uma matriz . . . . . . . . . . 1.1.3 Matrizes especiais . . . . . . . . . . . . . . . . 1.1.4 Igualdade de Matrizes . . . . . . . . . . . . . . 1.1.5 Adio e subtrao . . . . . . . . . . . . . . . . 1.1.6 Multiplicao de um nmero real por uma matriz 1.1.7 Multiplicao de matrizes . . . . . . . . . . . . 1.1.8 Matriz Transposta . . . . . . . . . . . . . . . . 1.1.9 Matriz identidade . . . . . . . . . . . . . . . . . 1.1.10 Matriz Inversa . . . . . . . . . . . . . . . . . . 1.2 Vetores . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Probabilidade e Estatstica . . . . . . . . . . . . . . . . 1.3.1 Mdia . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 Varincia . . . . . . . . . . . . . . . . . . . . . 1.3.3 Desvio Padro . . . . . . . . . . . . . . . . . . 1.3.4 Distribuio Normal . . . . . . . . . . . . . . . 1.4 Denies de catlogos . . . . . . . . . . . . . . . . . . 1.4.1 Partes por milho . . . . . . . . . . . . . . . . . 1.4.2 RMS . . . . . . . . . . . . . . . . . . . . . . . 1.5 Denies Prticas . . . . . . . . . . . . . . . . . . . . 1.5.1 Soluo de ambigidade . . . . . . . . . . . . . 1.5.2 Perda de sinal . . . . . . . . . . . . . . . . . . . 1.5.3 Tipo de soluo GPS . . . . . . . . . . . . . . . 1.5.4 DOPs (Dilution of Precision) . . . . . . . . . . . Observaes e Modelo Matemtico 2.1 Introduo . . . . . . . . . . . 2.2 Observao . . . . . . . . . . 2.3 Modelo Matemtico . . . . . . 2.3.1 Modelo Funcional . . 2.3.2 Modelo Estocstico . . 4 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 8 8 8 8 9 9 9 9 9 10 11 11 11 12 12 12 13 13 13 13 13 14

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

Propriedades Estatsticas das Observaes 3.1 Introduo . . . . . . . . . . . . . . . . 3.2 Tipos de Erros . . . . . . . . . . . . . . 3.2.1 Erros Grosseiros . . . . . . . . 3.2.2 Erros Sistemticos . . . . . . . 3.2.3 Erros Acidentais . . . . . . . . 2

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

3.3 3.4 3.5 4

Preciso, Exatido, Matriz Cofatora e Matriz Peso . . . . . . . . . . . . . . . . . . . Erro Verdadeiro, Aparente e Resduo . . . . . . . . . . . . . . . . . . . . . . . . . . Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 15 15 16 16 17 18 18 19 19 20 20 20 21 21 21 23 23 24 24

Ajustamento pelo Mtodo dos Mnimos Quadrados 4.1 Introduo . . . . . . . . . . . . . . . . . . . . . . 4.2 Princpio dos Mnimos Quadrados . . . . . . . . . 4.3 Ajustamento pelo Mtodo dos Mnimos Quadrados 4.3.1 Mtodo Correlatos: . . . . . . . . . . . . . 4.3.2 Mtodo Combinado . . . . . . . . . . . . 4.3.3 Mtodo Paramtrico . . . . . . . . . . . . Mtodo Paramtrico 5.1 Introduo . . . . . . . . . . . . . . . . . 5.2 Modelo Matemtico e Equaes Normais 5.3 Iteraes . . . . . . . . . . . . . . . . . . 5.4 Anlise Estatstica do Ajustamento . . . . 5.5 Exerccio . . . . . . . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

Redes Geodsicas 6.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2 Desenhando uma Rede . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.2.1 Fora Geomtrica das Figuras . . . . . . . . . . . . . . . . . . . . . . . . .

Captulo 1 Conceitos Gerais


1.1
1.1.1

Matrizes
Denio

Matriz m x n uma tabela de m por n nmeros reais dispostos em m linhas (las horizontais) e n colunas (las verticais). Vejamos alguns exemplos: uma matriz 2 x 3 uma matriz 2 x 2 uma matriz 4 x 3 Os exemplos acima mostram as trs formas possveis de representao de uma matriz: parnteses, colchetes e dois pares de barras verticais.

1.1.2

Representao de uma matriz

Consideremos uma matriz A do tipo m x n. Um elemento qualquer dessa matriz ser representado pelo smbolo aij , onde o ndice i refere-se linha em que se encontra tal elemento e o ndice j refere-se coluna em que se encontra o elemento. Representamos tambm a matriz A por A n . Note que 1 d i d m e 1 d j d n . Exemplo 1: O elemento que est na linha 1 e coluna 1 a11 = O elemento que est na linha 1 e coluna 2 a12 = O elemento que est na linha 2 e coluna 1 a21 = O elemento que est na linha 2 e coluna 2 a22 = -1. O elemento que est na linha 3 e coluna 1 a31 = 0 O elemento que est na linha 3 e coluna 2 a32 = -2. Exemplo 2: Vamos escrever a matriz A = (aij)2 x 2 , onde aij = 2i + j Uma matriz do tipo 2 x 2 pode ser genericamente representada por A Utilizando a "regra de formao" dos elementos dessa matriz, temos: Assim A 4

1.1.3

Matrizes especiais

Vejamos a seguir tipos de matrizes especiais Matriz linha: a matriz formada por uma nica linha Exemplo: A uma matriz linha 1 x 3. Matriz coluna: a matriz formada por uma nica coluna Matriz nula: a matriz cujos elementos so todos iguais a zero. uma matriz nula Exemplo: A x Matriz quadrada: a matriz que possui nmero de linhas igual ao nmero de colunas. uma matriz quadrada 2 x 2. Dizemos que A quadrada 3 Exemplos: A de ordem 2. uma matriz quadrada 3 x 3. Dizemos que B quadrada de ordem 3. Seja A a matriz quadrada de ordem n. 1. Os elementos de A cujo ndice da linha igual ao ndice da coluna constituem a diagonal principal de A. Assim, a11,a22, a33,...,ann formam a diagonal principal de 2. Os elementos de A cuja soma dos ndices da linha e da coluna a n + 1 constituem a diagonal secundria de A. Se, por exemplo, A quadrada de ordem 3, os elementos a13,a22, a31 formam a diagonal principal de A, conforme indicado abaixo:

1.1.4

Igualdade de Matrizes

Duas matrizes de mesmo tipo m x n so iguais quando todos os seus elementos correspondentes so iguais Exemplo 1 Determinemos a, b, c e d de modo que se tenha Observando os elementos correspondentes, devemos ter Exemplo 2 Para que ocorra a igualdade devemos ter: Como (I) e (II) devem ser satisfeitas simultaneamente, segue que m = 1.

1.1.5

Adio e subtrao

Denio: Dadas duas matrizes, A = (aij)m x n e B = (bij)m x n, a matriz soma A + B a matriz C = (cij)m x n, onde cij = aij + bij, para todo i e todo j. Em outras palavras, a matriz soma C do mesmo tipo que A e B e tal que cada um de seus elementos a soma de elementos correspondentes de A e B, como podemos observar na soma: Denio: Seja a matriz A = (aij)m x n. Chama-se oposta de A a matriz representada por A, tal que A + (-A) = 0, onde 0 a matriz nula do tipo m x n. 5

Da denio, decorre que A sempre obtida de A trocando-se o sinal de cada um de seus elementos. Dessa maneira, temos: Se A Se B Denio: Dadas duas matrizes, A = (aij)m denimos a matriz diferena A B como a soma de A com a oposta de B; isto : Vejamos este exemplo:

1.1.6

Multiplicao de um nmero real por uma matriz

Seja a matriz A = (aij)m x n e k um nmero real diferente de zero. A multiplicao de k pela matriz A denida como a matriz B (do tipo m x n), B = k x A, onde bij = k x aij. O signicado : B obtida de A, multiplicando-se todos os seus elementos por k. Exemplo: calcularemos

1.1.7

Multiplicao de matrizes

Denio: Dadas as matrizes A = (aij)m x n e B = (bjk)n x p, chama-se produto de A por B, e se indica por A x B, a matriz C = (aik)m x p, onde um elemento qualquer cik obtido da seguinte maneira: Tomamos ordenadamente os n elementos da linha i da matriz A: ai1, ai2, ..., ain. Tomamos ordenadamente os n elementos da coluna k da matriz B: b1k, b2k, ..., bnk Multiplicamos o 1o elemento de (I) pelo 1o elemento de (II), o 2o elemento de (I) pelo 2o elemento de (II), e assim sucessivamente. Somamos os produtos obtidos. Assim: cik = ai1 x b1k + ai2 x b2k + ... + ain + bnk Observao: 1. A denio garante a existncia do produto AB se, e somente se, o nmero de colunas de A igual ao nmero de linhas de B. 2. A matriz do produto C = AB uma matriz cujo nmero de linhas igual ao nmero de linhas de A e o nmero de colunas igual ao nmero de colunas de B. Observemos o esquema abaixo: A(m x n) x B(n x p) = C (m x p) Garante a existncia do produto 3. Notemos que, se A do tipo m x n e B do tipo n x p, com p diferente de m, ento AB existe, mas BA no existe, pois: B(n x p) x A(m x n) Diferentes!

1.1.8

Matriz Transposta

Denio: Dada a matriz Am x n = (aij), chama-se transposta de A a matriz An x m = (aji), para todo i e todo j, tal que aij = aji. Exemplo: Dada a Matriz A 6

1.1.9

Matriz identidade

Denio: Seja A uma matriz quadrada de ordem n. A dita matriz identidade de ordem n (indica-se por In) quando os elementos de sua diagonal de sua diagonal principal so todos iguais a 1, e os demais elementos so iguais a zero. a matriz identidade de ordem 2. a matriz identidade de ordem 3. a matriz identidade de ordem n. Observao A matriz identidade o elemento neutro do produto de matrizes, quando este existir. Qualquer que seja a matriz quadrada A, tem-se A x I = A e I x A = A, como mostram os exemplos a seguir:

1.1.10

Matriz Inversa

Denio: Seja A uma matriz quadrada de ordem n. A dita inversvel se existir uma matriz B tal que: A x B = B x A = In Neste caso, B dita inversa de A e indicada por A-1. Exemplo 1: A inversa de A Exemplo 2: Vamos encontrar, se existir, a inversa de A = Devemos determinar A Temos: Do conceito de igualdade, seguem os sistemas: Exemplo 3: Determinemos, se existir, a inversa de A b a d tal que: Devemos encontrar A 8 4 a b Temos: Resolvendo o 1 sistema por adio, temos: 4 Dessa forma, no existem a e c reais que satisfaam o sistema. Como o 1o sistema impossvel, j podemos concluir que no existe A-1 e nesse caso, A dita no inversvel.

1.2

Vetores

Quando voc esta se deslocando de uma posio para outra, basta voc dizer que percorreu uma distncia igual a 5 m? Voc precisa especicar, alm da distancia, a direo e o sentido em que ocorre este deslocamento. Quando se sofre um deslocamento de uma posio A para uma posio B, esta mudana de posio denida pelo segmento de reta AB orientado, que une a posio inicial com a nal, denominado neste caso de deslocamento. Figura 1 Exemplo de vetor Observe que o deslocamento no ca perfeitamente denido se for dada apenas a distncia percorrida. H a necessidade de especicar a direo e o sentido do deslocamento. Um vetor apresenta caractersticas de direo sentido e mdulo. 7

1.3
1.3.1

Probabilidade e Estatstica
Mdia

Sejam x1, x2,...,xn os valores de n observaes de determinada varivel X. Denimos a mdia aritmtica - indicada por x - como a razo entre a soma de todos os valores observados e o nmero total de observaes menos 1:

1.3.2

Varincia

Sejam x1, x2, ..., xn os valores assumidos por uma varivel X e x a mdia aritmtica desses valores. Chamamos varincia de X indicada por V 2 - ao nmero real positivo.

1.3.3

Desvio Padro

Chamamos de desvio-padro de X indicado por V - a raiz quadrada de sua varincia.

1.3.4

Distribuio Normal

A distribuio Normal a mais familiar das distribuies de probabilidade e tambm uma das mais importantes em estatstica. Esta distribuio tem uma forma de sino. Figura 2 Distribuio Normal A rea sob a curva normal (na verdade abaixo de qualquer funo de densidade de probabilidade) 1. Ento, para quaisquer dois valores especcos podemos determinar a proporo de rea sob a curva entre esses dois valores. Para a distribuio Normal, a proporo de valores caindo dentro de um, dois, ou trs desvios padro da mdia so: Distancia Proporo

1.4

Denies de catlogos

Alguns termos utilizados em catlogos de aparelhos GPS, estaes totais, Teodolitos, Nveis, etc, ainda hoje, causa alguns tipos de confuses. Desse modo, iremos nesse tpico esclarecer alguns deles.

1.4.1

Partes por milho

O mtodo mais comum de especicao de preciso de uma observao apresent-la em termos relativos. Por exemplo, se a especicao da preciso para uma observao de 0,01 m + 10 ppm, esta uma especicao de preciso relativa. Ao analisar a preciso relativa entre os pares de estaes, importante lembrar da preciso do equipamento utilizado. Assuma que a medida de preciso para o sistema GPS como 0,010m + 2 ppm. O erro base aqui 0,010 m. Isto signica que voc pode esperar um erro de pelo menos 0,010 m sobre todas as suas medidas. O termo 2 ppm dependente da distancia.Quanto maior o comprimento da medida, maior ser o erro. Usando esta especicao, o erro esperado sobre uma observao de 10 km seria 0,010 m + (2 ppm de 10,000 metros). Isto resulta num erro esperado de 0,010 m + 0,020 m para um total de 0,030 m. 8

1.4.2

RMS

Um conceito bastante usado em catlogos de aparelhos o RMS (root means square), ou em portugus, erro mdio quadrtico. Esse conceito retrata a variao que um valor ajustado pode variar ao redor de seu valor observado.

1.5
1.5.1

Denies Prticas
Soluo de ambigidade

No posicionamento GPS, a fase da onda portadora a observvel mais precisa, capaz de conduzir a um posicionamento relativo com preciso milimtrica. O problema nas medies de fase da portadora que elas no fornecem diretamente a informao da distncia receptor-satlite, mas a medida da diferena de fase entre o sinal que chega do satlite e um sinal gerado no receptor por um oscilador interno. Contudo, o nmero de ciclos inteiros (comprimentos de onda) ocorridos na portadora no instante t0 desconhecido; logo, a contagem de ciclos obtida (N0) um valor ambguo. Dessa forma, resta a determinao do nmero efetivo de comprimentos de onda contidos entre o centro de fase da antena do receptor e o centro de fase da antena de cada satlite no instante da primeira observao, incgnita esta denominada ambigidade GPS. Uma caracterstica fundamental desta observvel que, teoricamente, as ambigidades devem resultar em nmeros inteiros. No entanto, vrios fatores afetam as observveis, fazendo com que os valores estimados sejam diferentes de valores inteiros. O processo de obteno dos valores inteiros de ambigidades denomina-se soluo das ambigidades. No processamento em que se soluciona as ambigidades, obtm-se melhor preciso. Deve-se, no entanto ressaltar que, caso os valores das ambigidades sejam incorretas, as coordenadas estimadas, embora precisas, apresentaro efeitos sistemticos. melhor dispor de resultados sem soluo de ambigidade soluo mais precisa, mas incorreta. importante dispor de metodologia para avaliar a qualidade dos resultados com soluo da ambigidade.

1.5.2

Perda de sinal

A ocorrncia de perdas de sinal em levantamentos de alta preciso tambm diculta o clculo e o controle das ambigidades. Se ocorrer perda de sinal dos satlites, no caso de obstruo total da antena do receptor, h a necessidade da completa inicializao.

1.5.3

Tipo de soluo GPS

O tipo de soluo um indicativo do sucesso conseguido ao determinar as ambigidades inteiras para cada satlite no clculo de um vetor. Se todas as ambigidades inteiras foram determinadas, a soluo do vetor considerada como uma soluo FIXA (ambigidade xada para inteira). Uma soluo Fixa a melhor soluo possvel. Se as ambigidades inteiras foram determinadas por s um subconjunto de satlites (sobre 50%), a soluo considerada uma soluo PARCIAL (Partial). Um vetor com um tipo de soluo parcial, em muitos os casos continua sendo um vetor de qualidade. Por exemplo, sobre vetores mais compridos (20 km ou mais), no em muitos casos, prtico esperar obter uma soluo FIXA devido ao rudo incrementado na soluo, como conseqncia do comprimento do vetor. Finalmente, um vetor com uma soluo FLUTUANTE (Float) indica que menos de 50% das ambigidades de inteiros foram determinadas. Na maioria dos casos, um vetor com uma soluo tipo FLUTUANTE ser pobre em qualidade. Unicamente linhas base muito prolongadas (80 km ou mais) devem ter um vetor com uma 9

soluo de tipo utuante. Se voc tem uma soluo utuante sobre um vetor curto, provavelmente existir um problema com os dados utilizados para calcular este vetor.

1.5.4

DOPs (Dilution of Precision)

Existem diversos DOPs, auxiliando na indicao da preciso dos resultados que sero obtidos. Os DOPs so freqentemente utilizados em navegao e no planejamento de observaes GPS e so obtidos a partir do conceito de posicionamento por ponto. As seguintes descries so encontradas: HDOP V r para posicionamento horizontal; VDOP V r para posicionamento vertical; PDOP V r para posicionamento tridimensional; e TDOP V r para determinao de tempo. O efeito combinado de posio 3-D e tempo denominado GDOP, dado pela seguinte expresso: O PDOP pode ser interpretado como o inverso do volume V de um tetraedro formado pelas posies do usurio e dos 4 satlites. A gura 3 apresenta-se uma ilustrao geomtrica da situao. A melhor geometria ocorre quando o volume maximizado, o que implica um PDOP mnimo. Vericando a gura 3, pode-se observar que, na situao (a) os satlites esto mais dispersos quem relao situao (b), donde se conclui que o volume em (a) maior que em (b). Desse modo, o PDOP de (a) melhor que o de (b). Em resumo, pode-se dizer que, quanto menor for o valor dos diferentes DOPs, melhor a congurao dos satlites para realizar o posicionamento.

10

Captulo 2 Observaes e Modelo Matemtico


2.1 Introduo

O Ajustamento tem por objetivo dar soluo nica para problemas onde o nmero de observaes redundante e o sistema de equaes inconsistente, bem como a estimativa da preciso da soluo adotada. A inconsistncia do sistema de equaes devido as utuaes probabilsticas das observaes e faz com que um determinado subconjunto de dados proporcione valores diferentes de um outro subconjunto. A soluo nica nestes problemas dada pelo Mtodo dos Mnimos Quadrados (MMQ) desenvolvido independentemente por GAUSS (1795) e LEGENDRE (1805). Para se realizar o ajustamento de observaes ou medidas, necessrio que os dados excedam o mnimo requerido para a soluo do problema. Alm disso, o ajustamento no melhora os resultados das medies. O resultado nal do ajustamento so os valores para as incgnitas e estimativas de sua preciso, pois segundo CAMARGO (2000), nenhum resultado ter valor cientico ou tcnico se no estiver acompanhado de sua preciso. Essa preciso pode ser expressa por 1V (desvio padro), 2V , 3V e etc. A partir das tcnicas de ajustamento possvel detectar a presena de erros grosseiros em um conjunto de observaes, efetuar o planejamento da coleta de dados e saber a priori se tais dados atendero as prescries estabelecidas. Segundo GEMAEL (1994), a partir das observaes redundantes sujeitas a utuaes probabilsticas e de uma estimativa de sua preciso, o AJUSTAMENTO tem por objetivo: 1. Estimar, mediante a aplicao de modelos matemticos adequados e do MMQ, um valor nico para cada uma das incgnitas de problema; 2. Estimar a preciso de tais incgnitas e a eventual correlao entre elas.

2.2

Observao

As observaes ou medidas possuem uma propriedade inerente a elas, conhecidas de utuaes probabilsticas, pois quando se repete n vezes a medida de uma grandeza, os n valores no so idnticos, mas esto dispersos numa certa regio ou intervalo, que tradicionalmente eram interpretados como erros de observao. Os valores numricos das observaes so de fundamental importncia para a cincia e engenharia, pois submetem o instrumento anlise e manipulao. 11

2.3

Modelo Matemtico

Sempre se recorre a frmulas, equaes ou expresses matemticas quando se necessita descrever matematicamente uma realidade fsica, mas como um modelo matemtico denido como sendo um sistema terico ou um conceito abstrato, que descreve uma situao fsica ou uma srie de eventos, no necessrio explicar totalmente a situao fsica, mas relacionar somente os aspectos ou propriedades de interesse. Desse modo, ele pode apresentar-se de formas diferentes para uma mesma situao fsica, dependendo do propsito em questo. Nota-se que o modelo matemtico no descreve exatamente o fenmeno, os eventos ou a realidade fsica. Descreve aspectos de interesse desta realidade e com aproximao requerida. O modelo matemtico composto de duas partes, modelo funcional e modelo estocstico.

2.3.1

Modelo Funcional

O modelo funcional constitui a parte determinstica da realidade fsica ou evento em considerao. Quando as medidas so planejadas, um modelo funcional usualmente escolhido para representar o sistema fsico ou ctcio com o qual as medidas esto associadas. As medidas so feitas usualmente com a nalidade de avaliar valores para alguns ou todos os parmetros do modelo funcional. Como exemplos podemos citar: Modelo geomtrico em Topograa: um tringulo plano no espao euclidiano caracterizado por 3 ngulos, 3 vrtices, 3 lados e talvez tambm uma orientao com respeito a um sistema de coordenadas; Modelo geomtrico em fotogrametria: fotos areas so consideradas imagens perspectiva dos pontos no terreno; Modelo dinmico em Geodsia: campo de gravidade terrestre. Modelos funcionais no so freqentemente estabelecidos explicitamente, mas por implicao. Se por um momento um topgrafo diz que mediu uma distncia, eles se refere que dois objetos so abstrados e considerados como dois pontos geomtricos. A distncia geomtrica deve ser reduzida ao plano de projeo ou sobre o elipside. O mesmo se diz dos ngulos. O modelo funcional deve estar com acuracidade suciente para o propsito em questo. As observaes efetuadas so ento introduzidas no modelo e todas consideraes devem ser levadas a efeito.

2.3.2

Modelo Estocstico

O modelo estocstico descreve as propriedades estatsticas das observaes, que sempre esto sujeitas a incontveis inuencias. Elas podem estar sujeitas as inuencias fsicas que no podem ser completamente controlada, resultando em uma certa variabilidade do resultado quando as observaes so repetidas. Tem-se ainda como causas, alm das fsicas, a falibilidade humana e as imperfeies instrumentais. Do ponto de vista prtico difcil estabelecer as propriedades estatsticas das observaes. Um caminho repetir as medidas e derivar as propriedades requeridas, mas isto demanda tempo e dinheiro. Um outro caminho, freqentemente usado na pratica assumir as propriedades estatsticas com base em observaes similares (mesmo tipo e circunstncia) que foram realizados no passado. Todas as suposies sobre as propriedades das variveis envolvidas chamada de modelo estocstico. Ele inclui todas as variveis do modelo. Elas podem ser consideradas xas (constantes durante o ajustamento ou conhecida a priori), livre (incgnitas do ajustamento) e semi-livres (podem variar, porm com algumas restries). 12

Captulo 3 Propriedades Estatsticas das Observaes


3.1 Introduo

Anteriormente usava-se falar, teoria da observao ou teoria dos erros. O termo erro atualmente um tanto confuso e seu uso tem diminudo cada vez mais. Mesmo cercando-se de precaues e cuidados especiais no momento da obteno das observaes, estas vm eivadas dos inevitveis erros de medidas, conseqncia da imperfeio do equipamento, falha humana e das condies ambientais nas quais se processa a mensurao. A classicao tradicional apresentam estes erros como sendo de trs tipos: grosseiro, sistemtico e acidental (aleatrio ou randmico).

3.2
3.2.1

Tipos de Erros
Erros Grosseiros

Erros grosseiros freqentemente ocorrem na prtica, geralmente esto associadas desateno do observador ou mesmo do anotador. A inverso de dgitos numa leitura, a contagem errnea do nmero de trenadas na medida de uma distncia, a troca do bordo visado na medida da distncia zenital do sol, so exemplos clssicos de erros grosseiros. Mesmo em tcnicas automticas de registro podem ocorrer, em razo de uma falha de equipamento, porm com menor freqncia. Do ponto de vista estatstico, observaes com erros grosseiros no podem ser consideradas como pertencentes amostra da distribuio em questo, no podendo ser usada com outras observaes. Desta forma, mas medidas devem ser planejadas de modo que na coleta de dados, seja possvel detectar erros grosseiros ou evitar a sua ocorrncia. Todas as observaes contaminadas de erros grosseiros devem se simplesmente ser rejeitadas; em alguns casos a deteco do erro fcil (erro grande). Entretanto erros grosseiros de moderadas magnitude so difceis de serem detectados, mesmo usando-se de tcnicas estatsticas.

3.2.2

Erros Sistemticos

Os erros sistemticos so aqueles oriundos de causas conhecidas; podem, na maioria das vezes, ser evitado atravs de tcnicas especiais de observao ou eliminados a posteriori mediante a aplicao de frmulas fornecidas pela teoria. A minimizao dos erros sistemticos obtida pela calibrao dos instrumentos, tcnicas de observao e de processamento dos dados para eliminar efeitos atmosfricos ou outros. Do ponto de vista estatstico, a repetio de observaes no auxiliar na deteco de erros sistemticos, pois eles afetam as observaes da mesma forma. 13

A colocao do nvel a igual distancia das miras no nivelamento geomtrico, um exemplo de eliminao de efeitos sistemticos (refrao, esfericidade e colimao) durante a medio. O mesmo se diz a respeito da reiterao ou repetio e leituras conjugadas (CE, CD) nas observaes angulares, com objetivo de eliminar os efeitos sistemticos. Ambos exemplos utilizam-se das tcnicas de observao para eliminar os efeitos sistemticos. Os erros sistemticos tambm podem estar associados ao observador; o caso, por exemplo, do nivelador que efetua a leitura sempre um pouco abaixo (ou acima) do trao da mira, ou do topgrafo que efetua a leitura um pouco a esquerda (ou a direita) do alvo. Esse tipo de erro difcil de eliminar.

3.2.3

Erros Acidentais

Os erros acidentais ou aleatrios, ao contrrio dos erros sistemticos, ocorrem ora num ora noutro sentido e no podem ser vinculados a nenhuma causa conhecida. Uma vez eliminado os erros grosseiros e sistemticos, o conjunto de observaes repetidas sobre a mesma grandeza ainda se revelam inconsistentes; as discrepncias constatadas so atribudas aos erros acidentais. Enquanto que os erros sistemticos tendem a se acumular, os erros acidentais tendem a se neutralizar quando o nmero de observaes crescem. Antes de iniciar o ajustamento, as observaes devero se depuradas de todas as inuncias sistemticas, bem como dos erros grosseiros, uma vez que o ajustamento prev que as mesmas se apresentam contaminadas apenas pelos erros acidentais.

3.3

Preciso, Exatido, Matriz Cofatora e Matriz Peso

As observaes, bem como os resultados do ajustamento so freqentemente analisados na prtica pela preciso e exatido ou acuracidade. Acurcia refere-se ao grau de aproximao de uma estimativa do seu valor considerado verdadeiro, e est vinculado aos efeitos aleatrios e sistemticos. Enquanto, que a preciso expressa o grau de proximidade da observao com sua mdia, vincula-se apenas aos efeitos aleatrios. Acuracidade reete a posio, e preciso (V ) reete a disperso, por exemplo de uma observao. Por exemplo, as varincias V i2 e covarincias V i2 de um conjunto de n observaes (Lb) j podem ser dispostas de maneira a formar uma matriz quadrada (n x n), que indicaremos por : A matriz Lb , simtrica por ser V ij V ji , recebe o nome de matriz varincia-covarincia (MVC). No caso das observaes serem independentes entre si, as covarincias sero nulas e Lb degenera uma matriz diagonal. Na prtica, a matriz varincia-covarincia freqentemente substituda pela varincia e covarincia relativa. Em razo disto usa-se os termos matriz dos coecientes de peso ou de cofator. Designando a matriz dos coecientes de peso ou de cofator por Q e representando o seu elemento por q. Um cofator relaciona-se com uma covarincia por: e com uma varincia como: Nas equaes acima, V 0 uma constante arbitrria, adimensional ou com dimenso tambm arbitrria, chamada de varincia de referencia, ou fator de varincia, ou varincia da unidade de peso unitrio. Aplicando no caso de uma MVC, tem-se que: Se a matriz Q for no singular admitir uma inversa, que conhecida como matriz dos pesos, e representada por P. A matriz dos pesos, tambm simtrica, se reduz a uma matriz diagonal quando as observaes so no correlacionadas (independentes) entre si. Nesse caso, os elementos diagonais de P e Q so, respectivamente, os pesos e o inverso dos pesos das observaes. Os pesos das observaes recebem ento uma denio simples e podem ser calculados por: Para os casos em que h uma perfeita correlao entre as variveis, ainda possvel estabelecer uma matriz covarincia e uma matriz cofatora. No possvel, entretanto estabelecer um matriz peso, pois os elementos da diagonal da matriz P no so os pesos e os da matriz Q so o inverso do peso. 14

3.4

Erro Verdadeiro, Aparente e Resduo

Designando X o valor estimado de um grandeza medida, por P o seu valor verdadeiro, e por l i os valores observados, pode-se considerar que: 1. Erro verdadeiro: 2. Erro aparente: 3. Resduo:

3.5

Exerccios
D 1 = 38 3746 D 2 = 38 3742 D 3 = 38 3744 D 4 = 38 3745 D 5 = 38 3743 D 6 = 38 3745 Calcule a mdia, a varincia e o desvio padro do ngulo.

1. Um topgrafo mediu um mesmo ngulo 6 vezes obtendo os seguintes valores:

2. Calcule a preciso relativa de um ponto coletado com um aparelho GPS (levantamento esttico) com um vetor de 15 km. O receptor GPS tem preciso no mode esttico de 0,005m + 1ppm. 3. Testamos trs fuzis, disparando alguns tiros contra um alvo. O fuzil A no estava bem xo e se mexeu ao disparar. O fuzil B estava bem xo, porm em uma posio que apontava ligeiramente para a esquerda, e o fuzil C esta corretamente xado. Pergunta-se (a) Qual dos esquemas seguintes pertence ao fuzil A, B e C? (b) Que fuzis se apresentam viciados (tendenciosos)? (c) Qual deles acusa varincia mnima? (d) Qual o mais eciente? (e) Explique preciso e exatido com base nas guras apresentadas no primeiro item.

15

Captulo 4 Ajustamento pelo Mtodo dos Mnimos Quadrados


4.1 Introduo

oportuno, uma vez mais, lembrar que s faz sentido falar em ajustamento ou aplicao do Mtodo dos Mnimos Quadrados (MMQ) quando se dispe de observaes redundantes ou superabundantes. Em geral, como o MMQ estima-se as variveis estocsticas X (parmetros) e sua preciso x , a partir de observaes (Lb), com preciso Mtodos particulares podero envolver um ou dois espaos. O modelo matemtico funcional que inter-relaciona esses espaos constitui um sistema de equaes lineares (ou linearizadas) incompatvel, ou seja, inconsistente. A incompatibilidade procede das utuaes probabilsticas, que propriedade caracterstica das observaes. Um modelo ca determinado por um numero mnimo de variveis (parmetros, observaes ou ambos) e as relaes entre elas. Assim, por exemplo: 1. a. A famlia de modelos: y = ax + b possui innitas solues. A determinao de uma delas se d, por exemplo, xando-se no mnimo dois parmetros, ou seja: a e b. 2. b. A forma de um tringulo plano denido por seus ngulos. Um mnimo de dois ngulos j denem sua forma, cujo modelo dado por: 3. c. Se o problema for xar a forma e as dimenses do tringulo plano, o nmero de variveis passa para trs, pois uma escala tem que ser acrescentada ao problema anterior; e 4. d. Pretendendo-se determinar a posio e orientao com respeito a um referencial, do citado triangulo plano, seis variveis seriam requeridas. A medida em que a complexidade da realidade fsica que se pretende representar cresce, o nmero de variveis mnimas requeridas para a sua denio tambm aumenta. Como foi mencionado acima, uma vez selecionado o modelo, o mesmo ca denido atravs de um certo nmero mnimo de variveis distintas, que no ajustamento so as nossas observaes. Denotando o nmero mnimo de variveis por no e o nmero total de observaes por n, a diferena entre n e no mostra o grau de redundncia do sistema. A redundncia, que denotada por r, dada por: r n no que tambm corresponde aos graus de liberdade. Quando n maior que o no existe redundncia e o ajustamento necessrio a m de obter um nico conjunto de estimativas para o modelo. As observaes devem ser funcionalmente independentes, isto , nenhumas das n observaes podem ser derivadas a partir de algumas ou todas (n -1) observaes restantes. 16

Exemplo 1: Denotando-se os trs ngulos internos de um triangulo plano, por D , E e J , a forma ou o modelo de mesmo ca determinado a partir de duas variveis (no = 2), construda por dois dos distintos ngulos entre D , E e J . Portanto, h diversas possibilidades para as observaes: a. Cada ngulo observado uma vez, isto , D 1 , E1 e J 1 , ento: n = 3 e r = n no = 1 b. Cada ngulo observado duas vezes, ou seja D 1 , E1 e J 1 e D 2 , E 2 e J 2 . Agora: n=6er=4 c. O ngulo D observado duas vezes, E e J uma cada vez, ou seja tem-se: D 1 , D 2 , E1 e J 1 . Neste caso: n=4er=2 d. ngulo D observado quatro vezes ( D 1 , D 2 , D 3 , D 4 ). Neste caso apesar de n ser igual a 4 (n = 4), tem-se uma situao diferente, porque a observao no refere-se ao mnimo de no = 2 variveis distintas. Portanto, estas observaes no so adequadas para determinar o modelo e a forma do tringulo.

4.2

Princpio dos Mnimos Quadrados

Devido as propriedades estocsticas das observaes, observaes redundantes, usualmente, no so incompatveis com o modelo funcional. Ento, num modelo ou sistema de equaes lineares ou linearizadas, redundantes e inconsistentes, as solues que se obteriam para o conjunto de variveis a partir de diferentes subsistemas seriam distintas. Nenhum resultado nico possvel a partir de observaes redundantes, a menos que um critrio seja introduzido. Esta situao permite a aplicao do principio bsico do ajustamento pelo MMQ para derivar um nico conjunto de estimativas para todas as variveis do modelo, com certas propriedades (estimativas no tendenciosa, de varincia mnima). Por exemplo, 2 dos 3 ngulos medidos em um tringulo plano suciente para determinar a forma (ou modelo). Contudo para cada possvel par de ngulos: (D , E ), ( E , J ) e ( J , D ) resulta diferentes formas (ou modelos) para o tringulo, ou seja, nenhum resultado nico possvel. Da a necessidade da aplicao do princpio dos mnimos quadrados. O conjunto original de observaes, que ser denotado pelo vetor Lb inclui observaes redundantes e inconsistentes com o modelo, substitudo aps o ajustamento por um outro conjunto de estimativas, representado por La, que satisfaz o modelo. O conjunto de estimativas La em geral diferente do conjunto original Lb. A diferena entre ambos os conjuntos dado por: e conhecido como vetor das correes ou vetor dos resduos. Ento O vetor La, que satisfaz o modelo depende, obviamente, da escolha do vetor V. Como fazes essa escolha? Algum critrio deve ser estabelecido para obter uma soluo nica para La. H quase dois sculos o geodesista fez a sua opo seguindo o caminho indicado por GAUSS e LEGENDRE: Aceitar como melhor estimativa de La, o valor torna mnima a soma dos quadrados dos resduos. O princpio do Mtodo dos Mnimos Quadrados (MMQ) estabelece que: mnimo conhecida como forma quadrtica fundamental de MMQ, onde V o vetor dos resduos e P a matriz peso das observaes, dada por: onde V 0 um escalar conhecido como fator de varincia a priori e a matriz varincia-covarincia (MVC) das observaes. O critrio acima caracteriza o Mtodo dos Mnimos Quadrados institudo independentemente pelos dois grandes matemtico acima citados. Diversos casos particulares podem ser derivados a partir de consideraes da matriz peso. O primeiro caso quando as observaes so consideradas no correlacionadas ( V ij 0 ), dessa forma a matriz peso ser uma matriz diagonal, assim a notao do MMQ, pode ser expressa como: 17

onde pi o i-simo elemento de P e vi o resduo associado com a correspondente i-sima observao. Um caso mais simples quando as observaes so no correlacionadas e as observaes apresentam o mesmo grau de conana, assim a matriz P poder ser considerada como sendo uma matriz identidade, desde que V 0 seja igual a varincia das observaes, assim a forma quadrtica fundamental pode ser expressa como: importante notar que a aplicao do princpio do MMQ no requer conhecimento a priori da distribuio da probabilidade associada as observaes. Quando a distribuio normal o mtodo de Mxima Verossimilhana proporciona resultados iguais ao MMQ. O vetor dos resduos tem um importante papel aps o processo de ajustamento. muitas vezes possvel analisar os elementos de V a m de testar o modelo (funcional e estocstico) e as observaes.

4.3

Ajustamento pelo Mtodo dos Mnimos Quadrados

O modelo matemtico o ponto inicial da losoa da tarefa de ajustamento, uma vez conhecido o modelo, aspectos prticos e computacionais so empregados para selecionar o mtodo de ajustamento pela tcnica dos mnimos quadrados. A relao entre estas fases mostrada na gura abaixo: Modelo Tcnicas dos Mnimos Quadrados Avaliao Estatstica e Testes dos Resultados Filosoa e Aspectos de Julgamento Mtodo e Algoritimos Computacionais Figura 3 Diagrama do ajustamento O calculo pelo mnimo quadrados produz estimativas atualizadas (ajustadas) de todas as variveis do modelo, bem como a sua MVC. Depois de aplicado o algoritmo computacional, um outro passo necessrio a avaliao estatsticas dos resultados, isto , uma operao de julgamento do modelo (funcional e estocstico) e das observaes dependendo do grau de sosticao, a estatstica calculada poder conduzir para um remodelamento (renamento do modelo), se o modelo original for constatado ser inadequado ou a rejeio de observaes com erro. Para um determinado modelo e conjunto de observaes o MMQ produz um nico resultado, porm h diversos mtodos que podem ser empregados. Qualquer que seja o mtodo empregado, a resposta nal ser sempre a mesma. Em adio as observaes, no modelo podem ser includos outras variveis e constantes. Estas variveis, tambm estocsticas, so designadas de parmetros. Na maioria das vezes estes parmetros tem inicialmente valores incgnitos e seus valores so obtidos no ajustamento, eles representam incgnitas funcionais. Uma vez que os modelos (funcionais e estocsticos) so estabelecidos, os mtodos de ajustamento operam com um conjunto de funes ou equaes, que descrevem o modelo funcional. Distinguem-se entre estas as equaes de condies e equaes de injunes, que formam dois grupos de tcnicas de ajustamento. Os dois grupos so intitulados de ajustamento pelo mnimo quadrados com condies, ou simplesmente de ajustamento pelo mnimos quadrados e de ajustamento pelo mnimos quadrados com condies e injunes ou ajustamento pelo MQ com injuno. Dependendo das variveis (observaes e ou parmetros) envolvidos o modelo dividese ajustamento do 1o grupo em:

4.3.1

Mtodo Correlatos:

A equao de condio inclui uma ou mais observaes, tem-se portanto equaes s com observaes. Neste caso o modelo representado por: (4.8) F(La) = 0 18

4.3.2

Mtodo Combinado

A equao de condio envolve observaes e parmetros, o modelo expresso por: (4.9) F(La,Xa) = 0

4.3.3

Mtodo Paramtrico

A equao de condio envolve observaes e parmetros, mas as observaes so funes explicitas dos parmetros, isto : (4.10) La = F(Xa). No segundo grupo a equao de injuno, juntamente com a equao de condio proporcionar os mtodos acima citados, porm com injuno. A equao de injuno, que funo s de parmetros, representado pelo modelo: (4.11) G(Xa) = 0

19

Captulo 5 Mtodo Paramtrico


5.1 Introduo

O mtodo paramtrico tambm conhecido como ajustamento de observaes indiretas, ou ainda como mtodo das equaes de observaes. No ajustamento pelo mtodo paramtrico, cada observao proporciona uma equao. Chama-se n o nmero total observaes. As equaes sero de tal forma que se pode explicitar cada observao em funo dos parmetros envolvidos, os quais so em nmero igual a u.

5.2

Modelo Matemtico e Equaes Normais

O modelo matemtico do mtodo paramtrico : La = F(Xa). Onde: La Vetor das observaes ajustadas (n x 1) Xa vetor dos parmetros ajustados (n x 1) F Funo que relaciona La e Xa, podendo ser linear ou no Um modelo matemtico inconsistente, torna-se consistente pela introduo do vetor dos resduos. onde: Lb o vetor (n x 1) dos valores das observaes; X o vetor (u x 1) dos parmetros incgnitos; A a matriz (n x u) de escalares conhecidos; V o vetor (u x 1) dos resduos. Das equaes normais, obtidas atravs do multiplicado de Lagrange, que minimiza os resduos, tem-se: onde: Xa - vetor dos parmetros ajustados (u x 1) X 0 - vetor dos parmetros aproximados (u x 1) X - vetor das correes aos parmetros (u x 1) sendo que: sendo P a matriz peso; V 02 o fator de varincia a priori e a matriz das incertezas das observaes. O vetor das observaes ajustadas e dos resduos pode ser escrito como: Aplicando a lei de propagao das covarincias s equaes acima, obtm-se as seguintes expresses. onde: 20

x a MVC dos parmetros ajustados, de ordem (u x u); La a MVC das observaes ajustadas, de ordem (n x n); v a MVC dos resduos ajustados, de ordem (n x n); V 0 o fator de varincia a posteriori, que permite efetuar uma anlise da qualidade global do ajustamento. A matriz das derivadas parciais, tambm chamada de matriz dos coecientes ou matriz design, dada por A

5.3

Iteraes

Como em geral os modelos envolvidos no ajustamento realizado em Cincias Cartogrcas so no lineares, indicado que se proceda a linearizao do modelo visando facilitar a obteno da soluo. Em decorrncia da aproximao introduzida na linearizao do modelo uma fase de testes e iteraes ao nal do ajustamento requerida. A omisso dos termos na srie de Taylor e a adoo de valores iniciais aproximados introduzem erros no ajustamento, ento surge a necessidade de iteraes. Em princpio, nem todos sistemas iterativos convergem. Alguns podem divergir, outros oscilar em torno de um valor e outros convergir, porm para soluo incorreta.

5.4

Anlise Estatstica do Ajustamento

O fato de arbitrar-se um valor ara o fator de varincia ( V 0 ), o mesmo no acarretara nenhum efeito no ajustamento. Esta escolha feita antes do ajustamento, para xao dos pesos, portanto e designado como fator de varincia a priori. Aps o ajustamento pode-se estimar um valor ( V 0 ) em funo dos resduos, chamado de fator de varincia a posteriori, que dada por: Com valores de V 0 e V 0 pode-se fazer uma anlise do ajustamento atravs da estatstica Quiquadrado ( F 2 ), onde testa-se a hiptese bsica contra a hiptese alternativa: 2 H1: V 0 z V 0 Y teste bilateral ou 2 H1: V 0 > V 0 Y teste unilateral s2 Para vericao de uma das hipteses compara-se o valor calculado por: com os valores tericos (tabela Qui-quadrado anexo A) com v = n u graus de liberdade. A hiptese bsica no rejeitada, ao nvel de signicncia D , num teste bilateral, se: que corresponde a: No caso de um teste unilateral, a hiptese no rejeitada a um nvel de signicncia , se: Caso contrrio, signica que tem problemas no ajustamento. Assim uma anlise deve ser feira para vericar as possveis fontes de erros, tais como: erros grosseiros, erros sistemticos, MVC no condizente com a preciso das observaes, modelo funcional no consistente com as observaes ou sistema mal condicionado.

5.5

Exerccio

Ajustar a rede de nivelamento, ou seja, calcular as altitudes ajustadas dos pontos C, D e E. Na rede abaixo os pontos indicados por tringulos tm altitudes conhecidas. As altitudes dos pontos A, B, F, e G so consideradas xas e iguais a: HA = 1000,182 HB = 1004,356 HF = 1010,860 21

HG = 1005,429 As linhas niveladas e os respectivos desnveis medidos, considerados com as mesmas precises, so dadas na tabela abaixo: Linha Nivelada - 4,185 -8,340 6,008 -4,005 12,851 7,428

22

Captulo 6 Redes Geodsicas


6.1 Introduo

As redes geodsicas consistem na realizao do referencial geodsico de uma regio, cujos pontos materializados guardam entre si alguma relao de preciso e apresentam alta conabilidade. No processo das observaes GPS so fornecidas coordenadas de cada vrtice, ou diferenas de coordenadas, se nenhum vrtice for xado, e respectivas precises. Internamente, no programa de processamento, as observaes, que so redundantes, sofrem um ajustamento. Na determinao de um vrtice por transporte simples de coordenadas com GPS, o procedimento termina neste ponto. Quando se trata de uma rede, cada vrtice tem suas coordenadas, ou diferenas de coordenadas, determinadas em pelo menos duas sesses independentes. Assim, com a redundncia de resultados para um mesmo vrtice, as coordenadas, ou diferenas de coordenadas, fornecidas por cada sesso de rastreio passam a ser consideradas observaes, e a MVC dessas observaes formada por submatrizes de covarincia de cada sesso de observao. O ajustamento dessas novas observaes realizado, normalmente pelos mnimos quadrados. Nesse ajustamento determinado o referencial da rede, atravs da xao (ou no) de injunes. Todas as observaes feitas simultaneamente durante uma cobertura de satlites no curso de um projeto GPS so chamadas sesso. Uma rede geodsica o conjunto de estaes que foram ocupadas em diferentes sesses, que tm entre si pelo menos uma estao comum. Num ajustamento de rede faz-se uma combinao de solues de vrias sesses numa soluo rigorosa de toda a rede. Num ajustamento multi-estao, todos os dados que foram observados simultaneamente, com trs ou mais receptores, so processados juntos. Portanto, trata-se de ajustamento rigoroso das observaes, usando todas as relaes estocsticas mtuas. Para propsitos geodsicos prefervel o ajustamento multi-estao, pois a acurcia potencial do GPS completamente explorada e a conabilidade dos resultados maior. Se as observaes provm de uma nica sesso, diz-se que uma soluo de sesso. Vrias solues de sesso podem ser combinadas num ajustamento multi-sesso, ou, mas precisamente, numa soluo multi-sesso-multi-estao. Este o procedimento usual, quando redes maiores tm de ser quebradas em partes devido ao nmero limitado de receptores disponveis. A condio bsica que cada sesso seja conectada pelo menos uma outra sesso da rede atravs de uma ou mais estaes idnticas aumenta a estabilidade e a conabilidade e a conabilidade da rede. Um resultado timo para campanha rede, em termos de acurcia, conabilidade e economia lanado atravs de um planejamento criterioso. Pode-se dividir o trabalho de implantao de uma rede geodsica nas seguintes fases: 1. Planejamento; 23

2. Implantao das estaes - geralmente por pilares de concreto com dispositivo de centragem forada; 3. Campanha de observao; 4. Processamento dos dados, por sesso, ou ajustamento primrio - com o objetivo de avaliar a qualidade das observaes e determinar os vetores e suas varincias e covarincias; 5. Ajustamento da rede com o objetivo de avaliar a qualidade dos vetores e determinar as coordenadas das estaes e seus desvios padro; 6. Analise dos resultados; 7. Ocializao, pelo IBGE, e divulgao das coordenadas e monograa dos vrtices. Levantamentos com GPS fornece vetores precisos, mas no perfeitos. Podemos aumentar a preciso e conana em nossas medidas pelo uso dos procedimentos de ajuste. O mtodo tradicional esttico, de fazer medida GPS usando receptores mltiplos, nos d o que essencialmente uma srie de transversais interconectadas, ou sesses. Por causa disso, o mtodo dos mnimos quadrados foi sempre a tcnica de ajuste preferido. O mtodo dos mnimos quadrados ajusta a posio de um ponto de maneira que a diferena entre medidas feitas to pequena quanto possvel. Se uma medida em particular no se adequa a outra, seu movimento ser maior e seu valor residual tambm, indicando maior erro. Se este erro muito grande ns poderemos remover a medida de nosso levantamento. A habilidade de remover vetores pobres de nosso ajuste depende do nvel de redundncia que ns construmos dentro de nossa rede. Quanto maior a redundncia que houver em nossa rede, maior exibilidade teremos para remover vetores pobres sem a necessidade de voltarmos ao campo. Quanto mais redundncia tivermos em nossa rede de medidas, maior ser a preciso de nossos pontos, e maior a conana em suas posies. Quando planejarmos um levantamento para ajuste pelos mnimos quadrados, tenha em mente a importncia de conectar os pontos e medidas de linhas curtas. A determinada hora de um projeto ineciente e necessrio fazer medidas adicionais. Isto variar de projeto a projeto dependendo da preciso requerida e do m a que se destinam os pontos levantados. Se voc seguir os dois princpios bsicos voc no dever precisar adicionar mais medidas.

6.2

Desenhando uma Rede

Esta seo feita para dar algumas linhas de direo para o planejamento de uma rede de levantamento forte. Comearemos com uma discusso geral da fora dos componentes de uma rede, ento discutiremos dois mtodos diferentes de desenhar a rede, seguido por alguns exemplos de problemas a ser experimentado.

6.2.1

Fora Geomtrica das Figuras

A fora geomtrica das guras deve ser pensada como uma estrutura de sustentao e a fora de sua estrutura relativa. As guras mais fortes so o tringulo eqiltero ou um quadriltero com as diagonais unidas (Figura 1). Triangulo Eqiltero Quadrado Redes de tringulos Figura 4 - Redes Redes de quadrados Numa rede de controle de levantamento, como numa estrutura de sustentao, quanto mais agudos os ngulos forem, mais pobre ser a estrutura. Quanto mais rigidez uma rede tiver, mais conana 24

voc pode ter que as posies ajustadas so precisas. No somente a fora das guras geomtricas individuais importante, mas tambm a maneira na qual esto interconectadas e relacionadas vital. Considere o exemplo da Figura 5. Figura 5 Redes fortes e fracas Na gura 5, a rede esquerda composta por guras geometricamente fortes, mas suas interconexes so pobremente estruturadas, especialmente na rea circulada, onde duas estaes que esto prximas no esto conectadas. Voc no pode conar em posies calculadas em uma rede estruturada desta forma. Esta estrutura pode ser melhorada consideravelmente pela adio de algumas linhas como mostrado na gura da direita. As linhas pontilhadas provavelmente no seriam necessrias, mesmo pensando que elas adicionariam fora. Com redes, a redundncia adicional fornece no somente a integridade (fora), tambm permite anlise estatstica de onde ocorreram os erros no uso do ajuste dos mnimos quadrados. No pense nesta redundncia como um trabalho extra. No . Redundncia necessria para detectar e eliminar erros. Na medida de ngulos, uma observao simples pode ser grosseiramente errnea, por isso que a tcnica de reiterao de ngulos foi desenvolvidas. O mesmo vlido para a medida de distncias. No importa quo preciso um equipamento deve ser, a verdadeira preciso da medida desconhecida sem redundncia suciente.

25