Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
CURSO TÉCNICO EM AGRIMENSURA AJUSTAMENTO DE REDES DE NIVELAMENTO ALTIMÉTRICO MÓDULO III AJUSTAMENTO DE REDES DE NIVELA- MENTO ALTIMÉTRICO Ficha Técnica Capa / Diagramação - Gabriel Araújo Galvão Diretor Pedagógico - Edilvo de Sousa Santos Índice Ajustamenhto de Redes de Nivelamento Altimétrico ....................05 Ajustamenhto de Redes Planimétricas (poligonais) ........................07 Ajustamenhto de Redes Planialtimétricas Georreferenciadas .......12 Estação Livre por Transformação de Helmert .....................................21 5 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Passo a passo: Software Adjust v.6.0.2 (disponível em: http://www.personal.psu.edu/cdg3/free.htm) Criar um novo arquivo: File – New Inserir os dados da rede de nivelamento geométrico conforme o exemplo abaixo: Figura ilustrativa da rede de nivelamento altimétrico utilizada neste exemplo (não fornecida pelo software Adjust): Salvar o arquivo da rede de nivelamento (extensão .Adat) no diretório desejado: File – Save as www.ineprotec.com.br6 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Escolher o diretório desejado (Ex: Downloads) e salvar o arquivo com extensão .Adat Clicar no programa de ajustamento de redes de nivelamento altimétrico: Programs – Least Squares Adjust- ment – Differential levelling... Selecionar as opções de ajustamento conforme o exemplo abaixo e clicar em “OK” 7 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Selecionar o arquivo .Adat da rede de nivelamento altimétrico e clicar em “Abrir” AJUSTAMENTO DE REDES PLANIMÉTRICAS (POLIGONAIS) Criar um novo arquivo: File – New Inserir os dados da rede planimétrica/poligonal conforme o exemplo abaixo: www.ineprotec.com.br8 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico 9 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Salvar o arquivo da rede planimétrica (extensão .Adat) no diretório desejado: File – Save as Escolher o diretório desejado (Ex: Downloads) e salvar o arquivo com extensão .Adat Clicar no programa de ajustamento de redes planimétricas/poligonais: Programs – Least Squares Adjustment – Horizontal Adjustment... www.ineprotec.com.br10 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Selecionar as opções de ajustamento conforme as figuras abaixo e clicar em “OK” nos dois casos 11 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Selecionar o arquivo .Adat da rede planimétrica/poligonal e clicar em “Abrir” O software irá apresentar um desenho da rede planimétrica/poligonal que pode ser copiado e salvo como imagem em um software de visualização de imagens clicando em “Copy Image”. Note que é possível selecionar as cores de visualização dos layers (elipses de confiança, distâncias, ângulos e azimutes), bem como o exagero de repre- sentação/visualização das elipses de confiança. Após a edição do desenho clicar em “Close”. www.ineprotec.com.br12 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico AJUSTAMENTO DE REDES PLANIALTIMÉTRICAS GEORREFERENCIADAS Criar um novo arquivo: File – New Inserir os dados da rede planialtimétrica georreferenciada conforme o exemplo abaixo: 13 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Salvar o arquivo da rede planialtimétrica (extensão .Adat) no diretório desejado: File – Save as Escolher o diretório desejado (Ex: Downloads) e salvar o arquivo com extensão .Adat Clicar no programa de ajustamento de redes planialtimétricas georreferenciadas: Programs – Least Squares Adjustment – 3D Geodetic Adjustment... Selecionar as opções de ajustamento conforme a figura abaixo e clicar em “OK” www.ineprotec.com.br14 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Caso desejado informar/obter as coordenadas projetadas dos vértices, selecionar o sistema de projeção UTM e a zona/fuso correspondente conforme o exemplo abaixo: Selecionar o arquivo .Adat da rede planialtimétrica georreferenciada e clicar em “Abrir” O software irá apresentar um desenho da componente planimétrica da rede que pode ser copiado e salvo como imagem em um software de visualização de imagens clicando em “Copy Image”. Note que é possível selecionar as cores de visualização dos layers (elipse de erros, distâncias, ângulos e azimutes), bem como o exagero de represen- tação/visualização das elipses de erros. Após a edição do desenho clicar em “Close”. 15 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Exemplo de relatório do software Adjust (arquivo com extensão .out) – Rede planimétrica: www.ineprotec.com.br16 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico 17 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Resíduo padronizado (Std.Res): Divisão entre o resíduo da observação e o respectivo desvio-padrão desta ob- servação. Por exemplo, observação com resíduo v = 0.0028 m e desvio-padrão S = +/- 0.002 m, o resíduo padronizado é: Std.Res = 0.0028 / 0.002 = 1.499. A (única) observação suspeita de estar contaminada por erro grosseiro será aquela que apresentar o maior valor para o resíduo padronizado (em módulo), desde que este valor exceda o valor crítico estipulado para o Data Snooping (no caso deste exemplo, o valor crítico de teste é 3.29). Identificada a observação suspeita de estar contaminada por erro grosseiro, exclui-se a mesma do conjunto de dados, repete-se o ajustamento, e aplica-se novamente o Data Snooping. Identificar e excluir observações suspeitas de estarem contaminadas por erros grosseiros e repetir o ajustamento de modo iterativo (identificando e excluindo somente uma por vez), até nenhuma observação ser identificada como erro grosseiro e excluída do conjunto de dados, ou seja, até todas observações apresentarem um valor para o resíduo padronizado menor (em módulo) que o valor crítico de teste. www.ineprotec.com.br18 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico 19 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Número de redundância: Parcela do erro da observação que é refletida no respectivo resíduo desta observa- ção, considerando o caso hipotético desta observação ser a única contaminada por erro. Por exemplo, se o número de redundância de uma observação é Red.# = 0.815, então espera-se que cerca de 81,5% do erro desta observação seja refletido no respectivo resíduo desta observação. Quanto maior o número de redundância de uma observação, maior é o controle (identificação de erros gros- seiros) nesta observação. Quanto menor o número de redundância de uma observação, menor é o controle (identifi- cação de erros grosseiros) nesta observação e maior é a influência desta observação nos parâmetros, ou seja, maior é a absorção dos erros desta observação nos valores das coordenadas ajustadas dos vértices. www.ineprotec.com.br20 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico O fator de variância a posteriori vezes o número de graus de liberdade do ajustamento (estatística de teste do teste global do ajustamento) deve ser maior que o valor crítico mínimo (χ² lower value) e menor que o valor crítico máximo (χ² lower value). Caso a estatística de teste seja menor que o valor crítico mínimo, significa que os resíduos estão significativa- mente menores do que o esperado, e caso a estatística de teste seja maior que o valor crítico máximo, significa que os resíduos estão significativamente maiores do que o esperado, segundo o nível de significância estipulado para o teste global do ajustamento (por exemplo: 0,05 ou 5%). Em outras palavras, existem problemas/erros no ajustamento que devem ser investigados. Estes erros podem ser nas observações (erros grosseiros), nas equações (erros sistemáticos), nas injunções/condições (coordenadas dos pontos de controle), ou até mesmo na precisão assumida para as observa- ções (muito pessimista – no caso de resíduos significativamente menores do que o esperado, ou muito otimistas – no caso de resíduos significativamente maiores do que o esperado). O software Adjust fornece os valores dos desvios-padrões das coordenadas ajustadas, das observações ajusta- das e dos resíduos multiplicados pelo desvio-padrão de referência (reference S0), que é igual a raiz quadrada do fator de variância a posteriori. Caso desejado, pode-se dividir os valores dos desvios-padrões das coordenadas ajustadas, das observações ajustadas e dos resíduos pelo desvio-padrão de referência (reference S0), para obter resultados que consideram somente a propagação de erros aleatórios do ponto de vista teórico e desconsideram o desvio-padrão de referência (S0), uma vez que este é obtido em função dos resíduos, ou seja, é influenciado pelo valor dos erros aparen- tes das observações, estimados no ajustamento destas. 21 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico ESTAÇÃO LIVRE POR TRANSFORMAÇÃO DE HELMERT Criar um novo arquivo: File – New Inserir os dados do levantamento por estação livre conforme o exemplo abaixo: Salvar o arquivo do levantamento (extensão .Adat) no diretório desejado: File – Save as Escolher o diretório desejado e salvar o arquivo com extensão .Adat www.ineprotec.com.br22 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Clicar no programa de transformação de coordenadas 3D por meio da transformação conforme de Helmert: Programs – Coordinate Transformations – Using General Least Squares Method... 8: 3-D conformal Selecionar as opções de ajustamento conforme a figura abaixo e clicar em “OK” 23 www.ineprotec.com.br Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico Selecionar o arquivo .Adat do levantamento por estação livre e clicar em “Abrir” Verificar o relatório do ajustamento conforme exemplo abaixo: www.ineprotec.com.br24 Técnico em Agrimensura - Ajustamentos de Redes de Nivelamento Altimétrico CURSO TÉCNICO EM AGRIMENSURA AGRIMENSURA II AJUSTAMENTO MÓDULO III AGRIMENSURA II AJUSTAMENTO Ficha Técnica Elabroração - Ivandro Klein e Matheus Pereira Guzatto Capa / Diagramação - Gabriel Araújo Galvão Diretor Pedagógico - Edilvo de Sousa Santos Índice Observações, Medidas e Tipos de Erros ........................................................... 05 Conceitos Básicos de Probabilidade e Estatística ......................................... 11 Propagação de de Erros ........................................................................................ 15 Ajustamento de Observações Método dos Mínimos Quadrados ........... 23 Bibliografia .................................................................................................................. 34 5 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento Quando se realiza uma observação, como por exemplo, a medida da direção angular de um alinhamen- to, ou a distância entre dois pontos, inevitavelmente, esta medição possuirá um erro (ou incerteza) associado ao va- lor numérico mensurado. Isto se deve ao fato que as ob- servações conduzidas pelo homem se caracterizam pela inevitável presença dos “erros de medida”. Estes erros resultam não apenas de falhas humanas, mas também da imperfeição (limitação) dos equipamentos e métodos utilizados e ainda da influência de fatores externos como as condições ambientais nas quais se realiza uma dada observação (mensuração). Por exemplo, se um observa- dor medir o tempo que um objeto demora para cair de uma determinada altura, sujeito apenas a ação (força) da gravidade, e repetir este experimento diversas vezes, sempre sob as mesmas condições, inevitavelmente, irá observar valores diferentes para o tempo de queda deste objeto cada vez que o experimento for repetido. Alguns dos fatores que podem influenciar nesta medida são os tempos de reação do observador para iniciar e encer- rar a marcação do tempo, a limitação ou imperfeição do instrumento de medida utilizado (relógio, cronometro e etc.), e ainda, possíveis interferências do ambiente no ex- perimento, como a ação do vento e o atrito atmosférico. É importante ressaltar que, devido a esta inevitá- vel existência de erros nas observações, é impossível de- terminar o “valor verdadeiro” de qualquer grandeza que seja mensurada, isto é, observada ou medida. Até mesmo as grandezas fundamentais da Física, determinadas com os equipamentos e métodos mais avançados e precisos de medição atualmente disponíveis, possuem uma incer- teza associada aos seus valores numéricos. Alguns exem- plos: •Constante gravitacional universal: 𝐺𝐺 = (6,67408 ± 0,00031)𝑥𝑥 10−11 𝑚𝑚𝑠𝑠 𝑘𝑘𝑘𝑘 𝑠𝑠2 • Constante de Planck: 𝐻𝐻 = (6,626070040 ± 8,1) x 10−34𝑗𝑗 . 𝑠𝑠 • Massa do elétron: 𝑚𝑚𝑒𝑒 = (9,10938356 ± 1,1 x 10−7 ) x 10−31𝑘𝑘𝑘𝑘 Frente a estas considerações, os objetivos da Te- oria dos Erros são: • Obter o “melhor valor possível” para uma gran- deza, a partir dos dados experimentais (observações) dis- poníveis, ou seja, a melhor aproximação possível para o valor verdadeiro desta grandeza, em termos probabilísti- cos; • Obter a incerteza do melhor valor obtido, o que significa determinar o quanto este “melhor valor possí- 1. Observações, Medidas e Tipos de Erros vel” pode ser diferente do “valor verdadeiro” desta gran- deza, em termos probabilísticos. Matematicamente, a relação entre estas grandezas é dada por: ε = y - x onde “y” é o valor observado (medido) de uma certa gran- deza, “x” é o valor verdadeiro desta grandeza, e “ ε ” cor- responde ao erro desta observação (medida). Note que, como o valor verdadeiro de uma grandeza é sempre des- conhecido, o “verdadeiro” valor do erro de uma medida também é desconhecido, caso contrário, seria possível obter a partir da expressão acima, por meio dos valores conhecidos de y e ε . Desta forma, usualmente, considera-se um va- lor de referência (estimado) para determinada grandeza, como por exemplo, a média aritmética ( �̅�𝑥 ) de uma sé- rie de observações desta mesma grandeza. Neste caso, o erro aparente (e) de uma dada observação será a dife- rença entre o valor observa do (y) e o respectivo valor de referência ( �̅�𝑥 ), ou seja: Outra grandeza derivada destas relações é o re- síduo (v), que corresponde ao erro aparente da obser- vação com o sinal trocado, isto é v = -e = �̅�𝑥 - y , pois, caso o erro seja positivo, o resíduo (correção) ao valor observado deve ser negativo, e vice-versa. Por exemplo, caso o valor observado de uma grandeza seja y= 10,02, e o valor de referência desta grandeza seja �̅�𝑥 = 10m, o erro aparente desta observação corresponde a y= 10,02- 10=0,02m , o que resulta em um resíduo (correção) ao valor observado de v= -0,02m. Em outras palavras, sub- traindo 2cm(0,02m) do valor observado y= 10,02, ob- têm-se o valor de referência da grandeza mensurada: �̅�𝑥 = 10,02 - 0,02 = 10m. Eventualmente, é possível obter o erro verdadei- ro ( ε ), como por exemplo, no caso do erro de fechamento do somatório dos ângulos internos de um triângulo, pois sabe-se que a soma dos três ângulos internos de um tri- ângulo deve resultar em . Embora seja possível determi- nar o erro de fechamento verdadeiro, para cada um dos três ângulos medidos, como os respectivos valores verda- deiros são desconhecidos, pode-se determinar apenas os erros aparentes. Em outras palavras, o somatório de três erros aparentes conduz ao erro de fechamento verdadei- ro deste problema de natureza geométrica. Além disso, na calibração de instrumentos, as- sume-se que os valores “verdadeiros” de certas grande- zas de referência são “conhecidos”. Por exemplo, na ca- libração de uma estação total, para a determinação da precisão nominal linear, conforme irá constar no manual www.ineprotec.com.br6 Técnico em Agrimensura - Agrimensura II - Ajustamento do equipamento (0,8mm + 1ppm; 2mm+ 2ppm e etc.), assume-se que a velocidade da luz (infravermelho) é constante e conhecida, bem como, as distâncias de refe- rência que serão utilizadas em laboratório para determi- nar o valor da precisão nominal linear do instrumento em questão. Embora os erros verdadeiros sejam geralmente desconhecidos e estimados pelos erros aparentes, tra- dicionalmente, os erros de observação são divididos em três tipos: sistemáticos, grosseiros e aleatórios. 1.1 ERROS SISTEMÁTICOS Erros sistemáticos são erros que apresentam ten- dência, isto é, afetam os valores observados de tal ma- neira que estes são sempre maiores ou menores do que o valor verdadeiro, e, portanto, possuem alguma causa, como por exemplo, alguma lei física conhecida, poden- do ser evitados por meio de técnicas especiais de obser- vação, ou devidamente parametrizados (estimados) por meio de um modelo matemático conhecido, ou seja, de fórmulas fornecidas por alguma teoria (Figura 1.1). Figura 1.1 – Relação matemática entre os valores verdadeiros e os va- lores lidos (contaminados por erros sistemáticos). Grande parte dos erros em geomensura são sis- temáticos, como por exemplo, o efeito da curvatura ter- restre nos levantamentos topográficos e geodésicos; o efeito da refração atmosférica na propagação de ondas eletromagnéticas (luz visível, laser, infravermelho, sinais GNSS e etc.); o erro devido a Ionosfera no posicionamen- to por GNSS; a interferência das condições ambientais nas medidas de distância utilizando estação total (tem- peratura, pressão, umidade); bem como, o valor da cons- tante do prisma refletor utilizado; a catenária de uma me- dida de distância utilizando uma trena; possíveis defeitos do equipamento, como por exemplo, bússola ou estação total necessitando de aferição; além de uma possível ten- dência do próprio observador, que, por exemplo, efetua a cronometragem sempre um pouco antes ou um pouco depois da ocorrência de um evento, ou realiza a lei- tura sempre um pouco acima ou um pouco abaixo da graduação da mira em um nivelamento geométrico, e etc. Os erros sistemáticos podem ser minimizados ou eliminados no levantamento por meio de técnicas especiais de observação, como por exemplo: reite- ração angular, visando eliminar um possível erro na graduação do limbo do aparelho; leituras angulares conjugadas (na posição direta e inversa da luneta), visando eliminar erros de verticalidade e horizontali- dade dos eixos do instrumento; colocação do nível a igual distância das miras no nivelamento geométrico, visando eliminar os efeitos da curvatura terrestre e da refração atmosférica na obtenção das cotas/altitudes; estaqueamento cruzado para eliminar um possível efeito cumulativo nas medidas de distância com tre- na; utilização de observações diferenciais, como por exemplo, duplas diferenças no posicionamento relati- vo GNSS, e etc. Além disso, os erros sistemáticos podem ser parametrizados (estimados matematicamente), como por exemplo, com o uso de receptor GNSS de dupla ou tripla frequência, por meio da adoção da observável “íon-free”; pela aplicação de um mode- lo de refração atmosférica nas medidas eletrônicas de distância de uma estação total; ou com a redução das distâncias no transporte de coordenadas UTM, sendo que muitas destas correções podem ser rea- lizadas automaticamente pelo software interno do equipamento utilizado. É importante ressaltar que na parametrização (estimação) de erros sistemáticos, tem-se apenas a adoção de um modelo teórico para representar a realidade. Por exemplo, no processo de cálculo de uma rede de referência, pode-se conside- rar a superfície terrestre como sendo plana, esférica, elipsoidal e assim por diante, o que resulta em apro- ximações teóricas da realidade cada vez mais exatas, mas não completamente perfeitas, isto é, isentas de erros. 1.2 ERROS GROSSEIROS Erros grosseiros são falhas de natureza huma- na ou instrumental que não devem ocorrer, devendo ser evitados ou devidamente identificados (localiza- dos) nas medidas realizadas, para que a sua influência nos resultados finais, ou seja, após todo o processo de cálculo, seja removida ou minimizada. 7 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento A identificação de erros grosseiros pode ser fácil em certos casos, como erros muito grandes, por exemplo, ou muito difícil em outros, como enganos muito pequenos, ou quando mais de uma observação está contaminada por erro grosseiro, por exemplo. Muitas vezes, somente um rigoroso procedimento de teste estatístico pode justificar ou não a rejeição de uma observação suspeita de estar contaminada por erro grosseiro, pois pode ser muito difícil determinar, com alta confiança, quais observações (medidas) es- tão isentas de falhas (erros grosseiros), e quais obser- vações estão contaminadas por erros grosseiros, uma vez que a influência de erros grosseiros podem afetar os resíduos de várias observações (Figura 1.2). Quan- do existir qualquer suspeita de erro grosseiro em al- guma observação, com certo nível de confiança, esta medida deve ser refeita, se possível, ou então elimina- da do conjunto de dados. Uma das maneiras de evitar a presença de er- ros grosseiros nas observações é o emprego de roti- nas de controle em campo, como por exemplo, efetuar duas ou mais leituras de uma mesma grandeza, des- cartando e observando novamente os valores medi- dos que se afastarem muito do valor de referência. Figura 1.2 – Exemplos da influência de erro grosseiro em uma ob- servação no ajuste de uma reta (regressão linear). Como exemplos de erros grosseiros em geo- mensura, pode-se citar o erro de anotação em uma caderneta de campo, como por exemplo, inversão de dígitos (47,459 m ao invés de 47,495 m); o erro na me- dição da altura do instrumento (nível, estação total, teodolito, antena GNSS e etc.); o sinal de retorno de um laser scanner indevidamente refletido por um de- terminado alvo indesejado, como um automóvel em deslocamento; o multicaminho acentuado ou o efei- to de explosões solares, ocasionando tempestades geomagnéticas, no posicionamento GNSS; eventuais falhas eletrônicas (panes instrumentais), utilização de pontos de apoio fisicamente deslocados de sua posi- ção original, dentre outros. A etapa de detecção e identificação (localiza- ção) de erros grosseiros é conhecida como controle de qualidade, e é um dos temas de pesquisa mais investigados nas áreas relacionadas com as ciências geodésicas, pois os mesmos podem afetar significa- tivamente os resultados finais de um projeto, como por exemplo, os valores das coordenadas dos pontos de uma rede de referência; além da difícil identifica- ção, com alta confiança, de quais observações con- tém erros grosseiros ou não após a coleta dos dados em campo. Para reflexão: Na ocorrência de um ou mais erros grosseiros, como determinar quais ob- servações contém erro grosseiro ou não no erro de fechamento (linear ou angular) de uma poligonal to- pográfica? 1.3 ERROS ALEATÓRIOS Erros aleatórios, ao contrário dos erros siste- máticos e grosseiros, são inevitáveis, sendo uma ca- racterística intrínseca da observação, resultando da incerteza associada à natureza experimental do pro- cesso de medidas, ou seja, da própria precisão da ob- servação, diretamente relacionada ao instrumento e a técnica utilizada. Os erros aleatórios também são cha- mados de randômicos, por não possuírem tendência, podendo ser ora positivos ora negativos; de aciden- tais, por serem inevitáveis; e também de estatísticos, por apresentarem natureza probabilística. Os erros aleatórios são os erros remanescentes após todas as falhas (erros grosseiros) e tendências (erros sistemá- ticos) terem sido removidas dos valores medidos (ob- servados), sendo resultados da incerteza (limitação) do próprio observador, da técnica de medida e/ou do equipamento utilizado e das próprias condições de observação. Geralmente, os erros aleatórios são de peque- na magnitude, e a probabilidade destes serem posi- tivos ou negativos, ou seja, acima ou abaixo do valor verdadeiro, é a mesma, pois não possuem tendência ou causa conhecida, ao contrário dos erros sistemáti- cos (Figura 1.3). Desta forma, os erros aleatórios não seguem uma lei física (ou determinística), e, portanto, devem ser tratados de acordo com as leis matemáticas da probabilidade, ou, em outras palavras, apresentam resultados “imprevisíveis”. www.ineprotec.com.br8 Técnico em Agrimensura - Agrimensura II - Ajustamento Os erros sistemáticos, como a própria denomina- ção sugere, tendem a se acumular, pois são sempre posi- tivos ou sempre negativos, enquanto os erros acidentais (aleatórios), por serem ora positivos e ora negativos, ten- dem a se neutralizar (compensar), conforme o número de observações (medidas) aumenta. Ressalva-se que os erros sistemáticos se confundem com os erros aleatórios quando são de baixa magnitude em relação à precisão do instrumento ou método utilizado, ou de causas não co- nhecidas ou negligenciadas. Por exemplo: negligência da carga da atmosfera, cujo efeito é de no máximo poucos cm, no posicionamento GNSS utilizando smartphones, cuja precisão posicional resultante é da ordem de me- tros. São exemplos de erros aleatórios as correntes de ar ou vibrações na medição de massa com uma balança; a centragem imperfeita durante a instalação de um equi- pamento topográfico em um ponto; o pequeno desnível remanescente da bolha tubular durante a leitura de uma direção angular; a estimativa dos milímetros (ou dos se- gundos de arco) durante a leitura ótica de um desnível (ou de um ângulo) e etc. Um exemplo de estudo experimental dos erros acidentais é o clássico trabalho de Bradley no inicio do século XVII, que visava obter a posição do ponto vernal, por meio de 462 determinações da ascensão reta do Sol. Após terem sido eliminadas todas as influencias sistemá- ticas conhecidas na época, foram calculados os desvios das 462 observações em relação à média aritmética des- tas, resultando em 230 resíduos negativos, e em 232 resí- duos positivos, com simetria e predomínio de valores em torno da média, ou seja, os valores dos resíduos em geral próximos de zero. Desta forma, de maneira resumida, pode-se afir- mar que os erros acidentais, embora aleatórios, revelam certa regularidade, e, conforme o número de observa- ções aumenta: • Os erros aleatórios de mesma magnitude, mas de sinais opostos, são equiprováveis; • Os erros aleatórios de magnitude menor ocor- rem com maior freqüência; • A média aritmética dos erros aleatórios tende a ser nula (zero). 1.4 ERRO ABSOLUTO E ERRO RELATIVO O erro absoluto de uma grandeza corresponde ao valor absoluto (em módulo) deste erro. Por exemplo, no caso do erro angular ser igual a -3”, o erro angular abso- luto é igual a | -3 | = 3”. O erro relativo de uma grandeza corresponde ao erro absoluto dividido pelo valor exato (em módulo) desta grandeza. Por exemplo, no caso de um erro de 4 mm em uma distância de 250 m, o erro re- lativo é igual a | 0,004 m | / | 250 m | = 0,000016 = 1 / 62.500. Note que o erro absoluto é expresso na mesma unidade de medida da grandeza enquanto o erro relativo Figura 1.3 – Diferença entre erros sistemáticos e erros aleatórios. 9 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento é adimensional (sem unidade). O erro absoluto e o erro relativo podem ser verdadeiros (quando em relação ao verdadeiro valor da grandeza) ou aparentes (quando em relação ao valor de referência desta grandeza). Em alguns casos, como em grandezas angulares, é mais usual expressar o valor do erro absoluto (verdadei- ro ou aparente). Em outros casos, como em grandezas li- neares, pode-se expressar também o valor do erro relati- vo (verdadeiro ou aparente). Por exemplo, o erro em ppm (partes por milhão), corresponde ao erro de uma unidade a cada um milhão de unidades desta grandeza, como 1 mm a cada 1.000.000 de mm, ou seja, 1 mm a cada 1 km. Nestes casos, o erro relativo fornece mais informações do que o erro absoluto, uma vez, em termos absolutos, o erro de 2 cm em 100 m é igual ao erro de 2 cm em 1 km, entretanto, em termos relativos, o erro de 2 cm em 100 m (| 0,02 | / | 100 | = 1 / 5.000) é dez vezes maior que o erro de 2 cm em 1 km (| 0,02 | / | 1000 | = 1 / 50.000). 1.5 PRECISÃO E ACURÁCIA DE UM CONJUNTO DE ME- DIDAS Conforme já exposto, devido à inevitável existên- cia de erros nas medidas, observações repetidas de uma mesma grandeza irão apresentar valores numéricos dife- rentes. A discrepância é definida como a diferença algé- brica (numérica) entre duas observações de uma mesma grandeza. Quando pequenas discrepâncias (diferenças) existem entre duas observações repetidas de uma mes- ma grandeza, geralmente, assume-se que apenas erros pequenos existem nestas observações. Entretanto, va- lores numéricos “precisos” não são necessariamente valores numéricos “acurados”. Para ajudar a entender a diferença entre o conceito de precisão e o conceito de acurácia, as seguintes definições são apresentadas: •Precisão é o grau de consistência entre as ob- servações que formam um conjunto de dados (valores observados), baseado no tamanho das discrepâncias en- contradas neste conjunto de valores, ou seja, é uma me- dida da dispersão interna ou relativa da amostra; • Acurácia é a medida de “proximidade” absoluta de uma grandeza medida, ou de um conjunto de gran- dezas medidas, e o seu valor verdadeiro. Como o valor verdadeiro de uma grandeza geralmente não pode ser determinado, a acurácia de uma medida, ou de um con- junto de medidas, na prática, é desconhecida. A diferença entre precisão e acurácia pode ser demonstrada utilizando como exemplo observações de distância. Assumindo que a distância entre dois pontos foi medida por três métodos diferentes: contagem do número de passos do observador, medição com trena e medição com estação total, e que cada procedimento (método de medida) foi realizado (repetido) cinco vezes, resulta nos valores apresentados na Tabela 1.1, adapta- dos de Ghilani & Wolf (2006). Tabela 1.1 – Cinco observações de uma mesma distância por meio de três métodos de medições diferentes. Analisando a Tabela 1.1, nota-se que os valores obtidos pela contagem do número de passos apresentam uma dispersão interna muito maior do que os valores ob- tidos com a utilização da trena ou da estação total, ou seja, dos três métodos considerados, a medição com pas- sos é o que apresenta a menor precisão, isto é, as maio- res discrepâncias em seu conjunto de medidas. Nota-se ainda que, na contagem do número de passos, a precisão (limitação) é da ordem de decímetros, na medição com trena, a precisão (limitação) é da ordem de centímetros, e na medição com estação total, a precisão (limitação) é da ordem de milímetros. A Figura 1.4, adaptada de Ghi- lani e Wolf (2006), permite fazer uma comparação mais detalhada entre os dois últimos métodos analisados. Figura 1.4 – Plotagem dos valores observados com trena (t) e estação total (e). Analisando a Figura 1.4, nota-se que, embora as médias dos valores obtidos utilizando a estação total e a trena sejam muito próximas (567,133 m e 567,15 m; res- pectivamente), a dispersão interna dos valores medidos com a estação total é menor do que a dispersão interna dos valores medidos com a trena, ou seja, a precisão do método de medição com estação total é maior do que a precisão do método de medição com a trena. Entretanto, Observa- ção Medidas com passos (m) Medidas com trena (m) Medidas com esta- ção total (m) 1 571,4 567,17 567,133 2 562,7 567,08 567,124 3 565,8 567,12 567,129 4 588,6 567,38 567,165 5 556,5 567,01 567,114 Média (m) 569,0 567,15 567,133 www.ineprotec.com.br10 Técnico em Agrimensura - Agrimensura II - Ajustamento como os valores dos erros que contaminam as medidas são sempre desconhecidos, não necessariamente, a mé- dia dos valores da estação total é mais acurada do que a média dos valores da trena. Por exemplo, a estação to- tal pode estar com algum erro de aferição, fazendo com que os valores medidos, e conseqüentemente, a média aritmética destes, sejam ligeiramente menores do que o valor “verdadeiro”, e desta forma, a média dos valores da trena pode ser uma grandeza mais acurada, ou seja, mais próxima do verdadeiro valor, do que a média dos valores da estação total, embora os valores medidos com a trena sejam mais imprecisos. Outro exemplo clássico encontrado na Literatura para ilustrar a diferença entre precisão e acurácia envolve quatro atiradores (atiradores a, b, c e d) realizando “tiros ao alvo”, conforme apresenta a Figura 1.5. Figura 1.5 – Exemplo clássico dos conceitos de precisão e acurácia uti- lizando tiros ao alvo. Analisando os resultados dos tiros na Figura 1.5, nota-se que o atirador a) não foi nem preciso, pois apre- senta alta dispersão interna em seus tiros, e nem acura- do, pois a média dos seus disparos está muito distante do centro do alvo; o atirador b) foi preciso, com baixa dis- persão interna dos seus tiros, mas não foi acurado, pois a média dos seus disparos esta relativamente afastada (acima e a esquerda) do centro do alvo; o atirador c) não foi preciso, com alta dispersão interna dos seus tiros, mas foi acurado, pois a média dos seus disparos praticamente coincide com o centro do alvo; enquanto o atirador d) foi preciso, com baixa dispersão interna dos seus tiros, e acu- rado, pois a média dos seus disparos praticamente coin- cide com o centro do alvo. Ressalva-se que observador b) pode se tornar acurado, bastando, para isso, corrigir a tendência existente em sua pontaria, no caso, ajusta-la para baixo e para a direita. Geralmente, quando se realiza um conjunto de medidas, como, por exemplo, o levantamento de uma poligonal topográfica, naturalmente, deseja-se obter um resultado semelhante ao encontrado pelo atirador d), entretanto, como o verdadeiro valor das grandezas medidas é desconhecido, na prática, pode- -se determinar apenas se os resultados são pouco dis- crepantes entre si, ou seja, precisos, como em b) e em d), ou não, como em a) e em c), mas nunca qual a magnitude (se esta existe) de uma possível tendência nos resultados, como em a) e b). O caso em b) pode ocorrer quando existe um erro sistemático (tendência em comum) em todas as medidas, enquanto o caso em c) pode ocorrer em um método não muito preci- so, mas realizado tomando todas as precauções para minimizar possíveis efeitos sistemáticos/cumulativos, como medidas com trena aplicando a tensão correta e evitando a catenária, por exemplo, enquanto o caso em a) ocorre quando as observações não são corrigi- das dos erros sistemáticos, e ao mesmo tempo, são efetuadas de maneira displicente/descuidada pelo observador, como por exemplo, calagem (centragem + nivelamento) errônea de um equipamento, e efetuar leituras únicas e despretensiosas/apressadas em um nivelamento geométrico, o que pode ser atribuído a um profissional mal qualificado, com falta de ética profissional ou inexperiente. Em resumo, observações como nos casos em a) e c) são indesejadas, pois a precisão é baixa e conheci- da, mas a acurácia é desconhecida, independente de ser alta ou baixa, observações como no caso em d) são sem- pre desejadas (precisas e acuradas), e observações como no caso em b) podem ser desejadas, pois são precisas, e também podem ser acuradas, desde que os erros sis- temáticos sejam de causas conhecidas, e desta forma, devidamente corrigidos, além dos erros grosseiros serem evitados e/ou eliminados. Modernamente, o conceito de acurácia é definido como sendo um somatório envolven- do tanto os efeitos de precisão, relacionados aos erros aleatórios, quanto os efeitos de tendência, relacionados aos erros sistemáticos e/ou grosseiros. Na ausência de tendência nos valores medidos, ou seja, existência so- 11 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento mente de erros aleatórios nas observações, o conceito de precisão se confunde com o conceito de acurácia. Conforme visto no capítulo anterior, as observa- ções realizadas em um processo de medição qualquer são contaminadas por erros dos mais diversos tipos. Estes erros podem ser de natureza determinística (erros siste- máticos), de natureza probabilística (erros aleatórios) ou falhas (erros grosseiros). Os erros aleatórios ou aciden- tais são inevitáveis, sendo uma característica intrínseca da observação, relacionados com a própria precisão da medida, como a técnica empregada, equipamentos utili- zados, limitação do observador e etc. Portanto, como toda observação esta sujeita aos inevitáveis erros aleatórios, de natureza probabilística, algumas definições sobre probabilidade e estatística se fazem necessárias. Inicialmente: • Observação: Uma observação (medida), ou um evento estatístico, é o resultado de um experimento esta- tístico, como por exemplo, a medição de uma distância; • Variável aleatória: Uma variável aleatória é o resultado de um evento estatístico (ou seja, de uma ob- servação). Uma variável aleatória pode ser de natureza discreta ou contínua. Um vetor aleatório é um vetor cujas componentes são variáveis aleatórias; • População: Uma população é a totalidade de todos os eventos. Ela inclui todos os possíveis valores que uma variáv el aleatória pode assumir. A população é des- crita por um conjunto finito de parâmetros, denomina- dos parâmetros populacionais. A distribuição normal, por exemplo, descreve uma população de eventos e é com- pletamente especificada por apenas dois parâmetros: a média e a variância da população em estudo; • Amostra: Uma amostra é um subconjunto da população. Por exemplo, se uma mesma distância é me- dida (observada) dez vezes, então estas dez observações formam uma amostra (subconjunto) de todas as medidas possíveis deste experimento, isto é, da população deste evento estatístico; • Estatística: Uma estatística representa uma es- timativa de parâmetros populacionais, ou uma função destes parâmetros. Ela é obtida a partir de uma amostra da população. Por exemplo, se uma mesma distância é medida dez vezes, então a média amostral destas dez ob- servações pode ser utilizada para estimar a média popu- lacional deste experimento. O estimador é a média amos- tral, e a estimativa é valor numérico da média amostral, calculado em função da amostra observada; • Probabilidade: A probabilidade está relaciona- da com a freqUência de ocorrência de um evento (ob- servação) em especifico. No caso de variáveis aleatórias contínuas, cada intervalo numérico [a, b] no qual a variá- vel aleatória 𝑥𝑥 pode estar contida tem uma probabilidade de ocorrência associada, definida por P(a ≤ 𝑥𝑥 ≤ b), e esta sempre está contida entre P ≤ P(a ≤ 𝑥𝑥 ≤ b) ≤ 1; • Função densidade de probabilidade: A função densidade de probabilidade (fdp) relaciona a probabilida- de dos possíveis valores de uma variável aleatória contí- nua 𝑥𝑥 . Se f ( 𝑥𝑥 )denota a função densidade de probabilida- de de 𝑥𝑥 , então: é a probabilidade desta variável aleatória assumir um va- lor dentro do intervalo contínuo [a, b]. Por exemplo, se para uma distância qualquer entre dois pontos (variável aleatória 𝑥𝑥 ), tem-se que: P(100 ≤ 𝑥𝑥 ≤ 100,1)=0,7 = 70% , significa que a probabilidade de uma medida qualquer desta distância apresentar um valor entre 100 e 100,1m é de 70%. 2.1 PRINCIPAIS ESTATÍSTICAS (ESTIMATIVAS AMOSTRAIS) Sabe-se que o verdadeiro valor de uma grande- za nunca será conhecido pelo observador, pela inevitável existência de erros no processo de medidas. Desta forma, os parâmetros populacionais, como a média e a variân- cia de uma grandeza, também não poderão ser determi- nados. Entretanto, eles podem ser estimados por meio de uma amostra desta grandeza, como por exemplo, por meio de dez observações de uma mesma distância. Como exemplos de estatísticas, ou seja, estimativas amostrais dos parâmetros de uma população, têm-se a média amostral, a variância amostral e o desvio-padrão amos- tral, dentre outros. A média amostral é uma medida de tendência central (posição) de uma variável aleatória. Para uma amostra de medidas de uma mesma grandeza (X), a mé- dia amostral destas n medidas é dada por: A média amostral ( 𝑋𝑋� = 1 𝑛𝑛 �𝑋𝑋𝑖𝑖 𝑛𝑛 𝑖𝑖=1 ) é uma estimativa da verda- deira (e desconhecida) média populacional ( 𝜇𝜇 ). 2. Conceitos Básicos de Probabilidade e Estatística 𝑃𝑃�𝑎𝑎 ≤ 𝑥𝑥 ≤ 𝑏𝑏� = � 𝑓𝑓(𝑥𝑥)𝑑𝑑𝑥𝑥 𝑏𝑏 𝑎𝑎 𝑋𝑋� = 1 𝑛𝑛 �𝑋𝑋𝑖𝑖 𝑛𝑛 𝑖𝑖=1 www.ineprotec.com.br12 Técnico em Agrimensura - Agrimensura II - Ajustamento A variância amostral é uma medida de dispersão (variação) de uma variável aleatória. Para uma amostra de n medidas de uma mesma grandeza (X), a variância amostral destas medidas é dada por: A variância amostral (S2) é uma estimativa da ver- dadeira (e desconhecida) variância populacional ( 𝜎𝜎2 ). Por fim, o desvio-padrão amostral também é uma medida de dispersão (variação) de uma variável aleatória, mas ao contrário da variância amostral, possui a mesma unidade de medida da variável aleatória em estudo. Para uma amostra n de medidas de uma mesma grandeza (X), o desvio-padrão amostral destas medidas é dado por: O desvio-padrão amostral (S) é uma estimativa do verdadeiro (e desconhecido) desvio-padrão popula- cional ( 𝜎𝜎2 ). É importante buscar realizar o maior número de observações possíveis de uma grandeza qualquer X, pois, de acordo com o teorema central do limite, conforme o número de observações (n) aumenta, a média amostral destas observações (X̅) converge para a verdadeira média populacional desta grandeza ( µ ), e a variância amostral destas observações (S2) decresce na proporção 1⁄n. Em outras palavras, o desvio-padrão da média amostral (X̅), também denominado de erro padrão da amostra, é dado por: 2.2 PRECISÃO NOMINAL, LEITURA MÍNIMA, CALIBRA- ÇÃO E AJUSTE Precisão nominal (PN) é a precisão (desvio- -padrão) do equipamento especificada pelo fabricante. É um valor seguro que garante a idoneidade do fabri- cante. É definida pela norma alemã DIN18723, adotada internacionalmente em um grande lote de equipamen- tos produzidos. O Anexo C da NBR 13.133/94 especifica o procedimento utilizado para o cálculo da PN nominal do equipamento. Normalmente, a PN angular dos goni- ômetros é dada em segundos de arco e a PN linear dos distanciômetros é dada em ±(𝑎𝑎 𝑚𝑚𝑚𝑚 + 𝑝𝑝𝑝𝑝𝑚𝑚) , onde a é constante e independente da distância b e é proporcional à distância, expressa em partes por milhão (ppm), sendo que 1ppm = 1mm/km. Por exemplo, a estação total Leica TS50 apresenta PN angular +/-0,5” e PN linear de +/- 0,6mm + 1ppm”(medição com prisma refletor). A leitura mínima é a menor graduação que um equipamento pode apresentar. A leitura mínima não é igual à PN do equipamento. Muitas vezes é possível esti- mar uma leitura abaixo da mínima, mas a leitura mínima continua sendo definida pela menor graduação do equi- pamento. Por exemplo: mira com graduação centimétri- ca, onde a leitura mínima é 1 cm mas pode-se estimar a leitura dos milímetros em um nivelamento altimétrico. A PN do equipamento pode ser superior ou inferior à leitu- ra mínima deste. Por exemplo, uma estação total com PN angular de e PN de +/5”, ou uma trena de aço classe 1” de acordo com a NBR 10123/1987, com PN milimétrica e leitura mínima (graduação) de 2cm. Outros conceitos importantes dizem respeito à calibração (aferição) e ajuste (regulagem) de um instru- mento. Calibrar ou aferir significa determinar diferenças (discrepâncias) entre os valores medidos com um deter- minado instrumento e os valores de referência previa- mente conhecidos. O instrumento de medição não sofre alteração alguma. Ajustar ou Regular significa interferir no equipamento de tal forma que os desvios (discrepân- cias) das medições sejam reduzidos ao mínimo possível, ou que estas discrepâncias não ultrapassem limites pre- viamente estabelecidos. Um exemplo é medir distâncias com uma estação total em uma base conhecida. A afe- rição ou calibração consiste em constatar as diferenças entre os valores medidos com a estação total e os valores de referência, enquanto o ajuste (regulagem) diz respei- to à modificação (manutenção) da estação total, de tal forma que essas diferenças sejam reduzidas. É recomen- dado realizar regularmente (por exemplo, anualmente) a aferição, e, se necessário, o ajuste do equipamento, ou após qualquer suspeita do mesmo estar apresentando erros sistemáticos em suas medidas. 2.3 DISTRIBUIÇÃO NORMAL DE PROBABILIDADE Uma das funções densidade de probabilidade mais importante é a distribuição normal, pois uma série de fenômenos físicos e financeiros podem ser descritos por meio desta distribuição de probabilidade. Nas ciên- cias geodésicas, assume-se que os erros aleatórios, e, conseqüentemente, as observações (medidas realiza- das), seguem distribuição normal. 𝑆𝑆2 = 1 (𝑛𝑛 − 1) �(𝑋𝑋𝑖𝑖 𝑛𝑛 𝑖𝑖=1 − 𝑋𝑋�)2 𝑆𝑆 �𝑆𝑆2 = 1 (𝑛𝑛 − 1) �(𝑋𝑋𝑖𝑖 𝑛𝑛 𝑖𝑖=1 − 𝑋𝑋�)2 𝑆𝑆𝑋𝑋 = ± 𝑆𝑆 √𝑛𝑛 13 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento A distribuição normal é completamente descrita por dois parâmetros: média ( µ ) e variância ( 𝜎𝜎2 ) da va- riável aleatória em estudo ( 𝑥𝑥 ). Ou seja, conhecendo-se estes dois parâmetros, pode-se determinar qualquer pro- babilidade em uma distribuição normal. A fdp de uma variável aleatória qualquer ( 𝑥𝑥 ) que segue distribuição normal é dada por: E, portanto, a probabilidade desta variável alea- tória ( 𝑥𝑥 ) se situar dentro de um intervalo numérico fe- chado [a,b]é dada por (ver também a Figura 2.1): A distribuição normal padrão é uma distribuição normal de probabilidade com µ = 0 e 𝜎𝜎2 = 1. Para uma variável aleatória qualquer ( 𝑥𝑥 ) que segue distribuição normal com µ ≠ 0 e 𝜎𝜎2 ≠ 1 , pode-se obter uma nova variável aleatória ( 𝑍𝑍 ), que segue distribuição normal pa- drão, ou seja, com µ = 0 e 𝜎𝜎2 = 1 , e, desta forma, obter os valores de probabilidade de ocorrência de um interva- lo numérico fechado qualquer, por meio da consulta de valores tabelados para a distribuição normal padrão, ao invés de calcular a integral na expressão acima. A distribuição normal de probabilidade apresen- ta simetria em relação à média ( µ ), ou seja, intervalos de valores acima e abaixo da média são equiprováveis, e algumas das principais propriedades da distribuição nor- mal são apresentadas na Figura 2.1. Figura 2.1 – Distribuição normal e principais intervalos de confiança associados. A título de exemplo, considere que uma variável aleatória segue distribuição normal com média e variân- cia 𝜎𝜎2 = 1m2, logo, existe 68,3% de probabilidade do va- lor de uma observação qualquer desta variável aleatória se situar entre 99 e 100m(ou seja, entre µ - 𝜎𝜎2 e µ + 𝜎𝜎2 ), existe 95,5% de probabilidade do valor de uma observa- ção qualquer desta variável aleatória se situar entre 98 e102m (ou seja, entre µ - 2 𝜎𝜎2 e µ + 2 𝜎𝜎2 ), e existe 99,7%de probabilidade do valor de uma observação qualquer des- ta variável aleatória se situar entre 97 e 103m (ou seja, entre µ - 3 𝜎𝜎2 e µ + 3 𝜎𝜎2 ). A probabilidade associada é defi- nida como nível de confiança ( NC), enquanto o intervalo de valores é definido como intervalo de confiança (IC). Neste mesmo exemplo, o intervalo entre 99 e 101 corres- ponde ao nível de confiança de 95,5% (NC = 0,955). Como o intervalo de confiança correspondente a média menos três desvios-padrões e a média mais três desvios-padrões é de 99,7%, usualmente, presumindo-se ausência de erros grosseiros ou sistemáticos, considera- -se três vezes a precisão do conjunto de medidas como um valor para a acurácia (exatidão) deste conjunto de medidas, devido ao alto nível de confiança associado. Por exemplo, para uma estação total com PN angular de 1/2”, pode-se inferir que a acurácia (exatidão) das medidas an- gulares deste instrumento é de 3 . 2”= 6”. 2.4 COVARIÂNCIA E COEFICIENTE DE CORRELAÇÃO DAS OBSERVAÇÕES Em Topografia e Geodésia, usualmente, assume- -se que as covariâncias entre as observações são nulas, ou seja, não existe correlação (dependência estatística) en- tre os diferentes valores observados. Entretanto, a cova- riância de duas observações, ou seja, a variância conjunta destas medidas, pode ser não nula. Em outras palavras, a variação nos valores de uma grandeza pode estar corre- lacionada com as variações nos valores de outra grande- za, isto é, elas podem ser estatisticamente dependentes. Em teoria dos erros, pode-se interpretar este resultado como o fato destas duas grandezas estarem contamina- das pelos mesmos tipos de erros, ou seja, as fontes de erros nas duas medidas são as mesmas. Logo, variações em um valor observado (medido) yi, devido a erros nesta medida, também resultam em variações para outro valor observado (medido) yj, devido ao fato dos mesmos tipos de erros também estarem contaminando esta medida. A covariância 𝜎𝜎2 yi yj de um conjunto de medidas para duas variáveis quaisquer yi e yjé dada por: 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 www.ineprotec.com.br14 Técnico em Agrimensura - Agrimensura II - Ajustamento 𝑃𝑃𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖 𝜎𝜎𝑦𝑦𝑗𝑗 onde 𝑦𝑦�𝑖𝑖 é o valor médio das n medidas para a variável 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 e 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 é o valor médio das medidas para a variável . A covariância entre duas grandezas, ao contrário da variância de uma grandeza, pode ser positiva ou negativa. Covariância positiva significa que quando uma grandeza aumenta, a outra também aumenta, e quando uma grandeza diminui, a outra também diminui, enquanto covariância negativa significa que quando uma grandeza aumenta, a outra diminui, e vice-versa. Quando a covariância for nula ( 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 = 0), as duas observações são ditas estatisticamente independentes ou decorrelacionadas. Naturalmente, 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 = 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 , ou seja, a covariância entre 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 e 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 é igual à covariância entre 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 e 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 . Como exemplos de observações decorrelacionadas, pode-se citar sucessivas medições com um equi- pamento topográfico como, por exemplo, uma estação total, pois se assume que o valor medido para uma dis- tância ou ângulo não terá qualquer influência sob o valor medido de outra distância ou ângulo. Como exemplo de observações correlacionadas, pode-se citar as componentes 3D de uma linha-base em um posicionamento relativo GNSS, pois são os mesmos satélites e receptores envolvidos no posicionamento relativo, e desta forma, são as mesmas fontes de erro que contaminam cada uma das 3 componentes desta linha-base, resultando em três observáveis correlacionadas entre si. Além da covariância, o coeficiente de correlação indica o quão duas variáveis aleatórias são estatisticamente relacionadas ou não. Para relações lineares, um dos coeficientes de correlação mais utilizados neste sentido é o coefi- ciente de correlação de Pearson, dado por: onde 𝑃𝑃𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖 𝜎𝜎𝑦𝑦𝑗𝑗 é o desvio-padrão de 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 e 𝑃𝑃𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖 𝜎𝜎𝑦𝑦𝑗𝑗 é o desvio padrão de . O coeficiente de correlação de Pearson varia entre 1 e +1 , onde 𝑃𝑃𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖 𝜎𝜎𝑦𝑦𝑗𝑗 = -1 indica perfeita correlação negativa (linear), e 𝑃𝑃𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖 𝜎𝜎𝑦𝑦𝑗𝑗 = -1 indica perfeita correlação positiva (linear), enquanto , 𝑃𝑃𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 𝜎𝜎𝑦𝑦𝑖𝑖 𝜎𝜎𝑦𝑦𝑗𝑗 = -1 que ocorre quando 𝜎𝜎𝑦𝑦𝑖𝑖𝑦𝑦𝑗𝑗 1 𝑛𝑛 � (𝑦𝑦𝑖𝑖 − 𝑦𝑦�𝑗𝑗 ) 𝑛𝑛 𝑖𝑖 .𝑗𝑗=1 = 0 , indica que as duas variáveis aleatórias são estatisticamente inde- pendentes (ver as Figuras 2.2 e 2.3). Figura 2.2 – Exemplos de amostras e os respectivos valores de correlação. 15 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento Figura 2.3 – Exemplos de alta, baixa, e nula correlação linear entre duas variáveis x e y. 2.5 ACEITAÇÃO E REJEIÇÃO DE MEDIÇÕES O desvio-padrão de uma grandeza qualquer pode ser considerado como uma medida de precisão, ou seja, da variação ou dispersão esperada desta grandeza. Desta forma, pode-se definir critérios de aceitação ou rejeição das observações em função da comparação dos resíduos (ou erros aparentes) das observações com o respectivo desvio-padrão destas observações. Em termos gerais, quando o valor observado (medido) de uma grandeza apresenta um resíduo supe- rior à três desvios-padrões desta grandeza, no caso do exemplo anterior, valores infeiores a 97m ou superiores a 103m , pode-se afirmar que esta observação é um ou- tlier, e, como a probabilidade de ocorrência deste valor observado é muito pequena, inferior a , pode-se conside- rar que a observação em questão está contaminada por algum erro grosseiro. O desvio-padrão de referência pode ser o desvio-padrão amostral (S) ou o desvio-padrão for- necido pelo fabricante (PN do instrumento utilizado). É importante ressaltar que caso duas ou mais observações apresentem resíduos superiores a três desvios-padrões, apenas a observação de maior resíduo (em módulo) deve ser excluída, pois cada vez que uma observação é excluída da amostra, tem-se uma nova média amostral e consequentemente novos valores para os resíduos das observações restantes. Esta estratégia evita que outras observações sejam excluídas erroneamente, pois todos os resíduos podem apresentar valores menores que três desvios-padrões, em módulo, após a exclusão da obser- vação de maior resíduo e da obtenção da nova média amostral para as observações restantes. Este procedi- mento é aplicado iterativamente até nenhuma observa- ção ser excluída. Idealmente, deve-se sempre realizar duas ou mais medições de uma mesma grandeza, para se obter a média e o desvio-padrão amostral deste conjunto de medidas. Porém, muitas vezes, pode-se realizar uma única medida e adotar o valor da PN como o respectivo desvio-padrão desta única medida realizada. Ressalta-se que no primeiro caso é possível realizar um controle das medições, enquanto o segundo caso apresenta maior rendimento (produtividade) em campo. Dependendo da finalidade, um ou outro pode ser empregado. Por exem- plo, no estabelecimento de redes de referência, é funda- mental a repetição das observações e o controle de erros grosseiros em campo, enquanto em um levantamento planialtimétrico de detalhes, onde serão levantados de- zenas ou centenas de pontos, em função da finalidade e dos custos envolvidos, nem todos os pontos necessitam de repetidas observações, contanto que sejam tomados os devidos cuidados para evitar possíveis erros grosseiros de medição. 2.6 ERRO QUADRÁTICO MÉDIO (EQM) O erro quadrático médio (EQM) é a esperança do quadrado da diferença entre o valor estimado e o valor verdadeiro (ou de referência). Muitas vezes, é mais in- teressante trabalhar com a raiz quadrada do EQM, por apresentar a mesma unidade de medida do conjunto de observações realizado. Nestes casos, o RMSE (root mean square error) de um conjunto de valores é dado por xi (i= 1,2,3..., n): O RMSE pode ser calculado quando se conhece um valor de referência ( µ ) para o conjunto de valores em questão, como por exemplo, as coordenadas conhecidas de um ponto de controle. Entretanto, muitas vezes, o valor de referência é desconhecido, e, nestes casos, pode-se obter somente o desvio-padrão amostral (S) e o erro padrão da amostra ( 𝑆𝑆𝑥𝑥̅ ) de um conjunto de medidas qualquer. Uma grandeza x, que é calculada ou estimada em função de outras n grandezas que foram medidas ou ob- servadas ( y1,y2,y3..., yn), pode ser representada por: x = f(y1,y2,y3..., yn) 3. Propagação de Erros 𝑅𝑅𝑅𝑅𝑆𝑆𝑅𝑅 = ∑𝑖𝑖=1𝑛𝑛 (𝑥𝑥𝑖𝑖 − 𝜇𝜇)2 𝑛𝑛 www.ineprotec.com.br16 Técnico em Agrimensura - Agrimensura II - Ajustamento onde na expressão acima, representa-se o fato de que a grandeza desconhecida (ou parâmetro) é calculada em função das grandezas conhecidas ou observadas (y1,y2,y3..., yn ), ou seja, por meio de relações matemáticas conhecidas relacionando os valores que foram medidos. Considerando que os valores observados (y1,y2,y3..., yn ) são grandezas experimentais, ou seja, pos- suem incertezas (variâncias) associadas, se os erros n nas observações são completamente independentes, ou seja, as covariâncias entre estas são nulas, então a variância da grandeza calculada/ estimada (x) é dada por: Onde: 𝜕𝜕𝑥𝑥 𝜕𝜕𝑦𝑦𝑖𝑖 é a derivada parcial da função x = f(y1,y2,y3..., yn) em relação a grandeza yi (para i = 1,2,3...,n ); 𝜎𝜎𝑦𝑦𝑖𝑖2 é a correspondente variância da grandeza y1 (para i = 1,2,3...,n ). Note que como as variâncias 𝜎𝜎𝑦𝑦𝑖𝑖2 são sempre po- sitivas, e os termos ( 𝜕𝜕𝑥𝑥 𝜕𝜕𝑦𝑦𝑖𝑖 )2 também são sempre positivos, a variância resultante ( 𝜎𝜎𝑥𝑥2 ) para a grandeza calculada tam- bém será sempre positiva. A expressão acima, apresen- tada para a propagação de erros na forma algébrica, é incompleta, pois considera somente as variâncias (e não as covariâncias) das observações envolvidas. Para os ca- sos em que as covariâncias entre as grandezas medidas (observadas) são não nulas, isto é, quando as observa- ções são correlacionadas, é recomendado utilizar a pro- pagação de erros na forma matricial, por meio da lei de propagação de variâncias e covariâncias. A propagação de erros é um tema de fundamen- tal importância em Topografia e Geodésia, pois todas as grandezas mensuradas em um levantamento, como medições lineares e angulares, por exemplo, possuem incertezas (precisões) associadas. Uma vez que as coor- denadas dos pontos levantados são grandezas obtidas em função destas mensurações, inevitavelmente, haverá uma propagação de erros dos valores medidos/observa- dos para os valores obtidos/calculados do levantamento. A aplicação e análise da propagação de erros permite estimar qual a precisão dos resultados finais de um le- vantamento topográfico ou geodésico, ou seja, possibilita inferir qual é a qualidade final do serviço realizado. Ressalta-se que a propagação de erros considera so- mente a influência de erros de natureza probabilística, isto é, dos erros aleatórios. Erros sistemáticos ou grosseiros devem ser evitados, minimizados, corrigidos ou devidamente identificados e excluídos por meio de rotinas de controle. A propagação de erros (aleatórios) é realizada após todo o tratamento de erros sistemáticos e/ou grosseiros nas observações. 3.1 PROPAGAÇÃO DE ERROS EM TOPOGRAFIA E GEODÉ- SIA A seguir, é apresentando um formulário para a propagação de erros esperados/ incertezas/precisões/ desvios-padrões de modo simplificado, isto é, desconsi- derando eventuais correlações entre as observações, em alguns dos principais modelos matemáticos utilizados em Topografia e Geodésia. Considere 𝜎𝜎 desvio-padrão da respectiva grandeza em todo o formulário, expresso em metros para grandezas lineares e em segundos de arco sexagesimal para grandezas angulares. NIVELAMENTO GEOMÉTRICO Considere HV cota/altitude da vanteHR; cota/al- titude da ré; desnível da ré DN para a vante; HI cota/al- titude do plano de visada ou “altura do instrumento”LV; leitura na vante; LR leitura na ré: Considerando 𝜎𝜎𝐿𝐿𝑅𝑅 = 𝜎𝜎𝐿𝐿𝐿𝐿 = 𝐾𝐾 .𝐷𝐷𝐻𝐻 , onde k= constan- te nominal para uma leitura única na régua, em fun- ção do nível e da régua/mira utilizada (por exemplo: k=0,0006m/30m=0,00002 para leituras no modo eletrô- nico do nível digital Leica Sprinter 150) e 𝐷𝐷𝐻𝐻���� = distância horizontal média do instrumento a cada ponto visado, tem-se: NIVELAMENTO TRIGONOMÉTRICO COM ESTAÇÃO TOTAL Considere HV = cota/altitude do ponto visado/van- te; HI = cota/altitude do ponto de estação; DN = desnível do ponto de estação para o ponto visado/vante; DI = dis- tância inclinada; Z = ângulo zenital de visada; Ai = altura do instrumento/estação total; Ai =Altura do sinal refletido: HV = HR + DN, DN = HI- LV – (HI – LR) = LR - LV 𝜎𝜎𝐻𝐻𝐿𝐿 = ± �𝜎𝜎𝐻𝐻𝑅𝑅2 + 𝜎𝜎𝐷𝐷𝐷𝐷2 𝜎𝜎𝐷𝐷𝐷𝐷 = ± �𝜎𝜎𝐿𝐿𝑅𝑅2 + 𝜎𝜎𝑙𝑙𝐷𝐷2 𝜎𝜎𝐻𝐻𝐿𝐿 = ± �𝜎𝜎𝐻𝐻𝑅𝑅2 + 2(𝐾𝐾 .𝐷𝐷𝐻𝐻����)2 HV = HI + DN, DN = Ai + DI cosZ - As 𝜎𝜎𝐻𝐻𝐿𝐿 = ± �𝜎𝜎𝐻𝐻𝑖𝑖2 + 𝜎𝜎𝐷𝐷𝐷𝐷2 𝜎𝜎𝐷𝐷𝐷𝐷 ± �𝜎𝜎𝐴𝐴𝑖𝑖2 + (cos𝑍𝑍)2 𝜎𝜎𝐷𝐷𝐷𝐷2 + (sen𝑍𝑍)2(𝜎𝜎𝑍𝑍 . 𝜋𝜋 648000 )2 + 𝜎𝜎𝐴𝐴𝑆𝑆2 𝜎𝜎𝑥𝑥2 = � 𝜕𝜕𝑥𝑥 𝜕𝜕𝑦𝑦1 � 2 𝜎𝜎𝑦𝑦12 + � 𝜕𝜕𝑥𝑥 𝜕𝜕𝑦𝑦2 � 2 𝜎𝜎𝑦𝑦22 � 𝜕𝜕𝑥𝑥 𝜕𝜕𝑦𝑦3 � 2 𝜎𝜎𝑦𝑦32 +...+� 𝜕𝜕𝑥𝑥 𝜕𝜕𝑦𝑦𝑛𝑛 � 2 𝜎𝜎𝑦𝑦𝑛𝑛2 17 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento Assumindo 𝜎𝜎𝐴𝐴𝑖𝑖 = 𝜎𝜎𝐴𝐴𝑠𝑠 = ±2𝑚𝑚𝑚𝑚 , a expressão acima se tor- na: CÁLCULO DA DISTÂNCIA TOTAL UTILIZANDO “n” DISTÂN- CIAS PARCIAIS Considere D = distância total; di = i-ésima distância par- cial para i= 1,2,3, ...,n D= d1,+d2,+d3+...+dn A distância considerada pode ser horizontal, como por exemplo, distâncias parciais com trena para ob- tenção do perímetro de um polígono, ou vertical, como por exemplo, múltiplos lances em um nivelamento alti- métrico. IRRADIAÇÃO PLANIMÉTRICA/MÉTODO POLAR Considere X= coordenada leste do ponto visa- do/vante; Y= coordenada norte do ponto visado/vante; X0=coordenada leste do ponto de estação; Y0 =coorde- nada norte do ponto de estação; DH = distância hori- zontal do ponto de estação ao ponto visado/vante; Az = azimute do ponto de estação ao ponto visado/vante; DI = distância inclinada do ponto de estação ao ponto visa- do/vante; Z =ângulo zenital de visada a vante; AZRE == azimute do ponto de estação à ré; I = ângulo horizontal irradiado da direção da ré à direção da vante no sentido horário; Hzv= direção horizontal lida no ponto visado/ vante; HzR=direção horizontal lida na ré; erro de centra- gem do instrumento em segundos de arco sexagesial; 𝜎𝜎𝐶𝐶 𝜖𝜖 = erro de centragem do instrumento em metros; DH0 = distância do ponto de estação ao vértice de ré: Assumindo 𝜖𝜖𝑐𝑐 = ±0,0015𝑚𝑚 na expressão acima, resulta em: 𝜎𝜎𝑐𝑐 = ± 972 𝜋𝜋 �𝐷𝐷𝐻𝐻02 + 𝐷𝐷𝐻𝐻2 𝐷𝐷𝐻𝐻0 . 𝐷𝐷𝐻𝐻 Para a precisão planimétrica resultante do ponto irradiado, considerar CÁLCULO DO AZIMUTE DO PONTO i AO PONTO j EM FUNÇÃO DE SUAS COORDENADAS PLANIMÉTRICAS Considere Az = azimute do ponto i ao ponto j; Xi coordenada leste do ponto i ; Yi coordenada norte do ponto i; Xj coordenada leste do ponto j; Yj coordenada norte do ponto j: Observações: Realizar a análise de quadrante no cálculo do azimute, a precisão do azimute é calculada/obtida em radianos. Considerando (Xi – XJ)2 =(XJ – Xi)2 = ∆𝑋𝑋2. (Yi – Yj)2 =(Yj – Yi)2 = ∆2 e o quadrado da distância horizontal entre os dois pontos como sendo DH2 = ∆𝑋𝑋2+ ∆𝑌𝑌2 , a expressão para a precisão do azimute se torna: CÁLCULO DA DISTÂNCIA GEOMÉTRICA ENTRE DOIS PONTOS i E J EM FUNÇÃO DE SUAS COORDENADAS CARTESIANAS Considere DI = distância inclinada/geométrica/ verdadeira entre os pontos i e j ; Xi =coordenada leste 𝜎𝜎𝐻𝐻𝐿𝐿 = ± �𝜎𝜎𝐻𝐻𝑅𝑅2 + 𝜎𝜎𝐷𝐷𝐷𝐷2 𝜎𝜎𝐷𝐷𝐷𝐷 = ± �𝜎𝜎𝐿𝐿𝑅𝑅2 + 𝜎𝜎𝑙𝑙𝐷𝐷2 𝜎𝜎𝐻𝐻𝐿𝐿 = ± �𝜎𝜎𝐻𝐻𝑖𝑖2 + 𝜎𝜎𝐷𝐷𝐷𝐷2 𝜎𝜎𝐷𝐷𝐷𝐷 ± �0,000008 + (cos𝑍𝑍)2 𝜎𝜎𝐷𝐷𝐷𝐷2 + (DI sen𝑍𝑍)2(𝜎𝜎𝑍𝑍 . 𝜋𝜋 648000 )2 𝜎𝜎𝐷𝐷 = ± �𝜎𝜎𝑑𝑑12 + 𝜎𝜎𝑑𝑑22 + ⋯ 𝜎𝜎𝑑𝑑𝑛𝑛2 𝜎𝜎2𝐷𝐷 = ± �𝜎𝜎𝑋𝑋2 + 𝜎𝜎𝑌𝑌2 + 𝐷𝐷𝐻𝐻2 �𝜎𝜎𝐴𝐴𝑍𝑍 . 𝜋𝜋 648000 � 2 𝜎𝜎𝐴𝐴𝑍𝑍 = ± ��( ∆𝑌𝑌 𝐷𝐷𝐻𝐻2 )2 (𝜎𝜎𝑋𝑋𝑗𝑗2 + 𝜎𝜎𝑥𝑥𝑖𝑖2 )+, ( ∆𝑋𝑋 𝐷𝐷𝐻𝐻2 )2 (𝜎𝜎𝑌𝑌𝑗𝑗2 + 𝜎𝜎𝑌𝑌𝑖𝑖2 )� . ( 648000 𝜋𝜋 ) 𝜎𝜎𝐴𝐴𝑍𝑍 = ±�(𝜎𝜎𝐴𝐴𝑍𝑍𝑅𝑅É)2 + (𝜎𝜎𝐷𝐷)2 , 𝜎𝜎𝑖𝑖 = ±�(𝜎𝜎𝐻𝐻𝑍𝑍𝑅𝑅)2 + (𝜎𝜎𝐻𝐻𝑍𝑍𝑅𝑅)2 + (𝜎𝜎𝑐𝑐)2, 𝜎𝜎𝑐𝑐 = ±� 64800 𝜋𝜋 �𝐷𝐷𝐻𝐻02+𝐷𝐷𝐻𝐻 2 𝐷𝐷𝐻𝐻0 .𝐷𝐷𝐻𝐻 � 𝜀𝜀𝐶𝐶 AZ = AZRÉ + I, I = HZV = HZR www.ineprotec.com.br18 Técnico em Agrimensura - Agrimensura II - Ajustamento do ponto i; Yi coordenada norte do ponto i; Zi = cota ou altitude do ponto i; Xj; coordenada leste do ponto j, Yj co- ordenada norte do ponto j ; Zj cota ou altitude do ponto j : Observações: Para o cálculo/obtenção somente da dis- tância horizontal/planimétrica (DH) entre os pontos i e j a sua respectiva precisão ( (𝜎𝜎𝐷𝐷𝐻𝐻 = ) ), considerar as cotas/ altitudes dos pontos i e j as suas respectivas precisões como sendo nulas; ou, para o cálculo/obtenção somente da distância vertical/desnível (DN) entre os pontos i e j a sua respectiva precisão ( (𝜎𝜎𝐷𝐷𝐻𝐻 = ) ), considerar as coordenadas horizontais/planimétricas dos pontos i e j as suas respec- tivas precisões como sendo nulas. Considerando (Xi – XJ)2 =(XJ – Xi)2 = ∆𝑋𝑋2. (Yi – Yj)2 =(Yj – Yi)2 = ∆𝑌𝑌2 . (Zi – Zj)2 =(Zj – Zi)2 = ∆𝑍𝑍2 , a expressão para a precisão da distância inclinada/geo- métrica/verdadeira entre os dois pontos se torna: POSICIONAMENTO RELATIVO GNSS Considere X0, Y0, Z0 = coordenadas cartesianas tridimensionais do ponto conhecido; X, Y, Z = coordena- das cartesianas tridimensionais do ponto desconhecido; ∆𝑋𝑋, ∆𝑌𝑌, ∆𝑍𝑍 diferenças entre as coordenadas cartesianas tridimensionais dos pontos: Para a precisão tridimensional resultante do pon- to desconhecido, considerar 𝜎𝜎3𝐷𝐷 = ± �𝜎𝜎𝑋𝑋2 + 𝜎𝜎𝑌𝑌2 + 𝜎𝜎𝑍𝑍2 . MÉTODO DO ALINHAMENTO Considere X0 = coordenada leste do ponto inicial; Y0 =coordenada norte do ponto inicial; X2 = coordenada leste do ponto final; Y2 = coordenada norte do ponto final; X1 = Coordenada leste do novo ponto; Y1 coordenada norte do novo ponto; D0-2 = distância do ponto inicial ao ponto final; D0-1 =distância do ponto inicial ao novo ponto: Observação: Note a precisão melhor (menor erro espe- rado) na posição do novo ponto pelo método do alinha- mento em relação ao método polar, pois, todos os termos presentes na propagação de erros para as coordenadas do novo ponto são menores do que um, além de se des- considerar observações angulares no cálculo (maiores fontes de erros nas determinações planimétricas). INTERSECÇÃO ANGULAR POR DIREÇÕES AZIMUTAIS Considere X = coordenada leste do ponto des- conhecido; Y = coordenada norte do ponto desconhe- cido; X1 = coordenada leste do primeiro ponto conhecido; Y1 = coordenada norte do primeiro ponto conhecido; X2 = coordenada leste do segundo ponto conhecido; Y2 = coordenada norte do segundo ponto conhecido; AZ1 = azimute da direção do primeiro ponto conhecido ao ponto desconhecido; AZ2 = azimute da dire- ção do segundo ponto conhecido ao ponto desconhecido ∆𝑋𝑋1-2 = 𝑋𝑋2 – 𝑋𝑋1; ∆𝑌𝑌1-2 = 𝑌𝑌2- 𝑌𝑌1 ; 𝜎𝜎𝐷𝐷𝐷𝐷 = ± �( ∆𝑋𝑋 𝐷𝐷𝐷𝐷 )2 (𝜎𝜎𝑋𝑋𝑗𝑗2 + 𝜎𝜎𝑥𝑥𝑖𝑖2 )+, ( ∆𝑌𝑌 𝐷𝐷𝐷𝐷 )2 (𝜎𝜎𝑍𝑍𝑗𝑗2 + 𝜎𝜎𝑍𝑍𝑖𝑖2 ) 19 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento CÁLCULO DA ÁREA PLANA PELO MÉTODO DE GAUSS (RE- GRA DO DETERMINANTE) Considere A = área planimétrica do polígono for- mado por n vértices; X1,X2,X3..., Xn = coordenadas plani- métricas leste dos vértices do polígono (para i = 1,2,3,..., n); Y1,Y2,Y3..., Yn coordenadas planimétricas norte dos vértices do polígono (para i = 1,2,3,...n): Observação: Note que neste caso, o valor da área (A) e do respectivo desvio-padrão ( 𝜎𝜎𝐴𝐴 ) são obtidos em metros quadrados (m2). NIVELAMENTO ALTIMÉTRICO POR GNSS Considere H = altitude ortométrica do ponto considerado; h = altitude geométrica (elipsoidal) do pon- to considerado; N = ondulação (altura) geoidal no ponto considerado: Se for empregado o método relativo de nivela- mento altimétrico por GNSS entre dois pontos A e B, sen- do A o ponto com altitude ortométrica conhecida e B o ponto com altitude ortométrica a se determinar, resulta em: HB = hb + HA - hA - NB + NA Assumindo NA ≅NB , resulta em: onde é a distância DAB elipsoidal entre os pontos A e B e 𝜀𝜀∆𝐷𝐷 é o erro relativo resultante da aproximação NA ≅NB , em ppm (por exemplo, 𝜀𝜀∆𝐷𝐷= ±10𝑝𝑝𝑝𝑝𝑚𝑚 ). 3.2 PROPAGAÇÃO SIMPLIFICADA DE ERROS EM REDES Para redes de referência com redundância de ob- servações, como poligonais topográficas, pode-se propa- gar os erros de duas maneiras. A primeira é calculando um valor médio e o desvio-padrão deste valor médio para cada observável (ângulo, distância, desnível), e após isto, propagar o erro resultante para a posição do novo ponto. A segunda maneira é propagar o erro em cada estimativa independente para a posição do novo ponto, e, após isto, combinar a precisão resultante em cada caso. Por exemplo, para uma poligonal topográfica com duas séries de leituras conjugadas, cada novo pon- to/vértice de vante é visado quatro vezes. A primeira op- ção é calcular um valor médio e o desvio-padrão deste valor médio para a distância horizontal e para o azimute de vante, e, após isto, propagar o erro resultante para o novo ponto pelo método polar, enquanto a segunda op- ção é propagar o erro resultante em cada uma das quatro visadas pelo método polar, e, após isto, calcular o erro resultante médio em cada coordenada do novo ponto e dividir por raiz quadrada de quatro. Ressalta-se que a propagação de erros a cada novo ponto aumenta conforme este se afasta do(s) ponto(s) de controle da rede. Desta forma, em uma poligonal enquadrada, por exemplo, deve-se iniciar a propagação de erros da base conhecida de partida até o vértice central da rede, e depois, deve-se iniciar a propagação de erros da base conhecida de chegada até o vértice de vante do vértice central considerado, no caminhamento contrário da poligonal. Caso contrá- rio, a propagação de erros resultaria no mesmo caso de uma poligonal aberta, sem controle de fechamento e com alta propagação de erros para os últimos vérti- ces da poligonal. 3.3 EXEMPLOS DE PROPAGAÇÃO DE ERROS EM LEVAN- TAMENTOS Exemplo 1: Calcular as coordenadas e a precisão do pon- to 35, utilizando os dados dos pontos de apoio A e B e da caderneta de campo abaixo. Considere o erro de centra- gem como ε = 1,5 mm. 𝐴𝐴 = 1 2 |(𝑋𝑋1 + 𝑋𝑋2) . (𝑌𝑌1 − 𝑌𝑌2) + (𝑋𝑋2 + 𝑋𝑋3) . (𝑌𝑌2 − 𝑌𝑌3) + ⋯+ (𝑋𝑋𝑛𝑛 + 𝑋𝑋1) . (𝑌𝑌𝑛𝑛 − 𝑌𝑌1) | 𝜎𝜎𝐴𝐴 = ± �� 𝑌𝑌𝑛𝑛 − 𝑌𝑌2 2 � 2 𝜎𝜎𝑋𝑋12 + � 𝑋𝑋2 − 𝑋𝑋𝑛𝑛 2 � 2 𝜎𝜎𝑌𝑌12 � 𝑌𝑌1 − 𝑌𝑌3 2 � 2 𝜎𝜎𝑋𝑋22 � 𝑋𝑋3 − 𝑋𝑋1 2 � 2 𝜎𝜎𝑌𝑌22 + ⋯+ � 𝑌𝑌𝑛𝑛−1 − 𝑌𝑌1 2 � 2 𝜎𝜎𝑋𝑋𝑛𝑛2 � 𝑋𝑋1 − 𝑋𝑋𝑛𝑛−1 2 � 2 𝜎𝜎𝑋𝑋𝑛𝑛2 𝜎𝜎𝐻𝐻 = ± �𝜎𝜎ℎ2 + 𝜎𝜎𝐷𝐷2 H = h =- N 𝜎𝜎𝐻𝐻𝐻𝐻 = ± �𝜎𝜎ℎ𝐻𝐻2 + 𝜎𝜎𝐻𝐻𝐴𝐴2 + 𝜎𝜎ℎ𝐴𝐴2 + 𝜎𝜎𝐷𝐷𝐻𝐻2 + 𝜎𝜎𝐷𝐷𝐴𝐴2 HB = hb + HA - hA 𝜎𝜎𝐻𝐻𝐻𝐻 = ± �𝜎𝜎ℎ𝐻𝐻2 + 𝜎𝜎𝐻𝐻𝐴𝐴2 + 𝜎𝜎ℎ𝐴𝐴2 + �𝐷𝐷𝐴𝐴𝐻𝐻 . 𝜀𝜀∆𝐷𝐷 1000000 � 2 www.ineprotec.com.br20 Técnico em Agrimensura - Agrimensura II - Ajustamento 𝜎𝜎2𝐷𝐷 = ± �0,00602 + 0,00892 = ±0,0107𝑚𝑚 21 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento Exemplo 2: Calcular a cota e a precisão do ponto A1 com os dados da caderneta a seguir. Considere: 𝐻𝐻𝑅𝑅𝐷𝐷80= 9,315m ±3,4𝑚𝑚𝑚𝑚 . Exemplo 3: Considerando que o desvio-padrão da altitude do ponto de estação é σHI = ± 2,3 cm (0,023 m) e que foi utilizada uma estação total Topcon GTS 235, cuja precisão nominal angular é ± 5” e linear é ± (2 mm + 2 ppm), calcule o desvio-padrão da altitude do ponto levantado P20. Considere o erro de medição da altura do instrumento e do sinal do refletor como sendo cerca de ± 2 mm. www.ineprotec.com.br22 Técnico em Agrimensura - Agrimensura II - Ajustamento Exemplo 4: Calcular a altitude e a precisão do ponto B, utilizando os dados a seguir: hB = 145,036 m ± 18,4mm (obtido por GNSS); NB = -8,26 m ± 170mm (extraído do MAPGEO2015). Exemplo 5: Calcular a altitude e a precisão do ponto B pelo método relativo de nivelamento altimétrico por GNSS, utilizando os dados abaixo. Considere εΔN = ± 10 ppm. hB = 145,036 m ± 18,4mm HA = 87,211 m ± 12,7mm hA = 78,901 m ± 6,1mm DAB = 14723,098 m Exemplo 6: Considerando que as coordenadas dos vértices de um quadrilátero sejam dadas por: X1 = 0 ± 0,01 m; Y1 = 0 ± 0,01 m; X2 = 10 ± 0,01 m; Y2 = 0 ± 0,01 m; X3 = 10 ± 0,01 m; Y3 = 10 ± 0,01 m; X4 = 0 ± 0,01 m; Y4 = 10 ± 0,01 m; e que as distâncias horizontais entre os vértices sejam dadas por DH12 = 10 ± 0,01 m; DH23 = 10 ± 0,01 m; DH34 = 10 ± 0,01 m; DH41 = 10 ± 0,01 m, calcule o perímetro e a área do quadrilátero e os respectivos desvios- -padrões destas grandezas. 23 www.ineprotec.com.br Técnico em Agrimensura - Agrimensura II - Ajustamento 4. Ajustamento de Observações Pelo Método dos Mínimos Quadrados Conforme visto no capítulo 1, os objetivos da Teoria dos Erros são estimar a melhor solução (solução mais provável) para um dado problema em função da amostra observada, bem como, estimar a qualidade desta solução, ou seja, o quanto a solução mais provável pode diferir da solução “verdadeira”. A primeira questão está diretamente relacionada com a estimação de grandezas incógnitas, ou seja, com a solução numérica do problema, enquanto a segunda questão está diretamente relacionada com a propagação dos erros de observação, introduzida no capítulo anterior. Em Topografia e Geodésia, a maior parte dos problemas relaciona grandezas mensuradas, como ângulos e distâncias, com grandezas incógnitas a se determinar, como coordenadas de pontos de interesse, por meio de relações matemáticas conhecidas, sendo algumas destas apresentadas no Capítulo 3. Desta forma, inicialmente, considere o seguinte caso geral de sistema de equações lineares: Onde: • y1, y2, ... yn, são as n observações ou medidas realizadas; • x1, x2, ... xu são os u parâmetros incógnitos do modelo a serem estimados; • aij para i = 1, 2,..., n e j = 1, 2,...,u são os coeficientes da função linear adotada, que relaciona as grandezas observadas (y1, y2, ... yn ) com as grandezas desconhecidas que se deseja estimar (x1, x2, ... xu ). Matematicamente, para solucionar o sistema de equações, deve-se ter um número de observações igual ao número de parâmetros que se deseja estimar, ou seja, n = u, caso contrário, o sistema não admite solução única e www.ineprotec.com.br24 Técnico em Agrimensura - Agrimensura II - Ajustamento exata. Entretanto, as observações possuem uma proprie- dade inerente a elas, conhecida como flutuações proba- bilísticas, pois, quando se repete “n” vezes a medida de uma grandeza, os n valores não são idênticos, mas estão dispersos numa certa região ou intervalo. Essas flutua- ções, tradicionalmente, são classificadas como erros ale- atórios e são inevitáveis no processo de medição, sendo uma propriedade intrínseca da observação. Isto faz com que o sistema de equações expresso acima se torne ma- tematicamente inconsistente, quando n > u. No contexto do ajustamento, o número de obser- vações deve de fato ser maior do que o número de parâ- metros incógnitos, ou seja, n > u, tornando o sistema de equações abundante. Se as observações fossem valores exatos, isentos de erros e perfeitamente concordantes com o modelo matemático adotado, ter-se-ia um sistema abundante (pois n > u), porém, matematicamente consis- tente, isto é, com solução única e exata. Admitindo a inevitável presença de erros aleató- rios nas observações, como uma característica intrínseca do processo experimental de medições, pode-se adicio- nar em cada equação do sistema linear, um erro referente à respectiva observação yi , resultando em: Desta forma, adicionando n erros de observação, que tal como os valores dos parâmetros, são desconheci- dos a priori, o sistema de equações será sempre consis- tente, porém, com infinitas soluções, pois quaisquer va- lores que forem arbitrados para os parâmetros terão um respectivo conjunto de valores derivados para os erros aleatórios, e vice-versa. Resta então, decidir qual a “me- lhor solução” dentre as infinitas possibilidades. Portanto, um critério de ajustamento das observações originais, para obtenção de solução única do sistema, deve ser uti- lizado. Antes de tratar do ajustamento por mínimos qua- drados, mais algumas considerações sobre os erros que contaminam as observações e o sistema de equações se fazem necessárias. Por exemplo, na implantação de uma rede geodésica, o problema consiste basicamente em: dado um conjunto de observações realizadas, como por exemplo, medidas de desníveis entre pares de pontos, es- timar o conjunto de parâmetros de interesse, como por exemplo, as cotas ou altitudes dos pontos de uma rede de nivelamento altimétrico, bem como a sua precisão, por meio de um modelo matemático conhecido que esta- beleça a relação entre as observações e os parâmetros. O modelo matemático envolve tanto o modelo funcional quanto o modelo estocástico. O modelo funcio- nal é o conjunto de equações que definem as condições do ajustamento, devendo estas ser conhecidas ou esti- puladas. O modelo estocástico consiste na determinação das variâncias e covariâncias, e consequentemente, dos pesos das observações. Por exemplo, no caso do nivela- mento altimétrico, o sistema de equações pode ser for- mado por equações do tipo: ∆ Hij = Hj - Hi onde ∆ Hij é a observação de desnível entre dois pontos i e j, Hi e Hj e são respectivamente i e j as altitudes a se determinar dos pontos i e j . Cada desnível ∆ Hij apresentará um desvio- -padrão associado ( 𝜎𝜎∆Hij ), obtido, por exemplo, em fun- ção da precisão nominal do instrumento utilizado, sendo o modelo funcional formado pelo conjunto de equações do tipo ∆ Hij = Hj - Hi e o modelo estocástico formado pe- las respectivas variâncias dos desníveis ( 𝜎𝜎∆Hij2 ), assumindo covariâncias nulas entre estes. Quanto às observações, o modelo matemático pode envolver observações diretas, observações diretas condicionadas ou observações indiretas. Observações diretas ocorrem quando as incógnitas do problema são as próprias grandezas mensuradas, como por exemplo, quando se deseja determinar a distância entre dois pon- tos por meio de sucessivas medições de distâncias entre eles. Nestes casos, a média aritmética e a média pondera- da são, respectivamente, a soluções mais prováveis caso as observações apresentem a mesma precisão ou dife- rentes precisões. Observações diretas condicionadas são obser- vações diretas que se relacionam por meio de equações de condição, como por exemplo,
Compartilhar