Академический Документы
Профессиональный Документы
Культура Документы
AJUSTAMENTO DE OBSERVAES
UTILIZANDO O MTODO DOS
MNIMOS QUADRADOS
UNIVERSIDADE DE COIMBRA
1994
1.Introduo ...................................................................................................................... 1
1.1. Observaes e erros de observao .............................................................. 1
1.1.1. Factores que caracterizam a medio de uma grandeza ............... 1
1.1.2. Erros associados ao processo de medio .................................... 1
2. Mtodo dos mnimos quadrados ................................................................................. 3
2.1. Modelo matemtico, funcional e estocstico ............................................... 3
2.1.1. Modelo matemtico...................................................................... 3
2.1.2. Modelo funcional ......................................................................... 3
2.1.3. Modelo estocstico ....................................................................... 3
2.2. Finalidade do mtodo dos mnimos quadrados ............................................ 3
2.3. Princpio do mtodo dos mnimos quadrados .............................................. 5
3. Tcnicas de aplicao do mtodo dos mnimos quadrados......................................... 6
3.1. Caso Geral de Ajustamento usando apenas equaes de condio.............. 7
3.1.1. Estabelecimento do modelo funcional: ........................................ 7
3.1.2. Deduo da forma linearizada do modelo funcional:................... 9
3.1.3. Determinao das variveis do problema: v e ........................ 12
3.1.4. Clculo das matrizes cofactor..................................................... 15
3.2. Casos Particulares ...................................................................................... 18
3.2.1. Ajustamento utilizando equaes de observao .......................... 18
3.2.2. Ajustamento utilizando equaes de condio.............................. 23
3.2.3. Aplicao das duas ltimas tcnicas de ajustamento ................. 26
Apndice A - Conceitos necessrios............................................................................... 40
Apndice B - Simbologia................................................................................................ 42
Bibliografia ..................................................................................................................... 44
1.INTRODUO
1.1. OBSERVAES E ERROS DE OBSERVAO
1.1.1. Factores que caracterizam a medio de uma grandeza
A medio de uma qualquer quantidade (com excepo de uma simples contagem)
implica levar a cabo um certo nmero de procedimentos fsicos, tais como a preparao da
medio (por exemplo a calibragem do instrumento a usar), a colocao do instrumento em
posio de medio e a comparao da quantidade a medir com um padro. O valor resultante
deste conjunto de procedimentos, expresso numa determinada unidade, representa a medio
feita.
A execuo de todas estas operaes leva ao aparecimento de erros, que podem ser de
trs tipos.
Erros acidentais
Erros sistemticos
Os erros sistemticos repetem-se do mesmo modo sempre que uma determinada aco
se repete nas mesmas circunstncias. So erros que, quando conhecidos, podem sempre ser
expressos atravs de uma formulao matemtica.
Tal como acontece com os erros acidentais, para se fazer o ajustamento de um
conjunto de observaes tambm necessrio eliminar os erros sistemticos, o que implica
que se tenha que conhecer antecipadamente a fonte de erro (que pode ser por exemplo o
observador, o instrumento usado, as condies fsicas de medio, etc).
2
1.1.2.3.
Erros aleatrios
4
para determinar o problema em questo. Devido superabundncia existente temos vrias
possibilidades de obter solues para o problema, que sero tantas quantas as combinaes
que podemos formar com as observaes, tomadas em nmero mnimo necessrio para
resolver o problema em questo.
Desta forma as observaes l1, l2,...,ln no so consistentes com o modelo funcional, e
teremos que substitui-las por um conjunto de estimativas ^l 1, ^l 2,..., ^l n (observaes
ajustadas) que satisfaam o modelo funcional. Estas estimativas so obtidas adicionando a
cada uma das observaes uma quantidade denominada de correco ou resduo (vi) de tal
forma que:
^l i = li + vi
com
i = 1, 2,...,n
2.3.
v1
v
vn ,1 = 2
vn
e W a matriz dos pesos das observaes, que uma matriz quadrada de ordem n. Para
observaes consideradas independentes (ou no correlacionadas) a matriz dos pesos toma a
forma:
w1
W =
w2
1/ 12
= 2
0
wn
1/ 22
1/ n2
= ( wi vi 2 )
i =1
= (vi 2 )
i =1
(1)
8
Exemplo:
Suponhamos que se mede a amplitude de um ngulo duas vezes, obtendo-se os
valores 1 e 2. Se no considerarmos o valor ajustado como um parmetro, o modelo
funcional ter apenas uma equao que ser:
1 - 2 = 0
determinando-se depois
= 1 ou = 2.
(2)
Este caso considerado como sendo o caso geral dentro do grupo das tcnicas
contendo parmetros independentes. Existem depois casos especiais dependendo do nmero
de parmetros envolvidos no ajustamento. Os casos extremos so quando u = 0, o que implica
que c = r e quando u = n0, o que implica que c = n. Se u for maior do que n0, o nmero de
condies exceder o nmero de observaes, o que no possvel a no ser que os
parmetros no sejam independentes (note-se que no ajustamento apenas com condies os
parmetros, se existirem, so funcionalmente independentes). Sendo assim necessrio que
se verifiquem as duas desigualdades:
rcn
0 u n0
Assim que sejam escolhidos os parmetros a envolver no ajustamento, devem-se
construir as c equaes de condio independentes, envolvendo as n observaes e os u
parmetros.
9
Frequentemente as equaes que constituem o modelo funcional no so lineares, o
que vai complicar consideravelmente o ajustamento. Quando tal acontece, procede-se sua
linearizao, utilizando a frmula de Taylor.
li - grandezas observadas (1 i n)
f2 (( l1 , l2 ,..., ln , x1 , x2 ,..., xu ) = 0
xi - parmetros (1iu)
fc (( l1 , l2 ,..., ln , x1 , x2 ,..., xu ) = 0
que para simplificar representaremos por:
fi( l , x ) = 0
representando l e x os verdadeiros valores das grandezas li e xi respectivamente (valores
que no so conhecidos).
Aplicando a estas c equaes a frmula de Taylor, desprezando termos de ordem igual
ou superior segunda obtm-se:
f
f
f( l , x ) = f(l0,x0) + ( )0 ( l -l0) + ( )0 ( x -x0) = 0
l
x
considerando como aproximaes dos valores verdadeiros l e x , respectivamente os
valores l0 e x0, e sendo o valor das derivadas parciais calculadas para x = x0 e l = l0.
Como o verdadeiro valor das variveis nunca conhecido, vamos substitui-las pelos
valores ajustados ^l .
f
f
f(l^ , x^ ) = f(l0,x0) + ( )0 (l^ -l0) + ( )0 (x^ -x0) = 0
l
x
10
Se tomarmos como aproximaes iniciais l0 para os valores observadas as observaes
feitas l, teremos:
^l - l0 = ^l - l = v
sendo v o vector dos resduos, que se adiciona aos valores observados para obter as
observaes ajustadas.
No entanto, se pretendermos fazer vrias iteraes teremos que ter em ateno o facto
de os resduos serem correces a aplicar aos valores observados de modo a obter os valores
ajustados, de modo que ao considerarmos como aproximao l0 o valor ajustado obtido na
iterao anterior teremos:
^l = l0 + l
^l - l0 = l
Como
^l = l + v = l0 + l
temos que:
^l - l0 = l+ v - l0 = l
Considerando ainda x - x0 = podemos escrever:
f
f
f(l^,x^) = f(l0,x0) + ( )0 (l + v -l0) + ( )0 = 0
l
x
que para uma primeira iterao, como j foi dito, e uma vez que l = l0, se reduz a:
f
f
f(l^ ,x^ ) = f(l,x0) + ( )0 v + ( )0 = 0
l
x
Considerando A = (
f
f
)0 e B = ( )0, teremos:
l
x
f(l0,x0) +A (l + v -l0) + B = 0
Al + Av - Al0 + B = - f(l0,x0)
11
Av + B = - f(l0,x0) + Al0 - Al
Fazendo:
d = - f(l0,x0) + Al0
obteremos:
Av + B = d - Al = f
ou seja:
Av + B = f
(3)
v1
v
vn,1 = 2
vn
x1
x
u,1 = 2
xu
f f
fi
A - Matriz Jacobiana Jfl =
li 0
Ac,n =
fc fc . . . fc
l1 l2 ln
12
fi
B - Matriz Jacobiana Jfx =
xi 0
Bc,u =
l1
l
ln,1 = 2
ln
f1
f1 f1
. . .
xu
x1 x2
f2
f2 f2
. . .
xu
x1 x2
.
.
.
fc fc
fc
. . .
x1 x2
xu
O sistema (3) vai ser usado para fazer o ajustamento de observaes e parmetros
independentes. um sistema com c equaes lineares com n + u incgnitas, que so os
elementos dos vectores v e . Uma vez que das equaes (1) e (2) se pode concluir que
c<n+u
existem muitas solues para este sistema. Para se obter uma soluo nica vai-se-lhe juntar o
critrio dos mnimos quadrados, ou seja, tornar = vtWv mnimo.
t
= v Wv mnimo
que um problema de extremos condicionados, e vai ser resolvido pelo mtodo de Lagrange.
Vamos ento construir uma funo a partir de , introduzindo c multiplicadores de
Lagrange de modo que:
= + (Av + B - f)
para simplicidade de clculos os c multiplicadores de Lagrange sero representados na forma
= -2 kt , sendo k um vector coluna de dimenso cx1, e teremos:
= - 2 kt (Av + B - f) = vtWv- 2 kt (Av + B - f)
13
O mnimo da funo ser a soluo do seguinte sistema:
v = 0
=0
Av + B - f = 0
Sendo
ordem ao vector .
Calculando as derivadas (ver apndice) obtm-se:
v = 2vtW - 2 kt A = 0
= - 2 ktB = 0
Av + B - f = 0
Que chamado de sistema de equaes normais.
Para a resoluo do sistema podem seguir-se os seguintes passos:
1) obtm-se da 1 equao o valor de v;
2) substitui-se v na 3 equao e determina-se o valor de k;
3) substitui-se o valor de k na expresso encontrada para v;
4) substitui-se o valor de k na 2 equao para determinar .
1)
vtW = kt A
vt = kt AW-1
v = (kt AW-1)t = (W-1)tAtk = (Wt)-1Atk = W-1Atk
2)
A(W-1Atk) + B - f = 0
A(W-1Atk) = f - B
14
(AW-1At)k = f - B
k = (AW-1At)-1(f - B)
3)
v = W-1At[(AW-1At)-1(f - B)]
v = W-1At(AW-1At)-1(f - B)
4)
- 2 kt B = 0
- 2 [(AW-1At)-1(f - B)]tB = 0
[(AW-1At)-1f - (AW-1At)-1B]tB = 0
[(AW-1At)-1f]t B - [(AW-1At)-1B]t B = 0
[(AW-1At)-1f]t B = [(AW-1At)-1B]t B
t = Bt (AW-1At)-1f
15
vt Wl v
.
r
16
Se o valor encontrado for muito diferente do valor atribudo no incio ter que se
investigar a causa do erro, que poder ser a existncia de erros sistemticos nas observaes,
erros nos clculos, modelo funcional inadequado, um erro grosseiro, linearizao do modelo
funcional incorrecta ou a utilizao de um modelo estocstico errado. A esta anlise chama-se
anlise posteriori.
Em vez de trabalharmos com as matrizes dos pesos ou as matrizes de covarincia
podemos trabalhar com as matrizes cofactor, que nos do as varincias e covarincias
relativas:
1
Ql = Wl-1 = 2 Cl
0
(4)
Desta forma poderemos determinar as matrizes cofactor dos parmetros, dos resduos e
das observaes ajustadas.
Matriz cofactor dos parmetros
Conhecendo a matriz dos pesos, ou a matriz de covarincia das observaes, podemos
obter Ql, atravs da equao (4). Para determinarmos agora a matriz cofactor dos parmetros
vamos utilizar a expresso:
= N-1[Bt (AW-1At)-1f]
como f = d - Al, temos:
= N-1Bt (AW-1At)-1(d - Al)
= N-1Bt (AW-1At)-1d - N-1Bt (AW-1At)-1Al
Uma vez que
Q = Jl Qll Jlt
ento:
Q = - N-1Bt (AW-1At)-1A Qll (- N-1Bt (AW-1At)-1A)t
Q = - N-1Bt (AW-1At)-1A W-1 [- At((AW-1At)-1)t B (N-1)t]
17
Como W uma matriz simtrica, logo W-1 simtrica e AW-1At tambm simtrica,
deste modo (At)-1 = (A-1)t e podemos escrever:
Q = - N-1Bt (AW-1At)-1A W-1 [- At(AW-1At)-1 B (N-1)t]
Pelos mesmos motivos podemos dizer que N uma matriz simtrica, logo (N-1)t =
N-1 e temos:
Q = - N-1Bt (AW-1At)-1A W-1 (- At)(AW-1At)-1 B N-1
Q = N-1Bt (AW-1At)-1(A W-1 At)(AW-1At)-1 B N-1
Q = N-1Bt (AW-1At)-1 B N-1
Q = N-1N N-1
Q = N-1
Uma vez que x^ = x0 + , esta matriz igual matriz cofactor dos parmetros ajustados
(Q^x^x ).
Matrizes cofactor dos resduos e das observaes ajustadas
De forma anloga se provaria que:
Qvv=QllAt(AW-1At)-1AQll - QllAt(AW-1At)-1BQBt(AW-1At)-1AQll
Q^l ^l = Qll - Qvv.
Conhecidas as matrizes cofactor podemos determinar as matrizes de covarincia, que
nos daro uma indicao da preciso dos valores estimados.
Do mtodo dos mnimos quadrados obtm-se estimativas para todas as variveis do
modelo, assim como as respectivas matrizes cofactor. Depois de se aplicar o algoritmo
computacional aos dados, necessrio avaliar estatisticamente os resultados obtidos. De facto
18
os resultados da avaliao estatstica podem levar remodelao da tarefa de ajustamento se
se concluir que o modelo no era adequado.
Por fim, convm frisar que a qualidade do ajustamento obtido com o mtodo dos
mnimos quadrados depende fundamentalmente da escolha do modelo e da correcta
determinao de n0.
f
B = ( )0
x
Como neste caso particular cada funo f contm apenas uma observao com
coeficiente unitrio, a matriz A fica reduzida matriz identidade e teremos:
v + B = f
19
como forma linear do modelo funcional. Como f = d - Al poderemos ainda apresent-lo da
seguinte forma:
f=d-l
l + v + B = d
com d = - f(l,x0) + l0
2 - Expresses que permitem calcular as variveis do problema e as matrizes cofactor
(obtidas a partir do caso geral):
De forma anloga se podem obter as expresses que permitem calcular v e a partir
do caso geral, substituindo apenas A pela matriz identidade:
Tnhamos que:
v = W-1At(AW-1At)-1(f - B)
substituindo A pela matriz identidade temos:
v = (W-1W)(f - B) = f - B
v = f - B
Tnhamos tambm que:
= N-1t
com
N = Bt (AW-1At)-1B
t = Bt (AW-1At)-1f
sendo
N = Bt W B
t = Bt W f
Quanto s matrizes cofactor dos parmetros, dos resduos e das observaes ajustadas,
respectivamente Q, Qvv, Q^l ^l , temos:
Q = N-1
Qvv = QlWQl - QlWBQBtWQl
Qvv = Qll - BQBt
20
De modo semelhante:
Q^l ^l = Qll - Qvv
Q^l ^l = BN-1Bt
3 - Exerccio de aplicao:
Estabelea um modelo funcional, utilizando equaes de observao, para determinar
as cotas ajustadas dos pontos B, C e D (respectivamente NB, NC e ND), sabendo que se
conhece a cota do ponto A (NA), e se mediram-se as seguintes diferenas de nvel (ver Fig 1):
l1 = dNAB
l2
l1
l2 = dNBC
l3
l3 = dNAC
l4 = dNCD
l4
l5 = dNAD
l5
D
Figura 1 - Esquema das diferenas de nvel observadas
n=5
21
Como queremos determinar as cotas de 3 pontos, temos 3 parmetros, ou seja:
u=3
Assim teremos que escrever c = n = 5 equaes, de modo que tenhamos uma
observao em cada equao:
NA + dNAB = NB
NB + dNBC = NC
f1 = N A + l1 N B = 0
f 2 = N B + l2 N C = 0
f3 = N A + l3 N C = 0
f 4 = N C + l4 N D = 0
f = N +l N = 0
A
5
D
5
NA + dNAC = NC
NC + dNCD = ND
NA + dNAD = ND
Sendo estas as equaes que constituem o modelo funcional, que podemos escrever da
seguinte forma:
v + B = f
f
sendo:
v1
v
2
v = v3
v4
v5
B=
e finalmente f = d -l = -f(x0,l0) + l0 -l
Na 1 iterao l0 = l logo:
NB = NB0 + x1
sendo: NC = NC0 + x2
ND.= ND0 + x3
22
N A + l1 N B0
N B0 + l2 N C0
f = -f(x0,l) = - N A + l3 N C0
N C + l4 N D
0
0
N A+ l5 N D0
Nas iteraes seguintes:
N A + (l1 )0 N B0
N B0 + (l2 )0 N C0
f = d -l = -f(x0,l0) + l0 - l = - N A + (l3 )0 N C0 +
N C + (l4 )0 N D
0
0
N A + (l5 )0 N D0
(l1 )0
(l )
2 0
(l3 )0
(l4 )0
(l5 )0
l1
l
2
l3 =
l4
l5
N A + l1 N B0
N B0 + l2 N C0
= - N A + l3 N C0 = -f(x0,l) pois o modelo funcional era, partida, linear.
N C + l4 N D
0
0
N A+ l5 N D0
Passando imediatamente para notao matricial teramos:
f1 = N A + l1 N B = 0
f 2 = N B + l2 N C = 0
f3 = N A + l3 N C = 0
f 4 = N C + l4 N D = 0
f = N +l N = 0
5
5
A
D
f1 = N A + (l1 + v1 ) ( N B0 + x1 ) = 0
f 2 = ( N B0 + x1 ) + (l2 + v2 ) ( N C0 + x2 ) = 0
f 3 = N A + (l3 + v3 ) ( N C0 + x2 ) = 0
f = ( N + x ) + (l + v ) ( N + x ) = 0
C0
D0
2
4
4
3
4
f 5 = N A + (l5 + v5 ) ( N D + x3 ) = 0
23
v1 x1 = N A l1 + N B0
v2 + x1 x2 = N B0 l2 + N C0
v3 x2 = N A l3 + N C0
v + x x = N l + N
C0
D0
4
4 2 3
v5 x3 = N A l5 + N D
0
v1
v
2
v3 +
v4
v5
1 0 0
1 1 0 x
1
0 1 0 x2 =
0 1 1 x3
0 0 1
N A + l1 N B0
N B0 + l2 N C0
N +l N
C0
A 3
N C + l4 N D
0
0
N A+ l5 N D0
24
v = W-1At(AW-1At)-1f
Depois de calculada a matriz dos resduos podemos obter as observaes ajustadas
^
l atravs de l = l + v.
Quanto s matrizes cofactor dos resduos e das observaes ajustadas, respectivamente
Qvv e Q^l^l tnhamos:
Qvv=QllAt(AW-1At)-1AQll - QllAt(AW-1At)-1BN-1Bt(AW-1At)-1AQll
e passaremos a ter:
Qvv = QllAt(AW-1At)-1AQll
3 - Exerccio de aplicao:
Estabelea um modelo funcional, utilizando equaes de condio, para determinar as
coordenadas ajustadas do ponto P (MP e PP), sabendo que so conhecidas as coordenadas dos
pontos A e B, se mediram os trs ngulos , e e a distncia BP = a (ver Fig. 2)
P
a
Figura 2 - Esquema da posio dos pontos e das quantidades envolvidas na resoluo do problema
Resoluo:
Mediram-se quatro elementos, trs ngulos (, e ) e uma distncia (a), logo n = 4.
Para determinar as coordenadas de P bastava ter medido, por exemplo, a distncia
BP e o ngulo , logo:
n0 = 2
r = n - n0 = 2
25
Queremos determinar as coordenadas de P que so MP e PP, considerando estas
quantidades como variveis a ajustar teramos dois parmetros, mas como vamos utilizar
equaes de condio, vamos escrever o modelo funcional sem considerar parmetros. Assim
c = r = 2, ou seja, teremos que escrever duas equaes, que podem ser:
+ + =
p
a
sin = sin
f1 = + + = 0
a
p
f 2 = sin sin = 0
df1
db
df 2
db
df1
dg
df 2
dg
df1
da
=
df 2
da
1
1
a.cosec a.cotg a 0
v1
v
v = 2
v3
v4
f = d -Al = -f(l0) + Al0 -Al
Na 1 iterao l0 = l logo
f = -f(l) =
a + p
sin sin
com
l=
a
0
l0 = 0
0
a0
1
0
p.cosec g .cotg g cosec a
26
d = -f(l0) + Al0 =
0 + 0 + 0
=- a0
p +
sin 0 sin 0
a .cosec .cotg
0
0
0
p.cosec 0 .cotg 0
0
0 0
.
=
cosec 0 0
a0
( 0 + 0 + 0 ) + 0 + 0 + 0
=
=
( a0 p ) + ( a0 . 0 .cosec 0 .cotg 0 + p. 0 .cosec 0 .cotg 0 + a0 .cosec 0 )
sin 0 sin 0
=
( a0 p ) + ( a0 . 0 .cosec 0 .cotg 0 + p. 0 .cosec 0 .cotg 0 + a0 .cosec 0 )
sin 0 sin 0
logo
f=
( a0 p ) + ( a0 . 0 .cosec 0 .cotg 0 + p. 0 .cosec 0 .cotg 0 + a0 .cosec 0 )
sin 0 sin 0
-
-a0 .cosec 0 .cotg 0
1
0
1
p.cosec 0 .cotg 0
0
cosec 0
a
d1
2
C
d2
(EF)
4
d3
()
.C.
.C.
Figura 3 - Esquema da poligonal
27
DADOS:
QUANTIDADES
OBSERVADAS:
MB = 8478,139 m
1 = 172 53 34 2
PEDIDOS:
MC = ?
PB = 2483,826 m
2 = 185 22 14 2
PC = ?
MF = 7709,336 m
3 = 208 2619 2
MD = ?
PF = 2263,411 m
4 = 205 1351 2
PD = ?
(BA) = 68 1520,7
d1 = 281,832 0,016 m
d2 = 271,300 0,016 m
d3 = 274,100 0,016 m
N de observaes:
n=7
N de observaes necessrias:
n0 = 4
N de parmetros:
u=4
Redundncia:
r = n - n0 = 3
c=r+u=n=7
Temos ento que escrever sete equaes que nos relacionem todos os elementos
envolvidos, de modo que em cada equao se tenha apenas uma observao, com um
coeficiente unitrio. Assim se tivermos em considerao que:
(BA) + - (BC) = 0
(CB) + 21 - (CD) = 0
(DC) + - (DE) = 0
(ED) + 43 - (EF) = 0
d1 - BC = 0
d - CD = 0
2
d3 - DE = 0
28
podemos escrever as seguinte sete equaes, em funo dos parmetros a considerar, das
quantidades observadas e das quantidades conhecidas:
MC-MB
f1 = (BA) +1- arctg P -P = 0
C B
M -M
M -M
f2 = arctg PBB-PCC +2 - arctg PDD-PCC = 0
MC-MD
ME-MD
f3 = arctg P -P +3 - arctg P -P = 0
C D
E D
MD-ME
f4 = arctg P -P +4- (EF) = 0
D E
f5 = d1- (MC-MB)2+(PC-PB)2 = 0
f = d - (M -M )2+(P -P )2 = 0
6 2 D C D C
f7 = d3- (ME-MD)2+(PE-PD)2 = 0
Temos assim construdo o modelo funcional, que no linear. Para o escrever na sua
forma linearizada
l + v + B = d ou v + B = d - l = f
temos que formar e calcular as matrizes e os vectores a envolvidos:
f1
M C
f 2
M C
f
3
M
C
f
B = 4
M C
f 5
M C
f 6
M C
f 7
M C
f1
PC
f1
M D
f 2
PC
f 2
M D
f3
PC
f3
M D
f 4
PC
f 4
M D
f5
PC
f5
M D
f 6
PC
f 6
M D
f 7
PC
f 7
M D
f1
PD
f 2
PD
f3
PD
f 4
PD
f 5
PD
f 6
PD
f 7
PD 0
29
Como (arctg u)' =
u'
tem-se que por exemplo:
1 + u2
b11 =
f1
PC-PB
=MC
(PC-PB)2 + (MC-MB)2
b12 =
f1
MC-MB
=PC
(PC-PB)2 + (MC-MB)2
tendo que se determinar vinte e oito derivadas parciais das sete funes que constituem o
modelo funcional.
Depois de determinadas todas as derivadas e substituindo as coordenadas de B e F, e
os rumos de (BA) e (EF) pelos seus valores e substituindo as coordenadas de C e D por
valores aproximados, obtm-se a matriz B.
Quanto aos vectores v, e f = d - l = - f(l0,x0) + l0 - l temos:
v1
v
2
v3
v = v4
v5
v6
v
7
l1
l
2
l3
l = l4 =
l5
l6
l
7
x1
x
= 2
x3
x4
1
2
3
4
d1
d2
d
3
(1 )0
( )
2 0
( 3 )0
l0 = ( 4 )0
(d1 )0
(d 2 )0
(d )
3 0
M C = M C 0 + x1
PC = PC0 + x2
sendo:
M D = M D0 + x3
P = P + x
D0
4
D
30
MC0-MB
(BA)+ 1 - arctg P -P
C0 B
MD0-MC0
C0
arctg MPB-M
arctg
2
PD0-PC0
B-PC0
ME-MD0
D0
arctg MPCC0-M
arctg
3
-P
P
-P
D
E
D
0
0
0
f= MD0-ME
arctg PD -PE + 4 - (EF)
0
2
2
d1 - (MC0 - MB) + (PC0 - PB)
d2 - (MD0 - MC0)2 + (PD0 - PC0)2
d3 - (ME - MD0)2 + (PE - PD0)2
(BA)+(1)0-arctg PC00-PB
MB-MC
MD0-MC0
0
arctg PB-PC0 +(2)0-arctg PD0-PC0
MC0-MD0
ME-MD0
arctg PC0-PD0 +(3)0- arctg PE-PD0
f=-
MD0-ME
arctg PD0-PE +(4)0-(EF)
(d1) - (MC -MB)2+(PC -PB)2
0
0
0
2
2
(d2)0- (MD0-MC0) +(PD0-PC0)
(d3)0- (ME-MD0)2+(PE-PD0)2
( )
(21)00 21
( )
30
3
+ (4)0 - 4
(d1)0 d1
(d2)0 d2
(d3)0 d3
PC = 2340 m
MD = 7980 m
PD = 2230 m
31
B = 10-3
1.4669056
-3.285087
1.818182
0
888.2685
-894.4272
0
-2.836786
6.473150
-3.636364
0
459.3247
-447.2136
0
0
1.818182
-1.368960
0.4492217
0
894.4272
-992.4672
0
-3.636364
7.275529
-3.639165
0
447.2136
122.511
0.026318430 (rad)
-0.080146734 (rad)
0.09011977 (rad)
f = - -0.036234261 (rad)
31.2929 (m)
-25.3325 (m)
-1.3817 (m)
Temos assim formado o modelo funcional linearizado:
v + B = f
Para podermos calcular os valores das incgnitas temos ainda que conhecer a matriz
dos pesos, que tem da seguinte forma:
W = 02.diag 1/12 1/22 1/32 1/42 1/d12 1/d22 1/d32
Como conhecemos o desvio padro associado a cada medio angular e a cada
medio de distncias, podemos calcular as respectivas varincias, obtendo-se:
1 2 = 2 2 = 3 2 = 4 2 = 4" = 9.401772217 x 10-11 rad2
d1 2 = d2 2 = d3 2 = 0.016 2 = 2.56 x 10-4 m2.
v = f - B
32
Fazendo vrias iteraes obtm-se os seguintes resultados para as correces a
adicionar aos valores aproximados dos parmetros:
1 iterao
2 iterao
3 iterao
4 iterao
32,52094
-1,25186
-0,00606
-5,2E-08
7,861685
-0,04199
-0,00202
-6,6E-09
4,82137
-2,40815
-0,00892
-2,2E-08
9,134401
0,581442
-0,00143
3,54E-08
MC1 = 8232,521
MC2 =8231,269
MC3 =8231,263
MC4 =8231,263
PC1 = 2347,862
PC2 = 2347,820
PC3 = 2347,818
PC4 = 2347,818
MD1 = 7984,821
MD2 = 7982,413
MD3 = 7982,404
MD4 = 7982,404
PD1 = 2239,134
PD2 = 2239,716
PD3 = 2239,714
PD4 = 2239,714
MC = 8231.263 m
MD = 7982.404 m
PC = 2347.818 m
PD = 2239.714 m
33
1 iterao
2 iterao
3 iterao
4 iterao
v(1)
v(2)
v(3)
v(4)
0,000915 rad
9,68 x 10 -6 rad
5,73 x 10 -6 rad
5,73 x 10 -6 rad
0,000247 rad
1,26 x 10 -5 rad
1,13 x 10 -5 rad
1,13 x 10 -5 rad
-0,00028 rad
1,56 x 10 -5 rad
1,7 x 10 -5 rad
1,7 x 10 -5 rad
-0,00083 rad
1,93 x 10 -5 rad
2,32 x 10 -5 rad
2,32 x 10 -5 rad
-1,20546 m
0,02283 m
0,029689 m
0,029689 m
-1,12645 m
0,02013 m
0,024493 m
0,024493 m
2,284332 m
0,003069 m
-0,00545 m
-0,00545 m
^l(1)
^l(2)
^l(3)
^l(4)
280,6265 m
281,8548 m
281,8617 m
281,8617 m
270,1735 m
271,3201 m
271,3245 m
271,3245 m
276,3843 m
274,1031 m
274,0946 m
274,0946 m
PC0 = 2347,831 m
MD0 = 7982,409 m
PD0 = 2239,708 m
obtm-se:
34
1 iterao
2 iterao
-0,02697
-2,8E-07
-0,01333
-6,7E-08
-0,0047
1,53E-06
0,00641
-2,8E-07
MC1 = 8231,263
MC2 = 8231,263
PC1 = 2347,818
PC2 = 2347,818
MD1 = 7982,404
MD2 = 7982,404
PD1 = 2239,714
PD2 = 2239,714
35
1 iterao
2 iterao
v(1)
v(2)
5,73 x 10 -6 rad
5,73 x 10 -6 rad
1,13 x 10 -5 rad
1,13 x 10 -5 rad
1,7 x 10 -5 rad
1,7 x 10 -5 rad
2,32 x 10 -5 rad
2,32 x 10 -5 rad
0,029689 m
0,029689 m
0,024495 m
0,024493 m
-0,00545 m
-0,00545 m
^l(1)
^l(2)
281,8617 m
281,8617 m
271,3245 m
271,3245 m
274,0946 m
274,0946 m
36
4.0922E-11 2.90692E-11 1.74828E-11 6.54371E-12 -2.4321E-08 -1.3496E-08 4.35071E-08
Qvv
=
1.74828E-11 2.15997E-11
2.561E-11
-1.6363E-08
Q^l^l =
5,31E-11
-2,9 E-11
-1,7 E-11
-6,5 E-12
2.43 E-8
1.35 E-8
-4.4 E-8
-2,9 E-11
6,87 E-11
-2,2 E-11
-1,8 E-11
8.95 E-9
5.5 E-9
-1.3 E-8
-1,7 E-11
-2,2 E-11
6,84 E-11
-2,9 E-11
-6.9 E-9
-3.2 E-9
1.64 E-8
-6,5 E-12
-1,8 E-11
-2,9 E-11
5,39 E-11
-2.6 E-8
-1.6 E-8
4 E-8
2.43 E-8
8.95 E-9
-6.9 E-9
-2.6 E-8
0.000132
-0.00011
-2.1 E-5
1.35 E-8
5.5 E-9
-3.2 E-9
-1.6 E-8
-0.00011
0.000154
-4.8 E-5
-4.4 E-8
-1.3 E-8
1.64 E-8
4 E-8
-2.1 E-5
-4.8 E-5
7.39 E-5
Q^
^ =
0,000108
5,02 E-5
2,46 E-5
4,46 E-6
5,02 E-5
2,81 E-5
-4,6 E-7
3,09 E-6
2,46 E-5
-4,6 E-7
7,53 E-5
4,78 E-6
4,46 E-6
3,09 E-6
4,78 E-6
2,69 E-6
Clculo de 0 posteriori:
02 = 5,464092
0 = 2,33754
37
Valor prximo do valor escolhido (o valor escolhido foi 1) logo o ajustamento no
apresenta problemas.
B - UTILIZANDO EQUAES DE CONDIO
c=r=3
f = (BA) + ( - ) + ( - ) + ( - ) + - (EF) = 0
1
2
3
4
1
f = M + d sin[(BA)+1] + d2.sin[(BA)+1-+2] + d3.sin[(EF)-4-] - ME = 0
2 B 1.
f3 = PB + d1.cos[(BA)+1] + d2.cos[(BA)+1-+2] + d3.cos[(EF)-4-] - PE = 0
f2
f
A = ( )0 =
1
l
f3
1
1
= -244.093
495.684
v1
v
2
v3
v = v4
v5
v6
v
7
f2 f2 f2 f2 f2
2 3 4 d1 d2
f3 f3 f3 f3 f3
2 3 4 d1 d2
-108.098 0
1
-23.697
f2
=
d3 0
f3
d3
-0.876 -0.917
-0.996
0.086
38
f = - f(l0) + Al0 - Al
Na 1 iterao l = l0 logo:
(BA) + (1 - ) + (2 - ) + (3 - ) + 4 - (EF)
M
+
d
sin
[(BA)+
]
+
d
sin[(BA)+
]
+
d
sin[(EF)
]
M
1
2
1
2
3
4
E
B 1
f = - f(l) = PB + d1cos[(BA)+1] + d2cos[(BA)+1-+2] + d3cos[(EF)-4-] - PE
Obtendo-se:
f=
5.72066569x10-5(rad)
-0.046217 (m)
-0.025221 (m)
-6
x10 (rad)
5.73149
1.13325x10-5 (rad)
1.69774x10-5 (rad)
v(1) = 2.31666x10-5 (rad)
(m)
0.02968891
0.02449371 (m)
-0.00544557 (m)
17253'35.1"
18522'16.3"
20826'22.5"
^
l(1) = l + v(1) = 20513'55.7"
281.862 (m)
271.324 (m)
274.095 (m)
Resultados da 2 iterao:
-6
x10 (rad)
5.73039
1.13323x10-5 (rad)
1.6978x10-5 (rad)
v(2) = 2.31673x10-5 (rad)
(m)
0.029689208
0.024493105 (m)
-0.005445117 (m)
17253'35.1"
18522'16.3"
20826'22.5"
^
l(2) = l + v(2) = 20513'55.7"
281.862 (m)
271.324 (m)
274.095 (m)
39
Podendo-se agora calcular as coordenadas ajustadas de C e D, por exemplo, atravs
de:
MC = MB + d1 sin [(BA) + 1] = 8231.263 m
PC = PB + d1 cos [(BA) + 1] = 2347.818 m
MD = ME + d3 sin [(EF) - 4] = 7982.405 m
PD = PE + d3 cos [(EF) - 4] = 2239.714 m
Quanto anlise de resultados tem-se:
Q^vv^ =
Q^l^l =
4,09188E-11
2,90685E-11
1,74843E-11
6,54613E-12
-2,43189E-08
-1,34962E-08
4,35056E-08
2,90685E-11
2,52976E-11
2,16001E-11
1,80516E-11
-8,94991E-09
-5,5007E-09
1,28375E-08
1,74843E-11
2,16001E-11
2,56094E-11
2,9324E-11
6,94007E-09
3,18781E-09
-1,63616E-08
6,54613E-12
1,80516E-11
2,9324E-11
4,0096E-11
2,63288E-08
1,58091E-08
-3,99815E-08
-2,43189E-08
-8,94991E-09
6,94007E-09
2,63288E-08
0,000124416
0,000109972
2,07434E-05
-1,34962E-08
-5,5007E-09
3,18781E-09
1,58091E-08
0,000109972
0,000102259
4,83847E-05
4,35056E-08
1,28375E-08
-1,63616E-08
-3,99815E-08
2,07434E-05
4,83847E-05
0,000182117
5,30989E-11
-2,90685E-11
-1,74843E-11
-6,54613E-12
2,43189E-08
1,34962E-08
-4,35056E-08
-2,90685E-11
6,87201E-11
-2,16001E-11
-1,80516E-11
8,94991E-09
5,5007E-09
-1,28375E-08
-1,74843E-11
-2,16001E-11
6,84083E-11
-2,9324E-11
-6,94007E-09
-3,18781E-09
1,63616E-08
-6,54613E-12
-1,80516E-11
-2,9324E-11
5,39217E-11
-2,63288E-08
-1,58091E-08
3,99815E-08
2,43189E-08
8,94991E-09
-6,94007E-09
-2,63288E-08
0,000131584
-0,000109972
-2,07434E-05
1,34962E-08
5,5007E-09
-3,18781E-09
-1,58091E-08
-0,000109972
0,000153741
-4,83847E-05
0 posteriori 2.4.
40
A = At
41
y
x1 x2
xn
y
j
Jyx = = .
xi
.
.
ym ym . . . ym
x1 x2 xn
j = 1,...,m
i = 1,...,n
= 2x A
t
( x t A)
x
= At
DE
LAGRANGE
PARA
DETERMINAO
DE
EXTREMOS
CONDICIONADOS:
O mtodo de Lagrange diz que para se encontrar um extremo relativo de uma funo
f de n variveis
k = 0
'x1 = 0
'x 2 = 0
' = 0
xn
FRMULA DE PROPAGAO DA VARINCIA
Se y = f(x), ento atravs das leis de propagao da varincia, sabe-se que:
Cy = Jyx Cx Jyxt
42
APNDICE B - SIMBOLOGIA
xi - Parmetros
u - N de parmetros
li - Observaes
n - N de observaes
l1
l
ln,1 = 2
ln
v1
v
vn,1 = 2
vn
l1
^l n,1 = l + v = l2
l
n
43
x1
x
u,1 = 2
xu
f
f f
fc fc . . . fc
l1 l2 ln
fi
A - Matriz Jacobiana Jfl =
li 0
fi
B - Matriz Jacobiana Jfx =
xi 0
w1
w2
Bc,u =
fc fc . . . fc
x1 x2 xu
= 02
wn
1/ 12
x10
x
0
x^ u,1 = x0 + = 2 +
xu 0
1/ 22
1
2=
u
1/ n2
x1
x2
x
u
44
BIBLIOGRAFIA
Mikhail, E.; Ackerman, F. - "Observations and Least Squares". University Press of
America,1976.
Cooper, M. - "Control Surveys in Civil Engineering". Collins Professional and
Company, 1981.
CASO GERAL:
Forma linearizada do modelo funcional:
Av + B = f
Sendo:
f
A = ( )0
l
f
B = ( )0
x
v = ^l - l
= x^ - x0
f = d - Al
com
d = - f(l0,x0) + Al0
v = W-1At(AW-1At)-1(f - B)
= N -1t
Com:
N = Bt (AW-1At)-1B
t = Bt (AW-1At)-1f
Expresses que permitem calcular as matrizes cofactor dos parmetros, dos
resduos e das observaes ajustadas:
Q = N-1
Qvv=QllAt(AW-1At)-1AQll-QllAt(AW-1At)-1BN-1Bt(AW-1At)-1AQll
Q^l ^l = Qll - Qvv
CASOS PARTICULARES:
a) Ajustamento utilizando equaes de observao
Forma linearizada do modelo funcional:
v + B = f
ou
l + v + B = d
v = f - B
Com:
N = Bt W B
t = Bt W f
Q = N-1
Q^l ^l = BN-1Bt
Av = f
Expresses que permitem calcular os valores mais provveis para as variveis do
problema:
v = W-1At(AW-1At)-1f
Expresses que permitem calcular as matrizes cofactor dos resduos e das
observaes ajustadas:
Qvv = QllAt(AW-1At)-1AQll