Professional Documents
Culture Documents
Varincia da amostra
1
1
2
2
=
=
n
v
s
n
i
i
34
Estatstica
Medidas de disperso
Erro padro
Desvio padro
n
n
i
i
=
=
1
2
1
1
2
=
=
n
v
s
n
i
i
Desvio padro da mdia
n
s
n n
v
s
n
i
i
=
=
=
) 1 (
1
2
35
Medidas de disperso
Curva normal reduzida
= 0
= 1
=
x
z
36
Exerccio
O conjunto de dados, mostrado abaixo, representa a poro em segundos de
arco de 50 medidas de uma direo. Calcular a mdia, a mediana, desvio
padro da amostra e construir um histograma de classes.
L(01:10) = [34.2 33.6 35.2 30.1 38.4 34.0 30.2 34.1 37.7 36.4];
L(11:20) = [37.9 33.0 33.5 35.9 35.9 32.4 39.3 32.2 32.8 36.3];
L(21:30) = [35.3 32.6 34.1 35.6 33.7 39.2 35.1 33.4 34.9 32.6];
L(31:40) = [36.7 34.8 36.4 33.7 36.1 34.8 36.7 30.0 35.3 34.4];
L(41:50) = [33.7 34.1 37.8 38.7 33.6 32.6 34.7 34.7 36.8 31.8];
37
Exerccio
38
Exerccio
39
Exerccio
40
Exerccio
Duas variveis, X e Y, assumem os valores X
1
= 2, X
2
= -5, X
3
= 4, X
4
= -8,
e Y
1
= -3, Y
2
= -8, Y
3
= 10, Y
4
= 6, respectivamente. Calcular:
a) X = ;
b) Y;
c) XY
d) X
2
;
e) Y
2
;
f) (X)(Y);
g) XY
2
;
h) ((X+Y)(X-Y)).
2
X
41
Exerccio
a) X;
= =
-8
4
-5
2
(X - )
2
X - X
42
Exerccio
a) X;
b) Y;
c) XY
d) (X
2
);
e) (Y
2
);
f) (X)(Y);
g) (XY
2
);
h) ((X+Y)(X-Y)).
X = [2 -5 4 -8];
Y = [-3 -8 10 6];
43
Exerccio
Prove que a soma dos desvios de X
1
, X
2
, ..., X
n
em relao sua mdia
aritmtica M, igual a zero.
44
Exerccio
Um distancimetro eletrnico e um refletor foram instalados nos extremos
de uma linha de base com 500,781m de extenso. Um operador repetiu
25 vezes a medida de seu comprimento e obteve os seguintes
resultados:
L(01:05) = [500.806 500.824 500.814 500.793 500.804];
L(06:10) = [500.803 500.816 500.820 500.811 500.807];
L(11:15) = [500.825 500.820 500.809 500.800 500.813];
L(16:20) = [500.813 500.817 500.812 500.815 500.805];
L(21:25) = [500.807 500.810 500.828 500.808 500.799];
Pede-se:
a) A mdia, mediana e o desvio padro dos dados;
b) Construir um histograma dos dados e descrever suas propriedades. No
histograma delimite o desvio padro a partir da mdia em ambos os
lados;
c) Quantas observaes esto entre a mdia e o desvio padro? (Ms), e
qual a percentagem que estas medidas representam?
45
Exerccio
46
Exerccio
47
Exerccio
Uma distncia foi medida em duas partes com uma fita de ao de 100m de
comprimento, e depois, foi medida em sua totalidade com uma fita de ao
de 200m. As medidas foram repetidas 10 vezes em cada mtodo obtendo
os seguintes conjuntos de dados:
Observaes feitas com a fita de ao de 100m: (parte 1 e parte 2)
{100.001 100.018 99.974 99.992 99.972 99.990 99.950 99.984 99.979 99.988}
{49.329 49.365 49.346 49.300 49.327 49.324 49.349 49.357 49.341 49.333}
Observaes feitas com a fita de 200m: (medidas do total)
{149.326 149.397 149.357 149.294 149.337 149.338 149.329 149.331 149.370
149.363}
Pede-se:
a) A mdia, a varincia e o desvio padro para cada um dos dois conjuntos
das medidas parciais de distncia, e tambm para os conjuntos das
medidas considerando-se a distncia total;
b) Crie uma tabela de classes de frequncia e histograma para cada
conjunto de dados usando a largura da classe 0,009 (9mm).
48
Exerccio
49
Estatstica
Distribuio de probabilidade de uma v.a. discreta
Seja X uma v.a. discreta, isto , que assume valores em
associao com nmeros inteiros x
1
, x
2
, ..., x
n
.
Associemos a cada x
i
um nmero p(x
i
) representativo da
sua probabilidade.
p(x
i
) = P(X = x
i
)
tal que
a) 0 p(xi) 1
b) = 1
c) P(a X b) = i tal que a X b.
i
i
x p ) (
=
n
i
i
x p
1
) (
50
Estatstica
Distribuio de probabilidade de uma v.a. contnua
Seja X uma v.a. contnua.
A probabilidade pontual associada varivel discreta
substituda pela densidade de probabilidade (x) relativa
a um intervalo infinitsimo.
(x)dx = P(x X x+dx) ou
x
x x X x P
x
x
+
=
) (
) (
lim
0
tal que
a) (x) 0
b)
c) P(a X b) =
+
=1 ). ( dx x
b
a
dx x). (
51
Estatstica
A funo que estabelece a correspondncia
entre um valor da v.a. contido no intervalo
elementar e a densidade de probabilidade
denominada funo densidade de probabilidade
(fdp).
=
2
1
). ( ) (
2 1
x
x
dx x x X x P
52
Estatstica
Funo de distribuio de probabilidade acumulada
A funo tal que
chama-se funo de distribuio (de
probabilidade) acumulada (fda) de uma v.a.
contnua X.
= =
x
du u x X P x ). ( ) ( ) (
53
Exerccio
A mdia dos dimetros internos de uma amostra de 200 arruelas produzidas
por uma certa mquina 0,502 cm e o desvio padro 0,005 cm. A finalidade
para a qual essas arruelas so fabricadas permite a tolerncia mxima, para o
dimetro de 0,496cm a 0,508cm; se isso no se verificar, as arruelas sero
consideradas defeituosas. Determinar a percentagem de arruelas defeituosas
produzidas pela mquina, admitindo-se que os dimetros so distribudos
normalmente.
Curva normal reduzida
= 0
= 1
=
x
z
54
Exerccio Resolvido
55
Exerccio
O peso mdio de 500 estudantes do sexo masculino, de uma determinada
universidade, 75,5kg e o desvio padro 7,5kg. Admitindo-se que os
pesos esto distribudos normalmente, com largura de classe
considerada de 0,5kg, determinar quantos estudantes pesam:
a) Entre 60,0kg e 77,5kg;
b) Mais do que 92,5kg;
c) Menos do que 64,0kg;
d) 64,0kg;
e) 64,0kg ou menos;
a) Os pesos relacionados entre 60,0kg e 77,5kg podem ter, na realidade,
qualquer valor compreendido entre 59,75kg e 77,75kg (largura de classe).
56
Exerccio Resolvido
57
Exerccio Resolvido
58
Exerccio Resolvido
59
Exerccio Resolvido
60
Exerccio Resolvido
61
Exerccio
Uma varivel aleatria contnua X, que pode assumir somente valores
compreendidos entre 2 e 8, inclusive, tem uma funo de densidade de
probabilidade dada por a*(X+3), em que a uma constante.
a) Calcular o valor de a;
b) Determinar Prob{3<X<5}
c) Determinar Prob{X4}
d) Determinar Prob{|X-5|<0,5}
62
Exerccio Resolvido
=
b
a
dx x b X a P ). ( ) (
b) Prob{3<X<5} =
a)
63
Exerccio Resolvido
c) Prob{X4} =
d) Prob{|X-5|<0.5} = Prob{4,5<X<5,5}
64
Distribuies
Funo de distribuio normal (Gauss)
2
) (
2
2
1
|
\
|
=
x
e
x f
65
Distribuies
Funo de distribuio t (Student)
usada para comparar a mdia da populao com a mdia da
amostra M com base no nmero de graus de liberdade da amostra.
Esta distribuio indicada quando a amostra menor do que 30
(pequenas amostras). Assim ela muito importante para analisar
dados de levantamentos.
2
z
t =
66
Distribuies
Funo de distribuio t (Student)
Para pequenas amostras a distribuio normal apresenta valores
menos precisos.
A principal diferena entre a distribuio normal e a t de Student que
esta tem mais rea nas caudas.
67
Distribuies
Funo de distribuio Chi-Quadrado
2
s
=
68
Distribuies
Funo de distribuio Chi-Quadrado
2
= +
1 ]
[
2 / 1 2 / 1
t
n
x t
n
x P
Desvio padro da mdia
75
Exerccios
ESTIMATIVA POR INTERVALO
a) Intervalo de confiana para a mdia (em funo do desvio padro)
= +
1 ]
[
2 / 1 2 / 1
t
n
x t
n
x P
76
Exerccios
ESTIMATIVA POR INTERVALO
b) Intervalo de confiana para a varincia
1 ]
) 1 ( ) 1 (
[
2
2 /
2
2
2
2 / 1
2
n n
P
Graus de liberdade
Cauda
superior
Cauda
inferior
77
Exerccios
ESTIMATIVA POR INTERVALO
b) Intervalo de confiana para a varincia
1 ]
) 1 ( ) 1 (
[
2
2 /
2
2
2
2 / 1
2
n n
P
78
Exerccios
Um ngulo foi medido em quatro etapas.
Tomando pesos proporcionais ao
nmero de observaes, estimar o valor
do ngulo e sua preciso.
ESTIMATIVA PONTUAL
a) Mdia ponderada
b) Erro Mdio Quadrtico de uma observao
isolada
c) Erro Mdio Quadrtico da Mdia Ponderada
ngulo Observaes Peso
80 50 12 6 2
80 50 14 3 1
80 50 12 9 3
80 50 18 6 2
79
Exerccios
ESTIMATIVA POR INTERVALO
a) Intervalo de confiana para a mdia ponderada
= +
1 ] [
2 / 1 2 / 1
t x t x P
x x
80
Exerccios
ESTIMATIVA POR INTERVALO
b) Intervalo de confiana para a varincia
1 ] [
2
2 /
2
2
2
2 / 1
2
i i i i
v p v p
P
81
Estatstica
Esperana Matemtica de uma v.a.
Define-se valor esperado, valor mdio, expectncia, esperana
matemtica, ou simplesmente esperana de uma v.a. contnua X por
+
= = dx x x X E
x
). ( . } {
De maneira anloga define-se a esperana de uma funo de v.a. f(X)
+
= = dx x X f X f E
x
). ( ). ( )} ( {
Esperana matemtica de uma v.a. discreta
=
=
n
i
i i
x p x X E
1
) ( . } {
82
Estatstica
Se e n ) (
i i
x p f } {X E x
Propriedades da esperana matemtica:
a) Sendo C e C constantes
E{C} = C;
E{CX} = CE{X};
E{C+CX} = C+CE{X}
b) E{X+Y+...+Z} = E{X} + E{Y} + ... + E{Z}
E{CX+CY} = CE{X} + CE{Y}
c) E{XY} = E{X} . E{Y} +cov(XY)
d) E{E{X}} = E{X}
e) E{X
2
} (E{X})
2
83
Estatstica
Momento de ordem r de uma v.a.
em relao sua esperana matemtica
(momento centrado) definido como:
dx x x X E M
r
x
r
x
r
). ( . ) ( } ) {( = =
+
Tem particular importncia o momento de segunda ordem ou VARINCIA (r = 2)
= = =
=
+
1
2
2
2 2
) ( . ) (
). ( . ) (
} ) {( ) var(
i
i x i
x
x
x p x
dx x x
X E X
(v.a.c.)
(v.a.d.)
1) Se um homem adquirir um bilhete de loteria, poder ganhar um primeiro
prmio de R$5000,00 ou um segundo de R$2000,00, com as
probabilidades de 0,001 e de 0,003. Qual ser o preo justo a pagar
pelo bilhete?
2) Em uma certa especulao comercial, um homem pode ter um lucro de
R$3000,00, com a probabilidade de 0,6, ou um prejuzo de R$1000,00,
com a probabilidade de 0,4. determinar sua esperana.
3) Qual o preo justo a pagar para entrar em um jogo no qual se pode
ganhar R$25,00 com probabilidade de 0,2 e R$10,00 com probabilidade
de 0,4?
4) Qual o preo justo a pagar para um jogo simples na MegaSena (6
nmeros valor de aposta = R$2,00)? Probabilidade de acerto =
1/50063860
84
Exerccio
85
Exerccios
Um observador realizou diversas medies de um objeto (distribuio normal)
obtendo:
L(01:05) = [212.22, 212.25, 212.23, 212.15, 212.23];
L(06:10) = [212.11, 212.29, 212.34, 212.22, 212.24];
L(11:15) = [212.19, 212.25, 212.27, 212.20, 212.25];
Verifique se existe alguma observao que possa ser rejeitada por estar fora
do nvel de exatido de 95,0%.
99,9
99,7
99
95
90
50
Fator de Sigma Probabilidade (%)
86
MVC
Varivel Aleatria Bidimensional
} ) {(
2 2
X X
X E = } ) {(
2 2
Y Y
Y E =
Podemos agora definir a covarincia
XY
da v.a. bidimensional para exprimir
a correlao entre as duas componentes, ou seja, o grau de dependncia
entre as mesmas:
Seja X o resultado de um experimento e Y de um segundo experimento,
ambos com varincia prpria.
dy dx y x y x
y x xy
. ). , ( ). ).( ( =
+
)} )( {( ) , cov(
y x xy
Y X E Y X = =
ou
87
MVC
Desenvolvendo a equao )} )( {(
y x xy
Y X E =
} { } { } { X E Y E XY E
y x y x xy
+ =
x y y x y x xy
XY E + = } {
y x xy
XY E = } {
} { }. { } { Y E X E XY E
xy
=
Quando as componentes so estatsticamente independentes
) ( ). ( ) ( Y X XY = E{XY} = E{X}.E{Y}
Quando as componentes X e Y so estatsticamente independentes
a covarincia nula, sem que a recproca seja necessariamente
verdadeira.
0 =
xy
88
MVC
Varivel Aleatria n-Dimensional
Seja X = [x
1
x
2
... X
n
]
T
com cada x
i
representando agora uma v.a. unidimensional.
A esperana matemtica da varivel n-dimensional ou, em outras palavras, o vetor
esperado E{X} da distribuio n-dimensional, escreve-se:
(
(
(
(
=
(
(
(
(
(
(
(
(
= =
n n n
x
x E
x E
x E
x
x
x
E X E U
M M M
2
1
2
1
2
1
} {
} {
} {
} {
Cada componente x
i
de X uma v.a. unidimensional de varincia:
} ) {(
2 2
i i i
x E =
89
MVC
Varivel Aleatria n-Dimensional
Temos assim n varincias (de cada uma das
componentes) e n*(n-1) covarincias entre os pares de componentes de
ndices diferentes (ij)
2 2
2
2
1
, , ,
n
L
ji ij
j j i i ij j i
x x E x x
=
= = )} )( {( ) , cov(
90
MVC
Matriz Varincia-Covarincia (MVC)
As varincias e as covarincias (ij) das componentes de uma
varivel n-dimensional X podem ser dispostas de maneira a formar uma matriz
quadrada (n x n) que indicada por
2
i
ij
(
(
(
(
(
=
2
3 2 1
2 23
2
2 21
1 13 12
2
1
n n n n
n
n
X
L
L L L L L
L
L
A matriz acima, simtrica, recebe o nome de matriz varincia-covarincia (MVC)
ou simplesmente matriz covarincia (pois a varincia um caso particular da
covarincia para i=j).
No caso das componentes do vetor X serem independentes entre si as
covarincias sero nulas e a MVC degenera numa matriz diagonal.
91
MVC
Desenvolvendo a expresso matricial
T
x x
U X U X ) )( (
(
(
(
(
) )( ( ) )( ( ) )( (
) )( ( ) )( ( ) )( (
) )( ( ) )( ( ) )( (
2 2 1 1
2 2 2 2 2 2 1 1 2 2
1 1 2 2 1 1 1 1 1 1
n n n n n n n n
n n
n n
x x x x x x
x x x x x x
x x x x x x
L
L L L L L L L L L L L L L
L
L
o que nos permite escrever
} ) )( {(
T
x x X
U X U X E =
| |
n n
n n
x x x
x
x
x
(
(
(
(
L
M
2 2 1 1
2 2
1 1
92
MVC
Obs.: Sempre que as varincias da v.a. forem finitas a correspondente MVC
ser positiva semidefinida, isto
0 ). .( X MVC X
T
Propriedades de matriz positiva semidefinida:
Autovalores no negativos ( 0)
Elementos diagonais no negativos ( 0)
Matriz simtrica
para todos os vetores X n 1
93
MVC
As seguintes matrizes NO podem ser matrizes de varincia e covarincia
(
=
(
(
(
=
(
=
6 6
6 6
4 0 2
0 3 1
3 1 5
1 4
4 3
C
B
A
Covarincia uma medida do grau de correlao existente entre duas
componentes quaisquer de uma funo n-dimensional.
(
(
(
=
3 5
5 3
3 2
D
| | 2 4 5 = E
94
MVC
Coeficiente de Correlao Linear
Chama-se coeficiente de correlao linear o coeficiente
(adimensional) que descreve a dependncia linear entre as duas
componentes da v.a. bidimensional.
y x
xy
xy
.
=
Demonstra-se que 1 1 +
xy
95
MVC
Podemos afirmar que h uma perfeita relao linear entre X e Y ou,
em outras palavras, que Y uma funo linear de X. Ver figuras (a)
e (b).
1 =
xy
96
MVC
97
Matriz dos Coeficientes de Correlao
A partir da MVC pode-se calcular a matriz dos coeficientes de correlao
j i
ij
ij
n n n
n
n
R
.
1
1
1
3 2 1
2 23 21
1 13 12
=
(
(
(
(
=
L
L L L L L
L
L
98
MVC Correlao estatstica
= =
=
=
n
i
n
i
i i
n
i
i i
y x
y y x x
y y x x
1 1
2 2
1
,
) ( ) (
) )( (
= = = =
= = =
=
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
n
i
i i i i
y x
y
n
y x
n
x
y x
n
y x
1 1
2 2
1 1
2 2
1 1 1
,
) (
1
) (
1
1
99
Exerccios
Implementar uma rotina (function) em FreeMat que calcule a Matriz dos
Coeficientes de Correlao, a partir da MVC.
function [saida] = nome (entrada)
100
Lei de Propagao das Varincias
101
Lei de Propagao das Covarincias
Consideremos duas v.a. multidimensionais Y e X, ligadas por um modelo linear
1 1 1
* C X G Y
m n n m m
+ =
Aplicando o operador E{ } a ambos os membros
C X GE C GX E Y E U
y
+ = + = = } { } { } {
mas
} ) )( {(
T
y y Y
U Y U Y E =
T
X Y
T T
x x Y
T T
x x Y
T
x x
T
Y
T
Y
G G
G U X U X GE
G U X U X G E
GU GX GU GX E X GE GX X GE GX E
C X GE C GX C X GE C GX E
=
=
=
= =
+ + =
} ) )( {(
} ) )( ( {
} ) )( {( } }) { })( { {(
} ) } { )( } { {(
a) Somando uma constante a uma v.a., a sua varincia no se altera.
b) Multiplicando uma v.a. por uma constante, a sua varincia fica
multiplicada pelo quadrado da constante.
102
Exerccios
Calcular a varincia de y nos casos abaixo:
a) y = x
b) y = ax + b
c) y = x1 + x2 com
(
=
1 0
0 2
X
d) y = x1 + x2 com
(
=
1 5 , 0
5 , 0 2
X
103
Exerccios
Calcular a varincia de y nos casos abaixo:
e) y = x1 + x2 com
(
=
1 5 , 0
5 , 0 2
X
f) y = x1 x2 com
(
=
1 5 , 0
5 , 0 2
X
104
Exerccios
Calcular a varincia de y nos casos abaixo:
g) com
+ =
+ =
2 1 2
2 1 1
3
2
x x y
x x y
(
=
3 0
0 3
X
h) com
=
+ + =
3 2 2
3 2 1 1
2
x x y
x x x y
(
(
(
=
2 0 0
0 2 0
0 0 2
X
105
Exerccios
As direes D
i
abaixo foram observadas com a mesma varincia
2
= 3 e sem correlao. Calcular o coeficiente de correlao entre os
ngulos (A
1
e A
2
), (A
1
e A
3
), (A
1
e A
4
).
O modelo matemtico que liga as
direes aos ngulos linear:
=
=
=
=
3 4 4
1 4 3
1 3 2
1 2 1
D D A
D D A
D D A
D D A
106
Exerccios
Resposta:
107
Exerccios
Dada uma estao total TC407 (preciso de 7) presente no laboratrio
de Topografia, determinar a preciso de um ngulo qualquer medido
com a mesma.
108
Exerccios
Dado o modelo e sabendo-se que as componentes de Y
tem varincia igual a 3 e covarincia igual a 1, calcular a MVC de z = x
1
+ x
2
.
+ =
+ =
2 1 2
2 1 1
2
2
x x y
x x y
109
Ajustamento
110
Exerccios
111
Exerccios
112
Lei de Propagao das Covarincias
A frmula de propagao de covarincias para modelos lineares pode ser
generalizada para o caso de dependncia no linear.
Seja o modelo no linear: ) (X F Y =
Usando o desenvolvimento por Taylor, tem-se:
) ( ) ( ) (
0 0
0
X X
X
F
X F X F Y
X X
+ =
=
Procedimento anlogo ao anterior conduz lei de propagao das covarincias
T
X Y
D D =
113
0
0
2 1
2
2
2
1
2
1
2
1
1
1
X X
n
m m m
n
n
X X
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
x
y
X
F
D
=
=
(
(
(
(
(
(
(
(
=
L
L L L L
L
L
T
X Y
D D =
onde
Lei de Propagao das Covarincias
114
Srie de Taylor em forma matricial
A srie de Taylor nos proporciona o valor de uma funo f(t) no ponto t = x
quando conhecemos o valor da funo para t = a.
...
! 2
) (
) ( "
! 1
) (
) ( ' ) ( ) (
2
+
+ =
a x
a f
a x
a f a f x f
Para valores de x prximos de a
as potncias igual e superiores
segunda podem, em muitos
casos prticos, ser desprezadas,
isto , nas proximidades de a a
curva f(t) pode ser substituda
por uma reta.
) )( ( ' ) ( ) ( a x a f a f x f + =
115
Srie de Taylor em forma matricial
X
X
F
X F X F
X X
+ =
=
* ) ( ) (
0
0
0
0
2 1
2
2
2
1
2
1
2
1
1
1
X X
n
m m m
n
n
X X
x
F
x
F
x
F
x
F
x
F
x
F
x
F
x
F
x
F
X
F
=
=
(
(
(
(
(
(
(
(
L
L L L L
L
L
116
Exerccios
So dadas as coordenadas planas ajustadas de dois vrtices de uma poligonal:
A B
X 10,00m 1000,00m
Y 10,00m 1000,00m
e a
correspondente
MVC
(
(
(
(
=
2 1 1 0
1 3 1 1
1 1 3 1
0 1 1 2
AB
Estimar a varincia da distncia (d) entre os dois pontos.
(
(
(
(
=
(
(
(
(
=
00 , 1000
00 , 1000
00 , 10
00 , 10
0
B
B
A
A
y
x
y
x
X
2 2
) ( ) (
B A B A
y y x x distncia + =
117
Exerccios
118
Exerccios: Soluo com FreeMat
119
Exerccios
Um terreno retangular teve suas dimenses medidas conforme tabela
abaixo. Estimar a rea e o desvio padro.
L C Area * =
a) Modelo matemtico
12,495 65,323
12,498 65,327
12,495 65,328
12,499 65,326
12,501 65,330
12,496 65,321
Largura (m) Comprimento (m)
120
Exerccios
b) Estimativa das dimenses e precises
Comprimento mdio =
Largura mdia =
Desvio padro da mdia do Comprimento =
Desvio padro da mdia da Largura =
c) Clculo da rea
Area =
d) Propagao de covarincias
(
=
2
2
0
0
L
C
CL
| | C L
L
Area
C
Area
D =
(
=
121
Exerccios: Soluo com FreeMat
122
Exerccios
Na figura abaixo, a distncia d no pode ser medida diretamente, mas
pode-se medir s
1
, s
2
e . Estimar d e o seu desvio-padro.
Medidas Desvio-padro
S
1
= 136m = 1,5cm
S
2
= 115m = 1,5cm
= 50 =10
cos 2
2 1
2
2
2
1
s s s s d + =
a) Modelo matemtico
= 107,77m
123
Exerccios
d
sen s s d
d
s s
s
d
d
s s
s
d
2
2
2
cos 2 2
2
cos 2 2
2 1
1 2
2
2 1
1
b) Clculo da matriz D
(
d
s
d
s
d
D
2 1
124
Exerccios
d) Clculo da MVC de d
T
X d
D D =
c) Montagem da
matriz MVC de s
1
,
s
2
e
125
Exerccios: Soluo com FreeMat
126
Exerccios
Na figura ao lado foram medidos o
ngulo () e o raio (r) com o seguinte
resultado:
ngulo () Raio (r)
60 31,7 120,01m
60 33,8 119,99m
60 27,6 120,07m
60 30,7 119,93m
60 28,2 120,13m
Estimar a varincia da rea do
tringulo.
127
Exerccios
Resposta:
a) Estimativa do ngulo
b) Estimativa do raio
c) Estimativa da varincia da mdia
d) rea do tringulo
2
) ( *
2
)) 2 / cos( * ( * )) 2 / ( * * 2 (
2
*
2
sen r r sen r h B
Area = = =
128
Exerccios
Resposta:
e) Propagao
T
r area
D D
,
=
(
=
r
X
129
Exerccios: Soluo com FreeMat
130
Exerccios
Na poligonal O-B-C-D da figura a seguir, o ponto inicial considerado a
origem do sistema de coordenadas e o azimute conhecido: =1500
Calcular a MVC das coordenadas do vrtice D.
3mm 10ppm 1500m L3 2 202 00 17 A3
3mm 10ppm 3000m L2 2 209 47 59 A2
3mm 10ppm 6000m L1 2 40 20 10 A1
mdia nome mdia nome
LADOS NGULOS
131
Exerccios
Resposta:
a) Azimute dos segmentos da poligonal
b) MVC dos azimutes
132
Exerccios
Resposta:
c) Coordenadas do vrtice A3
d) MVC das distncias observadas
e) MVC das distncias e azimutes
133
Exerccios
(
0
0
,
L
L
Montagem da MVC das distncias e azimutes, no FreeMat ...
mvc_L_Alfa = [ mvc_L (1, :) 0 0 0; mvc_L (2, :) 0 0 0; mvc_L (3, :) 0 0 0]
mvc_L_Alfa(4:6,:) = [0 0 0 mvc_Alfa(1, :); 0 0 0 mvc_Alfa(2, :); 0 0 0 mvc_Alfa(3, :)]
Linha 1 Linha 2 Linha 3
Linhas 4 a 6, todas as colunas
134
Exerccios
Resposta:
f) MVC das coordenadas do vrtice D
T
L N E
D D
, ,
=
(
(
(
(
=
3
3
2
3
1
3
3
3
2
3
1
3
3
3
2
3
1
3
3
3
2
3
1
3
A
N
A
N
A
N
L
N
L
N
L
N
A
E
A
E
A
E
L
E
L
E
L
E
D
135
Exerccios
136
Exerccios: Soluo com FreeMat
137
Exerccios: Soluo com FreeMat
138
Ajustamento
139
Ajustamento
Resolver o seguinte sistema de equaes lineares:
= +
= +
= +
2 * 2 * 3 * 2
2 * 2 * 3
1 * 2 * 2
z y x
z y x
z y x
140
Ajustamento
Resolver o seguinte sistema de equaes lineares:
141
Ajustamento
142
Ajustamento de Observaes
Quando as medidas no so feitas diretamente sobre as grandezas
procuradas, mas sim sobre outras relacionadas matematicamente...
Mtodo paramtrico L
a
= F(X
a
)
Os valores observados ajustados podem ser expressos
explicitamente como uma funo dos parmetros ajustados.
Mtodo dos correlatos F(L
a
) = 0
Os valores observados ajustados devem satisfazer determinadas
condies (erro de fechamento = zero).
Mtodo combinado F(L
a
, X
a
) = 0
Os valores observados ajustados e os parmetros ajustados so
ligados por funo no explcita (no se consegue separ-los).
143
Ajustamento: Mtodo Paramtrico
Sejam:
L
b
= Vetor (n X l) dos valores observados;
V = Vetor (n X l) dos resduos;
L
a
= Vetor (n X l) dos valores observados ajustados.
X0 = Vetor (u X l) com valores aproximados dos parmetros;
X = Vetor correo (u X l);
Xa = Vetor dos parmetros ajustados (um dos objetivos).
Quando os valores observados ajustados podem ser expressos explicitamente
como uma funo dos parmetros ajustados, isto , quando se verifica o modelo
matemtico: dizemos que o ajustamento se processa pelo
mtodo paramtrico.
V L L
b a
+ =
X X X
a
+ =
0
) (
a a
X F L =
144
Ajustamento: Mtodo Paramtrico
) (
a a
X F L =
X
X
F
X F X X F V L
X X a
b
a
* ) ( ) (
0
0 0
=
+ = + = +
Substituindo o primeiro membro e linearizando o segundo:
Designando a funo dos parmetros aproximados: ) (
0 0
X F L =
e a matriz das derivadas parciais
0
X X a
a
X
F
A
=
=
tem-se:
AX L V L
b
+ = +
0
ou
b
L L AX V + =
0
Fazendo-se:
b
L L L =
0
Obtem-se o modelo linearizado do mtodo paramtrico
1 1 1
L X A V
n u u n n
+ =
145
Ajustamento: Mtodo Paramtrico
1 1 1
L X A V
n u u n n
+ =
O ndice na parte inferior direita da matriz dos coeficientes das incgnitas
lembra que as derivadas parciais so calculadas numericamente com os
valores aproximados das incgnitas.
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
n n
x au
n
a
n
a
n
au a a
au a a
n
l
l
l
x
x
x
x
f
x
f
x
f
x
f
x
f
x
f
x
f
x
f
x
f
v
v
v
L L
L
L L L L
L
L
L
2
1
2
1
2 1
2
2
2
1
2
1
2
1
1
1
2
1
0
=
=
=
u j
n i
x
f
a
aj
i
ij
,..., 2 , 1
,..., 2 , 1
Fazendo:
a primeira linha se escreve:
1 1 2 12 1 11 1
... l x a x a x a v
u u
+ + + + =
146
Ajustamento: Mtodo Paramtrico
Consideraes sobre a Matriz dos Pesos
Se a matriz Q for no singular admitir uma inversa
que recebe o nome de matriz dos pesos.
Se as observaes no oferecem o mesmo grau de confiana, podemos
homogeneiz-las multiplicando-as por pesos, isto , por valores tanto
maiores quanto maior a confiana que inspiram (quanto menor o valor de
2
)
b
L Q =
2
0
1
P L Q
b
= =
1 2
0
1
2
2
0
i
i
p
=
147
Fazendo: e
Ajustamento: Mtodo Paramtrico Equaes Normais
Minimizando a forma quadrtica fundamental, obtemos sucessivamente:
min ) ( ) ( = + + = = L AX P L AX PV V
T T
PL A PAX A
X
T T
) .( ) (
1
PL A PA A X
T T
=
PA A N
T
=
X X X
a
+ =
0
) (
0
1 1 1
b
T T
L L P A N PL A N U N X = = =
b
T T
PL A N PL A N X
1
0
1
+ =
b) MVC das correes
Aplicando a lei de propagao das covarincias
T
b X
G L G =
P A N G
T 1
=
1 1
= = PAN AN P G
T T
(P e N
-1
so matrizes simtricas)
) ( ) (
1 1
= PAN L P A N
b
T
X
1 1 2
0
1 1 2
0
1 1 2
0
1
) ( ) (
= = = NN N PAN A N PAN P P A N
T T
X
1 2
0
= N
X
149
Ajustamento: Mtodo Paramtrico - MVC
c) MVC dos parmetros X X X
a
+ =
0
1 2
0
= = N X X
a
d) MVC dos valores observados ajustados
b b b b a
L L AX L L AX L V L L + + = + + = + =
0
0
L AX L
a
+ =
T T
X L
A AN A A
a
1 2
0
= =
e) MVC dos resduos
b a
L L V
=
) (
1 1 2
0
= P A AN
T
V
150
Ajustamento: Mtodo Paramtrico
Varincia a posteriori
u n
PV V
T
=
2
0
PL L U X PV V
T T T
+ =
n = equaes de observao
u = parmetros
n u = graus de liberdade
151
Ajustamento: Mtodo Paramtrico
Uma linha de nivelamento foi feita ligando dois pontos A e D de altitudes
conhecidas H
A
= 785,53m e H
D
= 842,00m, conforme figura abaixo.
O sentido da seta indica a direo da estao mais elevada.
Os pesos das observaes so inversamente proporcionais aos comprimentos
das linhas. As observaes no so correlacionadas.
Calcular as altitudes dos pontos B e C ajustadas usando ajustamento
paramtrico.
2,5 17,97 CD=h
3
1,0 5,93 BC=h
2
2,0 32,54 AB=h
1
Distncia (km) Desnvel (m) Seo
152
Ajustamento: Mtodo Paramtrico
a) Modelo matemtico
V L L
b a
+ =
c) Matriz das observaes
No FreeMat...
154
Ajustamento: Mtodo Paramtrico
= = PA A N
T
= =
b
T
PL A U = =
U N X
1
f) Equaes Normais
g) Propagao de Covarincias
155
Ajustamento: Mtodo Paramtrico
Para modelos lineares no se precisa de valores aproximados...
O mesmo problema pode ser resolvido de outra forma:
) .( ) (
0
) ( . ) (
) .( ) (
1
0
0
1
0
1
1
b
T T
b
T T
b
T T
L A A A X
L
L L A A A X
I P
L L L
PL A PA A X
U N X
=
=
=
=
=
=
=
Se todas as observaes tem o mesmo peso...