sábado, 14 de fevereiro de 2026

Ajustamento de Observações Geodésicas: Covariância e Correlação entre Observações.

By Deniezio Gomesfevereiro 14, 2026Ajustamento de Observações, Correlação Estatística, Covariância, Geodésia, Matriz Variância-Covariância Nenhum comentário:

Em muitos levantamentos geodésicos, as observações não são completamente independentes, pois podem compartilhar fontes comuns de erro. Nessas situações, torna-se necessário analisar a covariância e a correlação entre medições. Compreender essas relações é fundamental para representar corretamente a matriz variância–covariância e garantir resultados confiáveis no ajustamento.

Aula 017 – Covariância e Correlação entre Observações

Objetivos da Aula

Compreender o conceito de covariância entre observações.
Entender o significado físico da correlação.
Interpretar a dependência estatística entre medições.
Relacionar covariância e correlação à matriz variância–covariância.
Avaliar o impacto da correlação no ajustamento geodésico.

1. Observações independentes e dependentes

Nas aulas anteriores consideramos, na maioria dos casos:

Isso significa que as observações são independentes.

Porém, em muitos levantamentos reais, as observações podem ser correlacionadas, ou seja, o erro de uma influencia o erro da outra.

2. Definição de Covariância

A covariância entre duas observações L_i e L_j é:

Interpretação:

σ_ij > 0 → erros tendem a variar no mesmo sentido
σ_ij < 0 → erros tendem a variar em sentidos opostos
σ_ij = 0 → observações independentes

Na matriz variância–covariância:

Os termos fora da diagonal representam as covariâncias.

3. Coeficiente de Correlação

Para facilitar a interpretação, utiliza-se o coeficiente de correlação:

Em que:

Interpretação:

Valor de ρ	Significado
0	Sem correlação
Próximo de 1	Forte correlação positiva
Próximo de -1	Forte correlação negativa

4. Origem da correlação em Geodésia

A correlação surge quando observações compartilham fontes de erro.

Exemplos

Observações feitas na mesma estação
Séries GNSS processadas conjuntamente
Nivelamento com o mesmo erro instrumental acumulado
Direções medidas a partir de um mesmo círculo horizontal

Nestes casos, assumir independência pode levar a resultados incorretos.

5. Representação na matriz variância–covariância

Se duas observações possuem correlação:

Exemplo:

Essa matriz é:

simétrica
positiva definida (se fisicamente consistente)

6. Consequências no Ajustamento

Se houver correlação:

A matriz de pesos não é diagonal
Deve-se usar:

Ignorar correlações pode causar:

subestimação ou superestimação das precisões
distorção nas variâncias das incógnitas
interpretação incorreta da qualidade da rede

7. Exemplo Resolvido

Duas observações possuem: σ₁ = 0,005 m; σ₂ = 0,004 m; σ₁₂ = 0,000010. Calcular o coeficiente de correlação.

Passo 1

Passo 2

7.1 Interpretação

Existe correlação positiva moderada entre as observações.

8. Exemplo Proposto

Dados: σ₁ = 0,006 m; σ₂ = 0,005 m; σ₁₂ = -0,000015. Calcule o coeficiente de correlação.

8.1 Resposta esperada

⇒Clique aqui⇐

9. Conclusão

A covariância e o coeficiente de correlação descrevem a dependência entre observações. Considerar corretamente essas relações é essencial para modelar a matriz variância–covariância e obter resultados confiáveis no ajustamento geodésico.

⇾ Próxima Aula ⇽ → Todas as Aulas ←

Leia mais

sexta-feira, 13 de fevereiro de 2026

Adjustment of Observations in Geodesy: Types of Errors in Geodetic Observations.

By Deniezio Gomesfevereiro 13, 2026Adjustment of Observations, Geodesy, Measurement Errors, Random Errors, Systematic Errors Nenhum comentário:

This free course on Adjustment of Observations and Least Squares is designed for students and professionals in Geodesy, Surveying, and Geomatics. Each lesson includes theoretical explanations, solved examples, and practical exercises.

Lesson 02 – Types of Errors in Geodetic Observations

Objectives

Understand the different types of errors present in geodetic measurements.
Distinguish between systematic, random, and gross errors.
Identify the origin and behavior of each type of error.
Recognize the importance of error classification in the adjustment process.

1. Introduction

Every geodetic observation contains errors. Since the true value of a measured quantity is unknown, it is essential to understand the nature of these errors in order to control, model, or minimize their effects.

Errors in geodetic measurements are generally classified into three main categories:

Systematic errors.
Random errors.
Gross errors.

This classification is fundamental for the proper application of the Least Squares Method.

2. Systematic Errors

Systematic errors follow a predictable pattern and affect measurements in a consistent way.

2.1 Characteristics

Same sign and similar magnitude under the same conditions.
Caused by identifiable physical or instrumental factors.
Can be modeled and corrected.

2.2 Examples

Instrument calibration errors.
Temperature effects on distance measurements.
Atmospheric refraction.
Scale factor errors.
Incorrect prism constant.

2.3 Treatment

Systematic errors should be:

eliminated through calibration, or
modeled mathematically in the functional model.

If not treated, they affect the accuracy of the results.

3. Random Errors

Random errors are small variations caused by unpredictable factors.

3.1 Characteristics

Irregular in magnitude and sign.
Follow a normal (Gaussian) distribution.
Mean value approximately equal to zero.
Cannot be eliminated individually.

3.2 Sources

Instrument noise.
Environmental variations.
Operator limitations.
Small atmospheric fluctuations.

3.3 Treatment

Random errors are reduced by:

Repeated observations.
Redundancy.
Least Squares Adjustment.

They affect the precision of the measurements.

4. Gross Errors

Gross errors are large mistakes caused by human or operational failures.

4.1 Examples

Reading the wrong value.
Data entry mistakes.
Instrument misleveling.
Loss of GNSS signal.
Measuring the wrong point.

4.2 Characteristics

Much larger than random errors
Do not follow statistical behavior
Cannot be corrected mathematically

4.3 Treatment

Gross errors must be:

detected, and
removed before or during adjustment.

They are usually identified through:

residual analysis
statistical tests
consistency checks.

5. Importance for Adjustment of Observations

The Least Squares Method assumes that:

systematic errors have been removed or modeled
gross errors are absent
remaining errors are random and normally distributed

If gross or systematic errors remain, the adjustment results may be unreliable.

6. Solved Example

A distance was measured five times (m): 152.334; 152.331; 152.336; 152.333; 152.335.

The values show small variations around the mean and no extreme values.

6.1 Interpretation:

Errors are small and irregular.
Behavior is consistent with random errors.
Data are suitable for adjustment.

7. Proposed Example

Angle observations (seconds): 30.124; 30.118; 30.121; 30.950

7.1 Interpretation:

The value 30.950 is significantly different from the others and should be considered a gross error and investigated before adjustment.

8. Conclusion

Geodetic observations are affected by systematic, random, and gross errors. Correct identification and treatment of these errors are essential to ensure reliable and accurate results in the adjustment process.

⇾ Next Class ⇽ →All Lessons←

Leia mais

Ajustamento de Observações Geodésicas: Propriedades das Matrizes Simétricas e Positivas Definidas.

By Deniezio Gomesfevereiro 13, 2026Ajustamento de Observações, Álgebra Linear, Geodésia, Matrizes Positivas Definidas, Matrizes Simétricas Nenhum comentário:

Aula 016 – Propriedades das Matrizes Simétricas e Positivas Definidas

Objetivos da Aula

Entender o conceito de matriz simétrica.
Compreender o que é uma matriz positiva definida.
Reconhecer a importância dessas propriedades no Método dos Mínimos Quadrados.
Relacionar essas características à estabilidade do ajustamento geodésico.

1. Matrizes no Ajustamento de Observações

No Método dos Mínimos Quadrados aparecem matrizes fundamentais:

Matriz variância–covariância: ∑
Matriz de pesos: P
Matriz normal: N = A^TPA

Todas elas possuem duas propriedades essenciais:

Simetria.
Positividade definida.

Essas propriedades garantem que o problema tenha solução única e estável.

2. Matriz Simétrica

Uma matriz é simétrica quando:

Ou seja:

Exemplo

2.1 Importância em Geodésia

São simétricas:

Matrizes de covariância.
Matrizes de pesos.
Matrizes normais.

Isso reduz o esforço computacional e garante propriedades matemáticas importantes.

3. Forma Quadrática

Considere um vetor não nulo (x). A expressão:

É chamada de forma quadrática. O sinal dessa expressão define o tipo da matriz.

4. Matriz Positiva Definida

Uma matriz simétrica é positiva definida se:

Para todo vetor x ≠ 0.

4.1 Interpretação física

No contexto do ajustamento:

Representa energia ou variância positiva.
Garante que não existem soluções ambíguas.
Assegura mínimo único na função dos mínimos quadrados.

5. Relação com o Método dos Mínimos Quadrados

A função minimizada é:

Se (P) é positiva definida:

Φ > 0
O mínimo é único

Além disso:

Também é simétrica e positiva definida, garantindo: N^-1.

Sem isso, o ajustamento não pode ser resolvido.

6. Condições para Positividade Definida

Uma matriz é positiva definida quando:

É simétrica.
Todos os seus autovalores são positivos.
Seus menores principais são positivos.

Na prática geodésica, isso ocorre quando:

Há redundância suficiente.
Não existe dependência linear entre observações.

7. Exemplo Resolvido

Considere:

Passo 1 – Verificar simetria.

Simétrica ✔️.

Passo 2 – Verificar menores principais.

Positiva definida ✔️.

7.1 Interpretação

Uma matriz normal com essa estrutura garante solução única no ajustamento.

8. Exemplo Proposto

Verifique se a matriz é positiva definida:

8.1 Resposta final esperada

⇒Clique aqui⇐

9. Conclusão

Matrizes simétricas e positivas definidas são fundamentais no Método dos Mínimos Quadrados. Elas garantem estabilidade numérica, existência da inversa da matriz normal e unicidade da solução no ajustamento geodésico.

⇾ Próxima Aula ⇽ → Todas as Aulas ←

Leia mais

quinta-feira, 12 de fevereiro de 2026

Ajustamento de Observações Geodésicas: Introdução à Matriz Variância–Covariância.

By Deniezio Gomesfevereiro 12, 2026Ajustamento de Observações, Geodésia, Matriz de Pesos, Matriz Variância-Covariância, Precisão das Observações Nenhum comentário:

A partir desta aula iniciamos o bloco mais importante para a formulação matricial do Ajustamento de Observações. A matriz variância–covariância é a base para: construção da matriz de pesos (P), propagação de incertezas, precisão das coordenadas ajustadas, elipses de erro, análise de confiabilidade.

Aula 015 – Introdução à Matriz Variância–Covariância

Objetivos da Aula

Compreender o conceito de variância em forma matricial.
Entender o que é covariância entre observações.
Construir a matriz variância–covariância das observações.
Interpretar o significado físico dos elementos da matriz.
Preparar o caminho para a matriz de pesos (P).

1. Variância em forma escalar

Até agora trabalhamos com uma observação:

Para várias observações independentes:

Cada uma possui sua variância:

Para organizar isso de forma sistemática, usamos uma matriz.

2. Covariância entre observações

A covariância mede o grau de dependência entre duas observações:

Interpretação:

Covariância	Significado
σ_ij = 0	Observações independentes
σ_ij > 0	Tendem a variar no mesmo sentido
σ_ij < 0	Tendem a variar em sentidos opostos

Na maioria dos levantamentos de campo, assume-se inicialmente:

3. Definição da Matriz Variância–Covariância

A matriz é definida como:

Em que:

Diagonal → variâncias
Fora da diagonal → covariâncias

4. Caso mais comum em Geodésia

Se as observações são independentes: Matriz diagonal.

Exemplo típico:

Distâncias medidas independentemente.
Ângulos medidos separadamente.
Observações GNSS de sessões independentes.

5. Interpretação física

A matriz variância–covariância representa:

A qualidade das observações.
A confiança estatística em cada medida.
A estrutura de dependência entre elas.

Ela é o equivalente matricial do conceito de precisão.

6. Relação com a matriz de pesos

A matriz de pesos é:

Ou seja:

Variância grande → peso pequeno
Variância pequena → peso grande

Se a matriz é diagonal:

7. Exemplo Resolvido

Um levantamento possui três observações independentes:

Distância 1: σ₁ = 0,005 m
Distância 2: σ₂ = 0,010 m
Distância 3: σ₃ = 0,020 m

7.1 Passo 1 – Variâncias

7.2 Passo 2 – Matriz variância–covariância

7.3 Passo 3 – Matriz de pesos

7.4 Interpretação

A primeira observação é a mais precisa → maior peso.

8. Exemplo Proposto

Quatro observações independentes apresentam:

σ₁ = 0,004 m
σ₂ = 0,006 m
σ₃ = 0,010 m
σ₄ = 0,020 m

8.1 Determine:

a) A matriz variância–covariância Σ_L

b) A matriz de pesos P

8.2 Resposta Final Esperada

⇒Clique aqui⇐

9. Conclusão da Aula

A matriz variância–covariância descreve completamente a precisão das observações.
Os termos diagonais são variâncias; os demais são covariâncias.
Para observações independentes, a matriz é diagonal.
A matriz de pesos é o inverso da matriz variância–covariância.
Este conceito é fundamental para o Método dos Mínimos Quadrados.

⇾ Próxima Aula ⇽ → Todas as Aulas ←

Leia mais

quarta-feira, 11 de fevereiro de 2026

Adjustment of Observations in Geodesy: Concept of Observation, Error and Uncertainty

By Deniezio Gomesfevereiro 11, 2026Adjustment of Observations, Geodesy, Least Squares Method, Measurement Errors, Surveying Nenhum comentário:

Lesson 01 – Concept of Observation, Error and Uncertainty

This lesson introduces the fundamental concepts required to understand the adjustment of observations in Geodesy. Every measurement performed in the field contains errors and uncertainties. Understanding their nature is essential before applying the Least Squares Method.

1. What is an Observation?

In Geodesy, an observation is the numerical result of a physical measurement obtained using an instrument such as a GNSS receiver, total station, or level. Observations may represent distances, angles, height differences, or coordinates.

Mathematically, an observation can be expressed as:

L = L_true + e

where L is the observed value, L_true is the true value (unknown), and e is the observation error.

2. Types of Errors

2.1 Systematic Errors

Systematic errors follow a predictable pattern and usually have identifiable causes. Examples include instrument calibration errors, atmospheric effects, or incorrect scale factors. These errors affect accuracy and must be modeled or corrected.

2.2 Random Errors

Random errors are unpredictable variations caused by environmental conditions, instrument noise, or observational limitations. They follow a normal distribution and have zero mean. The Least Squares Method is designed to minimize their effect.

2.3 Gross Errors

Gross errors are large mistakes caused by human or operational failures, such as incorrect readings, data entry errors, or loss of signal. These errors must be detected and removed before adjustment.

3. Precision, Accuracy and Uncertainty

Precision describes the repeatability of measurements and is related to the dispersion of the observed values. Accuracy refers to the closeness of the observations to the true value. Uncertainty quantifies the level of confidence associated with a measurement result.

It is possible to have high precision and low accuracy when systematic errors are present.

4. Importance in Geodetic Adjustment

Because the true value is unknown, the goal of adjustment is to determine the most probable value of the measured quantity. This is achieved by combining redundant observations and minimizing the effect of random errors.

5. Solved Example

A distance between two geodetic points was measured four times, producing the following values in meters:

158,327 158,321 158,332 158,326

Step 1 – Mean value:

L = 158,3265 m

Step 2 – Standard deviation:

σ ≈ 0,0043 m

Step 3 – Standard error of the mean:

m = σ / √n = 0,0021 m

Final result:

L = 158,3265 ± 0,0021 m

6. Proposed Exercise

The following distance measurements in meters were obtained:

158,406 158,403 158,410 158,405 158,402

Calculate:

a) The mean value
b) The standard deviation
c) The standard error of the mean

Expected final result:

L = 158,4052 ± 0,0030 m

7. Conclusion

All geodetic observations contain errors. Understanding the nature of systematic, random, and gross errors is essential for reliable data processing. Redundant measurements allow the estimation of the most probable value and its associated uncertainty, forming the foundation of the Least Squares Adjustment.

⇾ Next Class ⇽ →All Lessons←

Leia mais

Course: Adjustment of Observations in Geodesy.

By Deniezio Gomesfevereiro 11, 2026Adjustment of Observations, Geodesy Course, Geomatics, Least Squares Adjustment, Surveying Education Nenhum comentário:

Adjustment of Observations in Geodesy

Module 1 – Fundamentals of Observation Adjustment

1. Concept of observation, error, and uncertainty
2. Types of errors: systematic, random, and gross errors
3. Statistical principles applied to observations
4. Accuracy, precision, and trueness concepts
5. Observation redundancy and degrees of freedom
6. Mean errors, standard deviation, and variance
7. Error propagation (Gauss’ Law)
8. Introduction to adjustment of observations
9. General structure of an adjustment problem

Module 2 – Statistics Applied to Geodesy

10. Normal distribution and the Gaussian curve
11. Hypothesis testing applied to observations
12. Chi-square (χ²) test for variance
13. Student’s t-test for individual residuals
14. Difference tests and quality control
15. Introduction to the variance–covariance matrix
16. Properties of variance–covariance matrices
17. Covariance and correlation between observations
18. Construction of the weight matrix (P)

Module 3 – Introduction to the Least Squares Method

19. Concept and fundamentals of Least Squares
20. Mathematical derivation of the Least Squares criterion
21. Normal equations and classical solution
22. Matrix formulation of Least Squares
23. Observability conditions and redundancy
24. Geometric interpretation of adjustment
25. Introduction to the Parametric Method
26. Application to geometric leveling
27. Complete leveling adjustment example

Module 4 – Parametric Method in Geodesy

28. Functional model of the parametric approach
29. Coordinate determination from linear observations
30. Traverse adjustment
31. Adjustment of simple planar networks
32. Adjustment of vertical networks
33. GNSS network adjustment (3D coordinates)
34. Adjustment with constraints
35. Residual analysis and quality control
36. Complete adjustment of a geodetic network

Module 5 – Conditional (Correlate) Method

37. Concept and formulation of the conditional method
38. Functional model for condition equations
39. Observation conditions and constraint equations
40. Construction of the coefficient matrix
41. Adjustment of geodetic triangles
42. Adjustment of direction sets
43. Application to height networks with fixed benchmarks
44. Comparison between parametric and conditional methods
45. Complete example using the conditional method

Module 6 – Combined Method

46. Concept and advantages of the combined method
47. General functional model formulation
48. Geometric interpretation of the combined method
49. Solution of combined normal equations
50. Application to constrained GNSS networks
51. Adjustment of integrated networks (horizontal + vertical)
52. Residual analysis in the combined method
53. Example of a 2D+1D network adjustment
54. GNSS leveling combined adjustment exercise

Module 7 – Advanced Applications

55. Adjustment of GPS pseudorange observations
56. Adjustment of carrier phase observations
57. Differential GNSS adjustment (base–rover)
58. Multi-sensor adjustment (GNSS + Total Station)
59. Adjustment of large geodetic networks
60. Adjustment of geocentric reference networks (e.g., SIRGAS)
61. Gross error detection through residual analysis
62. Global test for model consistency
63. Practical example with simulated GNSS network

Module 8 – Computational Implementation

64. Structuring adjustment problems in spreadsheets
65. Use of scientific software (MATLAB, Python, Scilab)
66. Matrix programming for Least Squares
67. Automatic assembly of normal equations
68. Solution using Cholesky decomposition
69. Solution using QR decomposition
70. Numerical stability analysis
71. Interpretation of results (variance, residuals, weights)
72. Complete computational example

Module 9 – Quality Assessment of Geodetic Networks

73. Quality control of geodetic networks
74. Internal and external reliability
75. Local and global redundancy
76. Deformation analysis between epochs
77. Displacement detection in monitoring networks
78. Time series adjustment
79. Accuracy assessment of 3D networks
80. Observation planning for geodetic surveys
81. Monitoring network adjustment example

Module 10 – Synthesis and Advanced Projects

82. Review of parametric, conditional, and combined methods
83. Comparison of adjustment methods
84. Selection of the appropriate functional model
85. Adjustment of integrated GNSS and leveling networks
86. Integration of local networks into global reference systems
87. Adjustment with heterogeneous weights
88. Uncertainty propagation to mapping products
89. Final project: complete network adjustment
90. Final project analysis and statistical evaluation

Leia mais