CIDLIA MARIA PARREIRA DA COSTA FONTE

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
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.
1.1.2. Erros associados ao processo de medio
1.1.2.1. Erros acidentais
Os erros acidentais so normalmente originados por enganos ou descuidos e
apresentam uma magnitude muito superior aos outros tipos de erros.
Para que se possa fazer um ajustamento das observaes, utilizando, por exemplo, o
mtodo dos mnimos quadrados, necessrio eliminar todos os erros acidentais existentes nas
observaes, devendo-se usar procedimentos e mtodos que permitam a sua deteco e
eliminao.
1.1.2.2. 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
Os erros aleatrios so erros de pequena amplitude cuja origem desconhecida e que
tm propriedades anlogas s propriedades estatsticas de uma amostragem.
Pode dizer-se que so os erros existentes num grupo de observaes depois de
detectados e eliminados os erros acidentais, identificadas as causas de erros sistemticos e
corrigidas as observaes da sua influncia.
A existncia de erros aleatrios uma caracterstica inerente ao processo fsico de
medio, sendo portanto uma propriedade das observaes.
Deste modo quando estamos perante o problema de medir determinada grandeza (uma
distncia, um ngulo,...) podemos considerar que estatisticamente temos o seguinte problema:
temos uma varivel aleatria e vamos recolher uma amostra (fazer um conjunto de
observaes). Os parmetros que definem a varivel aleatria, valor mdio e varincia, vo-
nos dar respectivamente o valor a adoptar para a grandeza que estamos a medir e uma
indicao sobre a preciso com que as observaes foram feitas. O problema de ajustamento
consiste assim em determinar os parmetros da varivel aleatria custa da amostra
recolhida.
Em virtude das propriedades das observaes atrs descritas, em geral, quando se
fazem observaes de grandezas, para determinao do seu valor ou para as utilizar no
clculo de outras quantidades, fazem-se mais observaes do que as estritamente necessrias.
As principais razes para a existncia de redundncia so:
- permitir a deteco de erros grosseiros atravs da confirmao dos valores medidos.
- permitir fazer uma avaliao mais precisa das quantidades desejadas, atravs da
execuo de um ajustamento.
- permitir estimar a ordem de grandeza da preciso obtida para os valores ajustados.
3
2. MTODO DOS MNIMOS QUADRADOS
2.1. MODELO MATEMTICO, FUNCIONAL E ESTOCSTICO
2.1.1. Modelo matemtico
Chama-se modelo matemtico as sistema terico ou conceito abstracto atravs do qual
se descreve uma situao fsica ou um conjunto de acontecimentos. Esta descrio no
necessariamente completa ou exaustiva. Como um modelo serve um propsito especfico, a
sua formao pode variar largamente de um ponto de vista para outro. Deste modo, o mesmo
sistema fsico pode ser descrito por mais do que um modelo.
Um modelo matemtico pode ser dividido em duas partes conceituais: o modelo
funcional e o modelo estocstico:
2.1.2. Modelo funcional
O modelo funcional composto por relaes que descrevem a geometria ou
caractersticas fsicas do problema em questo.
Exemplo 1: Para a determinao da rea de um terreno rectangular com lados a e b o
modelo funcional A = ab.
Exemplo 2: Para a determinao da forma de um tringulo com ngulos , e o
modelo funcional ser + + = 180.
2.1.3. Modelo estocstico
O modelo estocstico composto pelo conjunto de relaes que descrevem as
propriedades estatsticas dos elementos envolvidos no modelo funcional. O modelo
estocstico indica por exemplo a qualidade das observaes feitas (as suas precises, relativas
ou absolutas), indica se as observaes esto correlacionadas ou no, indica ainda as variveis
que so consideradas constantes durante o ajustamento e as que se pretendem determinar.
2.2. FINALIDADE DO MTODO DOS MNIMOS QUADRADOS
De acordo com o que foi dito no ponto 1.1.2., quando se pretendem determinar uma ou
vrias grandezas normalmente fazem-se mais observaes do que as estritamente necessrias
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 l
1
, l
2
,...,l
n
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 (v
i
) de tal
forma que:
l
^

i
= l
i
+ v
i
com i = 1, 2,...,n
Mas existem vrios valores de v
i
que daro origem a um conjunto de observaes
ajustadas consistente com o modelo funcional.
EXEMPLO:
Se para determinarmos a forma de um tringulo medirmos os seus trs ngulos
internos , e , teremos como modelo funcional a seguinte equao:
+ + = 180
no entanto muito provvel que a soma dos trs ngulos medidos no seja 180,
devido existncia de erros aleatrios nas medies. Suponhamos ento que a sua soma
excede 180 em 3''. Para termos as observaes consistentes com o modelo funcional teremos
que substituir os valores observados por valores ajustados, que podemos obter de vrias
formas. Neste caso podemos por exemplo subtrair a cada ngulo observado 1'', ou subtrair 2''
a um ngulo e 1'' a outro, ou ainda subtrair os 3'' apenas a um ngulo, deixando os restantes
dois inalterados.
Para escolhermos o "melhor" conjunto de observaes ajustadas (ou seja os valores
mais provveis para as observaes ajustadas) vamos utilizar um critrio adicional, que o
critrio dos mnimos quadrados.
5
2.3. PRINCPIO DO MTODO DOS MNIMOS QUADRADOS
O critrio dos mnimos quadrados consiste em minimizar a funo
t
v Wv ,
onde v o vector dos resduos associado s n observaes l
1
, l
2
,...,l
n

1
2
,1 n
n
v
v
v
v
1
1
1

1
1
]

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:
2
2
2
1 1
2 2 2
0
1/
1/
1/
n n
w
w
W
w

1 1
1 1
1 1

1 1
1 1
1
] ]


sendo w
i
o peso da observao i,
0
2
a varincia de referncia (a varincia de uma observao
com peso unitrio) e
i
2
a varincia da observao i.
Como no caso de observaes no correlacionadas a matriz W uma matriz diagonal,
a funo toma a forma:
2
1
( )
n
i i
i
wv

e no caso mais simples em que as observaes alm de serem no correlacionadas tm a
mesma preciso (W
i
= 1) temos:
2
1
( )
n
i
i
v

donde advm o nome do critrio.
Assim, as observaes ajustadas vo ser os elementos do vector l
^
= l + v, sendo l o
vector das observaes e v o vector dos resduos que tornam mnima a funo .
6
3. TCNICAS DE APLICAO DO MTODO DOS
MNIMOS QUADRADOS
Apesar de para um determinado modelo e um determinado conjunto de dados o
mtodo dos mnimos quadrados gerar uma soluo nica, possvel fazer o ajustamento
usando vrias tcnicas, que se distinguem pelo tipo de elementos envolvidos no ajustamento e
modo de definir o modelo funcional.
O modelo funcional para resolver um determinado problema pode, como j foi dito,
ser escrito de vrias formas, podendo inclui-se nele, para alm das observaes, outras
variveis e constantes numricas. As outras variveis que podem surgir no modelo so
denominadas de parmetros. Estes parmetros tm partida valores desconhecidos, de que
podemos apenas conhecer valores aproximados, sendo obtidas estimativas para os seus
valores com o ajustamento.
Uma vez estabelecidos os modelos funcional e estocstico, o algoritmo do mtodo dos
mnimos quadrados traduz-se por um conjunto de funes matemticas ou equaes. Vamos
fazer uma distino entre dois tipos de equaes: equaes de condio e equaes
constrangidas ou restries. Qualquer equao que contenha uma ou mais observaes ser
chamada de equao de condio. Consequentemente qualquer problema de ajustamento de
observaes ter equaes de condio. As equaes que no inclurem quaisquer
observaes sero chamadas de equaes constrangidas, e sero apenas funo de parmetros
e constantes.
Existem dois tipos de tcnicas de ajustamento:
a) ajustamento apenas com equaes de condio;
b) ajustamento com equaes de condio e equaes constrangidas ou restries;
Pode-se ainda considerar uma terceira tcnica, em que no se distingem as variveis
observaes e os parmetros, denominada de:
c) ajustamento unificado
Aqui vamos abordar apenas o caso de ajustamento com equaes de condio.
7
3.1. CASO GERAL DE AJUSTAMENTO USANDO APENAS
EQUAES DE CONDIO
3.1.1. Estabelecimento do modelo funcional:
Antes de iniciar a fase de aquisio dos dados num levantamento, necessrio
especificar o modelo matemtico a considerar. Este modelo construdo utilizando um certo
nmero de variveis e um conjunto de relaes entre elas. Escolhem-se ento as grandezas a
observar, o nmero de observaes que se tero de fazer e a sua preciso. A necessidade de se
fazer ou no um ajustamento, vai depender do nmero de observaes feitas. Se estas forem
mais do que o nmero mnimo de variveis independentes que permitem definir o modelo
escolhido de uma forma nica, ser necessrio ajustar as observaes para que se obtenha
uma soluo nica. Designando este nmero mnimo por n
0
, se forem feitas n observaes,
com n > n
0
, ento a redundncia r, ou nmero de graus de liberdade, dada por:
r = n - n
0
(1)
A redundncia ou graus de liberdade pode ser interpretada como significando que
entre as n observaes existem r condies que tm de ser satisfeitas. Deste modo, quando r =
0, n = n
0
e as observaes satisfazem perfeitamente o modelo. Se n = n
0
+ 1, r = 1 e
necessrio escrever uma funo que relacione as n observaes. (Exemplo: medio de 3
ngulos internos de um tringulo plano). Ou seja, por cada observao redundante teremos
que escrever uma equao.
O nmero de equaes que necessrio formular para um dado problema depende
ainda do facto de se estarem a considerar apenas variveis observadas ou tambm parmetros.
A existncia de parmetros num ajustamento relativamente arbitrria e depende
principalmente do tipo de problema a resolver. Em princpio, pode-se solucionar qualquer
problema usando apenas observaes. No entanto em alguns casos pode ser conveniente
incluir parmetros, particularmente quando eles so variveis com interesse.
Considere-se ento que para alm de observaes tambm existem parmetros. Se
tnhamos que escrever r condies quando no tnhamos parmetros, teremos que escrever
r + 1 se dispusermos de um parmetro. Esta condio adicional necessria para permitir
determinar a incgnita adicional, mantendo o mesmo nmero de graus de liberdade no
sistema.
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
.
Considerando como um parmetro teremos que escrever duas equaes para
construir o modelo funcional que sero:
-
1
= 0
-
2
= 0
Sendo assim, se tivermos u parmetros independentes no ajustamento o nmero de
condies a escrever ser:
c = r + u (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 = n
0
, o que implica que c = n. Se u for maior do que n
0
, 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:
r c n
0 u n
0
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.
3.1.2. Deduo da forma linearizada do modelo funcional:
Suponhamos agora que tnhamos o seguinte modelo funcional:
f
1
( l
1
, l
2
,..., l
n
, x
1
, x
2
,..., x
u
) = 0 l
i
- grandezas observadas (1 i n)
f
2
(( l
1
, l
2
,..., l
n
, x
1
, x
2
,..., x
u
) = 0 x
i
- parmetros (1iu)

f
c
(( l
1
, l
2
,..., l
n
, x
1
, x
2
,..., x
u
) = 0
que para simplificar representaremos por:
f
i
( l , x ) = 0
representando l e x os verdadeiros valores das grandezas l
i
e x
i
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( l , x ) = f(l
0
,x
0
) + (
f
l
)
0
( l -l
0
) + (
f
x
)
0
( x -x
0
) = 0
considerando como aproximaes dos valores verdadeiros l e x , respectivamente os
valores l
0
e x
0
, e sendo o valor das derivadas parciais calculadas para x = x
0
e l = l
0.
Como o verdadeiro valor das variveis nunca conhecido, vamos substitui-las pelos
valores ajustados l
^
.
f(l
^
, x
^
) = f(l
0
,x
0
) + (
f
l
)
0
(l
^
-l
0
) + (
f
x
)
0
(x
^
-x
0
) = 0
10
Se tomarmos como aproximaes iniciais l
0
para os valores observadas as observaes
feitas l, teremos:
l
^
- l
0
= 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 l
0
o valor ajustado obtido na
iterao anterior teremos:
l
^
= l
0
+ l l
^
- l
0
= l

Como
l
^
= l + v

= l
0
+ l
temos que:
l
^
- l
0
= l+ v - l
0
= l
Considerando ainda x - x
0
= podemos escrever:
f(l
^
,x
^
) = f(l
0
,x
0
) + (
f
l
)
0
(l + v -l
0
) + (
f
x
)
0
= 0
que para uma primeira iterao, como j foi dito, e uma vez que l = l
0
, se reduz a:
f(l
^
,x
^
) = f(l,x
0
) + (
f
l
)
0
v + (
f
x
)
0
= 0
Considerando A = (
f
l
)
0
e B = (
f
x
)
0
, teremos:
f(l
0
,x
0
) +A (l + v -l
0
) + B = 0
Al + Av - Al
0
+ B = - f(l
0
,x
0
)
11
Av + B = - f(l
0
,x
0
) + Al
0
- Al
Fazendo:
d = - f(l
0
,x
0
) + Al
0
obteremos:
Av + B = d - Al = f
ou seja:
Av + B = f (3)
que o modelo funcional linearizado, sendo:
v - Vector dos resduos v
n,1
=
1
2
n
v
v
v
1
1
1
1
1
]

- Vector das correces dos parmetros
u,1
=
1
2
u
x
x
x
1
1
1
1
1
]

A - Matriz Jacobiana J
fl
=

_ f
i
l
i

0
A
c,n
=

]
1
1
1
1
1
1
f
1
l
1
f
1
l
2
. . .
f
1
l
n
f
2
l
1
f
2
l
2
. . .
f
2
l
n
.
.
.
f
c
l
1
f
c
l
2
. . .
f
c
l
n

0

12
B - Matriz Jacobiana J
fx =

_ f
i
x
i

0

B
c,u
=

]
1
1
1
1
1
1
f
1
x
1
f
1
x
2
. . .
f
1
x
u
f
2
x
1
f
2
x
2
. . .
f
2
x
u
.
.
.
f
c
x
1
f
c
x
2
. . .
f
c
x
u

0

l - Vector coluna das observaes l
n,1
=
1
2
n
l
l
l
1
1
1
1
1
]

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 = v
t
Wv mnimo.
3.1.3. Determinao das variveis do problema: v e
Temos assim que resolver o sistema:
mnimo
t
Av B f
v Wv
+
'

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 k
t
, sendo k um vector coluna de dimenso cx1, e teremos:
= - 2 k
t
(Av + B - f) = v
t
Wv- 2 k
t
(Av + B - f)
13
O mnimo da funo ser a soluo do seguinte sistema:

'

v
= 0

= 0
Av + B - f = 0

Sendo

v
as derivadas de em ordem ao vector v, e

as derivadas de em
ordem ao vector .
Calculando as derivadas (ver apndice) obtm-se:

'

v
= 2v
t
W - 2 k
t
A = 0

= - 2 k
t
B = 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) v
t
W = k
t
A
v
t
= k
t
AW
-1

v = (k
t
AW
-1
)
t
= (W
-1
)
t
A
t
k = (W
t
)
-1
A
t
k = W
-1
A
t
k
2) A(W
-1
A
t
k) + B - f = 0
A(W
-1
A
t
k) = f - B
14
(AW
-1
A
t
)k = f - B
k = (AW
-1
A
t
)
-1
(f - B)
3) v = W
-1
A
t
[(AW
-1
A
t
)
-1
(f - B)]
v = W
-1
A
t
(AW
-1
A
t
)
-1
(f - B)
4) - 2 k
t
B = 0
- 2 [(AW
-1
A
t
)
-1
(f - B)]
t
B = 0
[(AW
-1
A
t
)
-1
f - (AW
-1
A
t
)
-1
B]
t
B = 0
[(AW
-1
A
t
)
-1
f]
t
B - [(AW
-1
A
t
)
-1
B]
t
B = 0
[(AW
-1
A
t
)
-1
f]
t
B = [(AW
-1
A
t
)
-1
B]
t
B
Transpondo ambos os membros vem:
{[(AW
-1
A
t
)
-1
f]
t
B}
t
= {[(AW
-1
A
t
)
-1
B]
t
B}
t

B
t
[(AW
-1
A
t
)
-1
f] = B
t
[(AW
-1
A
t
)
-1
B]
B
t
[(AW
-1
A
t
)
-1
B] = B
t
[(AW
-1
A
t
)
-1
f]
[B
t
(AW
-1
A
t
)
-1
B] = B
t
(AW
-1
A
t
)
-1
f
= [B
t
(AW
-1
A
t
)
-1
B]
-1
[B
t
(AW
-1
A
t
)
-1
f]
considerando:
N = B
t
(AW
-1
A
t
)
-1
B e t = B
t
(AW
-1
A
t
)
-1
f
temos:

-1
= N t
15
3.1.4. Clculo das matrizes cofactor
Na resoluo de um problema no basta calcular os valores mais provveis das
grandezas pretendidas. tambm necessrio averiguar qual a preciso desta determinao.
com esta finalidade que se calculam as matrizes cofactor.
Se conhecermos a matriz de covarincia das observaes (ou seja, se sabemos a
varincia de cada uma das observaes feitas) conhecemos C
l
e podemos depois determinar
as matrizes de covarincia dos resduos das correces a adicionar aos parmetros e das
observaes ajustadas, respectivamente C
v
, C

e C
l
^ , atravs da frmula de propagao da
varincia (ver apndice), ou seja:
C
v
= J
vl
C
l
J
vl
t


C

= J
l
C
l
J
l
t


C
l
^ = J
l
^
l
C
l
J
l
^
l
t

Se no conhecemos a varincia das observaes feitas teremos que lhes atribuir pesos
relativos e obteremos assim a chamada matriz dos pesos W. Esta matriz W est relacionada
com a matriz de covarincia atravs da relao:
W
l
=
0
2
C
l
-1
,
sendo
0
2
a varincia de referncia.
Deste modo se atribuirmos um determinado valor a
0
podemos determinar a matriz
de covarincia das observaes e de seguida calcular as matrizes de covarincia dos resduos,
dos parmetros e das observaes ajustadas. priori pode-se atribuir a
0
qualquer valor,
sendo um dos mais adoptados o valor 1. Depois de feitas as medies e calculados os valores
dos parmetros podemos estimar posteriori o valor de
0
2
atravs da expresso:

0
2
=
v
t
W
l
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:
Q
l
= W
l
-1
=
1

0
2
C
l
(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 Q
l
, atravs da equao (4). Para determinarmos agora a matriz cofactor dos parmetros
vamos utilizar a expresso:
= N
-1
[B
t
(AW
-1
A
t
)
-1
f]
como f = d - Al, temos:
= N
-1
B
t
(AW
-1
A
t
)
-1
(d - Al)
= N
-1
B
t
(AW
-1
A
t
)
-1
d - N
-1
B
t
(AW
-1
A
t
)
-1
Al
Uma vez que
Q

= J
l
Q
ll
J
l
t
ento:
Q

= - N
-1
B
t
(AW
-1
A
t
)
-1
A Q
ll
(- N
-1
B
t
(AW
-1
A
t
)
-1
A)
t
Q

= - N
-1
B
t
(AW
-1
A
t
)
-1
A W
-1
[- A
t
((AW
-1
A
t
)
-1
)
t
B (N
-1
)
t
]

17
Como W uma matriz simtrica, logo W
-1
simtrica e AW
-1
A
t
tambm simtrica,
deste modo (A
t
)
-1
= (A
-1
)
t
e podemos escrever:
Q

= - N
-1
B
t
(AW
-1
A
t
)
-1
A W
-1
[- A
t
(AW
-1
A
t
)
-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
-1
B
t
(AW
-1
A
t
)
-1
A W
-1
(- A
t
)(AW
-1
A
t
)
-1
B N
-1
Q

= N
-1
B
t
(AW
-1
A
t
)
-1
(A W
-1
A
t
)(AW
-1
A
t
)
-1
B N
-1
Q

= N
-1
B
t
(AW
-1
A
t
)
-1
B N
-1
Q

= N
-1
N N
-1
Q

= N
-1


Uma vez que x
^
= x
0
+ , 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:
Q
vv
=Q
ll
A
t
(AW
-1
A
t
)
-1
AQ
ll
- Q
ll
A
t
(AW
-1
A
t
)
-1
BQ

B
t
(AW
-1
A
t
)
-1
AQ
ll

Q
l
^
l
^ = Q
ll
- Q
vv
.

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 n
0
.
3.2. CASOS PARTICULARES
O mtodo dos mnimos quadrados tem sido principalmente usado em dois casos
particulares, que se tornam mais simples do que o caso geral, que so normalmente
conhecidas como "ajustamento com equaes de observao" e "ajustamento com equaes
de condio". A escolha do caso geral ou de um dos casos particulares depende
principalmente do modelo matemtico do problema a resolver, mas tambm do tipo de
instrumentao de calculo disponvel, da dimenso do problema e da preferncia do
utilizador.
3.2.1. Ajustamento utilizando equaes de observao
Esta tcnica de ajustamento, tambm conhecida como ajustamento de observaes
indirectas, caracteriza-se pelo facto de cada uma das equaes que formam o modelo
funcional conter apenas uma observao e essa observao ter um coeficiente unitrio. Desta
forma tm-se n observaes, n equaes e u parmetros e evidentemente c = n.
1 A forma linearizada do modelo funcional (obtida a partir do caso geral):
Tnhamos obtido no caso geral como forma linearizada do modelo funcional a
seguinte expresso:
Av + B = f
sendo
A = (
f
l
)
0
e B = (
f
x
)
0

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,x
0
) + l
0

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
-1
A
t
(AW
-1
A
t
)
-1
(f - B)
substituindo A pela matriz identidade temos:
v = (W
-1
W)(f - B) = f - B
v = f - B
Tnhamos tambm que:
= N
-1
t
com N = B
t
(AW
-1
A
t
)
-1
B e t = B
t
(AW
-1
A
t
)
-1
f
Deste modo podemos ainda dizer que:
-1
D = N t
sendo N = B
t
W B e t = B
t
W f
Quanto s matrizes cofactor dos parmetros, dos resduos e das observaes ajustadas,
respectivamente Q

, Q
vv
, Q
^
l
^
l
, temos:
Q

= N
-1


Q
vv
= Q
l
WQ
l
- Q
l
WBQ

B
t
WQ
l

Q
vv
= Q
ll
- BQ

B
t
Q
vv
= Q
ll
- BN
-1
B
t

20
De modo semelhante:
Q
l
^
l
^
= Q
ll
- Q
vv
Q
l
^
l
^
= Q
ll
- Q
ll
+ BN
-1
B
t
Q
l
^
l
^
= BN
-1
B
t

3 - Exerccio de aplicao:
Estabelea um modelo funcional, utilizando equaes de observao, para determinar
as cotas ajustadas dos pontos B, C e D (respectivamente N
B
, N
C
e N
D
), sabendo que se
conhece a cota do ponto A (N
A
), e se mediram-se as seguintes diferenas de nvel (ver Fig 1):
A
B
C
D
l 1
l 2
l 3
l 4
l 5

Figura 1 - Esquema das diferenas de nvel observadas
l
1
= dN
AB

l
2
= dN
BC
l
3
= dN
AC
l
4
= dN
CD
l
5
= dN
AD

Pretende-se determinar as cotas ajustadas dos pontos B, C e D, respectivamente N
B
,
N
C
e N
D
.
Estabelecimento do modelo funcional utilizando equaes de observao:
Resoluo:
Mediram-se 5 diferenas de nvel, logo n = 5
Conhecendo a cota do ponto A, para determinar as cotas dos pontos B, C e D bastava
medir 3 diferenas de nvel, logo:
n
0
= 3
r = n - n
0
= 2
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:

'

N
A
+ dN
AB
= N
B
N
B
+ dN
BC
= N
C
N
A
+ dN
AC
= N
C
N
C
+ dN
CD
= N
D
N
A
+ dN
AD
= N
D

1 1
2 2
3 3
4 4
5 5
0
0
0
0
0
A B
B C
A C
C D
A D
f N l N
f N l N
f N l N
f N l N
f N l N

+ '

Sendo estas as equaes que constituem o modelo funcional, que podemos escrever da
seguinte forma:
v + B = f
sendo: B =

]
1
1
1
1
1
1
1
f
1
N
B
f
1
N
C
f
1
N
D
f
2
N
B
f
2
N
C
f
2
N
D
f
3
N
B
f
3
N
C
f
3
N
D
f
4
N
B
f
4
N
C
f
4
N
D
f
5
N
B
f
5
N
C
f
5
N
D

0
=

]
1
1
-1 0 0
1 -1 0
0 -1 0
0 1 -1
0 0 -1

v =
1
2
3
4
5
v
v
v
v
v
1
1
1
1
1
1
1
]
=
1
2
3
x
x
x
1
1
1
1
]
sendo:
N
B
= N
B
0
+ x
1
N
C
= N
C
0
+ x
2
N
D
.= N
D
0
+ x
3

e finalmente f = d -l = -f(x
0
,l
0
) + l
0
-l
Na 1 iterao l
0
= l logo:
22
f = -f(x
0
,l) = -
0
0 0
0
0 0
0
1
2
3
4
5
A B
B C
A C
C D
A D
N l N
N l N
N l N
N l N
N l N

+
+ 1
1
+
1
1
+
1
1
+
1
1
]

Nas iteraes seguintes:
f = d -l = -f(x
0
,l
0
) + l
0
- l = -
0
0 0
0
0 0
0
1 0
2 0
3 0
4 0
5 0
( )
( )
( )
( )
( )
A B
B C
A C
C D
A D
N l N
N l N
N l N
N l N
N l N
+ 1
1
+
1
1
+
1
1
+
1
+ 1
]
+
1 0
2 0
3 0
4 0
5 0
( )
( )
( )
( )
( )
l
l
l
l
l
1
1
1
1
1
1
1
]
-
1
2
3
4
5
l
l
l
l
l
1
1
1
1
1
1
1
]
=
= -
0
0 0
0
0 0
0
1
2
3
4
5
A B
B C
A C
C D
A D
N l N
N l N
N l N
N l N
N l N

+
+ 1
1
+
1
1
+
1
1
+
1
1
]
= -f(x
0
,l) pois o modelo funcional era, partida, linear.
Passando imediatamente para notao matricial teramos:
1 1
2 2
3 3
4 4
5 5
0
0
0
0
0
A B
B C
A C
C D
A D
f N l N
f N l N
f N l N
f N l N
f N l N

+ '

0
0 0
0
0 0
0
1 1 1 1
2 1 2 2 2
3 3 3 2
4 2 4 4 3
5 5 5 3
( ) ( ) 0
( ) ( ) ( ) 0
( ) ( ) 0
( ) ( ) ( ) 0
( ) ( ) 0
A B
B C
A C
C D
A D
f N l v N x
f N x l v N x
f N l v N x
f N x l v N x
f N l v N x
+ + +

+ + + +

+ + +
'

+ + + +

+ + +

23
0
0 0
0
0 0
0
1 1 1
2 1 2 2
3 2 3
4 2 3 4
5 3 5
A B
B C
A C
C D
A D
v x N l N
v x x N l N
v x N l N
v x x N l N
v x N l N
+

+ +

+
'

+ +

1
2
3
4
5
v
v
v
v
v
1
1
1
1
1
1
1
]
+
1
2
3
1 0 0
1 1 0
0 1 0
0 1 1
0 0 1
x
x
x
1
1
1
1
1
1
1
1
1
]
1
1

]
= -
0
0 0
0
0 0
0
1
2
3
4
5
A B
B C
A C
C D
A D
N l N
N l N
N l N
N l N
N l N

+
+ 1
1
+
1
1
+
1
1
+
1
1
]

3.2.2. Ajustamento utilizando equaes de condio
Nesta tcnica de ajustamento no so includos parmetros nas equaes que
constituem o modelo funcional. Desta forma u = 0, e teremos c = r.
1 - Obteno, a partir do caso geral, da forma linearizada do modelo funcional:
Se no existem parmetros nas equaes do modelo funcional o vector no existe e a
matriz B ser uma matriz nula.
Teremos ento como modelo funcional linearizado apenas:
Av = f
sendo f = d -Al = -f(l
0
) + Al
0
-Al
2 - Obteno, a partir do caso geral, das expresses que permitem calcular as variveis
do problema e as matrizes cofactor:
Para se obter a expresso que permite calcular os resduos basta substituir na expresso
correspondente ao caso geral o vector por um vector nulo e a matriz B por uma matriz
identicamente nula. Tnhamos:
v = W
-1
A
t
(AW
-1
A
t
)
-1
(f - B)
e passaremos a ter:
24
v = W
-1
A
t
(AW
-1
A
t
)
-1
f
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
Q
vv
e Q
^
l
^
l
tnhamos:
Q
vv
=Q
ll
A
t
(AW
-1
A
t
)
-1
AQ
ll
- Q
ll
A
t
(AW
-1
A
t
)
-1
BN
-1
B
t
(AW
-1
A
t
)
-1
AQ
ll

e passaremos a ter:
Q
vv
= Q
ll
A
t
(AW
-1
A
t
)
-1
AQ
ll


e Q
l ^l ^
= Q
ll
- Q
vv
.
3 - Exerccio de aplicao:
Estabelea um modelo funcional, utilizando equaes de condio, para determinar as
coordenadas ajustadas do ponto P (M
P
e P
P
), 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)

a
p
b
P
B
A

a
p
b
P
B
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:
n
0
= 2 e r = n - n
0
= 2
25
Queremos determinar as coordenadas de P que so M
P
e P
P
, 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:
a p
sin sin


+ +

'

1
2
0
0
f
a p
f
sin sin


+ +

'

Sendo estas as equaes que constituem o modelo funcional, estamos em condies de
as escrever na forma linearizada
Av = f
sendo:
A = (
df
dl
)
0
=
1 1 1 1
2 2 2 2
df df df df
da db dg da
df df df df
da db dg da
1
1
1
1
1
]
=
1 1 1 0
. . 0 . . a cosec a cotg a p cosec g cotg g cosec a
1
1

]

v =
1
2
3
4
v
v
v
v
1
1
1
1
1
]

f = d -Al = -f(l
0
) + Al
0
-Al
Na 1 iterao l
0
= l logo
f = -f(l) = a p
sin sin


1
1
1
+
1
]

Nas iteraes seguintes
f = d -Al = -f(l
0
) + Al
0
-Al
com l =
a

1
1
1
1
1
]
l
0
=
0
0
0
0
a

1
1
1
1
1
]

26
d = -f(l
0
) + Al
0
=
=-
0
a p
sin sin


0 0 0
0 0
+ + 1
1
1

1
]
+
0
1 1 1 0
. . 0 . . a cosec cotg p cosec cotg cosec
0 0 0 0 0
1
1

]
.
0
0
0
0
a

1
1
1
1
1
]
=
=
0
0 0
( )
( ) ( . . . . . . . )
a p
a cosec cotg p cosec cotg a cosec
sin sin



0 0 0 0 0 0
0 0 0 0 0 0 0
0 0
+ + + + + 1
1
1
+ + +
1
]
=
=
0
0 0
( ) ( . . . . . . . )
a p
a cosec cotg p cosec cotg a cosec
sin sin

0 0 0 0 0 0 0
0 0
1
1
1
+ + +
1
]

logo
f =
0
0 0
( ) ( . . . . . . . )
a p
a cosec cotg p cosec cotg a cosec
sin sin

0 0 0 0 0 0 0
0 0
1
1
1
+ + +
1
]
-
-
0 0 0 0 0 0
1 1 1 0
- . . 0 . . a cosec cotg p cosec cotg cosec
a

1
1
1
1
1
1
]
1
]

3.2.3. Aplicao das duas ltimas tcnicas de ajustamento
Determine as coordenadas planimtricas ajustadas dos pontos C e D da poligonal
representada na Figura 3.
B
C
D
E
F
A

4
d
1
d
2
d
3
.C.
()
(EF)
.C.
B
C
D
E
F
A

4
d
1
d
2
d
3
.C.
()
(EF)
.C.

Figura 3 - Esquema da poligonal

27

DADOS:
M
B
= 8478,139 m
P
B
= 2483,826 m
M
F
= 7709,336 m
P
F
= 2263,411 m
(BA) = 68 1520,7
(EF) = 300 1130,5
QUANTIDADES
OBSERVADAS:

1
= 172 53 34 2

2
= 185 22 14 2

3
= 208 2619 2

4
= 205 1351 2
d
1
= 281,832 0,016 m
d
2
= 271,300 0,016 m
d
3
= 274,100 0,016 m
PEDIDOS:
M
C
= ?
P
C
= ?
M
D
= ?
P
D
= ?

N de observaes: n = 7
N de observaes necessrias: n
0
= 4
N de parmetros: u = 4
Redundncia: r = n - n
0
= 3
CALCULO DAS COORDENADAS AJUSTADAS DE C E D
A - UTILIZANDO EQUAES DE OBSERVAO:
1 - Estabelecer as equaes que formam o modelo funcional
N de equaes: 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) +
1
- (BC) = 0
(CB) +
2
- (CD) = 0
(DC) +
3
- (DE) = 0
(ED) +
4
- (EF) = 0
d
1
- BC = 0
d
2
- CD = 0
d
3
- DE = 0

28
podemos escrever as seguinte sete equaes, em funo dos parmetros a considerar, das
quantidades observadas e das quantidades conhecidas:

'

f
1
= (BA) +
1
- arctg
M
C
-M
B
P
C
-P
B
= 0
f
2
= arctg
M
B
-M
C
P
B
-P
C
+
2
- arctg
M
D
-M
C
P
D
-P
C
= 0
f
3
= arctg
M
C
-M
D
P
C
-P
D
+
3
- arctg
M
E
-M
D
P
E
-P
D
= 0
f
4
= arctg
M
D
-M
E
P
D
-P
E
+
4
- (EF) = 0
f
5
= d
1
- (M
C
-M
B
)
2
+(P
C
-P
B
)
2
= 0
f
6
= d
2
- (M
D
-M
C
)
2
+(P
D
-P
C
)
2
= 0
f
7
= d
3
- (M
E
-M
D
)
2
+(P
E
-P
D
)
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:
1 1 1 1
C C D D
2 2 2 2
C C D D
3 3 3 3
C C D D
4 4 4 4
C C D D
5 5 5 5
C C D D
6 6 6 6
C C D D
7 7 7 7
C C D D
f f f f
M P M P
f f f f
M P M P
f f f f
M P M P
f f f f
M P M P
f f f f
M P M P
f f f f
M P M P
f f f f
M P M P
B

29
Como (arctg u)' =
u'
1 + u
2
tem-se que por exemplo:
b
11
=
f
1
M
C
= -
P
C
-P
B
(P
C
-P
B
)
2
+ (M
C
-M
B
)
2

b
12
=
f
1
P
C
= -
M
C
-M
B
(P
C
-P
B
)
2
+ (M
C
-M
B
)
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(l
0
,x
0
) + l
0
- l temos:
v =
1
2
3
4
5
6
7
v
v
v
v
v
v
v
1
1
1
1
1
1
1
1
1
1
]

=
1
2
3
4
x
x
x
x
1
1
1
1
1
]

sendo:
0
0
0
0
1
2
3
4
C C
C C
D D
D D
M M x
P P x
M M x
P P x
+

'
+

l =
1
2
3
4
5
6
7
l
l
l
l
l
l
l
1
1
1
1
1
1
1
1
1
1
]
=
1
2
3
4
1
2
3
d
d
d

1
1
1
1
1
1
1
1
1
1
]
l
0
=
1 0
2 0
3 0
4 0
1 0
2 0
3 0
( )
( )
( )
( )
( )
( )
( )
d
d
d

1
1
1
1
1
1
1
1
1
1
]

Na 1 iterao l
0
= l logo f = - f(l,x
0
)

30
f= -

]
1
1
1
1
1
1
1
1
1
1
1
(BA)+
1
- arctg
M
C
0
-M
B
P
C
0
-P
B
arctg
M
B
-M
C
0
P
B
-P
C
0
+
2
- arctg
M
D
0
-M
C
0
P
D
0
-P
C
0
arctg
M
C
0
-M
D
0
P
C
0
-P
D
0
+
3
- arctg
M
E
-M
D
0
P
E
-P
D
0
arctg
M
D
0
-M
E
P
D
0
-P
E
+
4
- (EF)
d
1
- (M
C
0
- M
B
)
2
+ (P
C
0
- P
B
)
2
d
2
- (M
D
0
- M
C
0
)
2
+ (P
D
0
- P
C
0
)
2
d
3
- (M
E
- M
D
0
)
2
+ (P
E
- P
D
0
)
2


Nas iteraes seguintes f = -f(x
0
,l
0
) + l
0
-l
f = -

]
1
1
1
1
1
1
1
1
1
1
(BA)+(
1
)
0
-arctg
M
C
0
-M
B
P
C
0
-P
B
arctg
M
B
-M
C
0
P
B
-P
C
0
+(
2
)
0
-arctg
M
D
0
-M
C
0
P
D
0
-P
C
0
arctg
M
C
0
-M
D
0
P
C
0
-P
D
0
+(
3
)
0
- arctg
M
E
-M
D
0
P
E
-P
D
0
arctg
M
D
0
-M
E
P
D
0
-P
E
+(
4
)
0
-(EF)
(d
1
)
0
- (M
C
0
-M
B
)
2
+(P
C
0
-P
B
)
2
(d
2
)
0
- (M
D
0
-M
C
0
)
2
+(P
D
0
-P
C
0
)
2
(d
3
)
0
- (M
E
-M
D
0
)
2
+(P
E
-P
D
0
)
2



+

]
1
1
1
1
1
(
1
)
0
(
2
)
0
(
3
)
0
(
4
)
0
(d
1
)
0
(d
2
)
0
(d
3
)
0
-

]
1
1
1
1
1

4
d
1
d
2
d
3


Considerando como aproximaes iniciais para os parmetros os seguintes valores:
M
C
= 8200 m P
C
= 2340 m
M
D
= 7980 m P
D
= 2230 m
obtm-se para a primeira iterao:
31
B = 10
-3

]
1
1
1
1
1.4669056 -2.836786 0 0
-3.285087 6.473150 1.818182 -3.636364
1.818182 -3.636364 -1.368960 7.275529
0 0 0.4492217 -3.639165
888.2685 459.3247 0 0
-894.4272 -447.2136 894.4272 447.2136
0 0 -992.4672 122.511

f = -

]
1
1
1
1
1
0.026318430 (rad)
-0.080146734 (rad)
0.09011977 (rad)
-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 =
0
2.
diag

]
1 1/

1
2
1/

2
2
1/

3
2
1/

4
2
1/
d
1
2
1/
d
2
2
1/
d
3
2

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
rad
2

d
1

2
=
d
2

2
=
d
3

2
= 0.016
2
= 2.56 x 10
-4
m
2
.
Considerando a varincia de referncia igual a 1 temos que:
W = 3906.25 diag[ ] 2722890.898 2722890.898 2722890.898 2722890.898 1.0 1.0 1.0

Agora estamos em condies de resolver o problema, atravs das expresses:
= N
-1
t 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

1

32,52094
7,861685
4,82137
9,134401

M
C
1
= 8232,521
P
C
1
= 2347,862
M
D
1
= 7984,821
P
D
1
= 2239,134

2

-1,25186
-0,04199
-2,40815
0,581442

M
C
2
=8231,269
P
C
2
= 2347,820
M
D
2
= 7982,413
P
D
2
= 2239,716

3

-0,00606
-0,00202
-0,00892
-0,00143

M
C
3
=8231,263
P
C
3
= 2347,818
M
D
3
= 7982,404
P
D
3
= 2239,714

4

-5,2E-08
-6,6E-09
-2,2E-08
3,54E-08

M
C
4
=8231,263
P
C
4
= 2347,818
M
D
4
= 7982,404
P
D
4
= 2239,714
Sendo as sucessivas coordenadas ajustadas calculadas atravs de:
M
C
= M
C
0
+ x
1

P
C
= P
C
0
+ x
2
M
D
= M
D
0
+ x
3
P
D
= P
D
0
+ x
4

Coordenadas ajustadas finais:
M
C
= 8231.263 m
P
C
= 2347.818 m
M
D
= 7982.404 m

P
D
= 2239.714 m
Quanto aos resduos obtm-se:

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)

172 56' 42.6" 172 53' 36" 172 53' 35.1" 172 53' 35.1"
185 23' 5.04" 185 22' 16.5" 185 22' 16.3" 185 22' 16.3"
208 25' 21.4" 208 26' 22.2" 208 26' 22.5" 208 26' 22.5"
205 11' 0.47" 205 13' 54.9" 205 13' 55.7" 205 13' 55.7"
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
Tomando como valores aproximados para os parmetros
M
C
0
= 8231,290 m obtido a partir de: M
C
0
= M
B
+ d
1
sin [(BA) +
1
]
P
C
0
= 2347,831 m obtido a partir de: P
C
0
= P
B
+ d
1
cos [(BA) +
1
]
M
D
0
= 7982,409 m obtido a partir de: M
D
0
= M
E
+ d
3
sin [(EF) -
4
]
P
D
0
= 2239,708 m obtido a partir de: P
D
0
= P
E
+ d
3
cos [(EF) -
4
]
obtm-se:
34
1 iterao 2 iterao

1
-0,02697
-0,01333
-0,0047
0,00641

M
C
1
= 8231,263
P
C
1
= 2347,818
M
D
1
= 7982,404
P
D
1
= 2239,714

2

-2,8E-07
-6,7E-08
1,53E-06
-2,8E-07

M
C
2
= 8231,263
P
C
2
= 2347,818
M
D
2
= 7982,404
P
D
2
= 2239,714
Sendo as coordenadas ajustadas:
M
C
= 8231.263 m
P
C
= 2347.818 m

M
D
= 7982.404 m

P
D
= 2239.714 m
Para os resduos e observaes ajustadas temos:
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)

172 53' 35.1" 172 53' 35.1"
185 22' 16.3" 185 22' 16.3"
208 26' 22.5" 208 26' 22.5"
205 13' 55.7" 205 13' 55.7"
281,8617 m 281,8617 m
271,3245 m 271,3245 m
274,0946 m 274,0946 m
Falta fazer a anlise de resultados atravs de:
Q

= N
-1


Q
vv
= Q
ll
- BN
-1
B
t

Q
l ^l ^
= BN
-1
B
t

36

4.0922E-11 2.90692E-11 1.74828E-11 6.54371E-12 -2.4321E-08 -1.3496E-08 4.35071E-08
Q
vv

=
2.90692E-11 2.52977E-11 2.15997E-11 1.80511E-11 -8.9502E-09 -5.5004E-09 1.28372E-08

1.74828E-11 2.15997E-11 2.561E-11 2.93252E-11 6.94141E-09 3.1881E-09 -1.6363E-08

6.54371E-12 1.80511E-11 2.93252E-11 4.00978E-11 2.63297E-08 1.58081E-08 -3.9981E-08

-2.4321E-08 -8.9502E-09 6.94141E-09 2.63297E-08 0.000124415 0.000109969 2.07477E-05

-1.3496E-08 -5.5004E-09 3.1881E-09 1.58081E-08 0.000109969 0.000102256 4.8391E-05

4.35071E-08 1.28372E-08 -1.6363E-08 -3.9981E-08 2.07477E-05 4.8391E-05 0.000182106


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
Q^
l
^
l
=
-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


0,000108 5,02 E-5 2,46 E-5 4,46 E-6
Q^

=
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:

0
2
= 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
1 - Estabelecer as equaes que formam o modelo funcional:
N de equaes: c = r = 3

'

f
1
= (BA) + (
1
- ) + (
2
- ) + (
3
- ) +
4
- (EF) = 0
f
2
= M
B
+ d
1.
sin[(BA)+
1
] + d
2.
sin[(BA)+
1
-+
2
] + d
3.
sin[(EF)-
4
-] - M
E
= 0
f
3
= P
B
+ d
1.
cos[(BA)+
1
] + d
2.
cos[(BA)+
1
-+
2
] + d
3.
cos[(EF)-
4
-] - P
E
= 0

Assim teremos como modelo funcional linearizado:
Av = f
sendo:
A = (
f
l
)
0
=

]
1
1
1
1
f
1

1
f
1

2
f
1

3
f
1

4
f
1
d
1
f
1
d
2
f
1
d
3
f
2

1
f
2

2
f
2

3
f
2

4
f
2
d
1
f
2
d
2
f
2
d
3
f
3

1
f
3

2
f
3

3
f
3

4
f
3
d
1
f
3
d
2
f
3
d
3

0
=
=

]
1
1
1
1 1 1 1 0 0 0
-244.093 -108.098 0 -23.697 -0.876 -0.917 -0.996
495.684 248.834 0 -273.073 -0.483 -0.398 0.086

v =
1
2
3
4
5
6
7
v
v
v
v
v
v
v
1
1
1
1
1
1
1
1
1
1
]

38
f = - f(l
0
) + Al
0
- Al
Na 1 iterao l = l
0
logo:
f = - f(l) = -

]
1
1
1
(BA) + (
1
- ) + (
2
- ) + (
3
- ) +
4
- (EF)
M
B
+ d
1
sin [(BA)+
1
] + d
2
sin[(BA)+
1
-+
2
] + d
3
sin[(EF)-
4
-] - M
E
P
B
+ d
1
cos[(BA)+
1
] + d
2
cos[(BA)+
1
-+
2
] + d
3
cos[(EF)-
4
-] - P
E


Obtendo-se:
f =

]
1
1
1
5.72066569x10
-5
(rad)
-0.046217 (m)
-0.025221 (m)


Nas iteraes seguintes f = - f(l
0
) + Al
0
- Al.
Uma vez que a matriz dos pesos :
W = 3906.25 diag[ ] 2722890.898 2722890.898 2722890.898 2722890.898 1.0 1.0 1.0

obtm-se:
Resultados da 1 iterao Resultados da 2 iterao:
v
(1)
=

]
1
1
1
1
5.73149x10
-6
(rad)
1.13325x10
-5
(rad)
1.69774x10
-5
(rad)
2.31666x10
-5
(rad)
0.02968891 (m)
0.02449371 (m)
-0.00544557 (m)
v
(2)
=

]
1
1
1
1
5.73039x10
-6
(rad)
1.13323x10
-5
(rad)
1.6978x10
-5
(rad)
2.31673x10
-5
(rad)
0.029689208 (m)
0.024493105 (m)
-0.005445117 (m)


^
l
(1)
= l + v
(1)
=

]
1
1
1
1
17253'35.1"
18522'16.3"
20826'22.5"
20513'55.7"
281.862 (m)
271.324 (m)
274.095 (m)

^
l
(2)
= l + v
(2)
=

]
1
1
1
1
17253'35.1"
18522'16.3"
20826'22.5"
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:
M
C
= M
B
+ d
1
sin [(BA) +
1
] = 8231.263 m
P
C
= P
B
+ d
1
cos [(BA) +
1
] = 2347.818 m
M
D
= M
E
+ d
3
sin [(EF) -
4
] = 7982.405 m
P
D
= P
E
+ d
3
cos [(EF) -
4
] = 2239.714 m
Quanto anlise de resultados tem-se:

4,09188E-11 2,90685E-11 1,74843E-11 6,54613E-12 -2,43189E-08 -1,34962E-08 4,35056E-08
Q^
v
^
v
=
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
Q^
l
^
l
=
-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

-4,35056E-08 -1,28375E-08 1,63616E-08 3,99815E-08 -2,07434E-05 -4,83847E-05 7,38829E-05


0
posteriori 2.4.
40
APNDICE A - CONCEITOS NECESSRIOS
LGEBRA DE MATRIZES
Propriedades da transposta
(A + B)
t
= A
t
+ B
t

(AB)
t
= B
t
A
t

(A)
t
= A
t

(A
t
)
t
= A
- Uma matriz A simtrica se igual sua transposta. A = A
t

- Se B uma matriz simtrica, ento para qualquer matriz de dimenses que
convenientes tem-se que tanto ABA
t
como A
t
BA so simtricas
Propriedades da matriz inversa
(AB)
-1
= B
-1
A
-1

(A
-1
)
-1
= A
(A
t
)
-1
= (A
-1
)
t

(A)
-1
= 1/ A
-1
Formas quadrticas
Se A for uma matriz simtrica de ordem n e x um vector de dimenso (n,1), o escalar
x
t
Ax chama-se uma forma quadrtica.
Diferenciao de matrizes e formas quadrticas
- Se A for uma matriz cujos elementos dependem de uma varivel u ento a derivada
de A em ordem a u a matriz que se obtm derivando todos os elementos de A em ordem a u.
- Se um vector coluna y composto por m funes que so dependentes das variveis
do vector coluna x, ento a derivada parcial de y em ordem a x uma matriz m por n,
chamada a matriz Jacobiana e tem elementos:
41
J
yx
=

_ y
j
x
i
=

]
1
1
1
1
1
1
y
1
x
1
y
1
x
2
. . .
y
1
x
n
y
2
x
1
y
2
x
2
. . .
y
2
x
n
.
.
.
y
m
x
1
y
m
x
2
. . .
y
m
x
n
j = 1,...,m i = 1,...,n
- Sendo A uma matriz simtrica de ordem n e x um vector (n;1), demonstra-se que:
( )
= 2
t
t
x Ax
x A
x

e
( )
=
t
t
x A
A
x

(demonstrao em Surveying, theory and practice. pag. 902)

MTODO 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 que esto relacionadas entre si por k condies
1
,...,
k
(com k<n),
introduzem-se k multiplicadores de Lagrange
i
(i=1,...,k) e estuda-se uma nova funo de
n+k variveis, sendo
= f +
1

1
+
2

2
+...+
k

k

Os extremos relativos da funo f sero as solues do sistema:
1
2
1
2
0
0
0
' 0
' 0
' 0
k
x
x
xn

'

FRMULA DE PROPAGAO DA VARINCIA
Se y = f(x), ento atravs das leis de propagao da varincia, sabe-se que:
C
y
= J
yx
C
x
J
yx
t


42
APNDICE B - SIMBOLOGIA
x
i
- Parmetros
u - N de parmetros
l
i
- Observaes
n - N de observaes
l - Vector coluna das observaes l
n,1
=
1
2
n
l
l
l
1
1
1
1
1
]

n
0
-

N mnimo de observaes necessrias para resolver o problema em estudo.
v
i
- Resduos
v - Vector dos resduos v
n,1
=
1
2
n
v
v
v
1
1
1
1
1
]

^
l
i
- Observaes ajustadas (
^
l
i
= l
i
+ v
i
)
l
^
- Vector coluna das observaes ajustadas l
^

n,1
= l + v =

1
2
n
l
l
l
1
1
1
1
1
1
]

r - Graus de liberdade (r = n - n
0
)
f(x,l) = 0 - Modelo funcional
43
- Vector das correces dos parmetros
u,1
=
1
2
u
x
x
x
1
1
1
1
1
]

A - Matriz Jacobiana J
fl
=

_ f
i
l
i

0
A
c,n
=

]
1
1
1
1
1
1
f
1
l
1
f
1
l
2
. . .
f
1
l
n
f
2
l
1
f
2
l
2
. . .
f
2
l
n
.
.
.
f
c
l
1
f
c
l
2
. . .
f
c
l
n

0

B - Matriz Jacobiana J
fx =

_ f
i
x
i

0

B
c,u
=

]
1
1
1
1
1
1
f
1
x
1
f
1
x
2
. . .
f
1
x
u
f
2
x
1
f
2
x
2
. . .
f
2
x
u
.
.
.
f
c
x
1
f
c
x
2
. . .
f
c
x
u

0

W - Matriz dos pesos W =
1
2
n
w
w
w
1
1
1
1
1
]

=
0
2

2
2
2
1
2
1/
1/
1/
n

1
1
1
1
1
1
]

x
^
- vector dos parmetros ajustados x
^

u,1
= x
0
+
0
0
0
1
2
u
x
x
x
1
1
1
1
1
1
]

+
1
2
u
1
1

1
1
1

1
2
u
x
x
x
1
1
1
1
1
1
]

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
Technical Books, 1987.
Davis, R.; Foote, F.; et. al. - "Surveying, theory and practice". McGraw-Hill Book
Company, 1981.
1
CASO GERAL:
Forma linearizada do modelo funcional:
Av + B = f
Sendo:
A = (
f
l
)
0
v = l
^
- l
f = d - Al com
B = (
f
x
)
0
= x
^
- x
0

d = - f(l
0
,x
0
) + Al
0

Expresses que permitem calcular os valores mais provveis para as variveis do
problema:
v = W
-1
A
t
(AW
-1
A
t
)
-1
(f - B)
-1
= N t
Com:
N = B
t
(AW
-1
A
t
)
-1
B
t = B
t
(AW
-1
A
t
)
-1
f
Expresses que permitem calcular as matrizes cofactor dos parmetros, dos
resduos e das observaes ajustadas:
Q

= N
-1


Q
vv
=Q
ll
A
t
(AW
-1
A
t
)
-1
AQ
ll
-Q
ll
A
t
(AW
-1
A
t
)
-1
BN
-1
B
t
(AW
-1
A
t
)
-1
AQ
ll


Q
l ^l ^
= Q
ll
- Q
vv


2
CASOS PARTICULARES:
a) Ajustamento utilizando equaes de observao
Forma linearizada do modelo funcional:
v + B = f ou l + v + B = d
Expresses que permitem calcular os valores mais provveis para as variveis do
problema:
v = f - B
-1
= N t
Com:
N = B
t
W B t = B
t
W f
Expresses que permitem calcular as matrizes cofactor dos parmetros, dos
resduos e das observaes ajustadas:
Q

= N
-1


Q
vv
= Q
ll
- BN
-1
B
t
Q
l ^l ^
= BN
-1
B
t

b) Ajustamento utilizando equaes de condio
Forma linearizada do modelo funcional:
Av = f
Expresses que permitem calcular os valores mais provveis para as variveis do
problema:
v = W
-1
A
t
(AW
-1
A
t
)
-1
f
Expresses que permitem calcular as matrizes cofactor dos resduos e das
observaes ajustadas:
Q
vv
= Q
ll
A
t
(AW
-1
A
t
)
-1
AQ
ll


Q
l ^l ^
= Q
ll
- Q
vv
.