Ajustamento de Observações Geodésicas: Cálculo dos Resíduos e Verificação do Ajustamento.

Após a determinação das incógnitas pelo Método dos Mínimos Quadrados, é necessário avaliar a qualidade do ajustamento. Isso é feito por meio do cálculo dos resíduos, que representam as correções aplicadas às observações. A análise dos resíduos permite verificar a consistência dos dados e constitui a base para a avaliação estatística do ajustamento geodésico.

---

Cálculo dos Resíduos e Verificação do Ajustamento

---

Objetivos

1. Compreender o significado dos resíduos no ajustamento.
2. Calcular o vetor de resíduos.
3. Interpretar os resultados do ajustamento.
4. Verificar a consistência das observações.
5. Preparar a base para a estimativa da variância a posteriori.

---

1. Conceito de resíduo

No modelo paramétrico:

O vetor:

É chamado de vetor de resíduos.

Cada componente (v_i) representa a correção aplicada à observação (L_i).

2. Cálculo dos resíduos

Após determinar:

Os resíduos são obtidos por:

Ou, equivalentemente:

3. Propriedade importante

No ajustamento por mínimos quadrados:

Isso significa que os resíduos são ortogonais ao espaço das incógnitas, garantindo a condição de mínimo.

4. Interpretação física

Os resíduos indicam:

• Quanto cada observação foi corrigida.
• A coerência do conjunto de dados.
• A possível presença de erros grosseiros.

Resíduos muito grandes podem indicar:

• Observações inconsistentes.
• Problemas de modelagem.
• Erros de medição.

5. Soma ponderada dos quadrados dos resíduos

Após o ajustamento, calcula-se:

Esse valor representa a soma ponderada dos quadrados dos resíduos e será utilizado para estimar a variância a posteriori.

6. Exemplo Resolvido

Observações de uma distância (pesos iguais): 100,012; 100,018; 100,010.

Temos que:

• Passo 1 – Matriz A

• Passo 2 – Valores calculados

• Passo 3 – Resíduos

• Passo 4 – Soma dos quadrados

Como P = I:

7. Exercício Proposto

Observações (pesos iguais): 50,006; 50,010; 50,004; 50,008.

Valor ajustado:

Calcule:

a) os resíduos

b) v^T v

7.1 Resposta final esperada.

⇒Clique aqui⇐

8. Conclusão

O cálculo dos resíduos permite avaliar a consistência das observações e verificar a qualidade do ajustamento. A soma ponderada dos quadrados dos resíduos é um indicador fundamental para a análise estatística e para a estimativa da precisão dos resultados.

⇾ Próxima Aula ⇽ → Todas as Aulas ←

Leia mais

Ajustamento de Observações Geodésicas: Estrutura Matricial do MMQ.

O Método dos Mínimos Quadrados se torna realmente poderoso em Geodésia quando é formulado em linguagem matricial. A estrutura matricial permite representar grandes redes de observações, combinar diferentes tipos de medidas e aplicar pesos de forma consistente. Nesta aula, organizamos o MMQ em sua forma matricial padrão, identificando os vetores e matrizes fundamentais que serão usados em todos os problemas de ajustamento paramétrico.

---

Aula 022 – Estrutura Matricial do Método dos Mínimos Quadrados

---

Objetivos

1. Identificar os elementos matriciais do ajustamento (L, x, A, v, P).
2. Compreender o modelo linear paramétrico em forma matricial.
3. Entender a função objetivo na forma matricial.
4. Montar as equações normais usando álgebra matricial.
5. Interpretar dimensões e significado físico de cada matriz.

---

1. Vetores e matrizes fundamentais

No ajustamento paramétrico, definimos:

• L: vetor de observações (n × 1)

• x: vetor de incógnitas (u × 1)

• A: matriz de coeficientes (ou matriz de projeto) (n × u)

• v: vetor de resíduos (n × 1)

• P: matriz de pesos (n × n), simétrica e positiva definida.

2. Modelo linear do MMQ em forma matricial

O modelo paramétrico linear é:

ou, isolando resíduos:

2.1 Dimensões (checagem rápida)

• Ax resulta em (n × u)(u × 1)=(n × 1), compatível com L.

Essa checagem de dimensões evita erros de modelagem.

3. Função objetivo (critério) em forma matricial

Com pesos:

Interpretação:

• v^T P v é um escalar (1 × 1)
• resíduos maiores e observações com maior peso aumentam Φ

Sem pesos (caso particular):

4. Formação matricial das equações normais

Substituindo v=A_x-L) em Φ e aplicando a condição de mínimo, obtém-se:

Define-se a matriz normal:

e o vetor do segundo membro:

Assim:

5. Solução matricial

Se N for inversível:

Pontos-chave:

• N é (u × u)
• a inversão ocorre no espaço das incógnitas (normalmente menor que n)

6. Observações sobre estabilidade (visão geodésica)

A estrutura matricial deixa claro que o ajustamento depende de:

• modelo bem definido (A com posto completo)
• pesos coerentes (P positiva definida)
• redundância suficiente (n > u)

Se o posto de A for insuficiente, N pode ficar singular e o sistema não terá solução única sem restrições.

7. Exemplo Resolvido (estrutura matricial completa)

Três observações de uma mesma grandeza:

Uma incógnita:

Modelo: L+v=A_x) com

• Passo 1 – Matriz normal

• Passo 2 – Segundo membro

• Passo 3 – Solução

8. Exercício Proposto

Considere:

Monte:

a) N=A^T P A

b) u=A^T P L

c) x=N^-1u

8.1 Resposta final esperada

⇒Clique aqui⇐

9. Conclusão

A estrutura matricial do MMQ organiza o ajustamento em termos de vetores e matrizes fundamentais: (L, x, A, v, P). Essa formulação permite tratar redes geodésicas complexas e conduz diretamente às equações normais e à solução por álgebra linear.

⇾ Próxima Aula ⇽ → Todas as Aulas ←

Leia mais

Ajustamento de Observações Geodésicas: Linearização de Modelos Não Lineares.

Em muitos problemas geodésicos, a relação entre observações e incógnitas não é linear. Distâncias, direções, ângulos e observações GNSS dependem das coordenadas por meio de funções não lineares. Para aplicar o Método dos Mínimos Quadrados nesses casos, é necessário transformar o modelo não linear em uma forma linear aproximada. Esse processo é chamado de linearização e constitui uma etapa fundamental do ajustamento paramétrico.

---

Linearização de Modelos Não Lineares

---

Objetivos

1. Compreender por que a linearização é necessária.
2. Entender o conceito de desenvolvimento em série de Taylor.
3. Construir o modelo linearizado.
4. Interpretar o significado das correções das incógnitas.
5. Preparar a base para o ajustamento iterativo.

---

1. Modelo não linear

A forma geral do modelo funcional é:

Em que:

• L = vetor de observações
• x = vetor de incógnitas
• f_(x) = função não linear

1.1 Exemplos em Geodésia

Distância:

Direção:

Essas equações não podem ser usadas diretamente no modelo linear do MMQ.

2. Ideia da linearização

A solução é expandir a função em torno de um valor aproximado x₀.

Define-se:

Em que:

• x₀ = valor aproximado
• Δ_x = correção a ser determinada

3. Expansão em série de Taylor

Desenvolvendo f_(x) em torno de x₀:

Em que:

É a matriz das derivadas parciais (matriz de projeto).

4. Modelo linearizado

Substituindo no modelo funcional:

Reorganizando:

Define-se:

Obtém-se o modelo linear:

ou

Esse é o modelo utilizado no ajustamento.

5. Interpretação dos termos

• l = vetor de termos independentes (observações reduzidas)
• A = matriz de sensibilidade
• Δ_x = correções das incógnitas
• v = resíduos

Após o ajustamento:

6. Processo iterativo

Como a linearização é aproximada:

• 1. Escolhe-se x₀
• 2. Calcula-se Δ_x
• 3. Atualiza-se: x₁ = x₀ + Δ_x
• 4. Repete-se até que: Δ_x ≈ 0

Esse processo é chamado de ajustamento iterativo.

7. Exemplo Resolvido

Função:

Observação:

Valor aproximado:

• Passo 1 – Valor calculado

• Passo 2 – Derivada

• Passo 3 – Termo reduzido

• Passo 4 – Correção

Modelo:

• Passo 5 – Atualização

8. Exercício Proposto

Função:

Observação:

Valor aproximado:

Determine a correção Δ_x.

8.1 Resposta final esperada

⇒Clique aqui⇐

9. Conclusão

A linearização permite transformar modelos não lineares em formas compatíveis com o Método dos Mínimos Quadrados. Esse procedimento, baseado em derivadas parciais e valores aproximados, é essencial para o ajustamento de problemas geodésicos reais e conduz a processos iterativos de solução.

⇾ Próxima Aula ⇽ → Todas as Aulas ←

Leia mais