72

Ce.mil G=-"I
(5.2.10)
lab] = Eai b
i
= Eail ai2, etc.,
o que evidencia, uma vez mais, a bela concisao da notacao matrieial.
5.3 - Matriz dos Pesos
As observacoes efetuadas podem ser consideradas com uma amostra de urn universo de media u
e variancia 0'2; dos parametres amostrais estimados, ue fr2, 0 segundo funciona como um indicativo
de precisao das observacoes; indicativo que sera iitil no ajustamento.
Admitamos que as mencionadas observacoes nao oferecam 0 mesmo "grau de confianca"; podemos
"homogeneiza-las" multiplicando-as por "pesos", isto e, por valores tanto rnaiores quanta maior a
confianca que inspiram (quanto menor 0 valor.de fr2) (6.3).
Designemos por E
L
a matriz variancia-covariancia (estimada) do vetor das observacoes; e por O ' ~
urn "fator de escala" , valor adimensional numericarnente igual a variancia da observacao a: qual foi
atribuido "peso unitario" (6.3); dividindo EL. por 0'; obtemos uma nova matriz, simetrica, denomi
nada matriz dos coeficientes de peso:
(5.3.1)
Se a matriz Q for nao singular adrnitira uma inversa:
1 _ 2 r--l _ p
Q

- 0'0 L.,L. - ,
(5.3.2
que recebe 0 nome de matriz dos pesos.
A matriz P, tarnbem sirnetrica, se reduz a uma matriz diagonal quando as observacoes sOO nac
correlacionadas entre si; neste caso os elementos diagonais de P e Q sao, respectivamente, os pesos
o inverso dos pesos das observacoes,
Vimos anteriormente a lei de propagacao das covariancias (4.8):
dividindo ambos os membros por 0';
Qy =DQx D
T
(5.3.
expressao que em desenvolvimentos futuros revelara a sua impor tancia.
97
Int roducgo ao Ajus te ment o de O'bservecces - Apficacfiea Gec deeicas
Eo que aconteceria se, mudando 0 criterio, arbitrassemos como unitario 0 peso da 2.
a
observacao?
P2 = l(m-
2
) -- u ~ = u ~ = 9 (adimensional)
ui 9 PI 9
PI = uf = 4m
2
; P2 4
Como se ve, em ambos os exemplos, a relacdo entre os pesos permanece a mesma, 0 que sugere a
possibilidade de se arbitrar 0 valor de u ~ de acordo com as circunstancias.I'' .
OBSERVAr;OES
1) 0 problema de ponderar observacoes e urn dos mais complexos do ajustamento. No caso de
amostras pequenas pode ser pouco significativo falar em variancia. Por vezes 0 calculista e levado a
tomar pesos proporcionais ao mirnero de observacoes.
2) As observacoes no nivelamento geometrico, ajustadas pelo metodo parametrico (7.8.4) ou pelo
metodo dos correlatos (8.9.1), constituem urn exemplo sugestivo: e tradicional atribuir aos desniveis
medidos pesos inversamente proporcionais ao cornprimento das respectivas secoes.
3) Urn caso interessante, que sera abordado mais tarde, e 0 de observacoes sobre quantidades
dimensionalmente heterogeneas.
4) Eimportante enfatizar que a (6.3.6)"e as que dela decorrem somente tern validade no caso de
observacoes niio correlacionadas (MVC diagonal).
6.3.2 - Estimativa Pontual: Media Ponderada
a) Consideremos n observacoes independentes i de uma grandeza x; sejam Pi os pesos de tais
observacoes e designemos por x a sua "estimativa minimos quadrados" , ainda desconhecida:
x- 1 = Vl com peso PI
x- 2 = V2 com peso P2 (6.3.8)
1: - n =V n com peso Pn
Uma observacao de peso Pi pode ser considerada como a media aritrnetica de Pi observacoes ficticias
(de igual precisao), todas de peso unitririo. Tal observacao tera uma variancia (un, Pi vezes menor
que a variancia da observacao de peso unitario; ou urn erro medic quadratico (desvio padrao), v'Pi
vezes menor que 0 da observacao de peso unitario: a, = u
o
/ VPi. Multiplicando cada "equacao de
observacao" (6.3.8) pela raiz quadrada do respectivo peso obtemos urn conjunto "homogeneizado" de
equacoes de observacao de "mesma precisao" :
29Na proxima se..ao veremos como estimar 1 7 ~ "apos 0 ajustamento", isto e, estimar a "variancia da unidade de peso
a posteriori".
47
I
r
LZ:;="
1.,
covariancia cruzada dos vetores X
3.9.2 - Propagacao
46
Ce mil
..
Lx LXV] ] [n x n n x m ]
" ;[(rn+n) x (m+n) = .
...... y X -.J}'" Tn x n m x m
o duplo indice na (3.9.2) denota a mctriz covarl.1ncia cru ztul a de dois vetores; assim I:xy ea matriz
e Y (nao necessariament.e quadrada], que envolve
entre cad a componente de X e as dernais de Y:
G
X 1Y 2
G
X 1YJ
G
Xl Yrn
[ U..u,
LXV _ "X'YI G X 2Y 2 (J' .E2Y3 .. (1' X1.Yrn
(n X m) - .... .... . . .... . .......
]
GXI\Yl G X n Y2
G X n Y 3 '" GXn.Yrn
LVX ==
Considerernos agora urn segundo vet or S em condicoes similares as anteriores:

e tal que:
X:;= F(U),
Y:;= F'(V).
Podemos exprimir a MVC de Z :;= [X YjT em func ao da MVC de S:
LZ :;= Dzs Es
sendo
ax
Dxu o
&U
Dzs = [
Dyv ] == [ ].
j ..: o o
av

Desenvolvendo a (3.9.7):
i:
j,
LX LXV x u o Eu
r
1;
L:uv ] [DXU 0
1:;= [ D
[ ] [ ),'1;
LVX LV J 0 Dyv LVU LV 0 Dyv
DxuEuv
:;= [ DxuEu
.[ DIu 0 T ]
]
DyvEvu DyvLv o D yV
(3.9.2)
(3.9.:3)
(:3.9.4)

(39.8)
(3.9.6)
(3.97)
(3.9.9)
as covariancias
Intc(ldu<;.i(l ao
Segue-se:
3.10
de 0 .;'Aplic":.<;;oe; Gecdesicas
-,1.,.
[ Ex LXY }'"= [ DxuLu DIu
. E
yx L}' DyvEvu DIu
LX:;= DxuLuDIu,
Ly = DyvLvDrv,
--_._-_._..
Dxu,,"_ D,; ]
(3.9.10)
Dl'v2:v Drv
(3.9.11)
(3.9.12)
LXV:;= (3.9.13)
Dyv2:v uDIu, (3.9.14)
Ex y == Euv == Er.u (3.9. J,5).
Aproxirnacao Linear da Serie de
Taylor em Forma Matricial
A serie de TAYLOR nos proporciona 0 valor de uma funcao I(t) no ponto t :;= x quando conhecemos
o valor da funcfio para t :;= a:
f X - a. (x - a)2
I(x) :;= I(a) +I (a)-l!- +I
If
(a)-2-!- +... (3.10.1)
Para valores de x proximos de a as potencias igual e superiores it segunda podem, em muitos casas
praticos, ser negligenciadas: isto e, nas proximidades de a a curva f(1) po de ser substituida par uma
ret.a:
f(x) :;= f(a) +j'(a)(i: - a) (3.10.2)
fUtI
.'
r

t---/
r.Af
,
r
I
I
J J I
I I
I I r flxl"f!lllt+'
I I I
"flOI! I
?) I :
, I ,
I "0 I t
(I)
Fi'i/.3./O.1
---._.. --'
"
_ I
!
II
_ y
Ca.mil Gemael 48
cujo coeficiente angular e1'(a), ou seja, 0 coeficiente angular da curva no ponto de abcissa a.
No caso de uma funcao de duas variaveis a aproximacao linear escreve-se:
af I af I .
f(Xl, X2) = f(at, 02) + a:;- (Xl - at) + ax? (X2 - 02)' (:3.103)
1 c i ... a2
Fazendo:
X =
[ Xl ]
;D,X =
[ Xl - 01 ]
; XO = l
r at ]
X2 X2 - 02 a2
(3.10.4)
:; = [::1 ::J;
resulta
f(X) = f(X
O
D,X, (3.10.5) ) +!Ll
ax xo
A expressao supra teria 0 mesmo aspecto formal se consider assemos n em vez de aperias duas
variaveis,
Podemos ainda generalizar para 0 caso de m funcoes a n var iaveis:
I
oft I h(X) = h(X ) + ax x D,X
O
r
t h(X) = h(X
O
) + Ix D,X
(3,10.6)
o

Fazendo

f!.J..l .?1..L
OXl &X'2
"t
ffu
...
oX,
h f, 1
r f? u: u: !.J..:L
ox, ox, aX n
F = I - ,aF
(3,10,7)
'ax
.. . ... , ..
1
i , .. !!.l..m- !!.l..m
fm I ox, Or.2 ox.
:1

obtemos a aproxima9ao linear da serie de TAYLOR em forma matricia/:
'i;f
of I
F(X ) =F(X
0
) + ax x D,X. (3,10.8)
o
- .. o ".. .. ..

IntrodlIlOao 300 AjUllla.men\o de Observa.lOOe, - "Ap-Ii.c.a.:;Oe3 Geodeaicas 49
,....
."
Obviamente a aplicacao formula (3.10.8) deve se restringiraos casas em .que a e urn valor
suficientemente proximo de x; ou, nos exemplos praticos que iremos abordar, aos casos em que co
nhecemos valores suficientemente aproximados das incognitas; a influericia da aproximacao pode ser
minirnizada, como veremos, mediante iieracoes.
3.11 - Distr ib uicao Normal n-Dimensional
Como fecho deste capitulo apresentamos a fdp conjunta de uma v.a. n-dimensional com dis
tribuicao normal. Designando por X a v.a. e por Xi as suas n componentes supostas nao correla
cionadas: .
x= [Xt X2 ... xnf
a fdp conjunta assume a forma 1.56J:
. n 1 [1(X;-U;)2]
-. --ex -- ., (3.11.1) (X) = 1>(Xt, X2 . " Xn) - II 0' . .,ji2 P 2 O'i
i =1 z
que corresponde ao produto de n funcoes .densidade unidimensionais:
(X) = (' n/2 1 -?J1t)2 + (X2 - !2f ... (x
n
-ll
n
)2] J
(3.11.2)
27r) (0'1.0'2 ... a., 2 O'i O'i
_ 1 [ 1( t T -I ]
(X) - (27r)n/2 I 11/2 exp - 2 x - G) (X - U) . (3.11.3)
o simbolo que aparece na forma quadratica do expoente representa uma matriz diagonal com as
variancias das n componentes independentes de X; as barras no denominador denotarn determinante.
Fazendo n = 2 obtern-se a (3.2.2) do caso bidimensional.
Mas a (3.11.3) pode ser gener alizada; pOI' exemplo, substituindo a matriz diagonal pOI' uma matriz
de mesma ordem, cornpleta, definida positiva qualquer, a funcao 1>( X) sera positiva para qualquer
X como convem a urna fdp Considerando 0 caso geral de urn vetor X cujas componentes nao sao
necessariamente independentes, podemos substituir pOI' =matriz variancia-covariancia de X:
(X) = (27r)n/2 11/ 2 exp [ - - - U)]. (3.11.4)
Fazendo n = 2:
O'?
O't2 ]
. 2 2 2
= I=O't0'2-0'12 (3.11.5) _
[
0'2t
0'2
2
obternos, da (3.11.4), a (3.2.1) para 0 caso geral da v.a. bidimensional.
.......... >.
:.. ,.
Ca.mil
( 7.1.2)
Gemael .. .. ;:;
Introdu.;io ao Aj us t e men t o de Obse t-vacdes - 117
.
116
Para que e , y e z possam ser realmente consideradas como as "melhores estimativas" das incognitas
e para garantir a unicidade dos resultados varnos impor a condicao de minimos quadrados (neste topico
f(x, y, Z) = f( XO, v", ::;0) + J' (xO)dx + J'(yO)dy + I'! ZO )d::;; (7.1.8)
usaremos, como ja foi feito anteriormente, ociassico simbolo de GAUSS [] para indicar soruat.or io]:
f'(XO) significa derivada parcial da funcao em relacao a x, no "ponto" z";
[pvv] = 11,fjNfMO xO, yO, ZO represent am valores aproximados das incognitas;.">
dx, dy, dz passarn a ser as incognitas do ajust amento, ou seja qs valores que sornados aos aproximados
conduzidio as "rnelhores estirnativas'' .
f=[pvv]=
P2(a2x + b2y + C2Z + e2)2+
7.2 - Met.odo Parametrico
p"(a,,x + boY + C"z + e,,)2 =111ffNI MO.
As derivadas parciais de f em relacao as variaveis x, y e z clevem ser nulas:
= = f; = o.
Da primeira:
t;> 2PI(alX+blY+CIZ+eIl al+
2p2(a2x +b2y + C2Z + f.2)a2+
(7.1.3)
2p,,(ao'z; +boY + c"z + e")a,, = 0 ;
(Plaial +P2a2a2 + p"a"a,,)x+
(Plaib i + P2a2b2 + p"a"b,,)y+
(7.1.4 )
(PI al CI +P2a2c2 + p"ane" )z+
(PlaIt\ +P2a2!.2 + Pna"en) = O.
Compactando:
[paa]x + [pab]y + [pac]z +[pa!.] = O. (7.1.5)
As derivadas parciais em rela<;5.0 aye a z proporcionam, de maneira analoga, rnais duas equacoes
do tipo supra; varnos escreve-las em conjunto:
[paa] x + [pab] y + [pac] z + [pae] = 0,
[pba] x + [Pbb] y + [Pbc] z + [PM] = 0, (7.1.6)
[pca] x + [pcb] y + [pcc] z + [Pc] = O.
Obtemos assim urn sistema de tres equacoes a t res incognitas denominado SISTEMA DE EQUA
GOES NORMAlS. A Algebra Linear nos diz como resolve-lo.
Quando as observacoes oferecem 0 mesmo grau de confiunca PI = P2 = .. Pn = 1 e 0 sirnbolo P
pode ser omitido das equacoes normais.
Em alguns problemas a funcao
L= f(x,y,z) (7.1.7)
pode ser nao linear donde a necessidade de uma previa liuearizacao mediante urn desenvolvimento em
serie:
Vamos agora rever 0 mesmo assunto utilizando linguagem matricial; e, 0 que emais importante,
avaliar a precisao de nossas est irnativas sem que as grandezas estimadas sejam, necessariamente, n ao
. ... correlacionadas.
No case de observacoes diretas as nossas incognitas sao os observados Agora, caso
j
de observacoes indiret as, queremos estimar grandezas que se vinculam as observadas; para distingui
las das primeiras e usual designa-Ias de pariimetros, 0 que explica a denorninacao, mais cor rente em
nossos dias, de metodo purameirico.
I
I
7.3 - Equacoes de Observacao
Sejam:
Li: vetor (nxl) dos valores observados;
V: vetor (nxl) dos residues:
La: vet or (nxl)dos valores observados ajustados:
La =t., +V. (7.3.1 )
X O : vetor (uxl) cujas cornponentes sao os valores aproximaclos dos parametres;
X: vetor correcao (uxl);
X a : vetor dos par ametros ejustados (um de nossos objetivosj..
x, =Xo+X. (7.3.2)
-,
Quando os valores observados ajustados podem ser expressos explicitamente como uma funcao dos
par ametros ajustados, isto e, quando se verifica 0 modelo matematico:
La =F(Xa) (7.3.3)
dizemos que 0 ajust amento se processa pelo metoda parametrico.
Substituindo 0 primeiro membro pela (7.3.1) e linearizando 0 segundo com a formula de TAYLOR
(3.10.8):
8F I (7.3.4) i, + V = F(Xo + X) = F(Xo) + 8Y X.
i
.. J' a Xa=X"
Designando a funcao dos parametres aproximados por L o :
__
- - - ---


Ce.mil =--,--.Int rc ducdc ao Aiue te mt o d e Obse rm, - ",",,- Om...cas
118
! .'
119
;
'r"
7.4 - Equa-;oes Normais
1 LQ = F(Xo ) (7.3 ..5)
Minimizando a forma quadratica fundamental obtemos sucessivament e:
!
e a matriz das der ivadas parciais por A:
'1
if; = v
T
PV =(AX + L{ P(AX + L) =min. (7.4.1)
1
l (7.3.6).
A--I
of I
'
- aX" X
o
l
a (7.3.4) se escreve sucessivamente:
= (XTA
T
+ LT)P (AX + L)"= X
T
ATPAX + X
T
AT PL + L
T
PAX + L
T
PL min. I
'I
I
!
Li + If =L; + o leiter pode verificar que 0 2.0 e 0 3.0 termos sao iguais, don de:
!
if; = XTATpAX + 2X
TA TpL
+ LTpL = min.
,I
v =AX + L; - Lb.
Igualando a zero a deri vada primeira em relacao a X: I E, finalmente, fazendo:
L = L; - L, (7.3.7) a/aX =2A? PAX + 2A
T
PL =0
obtemos 0 modelo mctenuit.ico linearisado do meiodo dos par/lme/ros:
ATPAX + ATPL = 0 (7.4 .2)
nVI=nAuuXI + nLI' (7.3.8)
o leitor ja deve ter percebido que a (7.3.8) sintetiza, na extraordinaria concisao da linguagem
x = _(ATPA)-I AT PL (7.4.3)
matricial, n equa,oes de observaciio do tipo da (7.1.2):
Fazendo:
flL si: su.
8X<11 OX"2 ... &xau
["
N =AT PA (7.4.4)
".
.2.1:L .2.1:L
r OX a2 ... aXnu
(7.3.9)
[


+ [ :
U = ATPL (7.4.5) Xu
si: su.
result a
OX", 1 OX a2 .. aXnu .J 0
o indice na parte inferior direita da matriz dos coeficieutes das incognitas lembra que as derivadas
NX +fJ = 0 (7.4.6)
parciais sao calculadas numericamente com os valores aproximados das incognitas.
I Fazendo:
I
A cquacao matricial (7.4.6) ou a (7.4.2) representa urn sistema de u equa,oes normais cuja solucao
edada pelo vetor:
i= 1,2, ... ,n
of;
(7.3.10)
I
ai':::: --. . . 'u
) axa)
{
)=1,2, ....
X =-N-IU' (7.4.7)
a linha se escreve: e cujas cornponeutes convertem os par ametros aproximados em ajust adoss
j
I
VI = UllXI +UI2X2 + ... + ajuXu + el ; etc. Xa,= x, + X (7.4.8)
- _'_,,__ ..,.., . "' __<.