Alternativa correta: C (Certo)

Tema central da questão:

Esta questão aborda o ajustamento de observações pelo método dos mínimos quadrados, uma ferramenta fundamental na Agrimensura, especialmente quando se lida com dados de medições de campo que sempre apresentam pequenas imprecisões. Compreender as premissas deste método é fundamental em provas e também na prática profissional.

Resumo teórico:

O método dos mínimos quadrados busca encontrar os valores mais prováveis de grandezas medidas, minimizando o somatório dos quadrados dos resíduos (diferenças entre valores observados e ajustados). Uma das premissas fundamentais desse método é a linearidade dos dados ou, mais precisamente, do modelo matemático que relaciona variáveis observadas e ajustadas.

Ou seja, para aplicação direta do método clássico dos mínimos quadrados, o modelo matemático deve ser linear nos parâmetros desconhecidos. Se o modelo for não linear, é necessário linearizá-lo antes de aplicar o método (por exemplo, usando aproximação de Taylor).

Fontes como o Manual de Ajustamento de Observações (IBGE) e livros de Geodésia e Ajustamento de Observações (WOLF, Paul R.; GHILANI, Charles D.) confirmam essa premissa.

Justificativa da alternativa correta:

A frase afirma que uma das premissas do método dos mínimos quadrados é a linearidade dos dados. Isso está correto, pois a linearidade do modelo é condição essencial para o uso direto deste método, garantindo resultados matematicamente válidos.

Estrategicamente:

Em questões desse tipo, atente-se para termos como "premissa", "condição essencial" e verifique sempre se o conceito é referente ao modelo matemático, não apenas aos dados brutos.

Conclusão: A alternativa marcada como "Certo" está correta, pois a linearidade é realmente uma premissa do método dos mínimos quadrados.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

principais premissas associadas ao método dos mínimos quadrados:

1. Linearidade
2. Exogeneidade dos Regressores
3. Homocedasticidade
4. Independência dos Erros
5. Normalidade dos Erros (para inferência)
6. Ausência de Multicolinearidade
7. Erros de Especificação do Modelo