Erros grosseiros nas observações afetam de forma negativa todos os parâmetros estimados e os resíduos, razão pela qual a detecção de erros grosseiros tem grande importância na estimativa confiável dos resultados. Diversos testes (por exemplo testes de Baarda e Pope) são utilizados frequentemente na detecção de erros grosseiros em aplicações geodésicas. Muitas vezes, visando reduzir o tempo computacional, é realizada a eliminação de alguns parâmetros que não são de interesse. Nesse caso, embora a estimativa dos parâmetros e resíduos não sofra modificações, a matriz cofatora dos resíduos e a redundância das observações mudam. Nesse estudo, são realizados testes para erros grosseiros e investigados os efeitos da eliminação dos parâmetros desconhecidos. Foi provado que quando a eliminação é realizada, as redundâncias no modelo funcional inicial (IFM - Initial Functional Model) são menores que no modelo funcional reduzido (RFM - Reduced Functional Model). Para ilustrar essa situação, uma rede de controle horizontal foi simulada e muitos experimentos foram realizados. De acordo com os resultados da simulação, testes para erros grosseiros com IFM são mais confiáveis que com RFM.
Eliminação; Testes para Erros Grosseiros; Confiabilidade; Ajustamento
