Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Quinimil Vasquez - Eleazar 01 PDF
1 Quinimil Vasquez - Eleazar 01 PDF
FACULTAD DE INGENIERIA
DEPARTAMENTO DE INGENIERIA GEOGRAFICA
Mauricio Abusleme.
Siempre se cometen injusticias en los agradecimientos,
pues la “memoria” es a menudo traicionera.
Agradezco en primer lugar a Blanca Vásquez (tía Olga), que me trajo al mundo
y que nos hemos acompañado y amado por tanto tiempo, en el mismo orden
agradezco a mi hermana Doris la “Quiñimil” que me va quedando, y que aunque
hemos pasado malos momentos se que estará en las buenas y las malas por
siempre. Con todo lo anterior agradezco a mi pequeña, pero amada familia, y
mientras todo esto pasa doy un vistazo al cielo, porque si veo a mi padre
orgulloso entonces entiendo que las cosas van bien.
Agradezco a cada uno, a cada dos, y cada todos los que han estado presentes
durante este trabajo de titulación, esta etapa, y como no toda mi vida (en
especial a ti que te has interesado, y me has acompañado este tiempo).
Hablando netamente de nuestro trabajo de titulación, agradezco al profesor
Héctor Contreras que nos acompañó tantos viernes en la tarde y que nos ayudó
en todo momento. En este sentido quiero dar un merecido gracias y un enorme
abrazo a ti Mauricio (Busleme) sin tu persona esto no hubiera sido lo mismo,
discutimos, reímos, nos cansamos, nos frustramos, nos ayudamos, y nos
conocimos un poco más. Gracias también a tu familia que siempre se preocupo
en todo sentido. Fue un agrado trabajar con un amigo, no nos sacamos los ojos,
si tuvimos diferencias, pero el trabajo esta hecho, y muy bien hecho.
Esta memoria estudia un método matemático que sea capaz de estimar altura
ortométrica, aprovechando la precisión de la altura elipsoidal que entrega el
receptor GPS. Para esto se realizaron modelos de regresión múltiple en dos
aplicaciones. La primera en una zona de la Región Metropolitana, y la segunda
en una línea de nivelación en la cuesta Lo Prado. Se compara ambos modelos
con la calibración vertical realizada por el software Trimble Geomatics Office
(TGO) de donde se concluyó que, dentro de una zona o línea de nivelación
estudiada, el modelo de regresión múltiple entrega mejores resultados que el
software TGO.
Palabras clave
■ Inferencia Estadística. ■ Regresión múltiple.
■ Altimetría. ■ Arcview.
ABSTRACT.
The use of Global Positioning System (GPS) is becoming more frequent and
necessary. This is due largely, to its quick and precise results. But in spite of all
its advantages, this technology is used at a planimetric level in engineering,
leaving the altimetric component, given by the receiver, without any use.
Key words:
• Statistical Inference
• Altimetry
• Multiple Regression
• Arcview
INDICE GENERAL.
CAPITULO I – INTRODUCCION.
1.1 Antecedentes. 1
1.2 Estado actual del problema. 1
1.3 Hipótesis. 3
1.4 Objetivos. 3
1.4.1 Objetivo general. 3
1.4.2 Objetivos específicos. 3
1.5 Metodología de trabajo. 4
ANEXOS. 128
BIBLIOGRAFIA. 139
INDICE DE FIGURAS.
2.1 El Elipsoide 7
2.2 Relación Elipsoide-geoide 8
2.3 Altura Ortométrica 10
2.4 Relación Geométrica entre coordenadas cartesianas y geodésicas 13
2.5 Estaciones ITRF2005 17
2.6. Movimiento de las placas terrestres obtenido por
ITRF2005 (1 cm/año) 18
2.7. Parámetros WGS 84 19
2.8. Representación grafica de ejes XY girados, trasladados y escalados 25
3.1. Relación entre variables 53
3.2. Puntos dispuestos geográficamente aplicación 1 55
3.3. Propiedades del proyecto en software TGO 73
3.4. Datos importados TGO (aplicación 1) 74
3.5. Calibración local vertical TGO 75
3.6. Trimble R8 y Leica serie TPS400 78
3.7. Corrección a la línea 79
3.8. Calculo de distancias horizontales 79
3.9. Mediciones reciprocas y simultaneas 77
3.10. Pasos ajuste por mínimos cuadrados 84
3.11. Disposición geográfica de puntos cuesta lo prado 89
3.12. Parámetros de transformación bidimensional 98
3.13. Transformación bidimensional de coordenadas 99
3.14. Tabla de datos exportados 99
3.15. Estimación parámetros verticales Arcview 100
3.16. Caja de dialogo estimación vertical 101
3.17. Centroide automatizado, obtenido de datos insertados para realizar
Regresión 101
3.18. Módulos de utilización de Multiple Regression - Free
Statistics Software (Calculator) 103
3.19. Valores a insertar en calculadora 104
3.20. Resultados entregados por Multiple Regression - Free Statistics
Software (Calculador) 105
3.21. Tabla de validación 106
3.22. Caja transformación vertical 107
3.23. Resultado transformación vertical en arcview 108
3.24. Add Event Theme 110
3.25. Vista de puntos importados a las capas 110
4.1. Subzonas establecidas por distancia a su centro 114
4.2. Distribución espacial de residuos aplicación 1 aplicada
a los 56 puntos 115
4.3. Distribución espacial de residuos TGO aplicada a los 56 puntos 115
4.4. Distribución espacial de residuos en valor absoluto
de la aplicación 1, en los 100 km2 de la zona de estudio 116
4.5. Distribución espacial de residuos en valor absoluto del software
TGO, en los 100 km2 de la zona de estudio 116
4.6. Puntos de control cuesta lo prado 120
INDICE DE TABLAS.
CAPITULO I – INTRODUCCION
1.1 ANTECEDENTES.
Ahora, la altura geodésica “h”, obtenida desde los receptores GPS es altamente
precisa, aunque no todavía con una utilización practica en ingeniería. Por esto,
es de interés utilizar esta altura geodésica y transformarla a una altura
ortométrica, la cual sí se utiliza para referenciar todo tipo de proyectos
ingenieriles. Hoy en día existen formas de llevar a cabo este traspaso de
alturas, tanto por modelos geoidales o por la utilización de programas
computacionales que calibren mediciones GPS. Lo que hace que el usuario
pueda conocer la altura ortométrica de un lugar, sólo con mediciones GPS, pero
que generalmente es de una baja precisión.
• Uso directo del modelo geoidal global EGM 96, en donde para cada
punto tomado con GPS, se extrae la ondulación geoidal (N).
1.3 HIPOTESIS.
1.4 OBJETIVOS
Para llevar a cabo los objetivos es necesario realizar una descripción de los
procedimientos escogidos, con el fin de cumplir la verificación de la hipótesis, la
metodología escogida para este proyecto cuenta con:
• Análisis y Conclusiones.
6
2.1 INTRODUCCIÓN.
2.2.1 El elipsoide.
a−b a2 + b2 a2 + b2
ƒ = e= e' =
a a b
2.2.2 El geoide.
Se define al geoide como la superficie teórica de la tierra que une todos los
puntos que presenten igual potencial de gravedad. La forma así creada supone
la continuación por debajo de la superficie de los continentes, de la superficie
de los océanos en calma y mares suponiendo la ausencia de mareas, además
de la ausencia de perturbaciones exteriores (atracción de la luna y las
interacciones de todo el sistema solar), siendo así coincidente con el Nivel
medio del mar (NMM). Lejos de lo que se podría imaginar, esta superficie no es
uniforme, sino que presenta una serie de irregularidades, causadas por la
distinta composición mineral del interior de la tierra y de sus distintas
densidades, lo que implica que para cada punto de la superficie terrestre exista
una distancia distinta desde el centro de la tierra al punto del geoide. (Ignacio Alonso
Fernández-Coppel, El datum)
Pero se debe tener cuidado de no confundir al geoide con el nivel medio del
mar, ya que este ultimo vendría siendo en estricto rigor un cuasi-geoide debido
a que varía constantemente y no es el mismo conforme uno se mueve a lo largo
de una costa, mucho menos entre océanos distintos.
C
H ( ortom ) =
g'
11
H ( ortom ) = h − N
X 1 = ( N + h) ⋅ cos φ ⋅ cos λ
Y1 = ( N + h) ⋅ cos φ ⋅ senλ
Z 1 = [ N ⋅ (1 − e 2 ) + h] ⋅ senφ
Donde:
a2 − b2
-1ª excentricidad (e): e2 =
a2
14
a
-Gran normal (N): N=
1 − e 2 ⋅ sen 2 φ
⎡ Z 1 + b ⋅ e' 2 ⋅sen 3ψ ⎤
φ = arctan ⎢ ⎥
⎣ d − a ⋅ e ⋅ cos ψ ⎦
2 3
⎡Y ⎤
λ = arctan ⎢ 1 ⎥
⎣ X1 ⎦
d
h= −N
cos φ
Donde:
a2 − b2
-2da excentricidad (e’): e' 2 =
b2
⎡ Z1 ⋅ a ⎤
d= X 1 + Y1
2 2
ψ = arctan ⎢ ⎥
⎣ d ⋅b ⎦
Los sistemas locales de referencia son aquellos que adaptan el geoide a una
zona específica de la tierra, gracias a la utilización de un elipsoide determinado,
sobre este se realizan todos los cálculos geodésicos, con el previo
conocimiento de la posición geométrica del punto origen (datum) Además los
sistemas locales de referencia no son geocéntricos.
1969 (UGGI-67)
Hito XVIII Internacional 6.378.388 m 1/297
(Hayford)
Geodésicos. Comité Nacional de la Unión Geodésica y Geofísica Internacional .1era edición 1999)
Figura 2.6. Movimiento de las placas terrestres obtenido por ITRF2005 (1 cm/año).
Fuente: http://itrf.ensg.ign.fr/
El sistema GPS esta referido al datum WGS-84 y tiene por objetivo calcular la
posición de un punto cualquiera en un espacio de coordenadas (X,Y,Z),
partiendo del cálculo de las distancias del punto a un mínimo de tres satélites
cuya localización es conocida. La distancia entre el usuario (receptor GPS) y un
satélite se mide multiplicando el tiempo de vuelo de la señal emitida desde el
satélite por su velocidad de propagación. Para medir el tiempo de vuelo de la
señal de radio es necesario que los relojes de los satélites y de los receptores
estén sincronizados, pues deben generar simultáneamente el mismo código.
Ahora bien, mientras los relojes de los satélites son muy precisos los de los
receptores son osciladores de cuarzo de bajo coste y por tanto imprecisos. Las
distancias con errores debidos al sincronismo se denominan pseudodistancias.
21
La desviación en los relojes de los receptores añade una incógnita más que
hace necesario un mínimo de cuatro satélites para estimar correctamente las
posiciones.
Los satélites que utiliza GPS contienen varios osciladores de alta precisión,
entregando medidas de tiempo del orden de 10 −14 segundos. Los osciladores
de alta precisión del satélite tiene una frecuencia fundamental ƒ 0 = 10.23 MHz,
la cual genera dos frecuencias portadoras de la banda L, las cuales sirven para
transmitir información a través de los satélites.
Igualmente que en todos los equipos que se utilizan, una observación GPS está
sometida a varias fuentes de error, que se pueden minimizar dependiendo del
equipo y metodología que se utilice. Estas fuentes de error son las siguientes:
23
• Proyectiva.
• Afín.
• De Semejanza o conforme.
24
menos 3 puntos para haber redundancia y hacer posible el ajuste con 2 grados
de libertad.
⎡ x'⎤ ⎡ a b ⎤ ⎡ x ⎤ ⎡Tx ⎤
⎢ y '⎥ = ⎢− b a ⎥ ⋅ ⎢ y ⎥ + ⎢T ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎣ y⎦
a = λ ⋅ Cos (ω )
b = λ ⋅ Sen(ω )
Con lo que:
λ = a2 + b2
b
ω = A tan( )
a
La = F(Xa)
Modelo linealizado: AX + L = V
P1 ⇒ x'1 = a ⋅ x1 + b ⋅ y1 + Tx y '1 = a ⋅ y1 − b ⋅ x1 + T y
P2 ⇒ x ' 2 = a ⋅ x 2 + b ⋅ y 2 + Tx y'2 = a ⋅ y 2 − b ⋅ x2 + Ty
M M M
Pn ⇒ x' n = a ⋅ x n + b ⋅ y n + Tx y'n = a ⋅ y n − b ⋅ xn + Ty
De esto se obtiene:
x'1
y '1
a
x' 2
δF b
A= |X X = L = y'2
δX a 0
Tx
M
Ty
x' n
y'n
[A] [X ] [L] [V ]
Donde [A] [X] - [L] = [V] representa la forma general de las ecuaciones de
observación indirecta.
n
Φ = ∑ Vi = [V ] ⋅ [P ] ⋅ [V ]
2 t
i =1
Φ = ([A] ⋅ [X ] − [L ]) ⋅ [P ] ⋅ ([ A] ⋅ [X ] − [L ])
t
Φ = [X] ⋅ [A] ⋅ [P] ⋅ [A] ⋅ [X] - [L]t ⋅ [P] ⋅ [A] ⋅ [X] - [X] t ⋅ [A]t ⋅ [P] ⋅ [L] + [L]t ⋅ [P] ⋅ [L]
t t
Φ = [X] t ⋅ [A]t ⋅ [P] ⋅ [A] ⋅ [X] - 2 ⋅ [L]t ⋅ [P] ⋅ [A] ⋅ [X] + [L]t ⋅ [P] ⋅ [L]
δΦ
= 0( Minimo)
δX
δΦ
= 2 ⋅ [X] t ⋅ [A]t ⋅ [P] ⋅ [A] - 2 ⋅ [L]t ⋅ [P] ⋅ [A] = 0
δX
[X] = ( [A]t ⋅ [P] ⋅ [A]) -1 ⋅[A]t ⋅ [P] ⋅ [L]
2
Lo primero es encontrar la precisión a posteriori del modelo ( 0 ) El parámetro
2
0 normalmente es desconocido y es necesario estimarlo. El estimador de este
parámetro es la varianza residual, definida como el coeficiente entre la suma de
residuos al cuadrado y el número de grados de libertad del modelo.
n
1
sˆ R = ⋅ ∑ vi
2 2
n − u i =1
Donde:
u: Número de parámetros
∑v
2
i : Suma de los cuadrados de los residuos.
i =1
30
Lt ⋅ P ⋅ L - X t ⋅ A t ⋅ P ⋅ L
sˆ R =
2
n−u
covarianza de:
• Parámetros ajustados:
∑ X a = σ 0 ⋅ At ⋅ P ⋅ A
2
( ) −1
(
∑ La = σ 0 ⋅ A ⋅ A t ⋅ P ⋅ A
2
)
−1
⋅ At
• De los residuos:
(
∑ V = σ 0 ⋅ ( A ⋅ At ⋅ P ⋅ A
2
)
−1
⋅ A t − P −1 )
31
2.7.1 Introducción.
La inferencia estadística está formada por los métodos utilizados para tomar
decisiones o para obtener conclusiones sobre una población, utilizando la
información contenida en una muestra. Se puede dividir en dos grandes áreas:
estimación de parámetros y prueba de hipótesis.
Como la inferencia estadística nos permite trabajar con una variable a nivel de
intervalo o razón, así también se puede comprender la relación de dos o más
variables y nos permitirá relacionar mediante ecuaciones, una variable en
relación de la otra variable llamándose Regresión Lineal y una variable en
relación a otras variables llamándose Regresión múltiple, siendo a esta ultima a
la cual se referirá en este trabajo .
1 n
X = Σ xi
n i =1
⎛ σ2 ⎞ X −µ
X ~ N ⎜⎜ µ , ⎟⎟ ⇔ ~ N (0,1)
⎝ n ⎠ σ/ n
34
(n − 1) sˆ 2
~ χ n2−1
σ 2
X −µ
~ t n −1
σ/ n
Y = m( x1 , x 2 ,...x k ) + ε
Donde:
Y = α 0 + α 1 x1 + α 2 + ... + α k x k + ε
Donde:
r
Y : es un vector n-dimensional (matriz n x 1) de la variable respuesta o
dependiente.
r
α : es el vector (k + 1)-dimensional (matriz (k+1) × 1) de los parámetros del
modelo.
37
r
ε : es el vector n-dimensional (matriz n x 1) de las perturbaciones aleatorias.
2- La varianza es constante.
r
Var (Y / xi ) = Var (Y / xi1 , xi 2 ,..., xik ) = σ 2 , con i = 1,…,n.
3- La distribución es normal.
r
Y / xi = Y / xi1 , xi 2 ,..., xik ~ N(α 0 + α 1 xi1 + α 2 xi 2 + ... + α k x1k , σ 2
∧ r
Sea α un estimador del vector de parámetros α . Se define el vector de
predicciones como:
38
Υˆ = Χα̂
r r
e = Υ − Υˆ
r
El estimador por mínimo cuadrados de α se obtiene minimizando la suma de
los residuos al cuadrado. Esto significa, que se minimiza la siguiente función de
k + 1 variables:
n r r r r
Ψ (αˆ ) = Σ ei2 = e t e = (Υ − Υˆ ) t (Υ − Υˆ )
i =1
r r r r
= (Υ − Χαˆ ) t (Υ − Χαˆ ) = (Υ t − αˆ t Χ t )(Υ − Χαˆ )
r r r r
= Υ t Υ − Υ t Χαˆ − αˆ t Χ t Υ + αˆ t Χ t Χαˆ
r
Χ t Υ = Χ t Χα̂ ,
r
α̂ = ( Χ t Χ) −1 Χ t Υ
r
La matriz Χ t Υ es una matriz (k+1)x1 que viene dada por:
⎛ Σ in=1 y i ⎞
⎜ ⎟
⎜ Σ in=1 xi1 y i ⎟
r ⎜
Χ t Υ = ⎜ Σ in=1 xi 2 y i ⎟
⎟
⎜ M ⎟
⎜⎜ n ⎟
⎝ Σ i =1 xik y i ⎠
r
En el estimador del vector α , por el método de mínimos cuadrados, se
verifican las siguientes propiedades:
r
• El estimador α̂ es insesgado o centrado: E (αˆ ) = α . El termino insesgado
o centrado viene de la definición de sesgo, que es la diferencia entre el
valor esperado y el valor verdadero del parámetro a estimar. Por lo tanto,
es deseable que un estimador sea insesgado o que su sesgo sea nulo.
r
αˆ ~ N (k +1) (α , σ 2 ( Χ t Χ) −1 )
cambia. Por otro lado aceptar que el valor α i es cero, equivale a aceptar
b- El estimador de la varianza.
Una hipótesis básica del modelo es que los errores son normales y
homocedásticos, por tanto, Var (ε i ) = σ 2 , con i = 1,…,n, el parámetro σ 2
1 n
sˆ R2 = Σ ei2
n − (k + 1) i =1
1 n 2
σˆ MV
2
= Σ ei
n i =1
n
sˆ R2 = σˆ MV
2
n − (k + 1)
42
(n − (k + 1)) s R2
~ χ n2-(k +1)
σ2
(n − (k + 1)) sˆ R2 (n − (k + 1)) sˆ R2
≤σ ≤
2
⎛ α⎞ ⎛α ⎞
χ n −( k +1) ⎜1 − ⎟ χ n2−( k +1) ⎜ ⎟
⎝ 2⎠ ⎝2⎠
Donde χ n2−( k +1) (θ ) el número que verifica que P (ξ ≤ χ n2−( k +1) (θ )) = θ , siendo ξ
De la distribución de α̂ i , se deduce:
αˆ i − α i
αˆ i ~ N(α i , σ 2 qii ) ⇒ ~ N(0,1) , con i = 0,1,…,k
σ qii
αˆ i − α i
ωi = ~ t n −( k +1) , i=0,1,…,k
σ qii
confianza 1- α es:
⎛ α⎞
α i ∈ αˆ i ± sˆ R qii ⋅ t n −( k +1) ⎜1 − ⎟, con i =0,1,…,k
⎝ 2⎠
d- Contraste individual de la t.
de la t:
⎧ H 0 ≡ α i = 0⎫
Ci ≡ ⎨ ⎬ con i =0,1,…,k
⎩H 1 ≡ α i ≠ 0 ⎭
44
αˆ i
ω i │ H = tˆi =
0
~ t n −( k +1) , con i=0,1,…,k.
sˆ R qii
⎛ αˆ i ⎞
p − valor = 2 P⎜ t n −( k +1) > tˆi = ⎟.
⎜ sˆ R qii ⎟
⎝ ⎠
⎛ α⎞ ⎛ α⎞
− sˆ R qii ⋅ t n −( k +1) ⎜1 − ⎟ ≤ αˆ i ≤ sˆ R qii ⋅ t n −( k +1) ⎜1 − ⎟
⎝ 2⎠ ⎝ 2⎠
a- Tabla ANOVA.
( y i − y ) = ( y i − yˆ i ) + ( yˆ i − y )
45
n n n n
Σ ( y i − y ) 2 = Σ ( y i − yˆ i ) 2 + Σ ( yˆ i − y ) 2 + 2 Σ ( y i − yˆ i )( yˆ i − y )
i =1 i =1 i =1 i =1
n
más la variabilidad residual o no explicada por el modelo ajustado ( Σ ( yi − yˆ i ) 2 ).
i =1
b- El contraste conjunto de la F.
⎧ H 0 ≡ α 1 = α 2 = ... = α k = 0⎫
CM ≡ ⎨ ⎬ , para algún i
⎩H 1 ≡ α i ≠ 0 ⎭
yˆ i ≈ y ⇒ scE ≈ 0 ,
Por ser ésta una medida absoluta se compara con la varianza residual, lo que
lleva a utilizar el siguiente estadístico de contraste:
sˆ 2
FˆM = e2
sˆ R
Donde Fk ,n −( k +1) denota una variable aleatoria que sigue una distribución F con
c- Contrastes individuales de la F
⎧ H 0 ≡ α i = 0⎫
Ci ≡ ⎨ ⎬ con i=0,1,…,k.
⎩H 1 ≡ α i ≠ 0 ⎭
48
∆scE ( xi )
Fˆi = 1 , con i=0,1,…,k.
sˆ R2 (k )
Bajo la hipótesis nula se verifica que F̂i sigue una distribución F (contraste
F̂i │ H 0
~ F 1 , n − ( k + 1 ) , con i=0,1,…,k.
utilizado es:
∆scE (l )
Fˆl = 2 l ~ Fl ,n −( k +l )
sˆ R (k )
2.7.7 Correlación.
s ( x, y )
r( X ,Y ) =
sx ⋅ s y
Donde:
scE iΣ=1( yˆ i − y )
2
R =
2
=
scG Σn ( y − y ) 2
i
i =1
scE scR
R2 = = 1−
scG scG
51
1 n
Σ ei2
sˆ 2
n − (k + 1) i =1
R 2 = 1 − R2 = 1 −
sˆY 1 n
Σ ( yi − y ) 2
n − 1 =1
i
n −1
R 2 = 1 − (1 − R 2 ) ⇒ R 2 ≤ R2
n − (k + 1)
sˆ 2 R 2 [n − (k + 1)]
FˆM = e2 =
2
sˆ R 1 − R 2 [k ]
b- Correlación parcial.
Y = α 0 + α 1 X 1 +α 2 X 2 + ... + α k X k + ε
αˆ i αˆ i
tˆi = = , con i=1,2,…, k.
σ (αˆ i ) sˆ R qii
tˆi2
rYi2⋅C =
tˆi2 + n − (k + 1)
3.1 INTRODUCCION.
h=H+N
Obteniendo las alturas elipsoidales, los datos que se utilizarán para realizar el
modelo matemático, son los siguientes:
Los puntos del set de datos están dispuestos geográficamente según muestra
la figura 3.2.
H = α 0 + α 1 (E − E ) + α 2 (N − N ) + α 3 (h − h )
m m m
Donde:
r
Y : corresponde a la matriz de la variable respuesta o dependiente, que en este
caso es la de alturas ortométricas.
⎛α 0 ⎞
⎜ ⎟
r ⎜ α1 ⎟ r
α = ⎜ ⎟ = ( Χ t Χ) −1 Χ t Υ
α
⎜ 2⎟
⎜α ⎟
⎝ 3⎠
r
Con la multiplicación matricial para obtener α , se obtienen los estimadores del
modelo, quedando de la siguiente forma:
1 n (0.0001)
sˆ R2 = Σ ei2 = = 3.548E - 05 ⇒ sˆ R = 0.004
n − (k + 1) i =1 9 - (3 + 1)
q00 = 0.111
q11 = 2.688 E − 08
q22 = 9.211E − 09
q33 = 2.942 E − 05
58
sˆ R2 (α i ) = sˆ R2 ⋅ qii
sˆ R2 (α 0 ) = 1.774E - 06 → sˆ R (α 0 ) = 0.001
sˆ R2 (α 1 ) = 4.293E - 13 → sˆ R (α 1 ) = 6.552E - 07
sˆ R2 (α 2 ) = 1.471E - 13 → sˆ R (α 2 ) = 3.835E - 07
sˆ R2 (α 3 ) = 4.699E - 10 → sˆ R (α 3 ) = 2.168E - 05
varianza residual sˆ R2 , pero que sin lugar a dudas, es necesario tener en cuenta.
(n − (k + 1)) sˆ R2 (n − (k + 1)) sˆ R2
≤σ2 ≤
⎛ α⎞ ⎛α ⎞
χ n−( k +1) ⎜1 − ⎟ χ n2−( k +1) ⎜ ⎟
⎝ 2⎠ ⎝2⎠
(9 − (3 + 1))1.597E - 05 (9 − (3 + 1))1.597E - 05
≤σ 2 ≤
χ (25) (0.95) χ (25) (0.05)
Por lo tanto:
αˆ i − α i
ωi = ~ t n −( k +1)
S R qii
• Para α 0:
676.556 − α o
~ t5
0.004 0.111
676.553 ≤ α o ≤ 676.558
• Para α 1( Este) :
60
- 7.673E - 05 − α 1
~ t5
0.004 2.688E - 08
7.810E - 05 ≤ α1 ≤ -7.541E - 05
• Para α 2( Norte) :
- 9.890E - 06 −α 2
~ t5
0.004 9.211E - 09
1.066E - 05 ≤ α 2 ≤ -9.117E - 06
• Para α 3(h) :
9.998E - 01 − α 3
~ t5
0.004 2.942E - 05
9.997E - 01 ≤ α 2 ≤ 9.998E - 01
• Para α 0:
61
⎧ H 0 ≡ α 0 = 0⎫ αˆ i
C0 ≡ ⎨ ⎬ ⇒ Sí H 0 es cierto, tˆi = ~ t n −( k +1)
⎩H 1 ≡ α 0 ≠ 0 ⎭ sˆ R qii
En donde:
αˆ 0 676.556
tˆ0 = ~ t (5) ⇒ tˆ0 = =507912.714
sˆ R q 00 0.004 0.111
p − valor = 0
• Para α 1:
⎧ H 0 ≡ α 1 = 0⎫ αˆ i
C1 ≡ ⎨ ⎬ ⇒ Si H 0 es cierto, tˆi = ~ t n −( k +1)
⎩H1 ≡ α1 ≠ 0 ⎭ sˆ R qii
En donde:
αˆ 1 - 7.673E - 05
tˆ1 = ~ t ( 5) ⇒ tˆ1 = = -1.171E+02
sˆ R q11 0.004 2.688E - 08
• Para α 2:
⎧ H 0 ≡ α 2 = 0⎫ αˆ i
C2 ≡ ⎨ ⎬ ⇒ Si H 0 es cierto, tˆi = ~ t n −( k +1)
⎩H1 ≡ α 2 ≠ 0 ⎭ sˆ R qii
En donde:
αˆ 2 - 9.890E - 06
tˆ2 = ~ t (5) ⇒ tˆ2 = = -2.579E+01
sˆ R q 22 0.004 9.211E - 09
• Para α 3:
⎧ H 0 ≡ α 3 = 0⎫ αˆ i
C3 ≡ ⎨ ⎬ ⇒ si H 0 es cierto, tˆi = ~ t n −( k +1)
⎩H1 ≡ α 3 ≠ 0 ⎭ sˆ R qii
En donde:
αˆ 3 9.998E - 01
tˆ3 = ~ t (5) ⇒ tˆ3 = = 4.613E+04
sˆ R q33 0.004 2.942E - 05
TABLA ANOVA
Fuentes de Grados de
variación Suma de cuadrados libertad Varianzas
Por el modelo 131514,222 3 43838,074
Residual 7,984E-05 5 1,597E-05
Global 131514,222 8 16439,278
sˆ 2 43838.074
FˆM = e2 ~ Fk ,n −( k +1) ⇒ FˆM = = 2745239225.676 ~ F3,5
sˆ R 1.597E - 05
64
Por lo tanto:
scE 131514.2221
R2 = = = 0.9999
scG 131514.2222
sˆ R2 1.597E - 05
R 2 = 1− 2
= 1− ⇒ R 2 = 0.9999
sˆY 16439.278
65
Cov( x, y )
R( X , Y ) =
sx ⋅ s y
Tabla 3.4. Tabla ANOVA de variable “Este” respecto variable “Altura ortométrica
Tabla ANOVA
Fuentes de Suma de Grados de Varianzas
variación cuadrados libertad
Por el modelo 90515.139 1 90515.139
Residual 40999.083 7 5857.012
Global 131514.222 8 16439.278
R 2 = 0.688 R = 0.830
66
Punto H(regre)
A 595.004
B 798.997
C 949.999
D 589.001
1 600.998
6 579.997
7 660.004
8 733.004
9 581.997
r r r r r
e = Y − Yˆ = Y − Xαˆ = Y − X ( X t X ) −1 X t Y
67
r
Como Yˆ = HY , siendo H = X ( X t X ) −1 X t la matriz de proyección ortogonal.
En base a esto:
r r r r r r r
e = Y − Yˆ = Y − HY = ( I − H )Y = ( I − H )( Xα + ε )
r r r r r r
e = Xα + ε − HXα − Hε = ( I − H )ε
r rr
Var (e ) = ( I − H ) E (ε ε t )( I − H ) t = σ 2 ( I − H )( I − H ) t = σ 2 ( I − H )
r r
Donde hii es el valor de influencia de xi que mide la “distancia estadística” de xi
Como los residuos tienen varianza variable y son dimensionados (tienen las
unidades de la variable respuesta “H”), normalmente se tipifican de la siguiente
manera:
ei
, con i=1,…,n.
σ 1 − hii
68
Los residuos tipificados siguen una distribución normal estándar, pero como
σ 2 es desconocido, se sustituye por su estimador la varianza residual s R2
obteniendo así, los residuos estandarizados definidos como:
ei
ri = , con i=1,…,n.
sˆ R 1 − vii
ei
ti = ~ t ( n −1) −( k +1) con i = 1,…,n.
sˆ R (i ) 1 − vii
2.000
1.500
Residuos estandarizados
1.000
0.500
0.000
A B C D 1 6 7 8 9
-0.500
-1.000
-1.500
0
-1 0 1
Residuos estandarizados
Residuos estandarizados
1
-1
-2
500 600 700 800 900 1000
Predicciones
1000
900
Predicciones
800
700
600
500
500 600 700 800 900 1000
Variable respuesta
Del grafico 3.4 se infiere un ajuste razonable, debido a que las predicciones
están próximas a los valores observados y en el grafico 3.3 el comportamiento
de los residuos es el adecuado, no tendiendo a ninguna función matemática.
Con estos resultados, más los obtenidos en los contrastes individuales de la t,
Contraste conjunto de la F, coeficientes de determinación y correlación, se
determina que no es necesario incluir ni quitar ninguna variable para el modelo
de regresión múltiple realizado para la aplicación 1.
73
Los datos fueron importados en formato .csv con las siguientes características
Nombre, Latitud, Longitud, Altura, Código (WGS84)
74
N = a1 + a 2 (ϕ − ϕ m ) + a3 cos ϕ m (λ − λm )
Resumen
Punto Htgo
A 595.018
B 799.002
C 950.017
D 589.001
1 600.986
6 579.997
7 659.991
8 732.997
9 581.991
3.3.1 Introducción.
Figura 3.8. Calculo de distancias horizontales. Fuente: “Geodesia Geométrica” René Zepeda.
80
Donde:
La precisión del calculo de las distancias horizontales puede ser establecido por
propagación del error a través de.
2 2
⎛δ ⎞ ⎛δ ⎞
σ Dh = ⎜⎜ Dh ⎟⎟ ⋅ σ Di
2
+ ⎜⎜ Dh ⎟⎟ ⋅ σ Z2
⎝ δ Di ⎠ ⎝ δZ ⎠
Donde:
Derivadas parciales.
δ Dh δ
= Cos (100 − Z ) ; Dh = Di ⋅ Sen(100 − Z )
δ Di δZ
En los puntos A y B se miden los ángulos cenitales ZA y ZB; sus alturas son HA y
HB; e y r son los efectos de esfericidad y refracción.
1
∆H = Dh ⋅ Tan ( Z B − Z A ) Con Z B y ZA corregidos a la línea.
2
2 2 2
⎛δ ⎞ ⎛δ ⎞ ⎛δ ⎞
σ ∆H = ⎜⎜ ∆H ⎟⎟ ⋅ σ Dh
2
+ ⎜⎜ ∆H ⎟⎟ ⋅ σ ZB
2
+ ⎜⎜ ∆H ⎟⎟ ⋅ σ ZA
2
⎝ δ Dh ⎠ ⎝ δ ZB ⎠ ⎝ δ ZA ⎠
82
Donde:
Derivadas parciales.
δ ∆H 1 δ ∆H ⎛ 1 ⎞ 2
= Tan ( Z B − Z A ) ; = Dh ⋅ ⎜⎜ Tan ( Z B − Z A ) + 1⎟⎟ ⋅ ;
δ Dh 2 δ ZB ⎝ 2 ⎠ 2
δ ∆H ⎛ 1 ⎞ 2
= − Dh ⋅ ⎜⎜ Tan ( Z B − Z A ) + 1⎟⎟ ⋅
δ ZA ⎝ 2 ⎠ 2
Una vez obtenidos los desniveles se procede a obtener un error de cierre, para
luego ajustar dichos desniveles a través de un modelo de condición.
Solución:
Modelo: F (La) = 0
Para la poligonal 2:
B = [1 1 1 1 1 1 1 1 1]
B = [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
W = [0.264]
W = [− 0.849]
⎡14.167 ⎤ ⎡ − 172.367 ⎤
⎢74.459 ⎥ ⎢− 295.367 ⎥
⎢ ⎥ ⎢ ⎥
⎢67.537 ⎥ ⎢ − 10.584 ⎥
⎢ ⎥ ⎢ ⎥
Lb poli.1 = ⎢30.296 ⎥ ⎢ − 20.165 ⎥
⎢ 4.334 ⎥ ⎢ − 33.984 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 1.474 ⎥ ⎢ − 44.106 ⎥
⎢83.512 ⎥ ⎢ − 14.355 ⎥
⎣ ⎦ ⎢ ⎥
Lb poli.2 = ⎢ − 14.397 ⎥
⎢ − 14.647 ⎥
⎢ ⎥
⎢ − 6.699 ⎥
⎢ ⎥
⎢ − 2.701 ⎥
⎢ − 4.253 ⎥
⎢ ⎥
⎢ − 6.801 ⎥
⎢ − 0.598 ⎥
⎢ ⎥
⎣⎢ − 2.982 ⎦⎥
⎡ 1 ⎤ ⎡ 1 ⎤
⎢σ 2 ⎥ ⎢ Dh 2 ⎥
⎢ 1 ⎥ ⎢ 1 ⎥
⎢ 1 ⎥ ⎢ 1 ⎥
P = σ 02 ⋅ ⎢ σ 2
⎥ Æ P = 1⋅ ⎢ Dh22 ⎥
⎢ ⎥ ⎢ ⎥
2
O O
⎢ ⎥ ⎢ ⎥
⎢ 1 ⎥ ⎢ 1 ⎥
⎢⎣ σ n2 ⎥⎦ ⎢⎣ Dhn2 ⎥⎦
errorcierre
comp∆H = ⋅ dist. parcial
dist.acumulada
errorcierre
comp∆H =
nº tramos
Tabla 3.15. Puntos para confección modelo regresión múltiple cuesta Lo Prado.
Del capítulo 2.9.3 se tiene que la ecuación general está dada por:
H = α 0 + α 1 (E − E ) + α 2 (N − N ) + α 3 (h − h )
m m m
Donde el contraste conjunto viene dado por la tabla 3.17 y el resumen de los
resultados obtenidos, aplicando el modelo a los mismos puntos que se utilizaron
para realizar la regresión múltiple, se encuentra en la tabla 3.18:
Tabla Suma de
ANOVA cuadrados g.l. varianza F p-valor
Modelo 617015.942 3 205671.981 2.011E+08 0.000
Residual 0.0092 9 1.023E-03
Global 617015.952 12 51417.996
R2 = 1 Rˆ 2 = 1 Sˆ R = 0.0321
900
800
700
Predicciones
600
500
400
300
200
100
100 200 300 400 500 600 700 800 900
Variables respuesta
1.5
Residuos estandarizados
0.5
-0.5
-1
-1.5
-2
-2.5
-3
100 200 300 400 500 600 700 800 900
Predicciones
Polinómica
Tabla Suma de
ANOVA cuadrados g.l. Varianza F p-valor
Modelo 617015.951 4 154253.988 2.388E+09 0.000
Residual 0.0005 8 6.460E-05
Global 617015.952 12 51417.996
R2 = 1 Rˆ 2 = 1 Sˆ R = 0.008
Tabla 3.21. Residuos simples, estandarizados y estudentizados, modificación modelo cuesta Lo Prado.
900
800
700
Predicciones
600
500
400
300
200
100
100 200 300 400 500 600 700 800 900
Variable respuesta
Grafico 3.7. Predicciones v/s Variable respuesta, modificación modelo cuesta Lo Prado.
Fuente: Elaboración propia
2
Residuos estandarizados
-1
-2
-3
0 100 200 300 400 500 600 700 800 900
Predicciones
Grafico 3.8. Residuos estandarizados v/s Predicciones, modificación modelo cuesta Lo Prado.
Fuente: Elaboración propia
96
Se debe seleccionar una tabla en formato .dbf con los campos Punto, E1, N1,
E2, N2. Luego de esto la rutina calculará los parámetros Tx, Ty, ángulo de
rotación y factor de escala, además del punto de origen (X0, Y0) residuo mayor
en X e Y (indicando el nombre de los puntos en los que estos residuos
máximos están ocurriendo) y el error medio cuadrático de la transformación.
Estos resultados se desplegarán en pantalla (figura 3.12) para poder ser
copiados por el usuario, así como también se dará la posibilidad de ser
guardados automáticamente a un archivo de extensión escogida por el mismo.
98
Luego de dar “OK”, se busca y agrega el archivo con los datos requeridos. Al
realizar esta acción se despliega de inmediato, la siguiente ventana informativa:
Figura 3.17. Centroide automatizado, obtenido de datos insertados para realizar regresión.
Fuente: Arcview Gis 3.3.
102
Antes de explicar la utilización de este software libre, se debe entender que está
calculadora de regresión múltiple, entrega valores muy similares a los
realizados manualmente y expuestos en esta memoria.
Figura 3.18. Módulos de utilización de Multiple Regression - Free Statistics Software (Calculator).
Fuente: Elaboración Propia
2- Data X: se insertan los valores de los “deltas” que entrega la tabla que se
abre junto con la calculadora. Estos se encuentran separados por
104
Figura 3.20. Resultados entregados por Multiple Regression - Free Statistics Software (Calculator).
Fuente: Elaboración Propia
En donde:
2. Entrega los parámetros para cada variable, varianza residual para cada
parámetro y contraste de la t.
Todas las coberturas fueron elaboradas sobre la base del Mapa digital del
Mundo (DCW, Digital Chart of the World), un proyecto realizado por la Empresa
ESRI (Environmental Systems Research Institute, Inc.) para la Agencia de
Cartografía de Defensa de los Estados Unidos (DMA, US Defence Mapping
Agency)
La cartografía del Mapa Digital del Mundo fue elaborada en el año 1993 a la
escala 1:1.000.000. Las coberturas de los límites exteriores y de las costas
continentales tienen su origen en el Mapa Digital del Mundo, tanto como las de
los Ríos, Esteros, Lagos, Salares y Quebradas. Todas las demás coberturas
fueron digitalizadas en el Laboratorio SIG de La Facultad de Ingeniería,
Ciencias y Administración de La Universidad de la Frontera (Temuco – Chile)
Figura 3.23. Vista de puntos importados a las capas. Fuente: Arcview Gis 3.3.
111
4.1 ANTECEDENTES
0.02
0.015
0.01
0.005
-0.005
-0.01
-0.015
-0.02
A B C D 1 6 7 8 9
Del grafico 4.1 se concluye que en todos los puntos que se utilizaron para la
construcción, tanto del modelo aplicación 1 como para el plano TGO, los
residuos de aplicación 1 son mucho menores y tienden a 0. Además es
imprescindible analizar la magnitud de estos residuos (o discrepancias) y
compararlos con valores de tolerancia propuestos para un determinado
proyecto de ingeniería. Un buen estimador para esto es el que considera que la
tolerancia en la obtención de alturas a diferentes escalas es 1/8 de la
equidistancia entre curvas de nivel. Como muestra la siguiente tabla:
r r
Estimar la media de la distribución condicionada de Y / X = xt . Esto es, se
r r r
quiere estimar el parámetro m( xt ) = E (Y / X = xt ) y poder establecer cual es la
Punto H
1.5kmE 631
3kmE 669
8(4.5KM) 700
6kmE 775
7.5kmN 702
9kmN 632
10.5kmS 589
12kmN 1060
118
SR med. SR
Punto Xt = Xh yt Cond.(m) predi.(m)
1.5kmE (354980.146,6294733.2915,658.437) 631.000 0.002 0.005
3kmE (356035.1795,6294476.2539,696.522) 669.001 0.002 0.005
8(4.5KM) (356150.01,6292285.25,727.516) 700.002 0.002 0.005
6kmE (358352.4284,6297120.2144,802.74) 774.997 0.002 0.005
7.5kmN (356463.7346,6300349.7043,729.621) 702.003 0.003 0.005
9kmN (350675.1759,6302415.9201,659.195) 632.013 0.004 0.005
10.5kmS (346872.1471,6287438.4586,615.744) 589.009 0.004 0.005
12kmN (360987.9625,6302875.7012,1088.031) 1059.982 0.007 0.008
Intervalo de
Punto confianza longitud intervalo de predicción longitud
1.5kmE 630.998 631.003 0.005 630.990 631.011 0.021
3kmE 668.998 669.003 0.005 668.990 669.011 0.021
8(4.5KM) 700.000 700.005 0.005 699.992 700.013 0.021
6kmE 774.994 775.000 0.006 774.986 775.008 0.022
7.5kmN 702.000 702.007 0.007 701.992 702.015 0.023
9kmN 632.005 632.020 0.014 631.997 632.028 0.030
10.5kmS 589.002 589.015 0.013 588.994 589.023 0.029
12kmN 1059.958 1060.006 0.048 1059.950 1060.014 0.064
119
0.04
0.02
-0.02
-0.04
-0.06
-0.08
GPS1 GPS2 GPS3 E4 E8 E 11 E 12 E 15 E 16 E 18 E 20 E 22 E 24
Gráfico 4.2. Comparación Residuos Modelo de regresión aplicación 2 v/s Residuos TGO.
Fuente: Elaboración Propia
En base al gráfico 4.2 se concluye que los residuos entregados por el modelo
de regresión múltiple realizado para la aplicación 2, correspondiente a la cuesta
Lo Prado, son mucho menores que los entregados por el ajuste vertical
realizado con el software TGO. Además, la varianza residual obtenida por el
modelo de regresión es menor a la obtenida por el software TGO. Sin embargo
ambos ajustes están dentro de las tolerancias altimétricas según lo explicado en
4.1.1.
120
Aplicando el modelo realizado a los puntos de control, los residuos oscilan entre
0 y 0.013m. Como se muestra en la siguiente tabla:
121
Los puntos GPS4, GPS5 Y GPS6, son los que tienen los residuos más grandes,
debido a que se encuentran fuera de de la línea de nivelación. El resto de los
puntos de control se encuentran dentro de la precisión lograda por el modelo
(0.008m).
122
5.1 CONCLUSIONES.
Debido al cada vez más masivo uso del sistema de posicionamiento global y del
desarrollo de este en materia de precisión en la obtención de datos
planimétricos y altimétricos, se hace necesario y útil el aprovechamiento de esta
tecnología. En este tema y centrándonos en la obtención de altura ortométrica,
hasta que no se tenga un pleno conocimiento físico de la superficie terrestre, los
modelos matemáticos de interpolación, extrapolación y finalmente predicción
son los que posibilitan el uso de la tecnología GNNS en obras de ingeniería.
• La precisión resultante para los parámetros son acordes con los residuos
obtenidos de las alturas ortométricas estimadas.
dejar zonas sin información. Todo lo anterior implica que los modelos
matemáticos fueron puestos a prueba bajo condiciones adversas, y explica los
resultados ya expuestos. Es así, como cabe esperar que en condiciones más
favorables, o de menor relieve, los modelos entreguen mejores resultados. Así
como también se lograría un resultado mas favorable, con la introducción de
mas datos de entrada, característica (desventaja por lo general) de los modelos
de regresión múltiple.
5.2 RECOMENDACIONES.
ANEXOS.
Honorarios:
Los honorarios para la línea de nivelación con apoyo de puntos GPS, tiene un
costo de $1.850.000 más el 10% de impuesto.
Honorarios:
Presentación:
• Informe topográfico.
• 3 copias de planos.
GPS
DOBLE FRECUENCIA TOPCON $72.000 $390.000 $720.000 $1.400.000
Incluye: 2 antenas colectoras, CGD
trípode, jalón o trípode, base
nivelantes, cables de comunicación,
software post proceso.
Cheque Garantía por 8.000.000 o
en blanco
Honorarios:
Presentación:
• Informe geodésico.
• 3 copias de planos.
2
Anexo: Distribución de la א.
2
Fuente: E.S. Pearson, Tables of the Percentage Points of אthe Distribution, Biometrika, vol.32
135
BIBLIOGRAFIA.