Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AJUSTE Rene Zepeda Rev3.2-Sep2016 PDF
AJUSTE Rene Zepeda Rev3.2-Sep2016 PDF
Revisión 3.2
René Zepeda G.
septiembre 2016
pag. 2 de 84
(en blanco)
1. INTRODUCCIÓN ........................................................................................... 4
2. MÍNIMOS CUADRADOS .................................................................................... 5
3. TEORÍA DE ERRORES ..................................................................................... 6
4. DISTRIBUCIÓN NORMAL .................................................................................. 8
5. PROPAGACIÓN DE ERRORES .......................................................................... 10
5.1 PROPAGACIÓN DE ERRORES EN OPERADORES ...................................................... 13
5.2 EJEMPLOS ILUSTRATIVOS.............................................................................. 14
6. PESO DE LAS OBSERVACIONES ....................................................................... 16
6.2 PESOS EN LA NIVELACIÓN GEOMÉTRICA ............................................................. 17
6.3 PESO EN LA MEDICIÓN ANGULAR ..................................................................... 17
7. SISTEMAS DE ECUACIONES ............................................................................ 19
8. SERIE DE TAYLOR ....................................................................................... 21
8.1 LINEALIZACIÓN DE UNA ECUACIÓN DE OBSERVACIÓN DE DISTANCIA ............................ 23
8.2 LINEALIZACIÓN DE UNA ECUACIÓN DE OBSERVACIÓN DE ÁNGULO .............................. 25
9. ECUACIÓN DE OBSERVACIÓN ......................................................................... 27
10. MÉTODOS DE MÍNIMOS CUADRADOS, SOLUCIÓN MATRICIAL .................................... 28
10.1 ECUACIONES DE OBSERVACIÓN ..................................................................... 28
10.2 APLICACIÓN A NIVELACIONES: ..................................................................... 31
10.3 PRECISIÓN EN EL MÉTODO DE LAS ECUACIONES DE OBSERVACIÓN ............................. 33
10.4 USO DE LA MATRIZ DE COVARIANZAS .............................................................. 34
10.5 VARIANZA (A POSTERIORI) DE PESO UNITARIO .................................................... 35
11. TEST DE CHI CUADRADO .............................................................................. 37
12. MÉTODO DE LAS ECUACIONES DE CONDICIÓN ..................................................... 40
13. ECUACIONES DE CONDICIÓN (DEDUCCIÓN MATRICIAL) .......................................... 42
12.1 ECUACIONES NORMALES ............................................................................. 43
12.2 MATRICES DE COVARIANZAS ......................................................................... 44
12.3 EJEMPLO EN POLIGONALES: ......................................................................... 46
14. MATRICES DE ROTACIÓN .............................................................................. 49
15. ELIPSE DE ERRORES .................................................................................... 51
16. MÉTODO COMBINADO .................................................................................. 56
8.1 COVARIANZAS EN EL MÉTODO COMBINADO ......................................................... 58
17. TABLA RESUMEN DE LOS MÉTODOS ................................................................. 60
18. EJEMPLOS DE AJUSTE DE DATOS .................................................................... 61
17.1 TRANSFORMACIÓN ENTRE SISTEMAS GEODÉSICOS 3D. ........................................... 62
17.2 TRANSFORMACIÓN ENTRE SISTEMAS 2D............................................................ 66
17.3 INTERSECCIÓN DE DISTANCIAS Y/O DIRECCIONES ................................................ 68
17.4 AJUSTE DE ÁNGULOS ................................................................................. 71
17.5 POLINOMIOS (CURVAS) ............................................................................... 73
17.6 TRILATERACIÓN ....................................................................................... 75
17.7 AJUSTE A UNA CIRCUNFERENCIA ................................................................... 78
19. REVISIÓN DE ÁLGEBRA MATRICIAL .................................................................. 81
20. BIBLIOGRAFÍA ........................................................................................... 84
AJUSTE GEODÉSICO
-
- RENÉ ZEPEDA G. – VERSIÓN SEPTIEMBRE 2016
1. INTRODUCCIÓN
Cuando se solicita una medida de confianza, no se realiza solo una medición, llevando a la
multiplicación de la observación. De allí se crea un nuevo problema: a partir de las varias
observaciones con sus discrepancias asociadas, o sea, con datos redundantes, extraer un
resultado que sea único y que represente con la mayor confianza el valor medido. El ajuste de
observaciones trata esos problemas, también como la estimativa de la precisión de la solución.
En los casos más simples se realizan mediciones u observaciones (aquí sinónimos), sobre las
propias magnitudes incógnitas (observaciones directas). Cuando tales incógnitas se ligan por
ecuaciones de condición, el problema es menos sencillo. Otras veces se miden magnitudes que
se vinculan a las incógnitas (o parámetros) a través de relaciones funcionales conocidas. En
todos los casos se busca limpiar las observaciones de las inconsistencias, o mejor, ajustarlas a un
modelo matemático y en ciertas condiciones puede contener imposiciones iniciales (constraints).
Se pueden ponderar las observaciones, atribuyéndoles “más peso” a aquellas que merecen más
confianza, es decir, supuestamente de mayor precisión.
x – ln = vn x – li = vi
vi son los residuos, a priori desconocidos, que sumados a las observaciones entregan el valor
escogido x.
Se podría escoger un valor diferente x’, que resultaría un nuevo conjunto de residuos.
x’ – li = v’i
x” – li = v”i ¿cuál valor adoptar?
Se trata de escoger un criterio que permita, a partir de las observaciones repetidas li , extraer
un valor único para representar la incógnita x.
Hace 2 siglos los matemáticos y geodestas Adrien Legendre (Francia, 1752-1833) y Carl Gauss
(Alemania, 1777-1855) publicaron la teoría en 1805 y 1809, este último asociándola a la teoría
de probabilidad y la distribución normal, de allí que esta teoría tenga también los créditos de
Gauss:
.
Cuando las observaciones no tienen el mismo grado de confianza, son homogeneizadas a través
de los pesos pi :
n
p
i1
i v i2 mínimo
Este es el criterio que caracteriza el METODO DE MÍNIMOS CUADRADOS (MMC).
Falta. Debido a error grosero, proveniente de falta de cuidado o confusión. Las faltas
generalmente no son clasificadas como error y ellos solo pueden removerse con cuidadoso
chequeo de los “datos”, aislando el error grosero. Ejemplo: lectura o anotación equivocada
de las unidades en una medición.
Error sistemático. Es un error que puede ser expresado por una función matemática; afecta
la medición en “casi” la misma magnitud y tiene una fuente específica. Ejemplo: error de
índice (de cero) en el ángulo vertical; temperatura no calibrada para una corrección; cambio
de prisma en un distanciómetro.
Error aleatorio o accidental: después de removidos las dos clases anteriores de errores,
quedan errores (generalmente pequeños) de signos positivo y negativo, que pueden ser
tratados de acuerdo a las leyes de la estadística, obedecen la teoría de probabilidad y la
distribución normal (gaussiana). Ejemplo: errores de apreciación en lecturas.
PRECISIÓN Y EXACTITUD
Debido a los errores, repetidas mediciones de una misma magnitud tienen diferentes valores y
las discrepancias entre ellas son pequeñas. Entonces la tendencia es dar más credibilidad al
valor obtenido del mayor número de mediciones, es decir, con más precisión.
Definiciones
Valor Más Probable-EMP: valor de una cantidad medida que, basada en las observaciones,
tiene la más alta probabilidad. El EMP es obtenido, directamente de varias mediciones
independientes, por su media aritmética.
Residuo: diferencia entre la cantidad medida y el valor más probable; este es el valor que se
trata en el ajuste de observaciones. Este término es frecuentemente usado como sinónimo
de error.
v i ( x i )
2
2
n
La varianza de la muestra es dada por:
S2
2
n 1
2
n
Desviación Estándar. Similar al Error Estándar; las cantidades 2 y , son teóricas porque el
valor verdadero es indeterminado. En la práctica se usan los residuos y una mejor estimativa
de la varianza es usar residuos:
S
2
n 1
Si n entonces 2 = S2
2
y: probabilidad de ocurrencia del error entre x y dx
e: base de logaritmo natural
: desviación estándar
x2
1 2 2
Reemplazando: y e
2
Interpretación: de la muestra de datos, 68% de ellas tendrán un error residual igual o menor que
1.
Frecuentemente los valores incógnitas desconocidos son calculados a partir de mediciones, las
cuales están sujetas a errores accidentales, es decir, las operaciones matemáticas con números
inciertos, dan resultados también inciertos, por ese motivo es importante estimar el error
resultante a partir de los errores iniciales.
Por ejemplo, en el cálculo del área de un terreno rectangular de lados iguales de 80m con un
error de 1m en cada lado. El valor del área será 6400m2. Siendo la superficie función del lado,
si el error del lado de 1m, el error de la superficie será 160m2.
En la propagación de errores independientes, se presume según Gemael (1994) que los errores
sistemáticos han sido eliminados.
Sean:
z = a1x1 + a2x2
con x1, x2 observaciones independientes con 1 y 2 desviaciones estándar, a1 y a2
constantes
x1 determinado a partir de n mediciones, cada una con un error 1i;
x2 determinado a partir de n mediciones, cada una con un error 2i;
Reemplazando las últimas en las anteriores, resultan los (n) errores de cada valor calculado:
zi – zv= a1i1 + a2i2
zii – zv = a1ii1 + a2ii2
ziii – zv = a1iii1 + a2iii2
Recordando que: 2
2
, es decir: n
2 2
n
Factorizando:
n2 = a12(i12 + ii12 + ii12 + ...) + a22(i22 + ii22 + ii22 + ...) 2a1a2(i1i2 + ii1ii2 +
iii1ii2 + iii1iii2 + ...)
Sumando:
2a 1a 2 1 2
12 2 22
Z a
2 2 a2
1 n n
n
Los términos entre paréntesis son, por definición, respectivamente las varianzas y
covarianzas x12 , x1x2 , x22
2 x1 x 2 a 1
2Z a 1 a 2 · x1 ·
x1x 2 2x 2 a 2
Si las funciones son no-lineales, se puede usar la serie de Taylor de 1er orden para linealizarlas,
de esa manera los términos anm son reemplazados por las derivadas parciales de z respecto a las
mediciones x.
Z AA T en que
Puede ser rescrita y resulta la expresión para la ley especial de propagación de varianzas, o LEY
DE PROPAGACIÓN DE ERRORES DE MEDICIONES INDEPENDIENTES
z z z
2 2 2
z x1 x 2 .... xn
x1 x 2 xn
Las operaciones a que son sometidas las magnitudes medidas acarrearán errores en los
resultados.
ERROR DE LA SUMA:
ERROR DE LA MEDIA:
Sea: z
zi
z1 z 2 ... zn
z1 z 2
...
zn
n n n n n
Sea “” el error de cada medición,
2 2 2 2
z z1 z 2 z 3 .... zn
2
n n n n
por tratarse de mediciones de igual precisión: 1 = 2 = .... = n
2
2
z n
2
n n
z
n
El error medio de la media se obtiene del error medio de una observación divido por la raíz del
número de observaciones. Por ejemplo, es necesario hacer 4 observaciones para reducir el error
a la mitad y 100 veces para reducirlo a 0,1 del original.
H=Di*cosZ+hi-hj
Di = 425.000 m ±0.080 m
Z (g)= 110.0000 g ±0.0030 g
hi = 1.400 m ±0.010 m
hj = 1.800 m ±0.010 m
2
H 2 H 2 H 2 H 2
2 2 2
H Di z hi hj
Di z hi hj
H
cos z
Di
H
Di senz
z
H
1
hi
H
1
hj
Dh 0.027 m
Propuesta topográfica: Siendo los ángulos de una poligonal, o un triángulo, de igual precisión y
de diferentes magnitudes, ¿estos se deben “compensar” por partes proporcionales o por partes
iguales?
Indicio: un ángulo es la diferencia entre dos direcciones, por consiguiente es una función
constante: a=d2-d1, de esa forma el error del ángulo no depende de su magnitud, depende sólo
de la precisión de los calajes.
Usualmente los datos son medidos con diferentes grados de precisión, asociándoles diferentes
confianzas o pesos.
Peso es la ponderación relativa entre valores observados, cuando es comparado con otro valor;
el peso estima o expresa la relativa confiabilidad de una observación.
Cuando las mediciones son correlacionadas, los pesos son relacionados al inverso de la matriz de
covarianzas . Siendo los pesos relativos, varianzas y covarianzas son reemplazados por
cofactores. Un cofactor es la relación entre la covarianza y una varianza de referencia:
ij2
qij (coeficiente de peso)
o2
Matricialmente:
1
Q (matriz cofactora o de coeficientes de peso)
o2
P Q 1 o2 1
Para observaciones no correlacionadas, las covarianzas son cero, por lo tanto la matriz es
diagonal:
o
2 0 ... 0
x1
o
P 0 ... 0 o 1 …………….. 1
2x 2 pi (proporcional)
... i2
... ... ...
o
0 ... 0
n
MEDIA PONDERADA
Sean “n” observaciones separadas en dos conjuntos “na” y “nb”, tal que n = na+nb
Media conjunto a: za = (zai/na)
Media conjunto b: zb = (zbi/nb)
Haciendo na = pa y nb = pb
(mientras mayor número de observaciones, más confiable es la observación, mayor peso)
pa za pb zb pi z i
z
pa pb pi
Por ejemplo, una distancia “d” es medida por dos grupos. El primero logró una media de 65,37m
con 3 mediciones, el segundo calculó 65,32m con 10 mediciones. Por lo tanto la media
ponderada debe ser:
65,37 3 65,62 10
z 65,562
3 10
Sea una línea de longitud “l”, con avances en distancia “d”, la desviación estándar por cada
instalación del instrumento:
C
B
d d
A d
d l2
d
l1
l = l1+l2+..+ln
1 d
p1
1
2
l1 2
d
pero los son todos proporcionalmente iguales, de esa forma
2
1 1 1
p1 ; p2 ; pn
l1 l2 ln
Los pesos en nivelación son inversamente proporcionales a sus longitudes y a su vez, la longitud
es proporcional al número de instalaciones, por lo tanto, los pesos son inversamente
proporcionales al número de instalaciones. De allí que las normas técnicas de la nivelación
geométrica especifiquen las tolerancias respecto a √k, siendo k el desarrollo en kilómetros.
Sean 3 ángulos (a1, a2, a3) de un triángulo plano, que fueron medidos n1, n2 y n3 veces
respectivamente por el mismo instrumento.
1
a1 ; 2
a2 ; 3
a3 ;
n1 n2 n3
(en este caso denota sumatoria)
Nuevamente, los pesos son inversamente proporcionales a la varianza, relativamente los pesos
de los ángulos son:
1 n1
p1 n1
1
2
2
1 n2
p2 n2
2
2
2
1 n3
p3 n3
3
2
2
Los pesos de los ángulos son proporcionales al número de mediciones efectuadas (bajo las
mismas condiciones).
El método se repite a las (n–1) ecuaciones, hasta llegar a 1 ecuación con 1 incógnita.
El procedimiento es calcular las incógnitas de las ecuaciones reducidas, llamada frecuentemente
de “retro solución”.
Ejemplo:
y1 2y2 1
2 y3 112 0 (e1) * 12 (e1*)
5y2 - 3
2 y3 43
2 0 (e2) - (e1*) * (-1) (e22) sistema de (n–1)=2
- 7y2 4y3 - 32 0 (e3) - (e1*) * 2 (e32)
y2 - 3
10
y3 43
10
0 (e22) * 1/5 (e22*)
- 7y2 4y3 - 32 0 (e31) (e1*) * 2 (e32)
retro solución:
y3 1 de (e33)
L = f(x,y) (1)
(2)
(x0,y0) son aproximaciones de (x,y) y f(x0,y0) es la función no lineal evaluada en (x0,y0)
nL
son derivadas parciales
x n
Si todos los términos que contienen derivadas más altas que 1er grado, se eliminan, resulta:
L L
L f(x, y) f(xo , y o ) dx dy (4)
x 0 y 0
otra forma de expresar:
F
F(X) F(Xo ) y
X Xo
Cuando se tengan los valores iniciales (x0,y0), solo restan como incógnitas dx y dy
EJEMPLO ILUSTRATIVO
f = x+y–2y2 = –4
g = x2+y2 = 8
f f
1; 1 4y
x y
g g
2x ; 2y
x y
1ª aproximación: xo=1 ; yo=1
linealización:
f f
f f (x o , y o ) dx dy
x y
g g
g g( x o , y o ) dx dy
x y
Primera iteración:
f = 1+1–2(1)2+dx+[1–4(1)]dy = –4
g = (1)2+(1)2+2(1)dx+2(1)dy = 8
dx = 1,25
dy = 1,75
de donde: x = xo + dx = 2,25
y = yo + dy = 2,75
2ª iteración:
nuevos valores aproximados:
xo = x = 2,25
yo = y = 2,75
f = 2,25+2,75–2(2,75)2+dx+[1–4(2,75)]dy = –4
g = (2,25)2+(2,75)2+2(2,25)dx+2(2,75)dy = 8
dx = –0,25
dy = –0,64
Tercera iteración:
f = 2+2,11–2(2,11)2+dx+[1–4(2,11)]dy = –4
g = (2)2+(2,11)2+2(2)dx+2(2,11)dy = 8
dx = 0,00
dy = –0,11
En ajuste de posiciones horizontales por el MMC, las ecuaciones son escritas respecto a las
cantidades observadas y sus errores asociados; frecuentemente este método es llamado
“variación de coordenadas”.
Según visto antes, la linealización por Taylor de la función F, después de despreciar los términos
mayores que 2, se escribe:
F F
F( xa , ya ) F( xa o , ya o ) dxa dya (7)
xa o
ya o
incógnitas aproximaci ones
correcciones
F
de forma matricial: F(X) F(Xo ) y
X Xo
donde: XT= [ xa ya ]
XoT= [ xa0 ya0 ]
F
xi es la derivada parcial de F respecto a xa, evaluada para la aproximación inicial.
o
se puede escribir:
Haciendo:
xb xa
( xb xa ) 2 ( yb ya ) 2
Un ángulo puede ser expresado como la magnitud (angular) entre dos direcciones y las
direcciones pueden ser definidas a partir de azimutes, de esa forma:
x1 xa x 2 xa
F(xa, ya, x1, y1) arctg arctg (9)
y1 ya y 2 ya
La ecuación (9) relaciona el ángulo observado () a su error residual V y a las coordenadas más
probables de los puntos involucrados. Sean las coordenadas de los puntos 1 y 2 fijas y del punto
A variables, de esa forma la serie de Taylor truncada al 1er orden queda:
F F
F( xa , ya ) F( xa 0 , ya 0 ) dxa dya (10)
xa 0 ya 0
incógnitas aproximaci ones
correcciones
1 1
y2 ya ( y2 ya ) 2
( y2 ya ) 2
F 1 1 1
·
xa ( y2 ya ) ( x 2 xa ) ( y2 ya )
2 2
( y2 ya ) ( x 2 xa ) 2
2
( y2 ya ) 2 ( y2 ya )
F ( y2 ya ) ( y2 ya )
xa ( y2 ya ) 2 ( x 2 xa ) 2 L2 a 2
el valor más probable es la cantidad tal que la suma de los cuadrados de los residuos es
mínima.
Sean “n” mediciones independientes z1, z2, ... zn y “M” el valor más probable, entonces:
z1 – M = v1
z2 – M = v2 (1)
zi
zn – M = vn y M sumatoria de observaciones de igual peso
n
(vi: residuos)
La función del Valor Más Probable de la cantidad observada de repetidas mediciones es la que la
suma de los residuos al cuadrado sea mínima, es decir:
F
0 , a su vez v=(z-M)
v
p1(M z1) p2(M z2) .... pn(M zn) 0 , resulta que: p·z = pM
consecuentemente M
p zi i
(3)
p i
Las ecuaciones relacionan las cantidades medidas a los residuos; son llamadas ecuaciones de
observación, resultando una ecuación para cada observación.
Usualmente se tienen más observaciones que incógnitas, lo que permite determinar valores más
probables de las incógnitas basados en el principio de Mínimos Cuadrados. Para solución única, el
número de ecuaciones es igual al número de incógnitas.
1) x + y = 3,0
2) 2x – y = 1,5
3) x – y = 0,2
Se pueden rescribir:
4) x + y – 3,0 = v1
5) 2x – y – 1,5 = v2
6) x – y – 0,2 = v3
Existen diversos métodos para la aplicación de ajuste por Mínimos Cuadrados (MC)
Sean l = observaciones
x = el mejor estimador
v = residuos
l+v=x l+v–x=0
L + V = AX
Xa = Xo + X
X: vector de correcciones
Xa: vector de los parámetros ajustados
Xo: vector de los parámetros aproximados
Cuando los valores observados ajustados pueden ser expresados explícitamente como una
función de los parámetros ajustados, se puede modelar por:
La = F(Xa)
Se dice que el ajuste se procesa por el MÉTODO DE LAS OBSERVACIONES INDIRECTAS, DE LOS
PARÁMETROS, O DE LAS ECUACIONES DE OBSERVACIÓN
Asumiendo que la función es no lineal, esta debe ser linealizada mediante la Serie de Taylor:
F
F(Xa) = La = Lb + V = F(Xo + X) = F(Xo) + X
Xa Xo
F
Haciendo las observaciones aproximadas Lo = F(Xo) y =A
Xa Xo
Se llega a:
Lb + V = Lo + AX, despejando V:
V = AX + Lo – Lb, pero L = Lo – Lb
VTPV = mínimo
(ATPA)X + ATPL = 0 ,
A: matriz de los coeficientes de las incógnitas (o matriz diseño de ecuaciones normales) de las
derivadas parciales
F
A (orden n x u)
X
Nótese que si se cambia el signo en (AX =Lb+V=La) a (AX =Lb-V=La), debe cambiar el signo de la
ecuación (7).
l1= 2.093 m
l2= 18.248 m
l3= 16.250 m
l4= 33.977 m
l5= 15.701 m
l6= 18.969 m
l7= 35.179 m
l8= 3.278 m
Los cierres indican que las alturas pueden tener diferentes valores dependiendo de las líneas que
se consideren como conexión, por lo tanto no son únicos, es por ello que deben ser “ajustadas”
Solución:
Nº de observaciones = 8 = Nº de líneas niveladas de la red
Nº de incógnitas (parámetros) = 4 = Nº de alturas a determinar
Redundancia = Nº obs. – Nº incog. = 4 (grados de libertad)
Las incógnitas son las alturas HA, HB, HC y HE, designadas por A, B,C y E, siendo HD fija.
A
B F
A
X X
C
E
A X - Lb = V
AJUSTE_Rene_Zepeda_Rev3.2 -sep2016.docx – septiembre 2016
pag. 32 de 84
Matriz A
A B C E
L1 1 -1 0 0
L2 1 0 -1 0
L3 0 1 -1 0
L4 1 0 0 0
L5 0 0 1 0
L6 0 0 1 -1
L7 0 1 0 -1
L8 0 0 0 -1
AT
1 1 0 1 0 0 0 0
-1 0 1 0 0 0 1 0
0 -1 -1 0 1 1 0 0
0 0 0 0 0 -1 -1 -1
ATA (ATA)-1
3.0 -1.0 -1.0 0.0 0.53 0.33 0.27 0.20
-1.0 3.0 -1.0 -1.0 0.33 0.67 0.33 0.33
-1.0 -1.0 4.0 -1.0 0.27 0.33 0.47 0.27
0.0 -1.0 -1.0 3.0 0.20 0.33 0.27 0.53
Desniveles H Constantes L
2.093 0 2.093
18.248 0 18.248
16.250 0 16.250
33.977 - -129.582 = 163.559
15.701 -129.582 145.283
18.969 0 18.969
35.179 0 35.179
3.278 129.582 -126.304
Coeficiente de Correlación :
xy
Sean las variables x e y: xy -1 < < 1
x y
si = |1| correlación máxima, x es función de y
si = 0 no correlacionadas, x e y son independientes
MATRIZ DE COVARIANZAS
2 13 ...
1 12
2
21 2 23 ...
32 32 ...
31
... ... ... ...
2 0 0 ...
1
0 22 0 ...
L
0 0 3 2 ...
... ... ... ...
En este caso: se denomina matriz de coeficientes de peso (Q) y matriz de pesos (P) a:
1
Q L varianza unitaria
o
2
P Q-1 o 1L
2
Nótese que él escalar también tiene la función de tornar adimensionales las unidades de la
matriz P
o
2
pi
i
2
1 1
2 0 0 ... 2 0 0 ...
1 1
0 1
0 ... 0 1
0 ...
PL 0 2
2 pero si 0 = 1 PL 2
2
1 1
0 0 ... 0 0 ...
3
2
3
2
... ... ... ...
... ... ... ...
Lo anterior significa estimar la precisión de las mediciones (L) efectuadas, con objeto de
componer la matriz de pesos (P)
La varianzas i2 y covarianzas ij, de las componentes de una variable n dimensional X pueden
ser colocadas en una matriz x cuadrada simétrica de orden (nxn), de esa forma:
12 12 13
x 21 22 23
31 32 32
Para un caso no lineal (modelo no lineal) general Y=F(X) se aplica el modelo de propagación de
las covarianzas:
F
para Y=F(X) y = D x DT con : D = (modelo general)
X Xo
X = -N-1 ATP(Lo–Lb)
y Lb = o2 P-1
2
finalmente: x = o N-1
2
MVC de los parámetros ajustados: xa = ̂ o N-1
2
MVC de las observaciones ajustadas: La = ̂ o AN-1AT
recordando que La = Lb + V V = La – Lb
Antes de iniciar el proceso de ajuste no se definió el valor de 2, de esa forma tomó
implícitamente el valor “1”, lo cual no afecta el valor de los parámetros ajustados, por ese
motivo normalmente se escoge igual a 1.
P o Lb1
2
efectivamente, y
1 T
X = -(ATPA)-1 ATPL = (A Lb A)-1 ATLb L
o
2
Después del Ajuste se debe estimar la “Varianza de la Unidad de Peso A Posteriori” ̂2o para
determinar la Matriz de Covarianzas x de los parámetros ajustados
V T PV
ˆ
2
nu
o
V T PV X T U LT PL
Siendo los pesos asignados correctamente, es decir las varianzas de las observaciones fueron
asignadas en forma realista, la varianza a posteriori debería resultar de valor “1”.
El valor inicial de sigma no afecta los valores de los parámetros en el ajuste, pero si resulta un
sigma a posteriori diferente de 1, puede implicar que la asignación de los pesos no fueron
adecuados, es decir que las varianzas de las observaciones fueron sobre o subestimadas,
indicando en algunos casos la presencia de errores groseros.
Para la comparación de las varianzas a priori y a posteriori se puede recurrir al Test de Chi
Cuadrado.
En ajuste se formula inicialmente una varianza poblacional, denominada hipótesis nula Ho,
mientras que otra hipótesis H1, tal que Ho ≠ H1, es llamada de alternativa.
Por ejemplo, para un valor referido al 1% ( = 0.010) del área bajo la curva, con 10 grados de
libertad, la tabla de la columna 0.010 muestra el valor de χ2 = 23.21, ello significa que el 1% del
área bajo esa curva está contenida entre los valores 23.21 e infinito.
Por otro lado debido a la asimetría de la curva, la parte baja de la curva (lado izquierdo), el
valor debe ser calculado a partir de (1-), para el mismo ejemplo de 10 grados de libertad y un
valor de 1% de área bajo la curva al lado izquierdo, se obtiene un valor de 2.56, ello significa
que el 1% de la curva está comprendida entre 0 y 2.56.
ν = 20 – 4 = 16
Precisión estimada de las coordenadas = ±0.1m
σ2o = 4.24
̂
χ2 de prueba (muestra) = 67.82
= 0.05 (5%)
χ2 teórico (tabla) cola derecha = 26.30
Prueba: 8.82 < 26.30
Análisis de 𝛔
̂ 𝟐𝐨
En el ajuste recién realizado se asignaron errores en las coordenadas estimados en ±0.1m, lo
cual resultó σ
̂2o = 4.24, indicando sobreestimación de las precisiones.
En caso de adoptar como ponderador de sigma apriori un valor de, por ejemplo 4, con ello se
reasignan pesos y la varianza aposteriori σ
̂2o ahora resulta 1.06.
σ2o = 1.06
̂
Algunas clases de medición son condicionadas a un valor, por ejemplo cierre angular o de
desniveles, dando lugar a un “error de cierre” (por ejemplo en el cierre angular de un polígono,
los ángulos interiores ajustados deben sumar 180º * (Nº lados–2)). Se dice que estas
observaciones son directas condicionadas (sujetas a ecuaciones de condición), de allí que este
método recibe indistintamente las denominaciones de:
o ecuaciones de condición,
o mediciones directas,
o los correlatos
Las ecuaciones anteriores deben satisfacer los principios de los Mínimos Cuadrados y las
ecuaciones de condición, para ello se recurre a la técnica de Lagrange, o de los correlatos:
[pvv] = mínimo
v12+v22+.........+vn2 = mínimo
AJUSTE_Rene_Zepeda_Rev3.2 -sep2016.docx – septiembre 2016
pag. 41 de 84
2ka i v i 2kw 1 0
....
2kri v i 2kw r 0
según MC, [vv] = mínimo y U = 0, por lo tanto se puede definir una función F:
F = [vv] + U = mínimo
F = [vv] –2 k1([av]+w1) –2 k2 ([bv]+w2) –.............–2 kr ([rv]+wr) = mínimo
v1 = aik1+ bik2+...........+rikr
v2 = a2k1+ b2k2+..........+r2kr
ecuaciones correlatas o de Lagrange
vn = ank1+ bnk2+..........+rnkr
Permiten calcular los residuos a partir de los multiplicadores de Lagrange
[aa]k1+[ab]k2+..........+[ar]kr + w1 = 0
[ba]k1+[bb]k2+..........+[br]kr + w2 = 0
ecuaciones normales
[ra]k1+[rb]k2 +.......... +[rr]kr + wr = 0
Finalmente:
xi = li + vi
F(La) = 0
Con:
La = Lb + V F(Lb + V) = 0
V=(La-Lb)
Linealizando por serie de Taylor, derivando parcialmente la función respecto a los valores
observados ajustados y eliminando los términos mayores que 2o orden, queda:
F
F(La) = F(Lb+V) = F(Lb) + (La – Lb) = 0
La
La función F(Lb) de los valores observados tiene significado de errores de cierre y se designa por
W:
W = F(Lb)
F
Sea r Bn = la matriz de las derivadas parciales
La Lb
Con r = n-u = No de ecuaciones de condición = No de funciones
n = No de observaciones = No de incógnitas
BV + W = 0 ó BV = -W
Para solucionar las ecuaciones se utiliza el método propuesto por Joseph Lagrange (1736-1813),
para solucionar funciones de máximos y mínimos con condiciones, incorporando el vector de
multiplicadores K a la ecuación anterior.
2KT(BV + W) = 0
Derivando respecto a V:
2PV – 2BTK = 0 nPn nV1 – nBTr rK1 = 0
V
Resulta: V = P-1BTK
Recordando que:
B P-1BTK = -W
Despejando K, finalmente:
K = -(BP-1BT)-1W
Si M = BP-1BT
K = -M-1W
Con lo que puede ser calculado el vector de los valores observados ajustados La:
La = Lb + V
Como en todo proceso de ajuste por mínimos cuadrados, queda por estimar la precisión de los
valores ajustados, es decir, la matriz de covarianzas.
Varianza a posteriori:
V T PV
ˆ o2
r
r = Nº ecuaciones de condición = Nº obs. redundantes = Nº grados de libertad
VTPV = –KTW
Un método para cálculo de poligonales utilizado hasta hoy fue propuesto por C. L. Crandall en
1901, se trata de ajustar la figura, considerando los azimutes fijos, haciendo variar las
distancias.
El método se basa en que partiendo de una compensación acimutal de una poligonal, seguida de
la “compensación” de las coordenadas, el resultado es la “descompensación” de los acimutes.
Este método es el adoptado para poligonales electrónicas de precisión en el Volumen 2 de
Manual de Carreteras del MOP-MCV2.
En este caso se recurre al ejemplo contenido en el MCV2, en que la poligonal inicia y termina en
líneas base, de coordenadas conocidas, donde se ha realizado previamente la compensación
angular.
Cabe resaltar que el método puede ser aplicado indistintamente a datos con distancias
topográficas horizontales o UTM.
Los puntos A1 y B son de inicio y fin de poligonal; las diferencias de coordenadas de control son:
Dif E Dif N
(B-A1) -1986.710 742.540
Desarrollo:
Considerando los acimutes fijos, se tiene una condición de cierre, en que la suma de las
coordenadas parciales entre puntos de control debe ser igual la diferencia de coordenadas entre
los puntos de control, entonces:
(lo mismo se aplica a una poligonal cerrada, siendo en este caso las coordenadas inicial y final,
las mismas)
F1 = dX = D*senA
F2 = dY = D*cosA (azimutes no varían)
L= distancias
r= 2 condiciones
n= 13 incógnitas = observaciones
2B13 = F/L
La: distancias
V: residuos dE dN
ajustadas
d1 0.064 171.4427 -162.697 -54.058
d2 0.053 137.8875 -136.517 19.395
d3 0.050 122.5233 -52.039 -110.923
d4 0.046 235.7560 -223.284 75.664
d5 0.060 129.1507 -128.757 -10.078
d6 0.011 133.4308 -78.198 108.115
d7 0.040 66.4107 -59.524 29.449
d8 0.013 153.2518 -92.764 121.988
d9 0.054 124.0055 -123.116 14.827
d10 0.046 683.0790 -645.043 224.759
d11 0.037 177.9808 -155.704 86.217
d12 0.014 126.3752 -78.468 99.063
d13 -0.006 147.0977 -50.600 138.121
Suma coordenadas parciales -1986.710 742.540
Dif con coords de control 0.000 0.000
Las coordenadas parciales fueron calculadas con los acimutes invariables y las distancias
ajustadas, de esa forma la suma de coordenadas parciales es igual a la diferencia de las
coordenadas de control, restando solo calcular las coordenadas finales ajustadas.
El resultado es un sistema no paralelo al original, que puede ser relacionado mediante los tres
ángulos de rotación, Rz(), Rx(), Ry()
Tomando el primer caso de rotación sobre el eje Z, se denominará el sistema resultante por
(U,V)
u= x cos + y sen
v= -x seny cos
u cos sen x
v sen cos y
X 2 cos sen 0 X 1
Y sen cos 0 Y1
2
Z 2 0 0 1 Z1
Realizando el producto entre ellas resulta el modelo general de rotaciones entre dos sistemas
cartesianos:
cos cos sen sen sen sen cos cos sen sen cos sen
R Y () R X () R Z () sen cos cos cos sen
cos sen sen sen cos sen sen cos sen cos cos cos
1 R Z R Y 1
R3D R Z 1
R X 1
R Y R X 1 1
X 3 1 X 1
Y 1 Y1
3
Z 3 1 Z1
Cuando se trata de coordenadas, en la etapa final del ajuste, después de obtener las
coordenadas ajustadas, se obtiene la matriz de covarianzas de los valores ajustados, dada por:
2 xy
xy x
xy 2y
u x
v R(t) y
cos ( t ) sen ( t )
R( t ) sen ( t ) cos ( t )
Consecuentemente la MC de (u,v) puede ser calculada a partir de las anteriores (x,y) por
propagación:
2 T
(uv) u uv = D
(x,y) D
2
vu v
u u
x y
con D R(t ) (1)
v v
x y
La matriz queda:
2x cos 2 t 2y sen 2 t 2 xy cos t sen t - ( - ) cos t sen t (cos t - sen t) (3)
2 2 2 2
( uv)
sen t co 2 t 2 cos t sen t
x y xy
1- desarrollando para 2u = 2x cos2 t + 2y sen2 t +xy cos t sen t :
( u2 )
–2x cos t sen t + 2y cos t sen t +xy cos2 t –xy sen2 t
t
sen 2t = 2 sen t · cos t
cos 2t = cos2 t – sen2 t
sen2 t + cos2 t = 1
( u2 )
= –(2x –2y) cos t sen t + xy cos 2t
t
2 xy sen 2 t
tg 2 t (5) permitiendo dos raíces t y (t+90º), que indican las direcciones
2
x
2
y cos 2 t
ortogonales de los valores críticos
Si no existiera correlación entre las coordenadas (xy = 0) t=0º, la elipse de errores sería paralela
a los ejes XY.
2- desarrollando parav = 2x sen2 t + 2y cos2 t –xy cos t sen t, se logra igualmente:
2 xy
tg 2 t
2x 2y
2u uv
Conocido el ángulo t, los elementos de ( uv) pueden ser calculados:
vu 2v
2u = 2x cos2 t + 2y sen2 t +xy cos t sen t
2v = 2x sen2 t + 2y cos2 t –xy cos t sen t
xy = –(2x–2y) cos t sen t + xy (cos2 t – sen2 t)
Extremos de la función :
Las funciones presentan extremos, los que pueden evaluadas a través de las segundas derivadas:
2 ( 2u )
= –2(2x –2y) cos 2t – 4xy sen 2t = 0
t 2
( )
2 2
se tratará de dejar u
en función solo de varianzas y covarianzas (para reemplazar (sen t,
t 2
2 xy sen 2 t
de tg 2 t se puede escribir:
2
x
2
y cos 2 t
2 xy 2x 2y
sen 2t y cos 2t (6)
M M
2 2
2 2 2
xy x y
sen2 2t cos2 2t 1
M M
sen 2t cos
2 2
2t
2 xy
2 2
x 2y
2
1 (7)
M2
M 2 4 xy 2x 2y
2
2
(8)
de esa forma:
2 ( 2u )
= –2(2x –2y) cos 2t – 4xy sen 2t , queda:
t 2
2 ( 2u ) 2x 2y 2 xy
t 2
2 x y
2 2
M
4 xy
M
2 ( 2u )
2 2x 2y
2
8 xy
2
(9)
t2 M M
La función tiene un máximo para M positivo (2ª derivada negativa) y un mínimo para M negativo
(2ª derivada positiva)
ELEMENTOS DE LA ELIPSE
2 xy 2x 2y
Reemplazando Las ecuaciones (6) sen 2t y cos 2t en:
M M
2u = 2x cos2 t + 2y sen2 t +xy cos t sen t
queda :
1 2 1
2u ( x 2y ) ( 2x - 2y ) cos 2t xy sen 2t
2 2
1 ( x - y ) 2 xy
2 2 2 2
1 2
u ( x y )
2 2
2 2 M
M
1
2u ( 2x 2y )
2
1 1
2M
( 2x - 2y ) 2 4 2xy
pero: M 2 4 xy 2 2
x 2y 2
Los máximo y mínimo de la función están relacionados a los valores máximo y mínimo de M:
1
2u ( 2x 2y M) uv
2
De la misma manera:
1
2v ( 2x 2y M) uv
2
Resumen
De las ecuaciones (5), (10) y (11), los elementos de la elipse son:
2 xy sen 2 t
tg 2 t ángulo de rotación
2
x
2
y cos 2 t
1
2u ( 2x 2y M) : máximo (semieje mayor de la elipse)
2
1
2v ( 2x 2y M) : mínimo (semieje menor de la elipse)
2
Propiedad importante:
Sumando (10)+(11):
1 1
2u (máx ) 2v (mín ) ( 2x 2y M) ( 2x 2y M)
2 2
máx mín x y cons tan te (12)
2 2 2 2
Ello significa que la suma de las varianzas en las dos direcciones ortogonales es constante
Para P3:
t = -7.615º ángulo de rotación
máx = 2.006 máxima desviación estándar
mín = 0.722 mínima desviación estándar
Comprobación máx mín x 2y = 4.545
2 2 2
Existe un caso más genérico en que el modelo funcional se combinan observaciones y parámetros
bajo una condición, este es el caso del modelo combinado:
F(Xa,La) = 0
Según visto:
V = La-Lb (residuos)
X = Xa-Xo (parámetros)
∂F ∂F
A= | y B= |
∂Xa Xo ∂La Lb
F F
F(Xa,La) = F(Xo+X,Lb+V) ≈ F(Xo,Lb) + (Xa-Xo) + (La-Lb) = 0
Xa Xo La Lb
Siendo: n= N°observaciones, u= N°parámetros, relacionados por “u” ecuaciones, resultan:
Los grados de libertad serán s = r-u, por lo tanto es necesario que n > r-u
-2AT K = 0 AT K = 0
X
P −B T 0 V 0 0
|B 0 A| |K| + |W| = |0|
0 AT 0 X 0 0
Órdenes:
P: (nxn), B: (rxn), A: (rxu), V: (nx1), K: (rx1), X: (ux1), W: (rx1)
Si A = 0, resulta el método de ecuaciones de condición.
Si B = I y W = L, resulta el método de ecuaciones de observación
P −B T 0 V 0 0
|B 0 A| |K| + |W| = |0|
0 AT 0 X 0 0
0 A B K W B
[| T | − | | P−1 (−B T 0)] . | | + | | − | | P−1 0 = 0
A 0 0 X 0 0
0 A −1 𝑇
[| T | − |−𝐵𝑃 𝐵 0|] . |K| + |W| − |0| = 0
A 0 0 0 X 0 0
−1 T
[|BP TB A|] . |K| + |W| = |0|
A 0 X 0 0
Parámetros ajustados:
Xa = Xo + X
Pero K = -M-1(AX + W)
VTPV = -KT M M-1(AX + W) = - KT (AX + W) = - KT AX - KT W
Recordando que: AT K = 0
VTPV = - KT W
Varianza aposteriori
V T PV
̂o 2 =
σ
r−u
Siendo X = -(AT M-1A)-1 AT M-1 W, todas las matrices son constantes excepto W, que contiene los
errores a propagar a X
Recordando que los errores son función de las observaciones y parámetros aproximados: W=
F(Lb,Xo)
Propagación de errores a W:
∂W ∂W T
W = Lb [ ] = B Lb B T
∂Lb ∂Lb
̂o 2 B P−1 B T
W = σ
̂o 2 M
W = σ
Propagación de errores a X:
∂X ∂X T
X = [ ] =σ̂o 2 Z M Z T
∂W W ∂W
̂o 2 (AT M −1 A)−1 AT M −1 M M −1 A (AT M −1 A)−1
X = σ
̂o 2 (AT M −1 A)−1
X = Xo = σ
Parámetros geocéntricos
- 3 parámetros: solo translación (sistemas paralelos)
- 6 parámetros: translación (3) y rotación (3)
- 7 parámetros: translación, rotación y escala
- n parámetros: distorsiones, polinomios
-
Modelos diferenciales: ej. Rapp, Veis, Molodensky, simplificadas de Molodensky, Vincenty.
Modelos Cartesianos (o matriciales)
X 3 TX 1 X1
Y TY k 1 Y1
3
Z 3 TZ 1 Z1
X 3 TX k X1
Y TY k Y1
3
Z 3 TZ k Z1
X 3 TX (k X Y Z)
Y3 TY ( X k Y Z)
Z3 TZ ( X Y k Z)
Sea un conjunto de puntos con coordenadas conocidas en los sistemas geodésicos SAD69 y Sirgas,
con sus coordenadas originales geodésicas transformadas a cartesianas 3D.
Debido a que las alturas en los sistemas son de naturaleza diferente (ortométrica y elipsoidal),
estas no fueron consideradas, no afectando las transformaciones planimétricas.
Estimar parámetros de transformación que permitan convertir las coordenadas SAD69 a Sirgas.
Datos
Sistema 1 Sirgas Sistema 2 SAD69
Punto
X Y Z X Y Z
P1 1214010.833 -3737645.101 -5006782.753 1214093.163 -3737664.339 -5006777.353
P2 1216979.789 -3735590.647 -5007589.738 1217062.108 -3735609.850 -5007584.327
P3 1216726.817 -3735469.321 -5007740.697 1216809.133 -3735488.527 -5007735.289
P4 1191214.715 -3776508.572 -4983198.283 1191297.301 -3776528.058 -4983192.840
P5 1190273.295 -3776339.754 -4983548.798 1190355.879 -3776359.252 -4983543.363
P6 1233067.858 -3711888.809 -5021169.145 1233150.018 -3711907.838 -5021163.742
P7 1232853.774 -3711951.399 -5021175.402 1232935.933 -3711970.430 -5021170.000
P8 1252330.179 -3725070.665 -5006716.377 1252412.473 -3725089.395 -5006710.784
P9 1233197.318 -3574902.850 -5118918.668 1233276.904 -3574922.670 -5118913.923
P10 1238306.350 -3583760.764 -5111535.928 1238385.984 -3583780.506 -5111531.106
F1 = TX+kX+Y–Z
F2 = TY–X+kY+Z
F3 = TZ+X–Y+k Z
La = F(Xa)
En este caso se consideran como observaciones (L) las coordenadas del sistema 1, Sirgas
XT = [TX TY TZ k ]
Cada Punto ofrece 3 ecuaciones de observación, se tienen 7 incógnitas, por lo tanto son
necesarios mínimo 3 puntos para solucionar el ajuste.
Resultados:
Matriz A
1 0 0 1214093.2 5006777.4 0.0 -3737664.3
0 1 0 -3737664.3 0.0 -5006777.4 -1214093.2
0 0 1 -5006777.4 1214093.2 3737664.3 0.0
1 0 0 1217062.1 5007584.3 0.0 -3735609.9
0 1 0 -3735609.9 0.0 -5007584.3 -1217062.1
0 0 1 -5007584.3 1217062.1 3735609.9 0.0
1 0 0 1216809.1 5007735.3 0.0 -3735488.5
0 1 0 -3735488.5 0.0 -5007735.3 -1216809.1
0 0 1 -5007735.3 1216809.1 3735488.5 0.0
1 0 0 1191297.3 4983192.8 0.0 -3776528.1
0 1 0 -3776528.1 0.0 -4983192.8 -1191297.3
0 0 1 -4983192.8 1191297.3 3776528.1 0.0
1 0 0 1190355.9 4983543.4 0.0 -3776359.3
0 1 0 -3776359.3 0.0 -4983543.4 -1190355.9
0 0 1 -4983543.4 1190355.9 3776359.3 0.0
1 0 0 1233150.0 5021163.7 0.0 -3711907.8
0 1 0 -3711907.8 0.0 -5021163.7 -1233150.0
0 0 1 -5021163.7 1233150.0 3711907.8 0.0
1 0 0 1232935.9 5021170.0 0.0 -3711970.4
0 1 0 -3711970.4 0.0 -5021170.0 -1232935.9
0 0 1 -5021170.0 1232935.9 3711970.4 0.0
1 0 0 1252412.5 5006710.8 0.0 -3725089.4
0 1 0 -3725089.4 0.0 -5006710.8 -1252412.5
0 0 1 -5006710.8 1252412.5 3725089.4 0.0
1 0 0 1233276.9 5118913.9 0.0 -3574922.7
0 1 0 -3574922.7 0.0 -5118913.9 -1233276.9
0 0 1 -5118913.9 1233276.9 3574922.7 0.0
1 0 0 1238386.0 5111531.1 0.0 -3583780.5
0 1 0 -3583780.5 0.0 -5111531.1 -1238386.0
0 0 1 -5111531.1 1238386.0 3583780.5 0.0
Xa
TX (m)= -2.8488
TY (m)= 18.5226
TZ (m)= 25.4999
K= 1.00000137047
(rad)= -0.0000029788
(rad)= -0.0000054700
(rad)= 0.0000177097
Queda a cargo del lector estimar y analizar la precisión (matriz de covarianzas) de los
parámetros ajustados, de las observaciones y de los residuos, además de calcular la correlación
entre parámetros.
Para el mismo propósito del ejemplo anterior las coordenadas se transformaron cartesianas a
geodésicas y a UTM huso 19.
u cos sen x
v sen cos · y
Matricialmente:
También el modelo puede ser solucionado usando las ecuaciones agrupando términos, método el
cual no será abordado en este ejemplo.
Ecuaciones:
uP1
K
v P1
F X u
A= Tx Lb P 2
Xa Xo v P2
Ty uP 3
v P2
Matriz A:
Nº de columnas = Nº de parámetros
F1 F1 F1 F1
Nº de filas = Nº
k TX TY
F 2 F 2 F 2 F 2
= -x sen + y cos = –Ky sen – Kx cos =0 =1
k TX TY
… … … …
Resta estimar y analizar la precisión (matriz de covarianzas) de los parámetros ajustados, de las
observaciones y de los residuos, además de calcular la correlación entre parámetros.
Cabe notar que algunos residuos resultan discrepantes, lo que exige analizar la distribución de
los puntos y las correlaciones entre parámetros.
Esta metodología, también llamada resección inversa, permite calcular las coordenadas de un
punto a partir de observaciones de distancia y/o ángulos, su aplicación es común en el modo
“estación libre” en la Estación Total y en posicionamiento satelital.
Sea un punto P del cual se midieron distancias y ángulos a diversos puntos de coordenadas
conocidas.
Datos Observaciones
Punto Coord X Coord Y Punto Distancia (m)
M1 9166.759 7774.203 M1 2965.279
M2 13469.100 9458.168 M2 3009.198
M3 16827.572 8261.480 M3 5049.489
M4 17775.434 5726.464 M4 5900.217
M5 14296.072 4556.132 M5 3253.191
M6 9752.036 4815.323 M6 3013.345
Ángulo (g)
a 1-2 112.5710
a 5-6 103.4591
Precisión de distancias: 12mm + 8ppm
Precisión de ángulos: 0.005g (gonios)
Distancias y ángulos son función de las coordenadas, por lo cual las ecuaciones de observación
son:
Di (Xi X P ) 2 (Yi YP ) 2 ( Zi Z P ) 2
x 2 xp x1 xp
ángulo(1 2) arctg arctg
y2 yp y1 yp
Las incógnitas son Xp, Yp, por lo que se torna un modelo de observaciones indirectas.
D x i x o D y i y o
x i D0 y i D0
a y 2 o y o y1o y o a x2 x x1 x
- o2 o o 2 o
x D a2 2 o D a21o y Da2 o D a1o
Xa = Xo +X
X = -N-1U
N = ATPA
U = ATPL
L = Lo – Lb Lo = F(Xo)
Resultados
Con los valores aproximados iniciales de las coordenadas, se montan las matrices Lo, P y A:
Xo
1000.000
1000.000
Lo=F(Xo) P
D1 10610.6446 784 0 0 0 0 0 0 0
D2 15067.1516 0 768 0 0 0 0 0 0
D3 17413.8199 0 0 364 0 0 0 0 0
D4 17428.5585 0 0 0 285 0 0 0 0
D5 13763.4151 0 0 0 0 692 0 0 0
D6 9547.5038 0 0 0 0 0 767 0 0
a1 6.1388 0 0 0 0 0 0 40000 0
a2 -9.5338 0 0 0 0 0 0 0 40000
Realizadas las operaciones matriciales, el resultado para las correcciones y coordenadas son:
X Xa
-9852.9535 10852.954
-2213.0014 3213.001
Después de varias iteraciones la solución converge al resultado final, las coordenadas ajustadas
son:
Xa=Xo+X
Xp = 11981.7093 m
Yp = 6842.2975 m
Análisis de precisión
2 (a posteriori) = 13.17
xp = 0.076 m
yp = 0.098 m
Queda a cargo del alumno analizar los resultados, incluyendo residuos, varianzas y correlación.
En mediciones angulares las figuras deben ser condicionadas a errores de cierre de ángulos,
mediante la regla: suma de ángulos = (200g x N-2 lados)
Sea el siguiente cuadrilátero con sus ángulos medidos en todas las direcciones. Se deben ajustar
los ángulos observados.
De la regla general:
n = N° de observaciones = 8
u = N° de incógnitas = 6 “líneas” a orientar -1 = 5
r = n-u = N° de condiciones = 3
Datos
Valor observado
Ángulo
(gonios)
1 70.9976
2 35.0992
3 16.9305
4 78.9750
5 68.9909
6 15.6605
7 36.3794
8 76.9610
F
rBn = la matriz de las derivadas parciales
La Lb
Se seleccionan tres figuras independientes (ángulos 1-2-3-8, 4-5-6-7, 2-3-4-5) con lo que se
montan las matrices de las derivadas y de cierres:
B 3x8 W
1 1 1 0 0 0 0 1 -0.0117
0 0 0 1 1 1 1 0 0.0058
0 1 1 1 1 0 0 0 -0.0044
K=-M(-1)*W
-0.0026
0.0018
-0.0007
V=B(T)*K La=Lb-V
1 -0.0026 71.0002
2 -0.0033 35.1025
3 -0.0033 16.9338
4 0.0011 78.9739
5 0.0011 68.9898
6 0.0018 15.6587
7 0.0018 36.3776
8 -0.0026 76.9636
ángulos cierres
1-2-3-8 200.0000
4-5-6-7 200.0000
2-3-4-5 200.0000
y = f(x) ó z = f(x,y)
En la práctica es una regresión donde se conocen los valores y se desconocen los coeficientes de
la función.
Ejemplo
r k1 r 3 k 2 r 5 k3 r 7 k 4 r 9 ...
n=7
u=4
En este caso la función es lineal respecto a las variables ki, de lo cual la matriz A no depende de
parámetros, de esa forma no es necesario asignar valores aproximados a los parámetros.
At*L=U X=N-1*U
-1.154E+05 k1 = 3.4981E-07
-4.130E+09 k2 = -5.0786E-11
-1.094E+14 k3 = 2.6127E-15
-2.686E+18 k4 = -4.7694E-20
Con los coeficientes estimados se calculan las distorsiones ajustadas y sus residuos:
∆r ajustados residuos
1 0.0000 0.0000
2 0.0027 -0.0013
3 0.0186 0.0006
4 0.0468 -0.0002
5 0.0620 0.0000
6 0.0350 0.0000
7 -0.0640 0.0000
El gráfico representa en color azul los valores observados y el rojo los ajustados, mostrando que
los parámetros ki representan la distorsión radial.
Sea una base (BA01 y BA02) de coordenadas conocidas a partir de los cuales se realizan
mediciones de distancia (reducidas a UTM) a 6 puntos (TN01 a TN06), los datos y mediciones son:
Planteamiento:
Ecuación de distancia
∂F
A= |
∂Xa Xo
∂F −(xj−xi) ∂F −(yj−yi)
= =
∂xi Dij ∂yi Dij
Parámetros aproximados:
Coordenada Xo
x1 593573.393
y1 6546461.737
x2 593787.059
y2 6544309.218
x3 594185.643
y3 6542754.256
x4 595451.368
y4 6546271.059
x5 595663.961
y5 6544289.904
x6 596378.005
y6 6542925.898
Matriz A
0.736 0.677 0 0 0 0 0 0 0 0 0 0
0 0 0.862 0.506 0 0 0 0 0 0 0 0
0 0 0.752 0.659 0 0 0 0 0 0 0 0
0 0 0 0 0.854 0.520 0 0 0 0 0 0
-0.099 0.995 0.099 -0.995 0 0 0 0 0 0 0 0
-0.995 0.101 0 0 0 0 0.995 -0.101 0 0 0 0
0 0 -0.647 -0.763 0 0 0.647 0.763 0 0 0 0
0 0 -1.000 0.010 0 0 0 0 1.000 -0.010 0 0
0 0 -0.248 0.969 0.248 -0.969 0 0 0 0 0 0
0 0 0 0 -0.694 -0.720 0 0 0.694 0.720 0 0
0 0 0 0 -0.997 -0.078 0 0 0 0 0.997 0.078
0 0 0 0 0 0 -0.465 1.679 0.465 -1.679 0 0
0 0 0 0 0 0 0 0 -0.464 0.886 0.464 -0.886
Distancia Residuo
1 0.318
2 -0.295
3 -0.378
4 0.352
5 -0.188
6 0.282
7 -0.315
8 -0.299
9 -0.382
10 0.332
11 0.000
12 0.154
13 0.000
Coordenadas ajustadas:
Punto x y
TN01 588466.398 6541291.658
TN02 588621.707 6539261.614
TN03 589086.339 6537642.175
TN04 590304.534 6541196.813
TN05 590528.452 6539213.859
TN06 591273.939 6537901.087
En terreno existen 12 marcas que parecieran pertenecer a una circunferencia, los cuales se
levantaron sus coordenadas.
Determinar la circunferencia mejor adaptada a los 12 puntos y calcular las diferencias de ellos a
esa circunferencia.
Planteamiento:
Ecuación de una circunferencia genérica
r 2 = (xi − xc)2 + (yi − yc)2
(xi − xc)2 + (yi − yc)2 − r 2 = 0
Con xc,yc,r: coordenadas del centro y radio, son los parámetros de la ecuación
La ecuación involucra parámetros (xc,yc,r) y observaciones (xi,yi) en una condición, por lo tanto
se combinan los métodos de ecuaciones de observación y de condiciones.
F(Xa,La) = 0
n = 24 = 12 (puntos)*2
u = 3 (parámetros)
r = 12 (condiciones)
grados de libertad = r-u = 9
∂F ∂F
A= | y B= |
∂Xa Xo ∂La Lb
Matriz A (rxu)
Matriz B (rxn)
∂f ∂f
= 2(xi − xc) = 2(yi − yc)
∂xi ∂yi
2000
Xo= |5000|
100
Lb (24x1) W (rx1)
5702.650 471024002.38
5719.674 469903005.71
5717.180 468601777.78
5698.983 467664076.16
5667.810 467315370.24
5638.140 467906446.02
5625.763 469408723.49
5635.153 470566348.90
5668.020 471399947.75
5696.886 471212146.29
5717.857 470109159.92
5716.225 468543843.21
23691.941
23665.527 A=(12x3)
23635.559 -1405.301 -43383.881 -200.000
23614.474 -1439.349 -43331.055 -200.000
23607.392 -1434.359 -43271.119 -200.000
23621.962 -1397.965 -43228.949 -200.000
23657.035 -1335.620 -43214.785 -200.000
23683.471 -1276.279 -43243.923 -200.000
23701.698 -1251.526 -43314.069 -200.000
23696.463 -1270.305 -43366.943 -200.000
23670.345 -1336.040 -43403.396 -200.000
23634.252 -1393.771 -43392.926 -200.000
-1435.715 -43340.689 -200.000
-1432.449 -43268.504 -200.000
B(12x24)
1405 0 0 0 0 0 0 0 0 0 0 0 21692 0 0 0 0 0 0 0 0 0 0 0
0 1439 0 0 0 0 0 0 0 0 0 0 0 21666 0 0 0 0 0 0 0 0 0 0
0 0 1434 0 0 0 0 0 0 0 0 0 0 0 21636 0 0 0 0 0 0 0 0 0
0 0 0 1398 0 0 0 0 0 0 0 0 0 0 0 21614 0 0 0 0 0 0 0 0
0 0 0 0 1336 0 0 0 0 0 0 0 0 0 0 0 21607 0 0 0 0 0 0 0
0 0 0 0 0 1276 0 0 0 0 0 0 0 0 0 0 0 21622 0 0 0 0 0 0
0 0 0 0 0 0 1252 0 0 0 0 0 0 0 0 0 0 0 21657 0 0 0 0 0
0 0 0 0 0 0 0 1270 0 0 0 0 0 0 0 0 0 0 0 21683 0 0 0 0
0 0 0 0 0 0 0 0 1336 0 0 0 0 0 0 0 0 0 0 0 21702 0 0 0
0 0 0 0 0 0 0 0 0 1394 0 0 0 0 0 0 0 0 0 0 0 21696 0 0
0 0 0 0 0 0 0 0 0 0 1436 0 0 0 0 0 0 0 0 0 0 0 21670 0
0 0 0 0 0 0 0 0 0 0 0 1432 0 0 0 0 0 0 0 0 0 0 0 21634
Xa=Xo+X
Xc= 5673.254 m
Yc= 23654.585 m
r= -47.632 m
Queda a cargo del alumno el análisis de resultados y cálculo de las precisiones asociadas a
parámetros y observaciones.
René Zepeda G.
m: No de líneas
n: No de columnas
Matriz diagonal
2 0 0
A 3x 3 0 7 0 los elementos fuera de la diagonal principal son ceros
0 0 5
Matriz unitaria
1 0 0
A 3x 3 0 1 0 los elementos la diagonal principal son 1
0 0 1
Igualdad. Dos matrices son iguales solo si son de misma dimensión y sus elementos
correspondientes también lo son.
Suma de matrices
Multiplicación de matrices
No de columnas de A = No de líneas de B
Amxn x Bnxp = Cmxp
b11 b12
a11 a12 a13 b21 b22 (a11 b11) (a12 b21) (a13 b31) (a11 b12) (a12 b22) (a13 b32)
a 21 a 22 a 23 x (a 21 b11) (a 22 b21) (a 23 b31) (a 21 b12) (a 22 b22) (a 23 b32)
2x3 b31 b32 3 x 2 2x 2
SOLUCIÓN DE ECUACIONES
a b w x
A c d A 1 y z
a b w x 1 0
A A 1 c d y z 0 1
MARIZ ADJUNTA
adjunta de A adj A
A 1
det er minante de A A
Ejemplo:
4 3 2
A 3x 3 3 4 1
2 3 4
.. .. ..
cof a11 = (-1)2 (4x4-1x3) = 13 .. 4 1
.. 3 4
.. 3 2
cof a21 = (-1)3 (3x4-2x3) = -6 .. .. ..
.. 3 4
.. .. ..
cof a12 = (-1)3 (3x4-1x2) = -10 3 .. 1
2 .. 4
13 10 1
cof A 6 12 6
5 2 7
13 6 5
adj A (cof A) 10 12
T
2
1 6 7
20. BIBLIOGRAFÍA