UNIVERSIDAD DE LAS FUERZAS

ARMADAS (ESPE)

CALCULO DE COMPENSACIÓN

PROFESOR: Ing. Alexander Robayo

METODO PARAMETRICO

RESPONSABLE: Carolina García

NRC:2184

SANGOLQUÍ, 2019
EJERCICIO 1

1. Sean conocidos los puntos P1,P2,P3,P4, luego fueron obtenidos las

distancias de cada punto a un punto conocido P y además se midió el
ángulo entre P1 Y P2. Determinar las coordenadas ajustadas del punto
P.
Gráfico 1.

Tabla 1. Coordenadas. Tabla 2. Observaciones

 Punt X Y Distanci Lb  Observacione Precisión
os a s
P1 842.281 925.523 P-P1 Lb1 244.512 0.012
P2 1337.54 996.249 P-P2 Lb2 321.57 0.016
4 P-P3 Lb3 773.154 0.038
P3 1831.72 723.962 P-P4 Lb4 279.992 0.014
7 P-P5 Lb5 123.633722 2Seg
P4 840.408 658.345

Grados de libertad = 6-2=4

I. SOLUCIÓN:

Paso 1. Modelo Matemático

La=F (X a)

La 1=√ ( Xp1−Xpa)2+(Yp 1−Ypa)2

La 2=√ ( Xp 2−Xpa)2+(Yp2−Ypa)2
La 3= √( Xp 3−Xpa)2 +(Yp 3−Ypa)2
La 4 =√( Xp 4− Xpa)2 +(Yp 4−Ypa)2
( Xp 2−Xpa) ( Xp1−Xpa)
La 5=tan−1 −tan−1
(Yp 2−Ypa) (Yp 1−Ypa)
Paso 2. Sacamos los valores estimados ayudándonos de la herramienta de Excel
para realizar el grafico.
Grafico 2. Valores estimados
1200

1000

800

600

400

200

0
500 1000 1500 2000

1070
Xo
840
Paso 3.Matriz de observaciones estimadas Lo

243.24910
4
309.82824
6
770.51465
Lo
9
292.76445
4
129.13018
6
Paso 4. L=L0 −Lb

-1.26289622
-11.7417541
L -2.63934084
12.7724539
5.49646395
Paso 5. Matriz de derivadas parciales

∂F
A=
∂X

X Y
0.93615556 -0.35158608
A
-0.86352359 -0.50430844
-0.98859508 0.15059804
 0.78422089 0.62048175
-0.00018233 0.00663565

Paso 6. Matriz de pesos

6944.4444
4 0 0 0 0
0 3906.25 0 0 0
692.52077
P
0 0 6 0 0
5102.0408
0 0 0 2 0
0 0 0 0 0.25
Paso 7. N −1 =[ A T ∗P∗A ]−1

8.35241E-05 -3.91246E-05
N^-1
-3.91246E-05 0.000279296

U =A T ∗P∗L
84307.541 84307.541
8 8
U
66372.975 66372.975
1 1
Paso 8. Matriz vector corrección de parámetros X =−N−1∗U

-4.44488932
X
-15.2392259
Paso 9. Matriz de residuales V = AX + L

-0.066104281
-0.218217065
V -0.540142743
-0.168982631
5.396152196
Paso 10. Matriz de parámetros ajustados X a=X 0 + X

1065.5551
1
Xa
824.76077
4
L
Paso 11. Matriz de observaciones ajustadas a b
=L +V

244.44589
6
La 321.35178
3
772.61385
 7
279.82301
7
129.02987
4
V T PV
Paso 12. Varianza posteriori σ^ 2=
n−u

σ^ 2=¿ 190.457016

A) Dado el ejercicio 1 encontrar el valor ajustado de P con el ángulo

transformado a radianes.

Matriz de observaciones ajustadas

244.445894
321.351782
La 772.613858
279.823019
2.15343518
\Matriz de residuos

-0.06610551
-0.21821801
-0.540142
V
-0.16898136
-0.00438034
Varianza Posteriori

σ^ 2=¿ 188.030479

B) Dado el ejercicio 1 encontrar el valor ajustado de P cambiando la

varianza a priori en la matriz de pesos.
2 1
 Utilizando la Varianza a priori σ = 6944.4444

Matriz de pesos

1 0 0 0 0
0 0.5625 0 0 0
0.0997229
P 0 0 9 0 0
0.7346938
0 0 0 8 0
0 0 0 0 0.000036
Matriz de parámetros ajustados

1065.5551
1
Xa
824.76077
4
Matriz de residuos

-0.06610428
-0.21821707
V -0.54014274
-0.16898263
5.3961522
Matriz de observaciones ajustadas.

244.44589
6
321.35178
3
772.61385
La
7
279.82301
7
129.02987
4
Varianza posteriori

σ^ 2=¿ 0.02742581
2 1
 Utilizando la Varianza a priori σ = 692.52077

Matriz de pesos

10.027777
8 0 0 0 0
0 5.640625 0 0 0
P 0 0 1 0 0
7.3673469
0 0 0 4 0
0 0 0 0 0.000361
Matriz de parámetros ajustados

1065.5551
1
Xa
824.76077
4
Matriz de residuos

-0.06610428
V
-0.21821707
 -0.54014274
-0.16898263
5.3961522
Matriz de observaciones ajustadas.

244.44589
6
321.35178
3
772.61385
La
7
279.82301
7
129.02987
4
Varianza posteriori

σ^ 2=¿ 0.27501993

C) Dado el ejercicio 1encontrar el valor ajustado de P realizándolo con 4

observaciones.

Matriz de parámetros ajustados

1065.5551
1
Xa
824.76077
7
Matriz de residuos

-0.06610551
-0.21821801
V
-0.540142
-0.16898136
Matriz de observaciones ajustadas.

244.44589
4
321.35178
2
La
772.61385
8
279.82301
9
Varianza posteriori

σ^ 2=¿ 188.030478

D) Dado el ejercicio 1 encontrar el valor ajustado de P con 2 iteraciones.

Primera Iteración.
 Asignar los valores de Xa como el valor estimado Xo y las observaciones
ajustadas La cómo observaciones estimadas Lb.

Matriz de parámetros estimados.

1065.5551
1
Xo1
824.76077
4
Observaciones estimadas.

Observacion
Lb1 es
Lb1 244.445896
Lb2 321.351783
Lb3 772.613857
Lb4 279.823017
Lb5 129.029874
Matriz L

0.51196733
0.1854117
L 0.16020859
0.15096592
-5.55055212
Matriz de derivadas

X Y
0.91147966 -0.41134514
-0.84590179 -0.53333869
A
-0.99145652 0.13043757
0.80417154 0.59439728
2.0533E-05 0.00635177
Matriz X vector de corrección de parámetros
3137.35374 3137.35374
12544.7141 1507.81675 U
N -1376.45734 -1376.45734
1507.81675 4100.54193
. X =−N−1∗U

-0.30387075
X
0.44741372
Matriz de parámetros ajustados

1065.2512
4
Xa
825.20818
8
Matriz de residuos

0.05095387
0.20383346
V 0.51984278
0.17254321
-5.54771649
Matriz de observaciones ajustadas.

244.49685
321.55561
6
La 773.1337
279.99556
1
123.48215
8
Varianza posteriori

σ^ 2=¿ 175.686462

Segunda Iteración
 Asignar los valores de Xa como el valor estimado Xo y las observaciones
ajustadas La cómo observaciones estimadas Lb.

Matriz de parámetros estimados.

1065.2512
4
Xo2
825.20818
8
Observaciones estimadas.

Observacion
Lb2 es
Lb1 244.4968496
Lb2 321.5556164
Lb3 773.1337
Lb4 279.9955606
Lb5 123.4821579
Matriz L

L 0.0001635
7
0.0004543
2
0.0001055
3
 0.0005215
3
0.1597530
9

Matriz de derivadas

X Y
0.91195486 -0.41029054
-0.84679714 -0.53191598
A
-0.99138824 0.13095558
0.80302281 0.5959483
2.3907E-05 0.00636336
Matriz X vector de corrección de parámetros

12547.138 1512.8187 . 1.5973507 1.5973507

2 8 8 8
N U
1512.8187 4098.1178 0.1855350 0.1855350
8 9 9 9
X =−N−1∗U

-0.00012753
X
1.8027E-06
Matriz de parámetros ajustados

1065.2511
Xa 1
825.20819
Matriz de residuos

4.653E-05
0.0005613
5
0.0002321
V
9
0.0004202
0.1597530
9
Matriz de observaciones ajustadas.

244.49689
6
321.55617
8
La 773.13393
2
279.99598
1
123.64191
 1
Varianza posteriori

σ^ 2=¿ 0.00285479

II. RESULTADOS

Tabla 3. Parámetros ajustados.

Cambio de Varianza 4
Angulo a Varianza Apriori observacione
  Ejercicio 1 radianes Apriori alta media s Iteración 1 Iteración 2
Xp 1065.55511 1065.2512 1065.2511
a 1065.55511 1065.55511 1065.55511 1 1065.55511 4 1
Yp 824.760774 825.20818
a 824.760774 824.7607766 824.760774 1 824.7607766 8 825.20819
Fuente: García C, 2019

Tabla 4.Observaciones ajustadas.

Cambio de Varianza Varianza

Angulo a Apriori Apriori 4 Iteración Iteración
  Ejercicio 1 radianes alta media observaciones 1 2
244.445895 244.4968
La1 244.445896 244.4458945 244.445896 7 244.4458945 5 244.4969
321.351782 321.5556
La2 321.351783 321.351782 321.351783 9 321.351782 2 321.55618
772.613857
La3 772.613857 772.613858 772.613857 3 772.613858 773.1337 773.13393
279.823017 279.9955
La4 279.823017 279.8230186 279.823017 4 279.8230186 6 279.99598
129.029874 123.4821
La5 129.029874 2.153435176 129.029874 4   6 123.64191
Fuente: García C, 2019

Tabla 5.Observaciones ajustadas.

Cambio de Varianza Varianza 4

Angulo a Apriori Apriori observacione Iteración Iteración
  Ejercicio 1 radianes alta media s 1 2
Var 0.0274258
Posteriori 190.457016 188.0304795 1 0.275019931 188.0304779 175.68646 0.0028548
Fuente: García C, 2019

III. CONCLUSIONES
 Con respecto a los parámetros ajustados en los casos del ejercicio 1,
cambio de ángulo a radianes, varianza a priori alta, varianza a priori
media y la medición con 4 observaciones; que los parámetros
ajustados se mantienen. Lo cual demuestra que a pesar de los
cambios que se realizaron anteriormente no interfieren en el cálculo.
 Mientras que en las iteraciones si varían los parámetros ajustados
debido a que consideramos los valores resultantes de Xa y La del
Ejercicio 1 y esto indica un mejor ajuste en los parámetros (Xa). (Ver
tabla 3).
 Las observaciones ajustadas (La) al realizar la segunda iteración nos
muestra que se ajustan de mejor manera a comparación de los casos
antes mencionados. (Ver tabla 4)
 Se evidencia que cuando se utiliza la varianza a priori con respecto a
la mejor precisión en la matriz de pesos, la varianza posteriori tiende
a 0 esto nos muestra que existe un mejor ajuste en los parámetros
(Xa) y observaciones (La). (Ver tabla 5)
 En este problema es necesario realizar las iteraciones necesarias para
que nuestra varianza posterior tienda a 0 debido a que a pesar que se
utilice la mejor precisión en la matriz de pesos el resultado de la
varianza posteriori es mayor al valor de la varianza posteriori de
nuestra segunda iteración. (Ver tabla 5)