:ONTENIDO

1.

INTRODUCCIN

1.1

C l c u l o con m a t r i c e s

1.1.1
1.1.2 1.1.3

Definiciones
Tipo de la matriz Reglas de clculo para las matrices 1.1.3.1 1.1.3.2 1.1.3.3 1.1.3.4 Igualdad de dos matrices Matriz nula Adicin y substraccin de matrices Multiplicacin de una matriz por un ....

1
2 3 3 4 4

escalar 1.1.4 Multiplicacin de dos matrices

1.1.5 Matrices especiales

5 7
9

1.1.5.1 Matriz Transpuesta 1.1.5.2 Matriz simtrica 1.1.5.3 Matriz diagonal, matriz escalar, matriz identidad 1.1.5.4 Matriz triangular

9 10 10 11

1.1.6 Matriz inversa

1.1.6.1 Inversin de matrices por el mtodo de subdetermiap.tes 1.1.6.2 Algoritmo de Cholesky para ]a inversin de matrices cuadradas 1.1.7 Hipermatrices y submatrices
1.1.8 Diferenciacin de matrices .

11

12 14 14
17

1.2

Teora de errores

1.2.1

Definiciones bsicas

1.2.2 El promedio, el valor mas probable y el valor verdadero

1.2.3 Varianza y desviacin standard

1.2.4

El vector como variable aleatoria 1.2.4.1 El vector aleatorio bidimensional

1.2.4.2

....

El vector aleatorio de dimensin n . . . .

1.3, Ley.de propagacin de errores

PROBLEMAS RESUELTOS

2. JSTS DS OBSERVACIONES DIRECTAS 2.1 Definiciones bsicas 2.2 Planteamiento del problema 2.3 Algoritmo del ajuste de observaciones directas
PROBLEMA RESUELTO 3. AJUSTE DS OBSERVACIONES MEDIATAS '

35 35 35 39
41 47

3.1 Introduccin 3.2 El modelo matemtico del ajuste 3.2.1 3.2.2 El modelo funcional El modelo estocstico

47 47 47 51 53 57 60

3.2 Algoritmo del ajuste de observaciones mediatas 3.3 Linealizacin de funciones . . * 3.4 Matriz de varianza-covaranza de los resultados ajustados

^RftaftKax>^t>frsta>te>s&^

3.S

Procedimientos para la eliminacin parcial .ie incgnitas

j.5.1 1.1.2 Eliminacin parcial de la incgnita de o r i e n t a c i n por medio de Eliminacin parcial de incgnitas por descomposicin de las matrices del modele funcional

62

62

PROBLEMAS KS32LTOS

67

4. AJUSTE DE OBSERVACIONES CONDICIONADAS

4.1

Zl modelo matemtico del condicionadas

i. 1.1 El modelo funcional 4.1.2 El modelo estocstico

ajuste de observaciones 81
81 84

4.2 Algoritmo del ajuste de observaciones condiconadas . . . 4.3 Linealizacin de funciones 4.-i Matriz de varianza-covarianza de los resultados
ajustados

85 86
87

PROBLEMA RESUELTO

90

5.

ANEXO : PROGRAMA PARA EL AJSTH DB OBSERVACIONES MEDIATAS

93

1> 1.1

INTRODUCCIN Clculo con matrices

Los clculos con matrices se conocieron por primera vez hace mas de cien aRos. El trmino matriz fue introducido en la Matemtica en el^ aSo 1850 para designar a un ordenamiento de nmeros en formal rectangular. Pero no fue sino hasta finales del siglo IXX que este nuevo concepto cobra gran importancia en la Matemtica. 1

En la actualidad el uso de matrices ha encontrado aplicacin en la mayora de los problemas tcnicos, cientficos y econmicos, no solo' para ordenar un conjunto de elementos, sino que tambin para realizar^ operaciones con ellas.

Dependiendo del tipo de problema, una matriz puede contener una^ enorme cantidad de elementos; si a esta se agrega otra matriz por la , cual se puede multiplicar o sumar por ejemplo, se obtiene como resultado una tercera matriz, con lo cual la cantidad de elementos y la< dificultad para manejarlos aumenta considerablemente. ="

Las limitaciones para manejar la gran cantidad de informacin quel apuntbamos anteriormente, han caido actualmente bastante lejos gracias* a la capacidad de las computadoras actuales. Ellas permiten el almacenamiento de grandes matrices, con las que pueden realizarse^ operaciones en un tiempo relativamente corto ya que ellas san especialmente apropiadas para ser programadas. A parte de esta ventaja que- ofrecen las matrices en las operaciones, permiten que valores ^ numricos, sistemas de ecuaciones lineales, ecuaciones diferenciales ( lineales, etc. se puedan representar en forma resumida y esquematizada, permitiendo asi una mejor interpretacin de los misinos. Dentro de las* ciencias, la geodesia ha hecho uso de las matrices en forma i n tensa < para describir conjunto de variables (distancias, ngulos, direcciones, coordenadas etc.) y para resolver problemas por medio 'de algoritmos' complejos, como sucede en el ajuste de redes geodsicas. \

Para dar las bases a los problemas que se presentaran en el curso de ajuste 1, se har una introduccin a las operaciones con matrices! quedando al estudiante la tarea de profundizar en este tema apoyndose , en la bibliografa recomendada al final de este captulo.

1.1.1

Definiciones

Una matriz es un sistema de m.n elementos ai* fl=l,2,...m; k=l,2,...n), ordenados en un esquema rectangular de o-filas y ncolumnas.

'iSss^SS^s^fS^^^SK^s^^^

Los elementos de una matriz pueden ser escalares, funciones, coeficientes del desarrollo de series, etc. e Inclcs matrices. Mientras no se convenga otra cosa, los elementos de 1 matriz pertenecen al conjunto de los nmeros reales.

Una matriz se denota en la literatura con una letra mayscula, po ejemplo la matriz A con m-filas y n-columnas.

a*2 821

a* 3 323

A = m,n

(1.1)

1.1.2

Tipo de la matriz

La cantidad de filas coincide. Si la matriz denomina matriz de tamao aatriz de tipo (ra,n) y s

y columnas en una matriz generalmente n A tiene m-filas y n-columnas, la matriz A s (m,n}, se utiliza tambin para designarl escribe de la siguiente manera:

T(A) = (m,n)

Cuando en la matriz la cantidad de f i l a s y columnas es diferente la matriz se denomina matriz rectangular. Por ejemplo:
1 2, 3 9 1 0 10 -3 -1 0 0 1 4 11 6 E = 2,3 12 1 3 -1

A =

5,3

En el caso especial m=n la matriz se denomina aatriz cuadrada, e decir la cantidad de filas es igual a la cantidad de columnas. K-t tipo de matrices se presenta frecuentemente en los clculos que s realizan en el ajuste.

Ejemplo:

3.1 C = 3,3 -1.1 3.9

4.9 5.5 5.6

-7.7 6.2 0.3

Otro tipo de matrices que tienen mucha importancia son las matrices constituidas por solo una fila o por una sola columna y se denominan matriz fila o matriz columna, tambin conocidas como vectores. En la literatura se denotan estos vectores con letras minsculas. Por ejemplo:

b =

bo

. bin 1 = i

a : matriz columna b : matriz fila

1.1.3 Reglas de clculo para las matrices 1.1.3.1 Igualdad de dos matrices Dos matrices son iguales s son del mismo tipo y cuando elemento de una matriz es igual al correspondiente de la otra catxiz.

*s *

^ ^

a3
A =
322 3; ;3

3
B =

1 E

2
2.6

3 3. a - 'f
A = B ====>

a 12

1,

aA 3 - 2

A2i = O,

a 22 = TE, a23 = 2.6

1.1.3.2

Matriz nula

Una matriz "se denomina matriz nula cuando todos sus elementos se iguales a cero. En el caso de matrices fila o columna se denomina tambin vector nulc.

0 0
(D =
.

0 0
.

G . . . 0 0 . . . 0 . . . -

o_ =
10,1

0 0 , -

0 . . . 0

O : matriz nula o : vector nulo

1.1.3.3 Adicin y substraccin de matrices

Para sumar o restar dos nutrices A y B del tipo (m,n), se suman bien se restan los elementos correspondientes de las matrices. E resultado de la suma o resta es una matriz C del mismo tipo (ra,n).
i B = C
= alh

para todo

1 = 1, 2, ... m k = 1, 2, ... n

Ejemplos :

3 0

-5 1 = 1

-2 2

0 -1

1 0

=
4

-1

3
-1

-4

3
A -

3 -6 1 1

A t B = 6 1

A - A = O,

A O = A

Leyes de la sama A i B. = B i A -

ley conmutativa Ley asociativa

I ' A MB -t C) = (A + B)

1.1.3.4 Multiplicacin de una matriz por un escalar Para multiplicar una matriz A por un escalar k, se multiplica cada elemento de la matriz por ese valor escalar. -Ejemplo: Sea A una matriz de tipo (m,n) como en (1.1) y k un escalar

ka.

k A =

kami

kar

De esta matriz resultante puede plantearse al reverso 1 siguiente, si todos los elementos de una Eoatriz estn multiplicados po un factor coman k, este factor puede ser extrado de la matriz par expresar el resultado de kA de la siguiente manera:

33.3

331

333

KA =

Esta propiedad es muy importante para los clculos prcticos. S los elementos de una matriz son muy grandes o muy pequemos, se puedi extraer de la matriz una potencia de diaz como .factor, De esta maner; se evitan clculos incmodos que ocacionan valores muy grandes o mu; pequeSos. Ejemplo:

0.00127 0.08300

0.00052 0.00000

1.27

0.52

83.00

0.00

Leyes de la multiplicacin de una matriz por un escalar:

kA = Ak

ley conmutativa les asociativa ley distributiva ley distributiva

k(lA) = (kl)A

k(AB) = kf kB
(k 1)A = kA t 1A

;}>^wj.-;v o/^^^^

1.1.4

Multiplicacin de dos matrices

Dos matrices A y B pueden multiplicarse solamente si la cantidad de columnas de la matriz A es igual a la cantidad de filas de la matriz ^ B, asi que si la matriz A es del tipo (m,n) la matriz B debe tener n- i filas. Del producto se obtient como resultado una matriz C, cuyos elementos CIK resultan del producto escalar de los vectores fila de la ' matriz A con los vectores columna de la matriz B. El tipo de la matriz 4 C est definido por la cantidad de filas de la matriz A y por la cantidad de columnas de la matriz B. Por ejemplo si B es del tipo ' (n,p), C es del tipo (m,p). ^
C m,p
=

A B m,n n,p

n
r=l L A

i = 1,2, ..., m i

k np i is. = 1 , 7 , . . .,

Ejemplo 1: realice el producto de las matrices A(2,3) y B(3,2) en notacin general

~1

A B = 2,3 3,2

322

i
821
322 323 bl2 + 322 b22 *" 323

2,2

Ejemplo 2: ejemplo numrico

3 0 1 I =

.
4 0 -1

4 C = AB = 8

-3

-1
X"*

2 -1

O '-1
v_^

0 - 1 0 i ,

-4 -1

C t

C
<K^^

A continuacin se da una multiplicacin de dos nutrieres.

6000 REH SUBROUTINE HATHULT 6010 DIM A(N,M), B(M,K), C(H,K) 6020 FOR I = 1 TO N

subrutina

en

BASIC

para

le

6030 6040 6050 6060

6070 6080 6090 6100 6110 6120

FOR J = 1 TO K S=0 FOR L: = 1 TO M C = C i- A(I,L)*B(L,J)

NEXT L D(I,J) = S NEXT J NEXT I RETURN END

Consideremos las lo s i g u i e n t e :
4 A B
8

matrices A y B del ejemplo anterior, se obtiene

-3
0 -

-1 A
2

5
=

11 O

-2

-4

-1

Puede observarse que tanto el producto AB como el producto BA es posible, pero dan como resultado matrices diferentes, por lo tanto no se puede hablar de una ley conmutativa de la- multiplicacin de matrices. Excluyendo casos especiales se puece decir en general que el producto de matrices no es conmutativo, AB y BA son matrices diferentes siempre y cuando e?, producto sea posible en ambos casos.

AB

BA

Por la razn anterior es importante indicar el orden de los factores cuando se quieren multiplicar matrices, es decir, se debe especificar cuando una matriz debe multiplicarse por la izquierda o por la derecha. Sean A, B y C tres matrices y A = B, entonces
AC = BC. CA = CB,

i^^^^^

siempre que los productos anteriores sean posibles. Puede presentarse el caso AB =BA.I Esto sucede cuando multiplican matrices cuadradas y se dce^qtre A y B son conmutativas. Ejemplo:
-4

,-,

I I a se t t

=
12
16

=
24 12

-128 AB

-112 BA

-128

-112 96

=
336 96

=
336

1.1.5 1.1.5.1

Matrices especiales Matriz Transpuesta

i i

En algunas operaciones es necesario a veces hacer un cambio de las filas de una matriz por las columnas, a este cambio se denomina transposicin de la matriz. Sea la matriz A del tipo T(m,n), la matriz %
A*

se denomina matriz transpuesta de A, esto quiere decir por ejemplo que m el elemento aj.2 de la matriz A pasa a ser el elemento aTi2 de la eatcz transpuesta de AT. Ejemplo: fl
4
A =

O 1 1 -1

0 1 1 - 1

* *

*
es evidente que (AT)T = A.

m m

&figas^^

10
1.1.5.2 Matriz simtrica

En el caso de matrices cuadradas, una matriz es simtrica cuando

A = AT

a 1 K = ani, Ejemplo:

para todo i,k ^ 1, 2, ... , n

1
AT =

1
3 5

3
L

5 -1 0

3 5

2 -1
-1

-1

1.1.5.3 Matriz diagonal, matriz escalar, matriz identidad La matriz diagonal es una matriz cuadrada cuyos elementos fuera de la diagonal son todos igual a cero. El orden de esa matriz est dado poi la cantidad de elementos de la diagonal.

di
O O
n,n

O
d2

O ... O
O
... O

d, ... O

D = Dr, por lo tanto una matriz diagonal es siempre una matriz simtri:a. En el caso especial d x = d a = d 3 = ... = d = d, la matriz diagonal se denomina matriz escalar ya que la . multiplicacin de esta matriz diagonal con una matriz A equivale a multiplicar la matriz A por el escalar d. Si d = 1 se obtiene una matriz eqpecial denominada aatriz identidad (I) y cumple las siguientes igualdades:
I A = A A I = A

! i ? ^ ^

11
1.1.5.4 Matriz triangular La matriz cuadrada cuyos elementos bajo (sobre) la diagonal principal son todos iguales a cero se denomina matriz triangular superior (inferior). Una matriz triangular de orden n tiene la siguiente forma:

3x2

3 i J

...

ct 1 n

33L1

...

^22

32 3

...

J 2 n

a22
332

O ... O
3 3 3 . . . O

a33

...

a3^

... a

1.1.6 Matriz Inversa La matriz inversa o recproca de una matriz cuadrada A, es aquella matriz A"1 que satisface las siguientes relaciones:

A"z A = I ; A A"1 = I ; det A = O

Ejemplo de aplicacin: solucin de un sistema de ecuaciones simultneas con tres incgnitas.

2 Xi
- Xz t 3 X 2 X2

- Xa - 3 = O
-2 X, =0 + X, - 4 = O

12

El sistema de ecuaciones anterior se expresa en forma mafcricial

A Y " ~ n

373
"2
-1 0

371
1
-2 1

371
_l

371
0 =

0
3 -1

~xr
X2

_ x '_

0 4

0 0

A x a o

: matriz : vector : vector : vector

de coeficientes, det A = O de las incgnitas de los trminos independientes nulo

La ecuacin matricial anterior se multiplica por la izquierda con

A"1 A. x - A-1 a = o

x - A~z a = o x =A ' 1 a

Si se fcilmente.

calcula

la matriz inversa de A, el resultado se obtiene

X*
X2 X3 =

1 1 1

1 2 2

3 5 6

3 0 4

15 23 27

1.1.6.1 Inversin de matrices por el mtodo de subdetermiantes Un .procedimiento prctico para calcular la inversa de una matriz consiste en el clculo de subdeterminantes, sin embargo el procedimiento resulta muy laborioso cuando el orden de la matriz es mayor que 3. sea | A | el determinante de la matriz A_

tta^^


13

f
k.

A>K| el subdeterminante despus de tachar la fila y la columna

|A2J
(1.2)

|A23

= I

La inversin de matrices se simplifica cuando la matriz a invertir es una matriz especial, por ejemplo: a. Inversa de una matriz diagonal La inversa de una matriz diagonal es tambin una matriz diagonal cuyos elementos son los recprocos de los elementos correspondientes de la diagonal principal. b. Inversa de una matriz triangular susperior (inferior) La in/ersa de una matriz triangular superior (Inferior) es nuevamente una matriz triangular superior (inferior) con la particularidad de que los elementos de la diagonal son los recprocos de los elementos correspondientes. En la elaboracin de datos geodsicos por medio del ajuste frecuentemente se presenta la inversin de matrices simtricas. Para este tipo de matrices es apropiado el algoritmo de Cholesky para la inversin, ya que es un mtodo que facilita la programacin en una computadora e incluso el clculo manual cuando se trata de matrices de un orden poco mayor que tres resulta ms cmodo que el clculo utilizando el mtodo de los subdeterminantes (ver 1.2).

iKitregttQftgQ^tttttt^

14

i.2 Alc:ri:mo de Cholesky para la inversin de matrices cuadradas sisr=: ricas La simara de una matriz N permite la descomposicin
T ?, prueba: Ne = CT C e

(1.3)

N ; Z son u:rices del mismo orden u. (u cantidad de filas y columnas) = Q = C-z (CT)-Z

C Q = C^ C-1 (CJ)
C Q = (C^)-1 1.4)

Prueba:

Q Ne = e

1.1.7

HiperErrices y submatrces

Las o;-rraciones con matrices tambin son vlidas cuando las oa:rices se constituyen no por elementos escalares sino que por matrices de :al manera que las operaciones de clculo sean posibles. La natriz cc:.=tituida por matrices se denomina hipermatriz y a los
. elinentos de la hipermatriz se denominan submatrices.

Bjeazlo 1:
Aii
323

. a

333

,
321 22

Ax,=

^21

33i

3j2 I

a 23

A22 =

t*t>li*^^

E j e m p l o 2:

A
3,3
2,2 i

B 3,2 0 2,2 / H = 2,3

3^3 J 2,3

G 3,2 K 2,2

X 3,1

L2'3

z7i

A F * B J

A G + BK.

A X + B Y

H M = N =
C F f O J C G * 0 C X + 0 Y

Ejemplo 3:
ra,n m,
=

nn

o n7l

mtn,min

atnfl

mi",!

m,ra
O

m,n
C

n,m

n,n

N z i

-k=

2.

m^ttftRftf^^tsft^tWKsttt^^

W^^^^^^i^^

16

La subdivisin de grandes matrices en submatrices puede facilitar la inversin, come en los siguientes casos especiales.

A
0

g
B

A~ a 0

0 B"3-

1
D

2
1

-x

I -D

0 !_

--^7
A 0 B C
i

"A' X
0

-A-

Para el caso general se necesitan deducir calcular la inversin de hipermatrices.

las

frmulas para

N =

(1.5)

O N Q = i =

a.6)

Realizando el producto (1.6) considerando (1.5) se obtiene un sistema de cuatro ecuaciones con cuatro incgnitas.

2.
3. 4.

zx * Haa Qai

= P = O = I

(1.7)

-K.-%^trfKW^^^

Resolviendo el sistema de ecuaciones (1,7) se siguientes soluciones:

obtienen las

Q = ( U - Ni2 I

(1.8)

Q22 = 22 - N2i *
Q 12
_M~3. U ri a 2.1 W a 2 U =

1.1.8 Diferenciacin de matrices

Sea f (Xa, x2/ x3, ... xn ) una funcin cualquiera con mas de un variable x, continua y diferenciable en x hasta x. Definimos: dx : vector diferencial r : vector de la derivada parcial df = (fr)T dx : el diferencial total

dX

dx =

flf/fix

funciones lineales y cuadrticas.

1. Funcin lineal :

df = ax dx

<>^<>*0<**'tiU^X>iAOQC*J<>^K>^^

2. Sistema de funciones lineales:

= A ,l m n
3. Funcin bilineal : P = yT A l.m m,n

di - A
m, 1 m,n

dx
n,l

dP A x + fc. yT A dx XT . AT dy y* , A d> = (dy) T .- = ^ *. + -^ _> 4. Funcin cuadrtica : F = XT B x. l,n n,n nfl dP = dxi* B x i xT B dx = XT (BT t B) dx

BT dx f XT B dx

En el ajuste nos encontramos frecuentemente con el caso especial

=

** L 2L ; US = 2 XT Jl dx, ln nn nl

(1.9)

donde N es una matriz cuadrada simtrica.

1.2 Teora de errores 1.2.1 Definiciones bsicas

una variable aleatoria X est dada por un valor que se obtiene d un experimento. Dentro de un determinado Intervalo el resultado de experimento no se puede pronosticar, por ejemplo:

a. El resultado de la tirada de un par de dados. Cada tirada proporciona valores entre 2 y 12 y no se pueden obtener resultado intermedios entre 2, 3/^,6* etc. A este tipo de variable se denomina variable aleatoria discreta.

b. El resultado de la medicin de una distancia. Dentro de u determinado rango se puede obtener cualquier valor, se admiten valore intermedios. A este tipo de variable se denomina variable aleatori continua.

iv2$l^tHfi5St^

19 La teora de errores en la geodesia trata nicamente las variables aleatorias continuas. Refiraroonos nuevamente al ejemplo de la medida de una distancia. La distancia entre ^ y b es una variable aleatoria que representaremos con la letra L.

Fig. 1-1

Es

frecuente

que

en

la geodesia

se

realice

una

serle de

observaciones para determinar la distancia de a-b. observaciones o bien resultados de cada experimento se como componentes de un vector de observaciones 1.

El conjunto de pueden agrupar

= U

la 13

(1.10)

Los valores li se encuentran dentro de un intervalo a,b de modo que

a <

< b

y n se denomina tamafio de la serie de mediciones. En relacin al tama5o de la serie de mediciones deben distinguirse dos casos; cuando n o el tamaBo de la serie se denomina muestra, cuando n '> , el tamaBo de la serie se denomina poblacin. El grado de inseguridad en nuestras mediciones no se puede descartar, por lo tanto esperamos que en cierta medida las mediciones estn afectadas de error. Estos errores se presentan en tres tipos: a. Errores groseros Los errores groseros son equivocaciones que pueden ser detectadas fcilmente si se realizan mediciones de control.b. Error sistemtico Los errores sistemticos afectan las laediciones de aara constante, son de la misma magnitud y del mismo signo. Generalizante se conocen las leyes que los originan y puede ser tomado en cuenta coro correccin de las mediciones.

Sf^

c. Error casual

El error casual se presenta de una manera muy irregular. Si magnitud y signo no se puede pronosticar; sin embargo se pueden deduci reglas en relacin a la frecuencia --ron que se presenta un determinad* error cuando se realizan series de mediciones suficientemente grandes,

El comportamiento o distribucin de los errores casuales cuando se realizan series grandes de mediciones puede describirse por medio de la campana de Gauss.

Fig. 1-2 En el curso .de detalle. ajuste 2 se estudiar esta distribucin

con mas

1.2.2

SI promedio, el valor mas probable y el valor verdadero

Consideremos la variable aleatodia L como en la figura 1-1 y los resultados que se encuentra como componentes del vector (1-10).

1 1
eT 1

(1.11)

1 : promedio aritmtico simple eT" = [ 1 1 1 ... 1 1

Frecuentemente se trabaja con el promedio aritmtico ya que nuestras mediciones estudian a la maestra lo que significa que n . Si el geodesta se propone a aumentar n de tal manera que tienda a infinito entonces se puede determinar un promedio mas confiable que se denomina valor Das probable.

21
n

lim

E 3=

Jii

Efl)

(1.12) ?

Adems de estos dos valores se se hable del valor terico que difcilmente se puede alcanzar, este es el- valor verdadero- Para ilustrar la relacin entre estos valores veamos la siguiente figura.

)
I

:::
:::

!!J

J*.

" "

!jj

( f

;;: 1 1

1 1=

! 1 U

-{-

4-

'

j i:;

i
f

e
Fig. 1-3

En la figura la linea sombreada representa los lmites dentro de los cuales caen los K. 1 : promedio aritmtico simple

Hi. = E{L} ; valor mas probable (esperanza) de L L :" valor verdadero o terico (1.12)

A - Hz. - L : error sistemtico

n - 1 -t : error verdadero
= v = 1 - JU. : error casual 1 - 1 : residuo o correccin

(1.13)
(1.14) (1.15)

JE C

c f

C
1.2.3 Varlanza y desviacin standard Consideremos la variable aleatoria L y el vector de observaciones 1 como en (1.10). Supongamos que n >

f i
1-1S)

1
EU = lira n>

n
5

n
= 1: -

9 9 9 9

MKSmtt>0^^

22

I - e U,L

(1.17)

: vector de errores casuales.

lim

eT e = [eel/n

(1.18)

n a =
e ya*

:>=]
(1.19)

a* : varianza terica a : desviacin standard terica supongamos ahora que se conoce el valor mas probable de la variable L y quu n o, el vector de las discrepancias o errores casuales se calcula como (1.17).

1 n s =

n E j=l

eT = [e cj/n

(1.20)

(1.21)

s 1 : varianza emprica s : desviacin standard emprica La varianza emprica es una estimacin de la varianza terica a. Otra estimacin de la varianza terica se obtiene en el caso que se no se conoce el valor mas probable. Este se sustituye por el promedio aritmtico calculado a partir de las n-observaciones donde n . las discrepancias estn dadas por (1.15) y se denominan residuos o correcciones.

eW>^^

f
23
Vi

1 -K
I - la

v =

eT 1 - 1

e i (1.22)

1
vi v =

e
n
;3

fi

vv J/n

n-1
s

n-1

(1.23) * t 1 t

s 1 : varianza emprica s : desviacin standard emrica

t c

1.2.4

El vector como variable aleatoria

1.2.4.1 El vector aleatorio bidiraensional

t Hasta ahora hemos tratado series de valores o mediciones que se refieren solo a una variable aleatoria. Se da el caso en que se tratan m no una sino dos o mas variables aleatorias al mismo tiempo. Veremos el caso particular de dos varibbles aleatorias que se ilustra en el ejemplo de la figura 1-4. m

m *

*
Fig. 1-4.: medicin de dos distancias

24

Las variables aleatorias Li y L2 componentes de un vector aleatorio L.

Lz
lz

se pueden interpretar cono

L =
_U_

I=
la

(1.24)

L : vector aleatorio I : vector observado Hz.: valor mas probable del vector L

ll - JU
= 1 la - ^2
=

Ea

(1.25)
2

: vector de errores casuales Asumamos que el n > o.

EX.JE. = E { T } =
ffaz

l.26)

: matriz de varianza-covar ianza terica del vector de observaciones

1
E {e 1 *} - ff'.^ , E {' 2 } = o * 2 componentes li y 12 del vector 1 son las varianzas tericas de las

E {3. 2 ) - E {2 aj = a ia = ff23. son las covrianzas tericas entre lz y lz. En el caso que 1 y 2 sean estocsticamente independientes
= 0.

{1.27)

La covarianza sirve par medir la dependencia entre la. y la. Generalmente se utiliza en lugar de la covarianza, el coeficiente de correlacin terico.

'QtfeO^WgM^d<fiStt^oajM***^

Hur ff

/,
[O, C F 2 )

Jo
25

5ol

(1.28)

porque siempre cae entre lmites fijos

-1

(1.29)

Cuando existe dependencia lineal entre EI y e a / o sea 2 = * a tir se dice que las observaciones 1* y la estn correlacionadas o bien las * observaciones no son estocsticamente independientes.

Los parmetros antes definidos son representativos de la poblacin, generalmente se realizan series de observaciones con n , en este caso los parmetros de la matriz de la varianza-covarianza * resultan ser estimaciones de los valores tericos antes definidos. ^ Cuando se estudia una muestra (n ) pueden distinguirse dos casos. ~ a. El valor mas probable del vector bidimensional definido como en (1.24) }lt. se conoce

Il2

A13

ll

1 =
Iz2 123

(1.30)

1
e =

(1.31) ( |

f f
23

i
1 1

e e* =
n n n E

S'i

Siz

f i i f f i i i

(1.32) f

t f f

URiRRiR^^

26

; matriz de varianza-covarianza emprica s'2 : varianza emprica correspondiente a lx y la Szi : covarianza emprica entre li y 1 2

r : coeficiente de correlacin emprico

rx2 = I2X

(1.33)

b. El valor mas probable Jr. definido como en (1.24) no se conoce Cuando no se conoce el valor mas probable se utiliza el promedio aritmtico como una estimacin del valor mas probable.

lx

1 =

1 n

1 1e= n
lai + 1 = 2 +

(1.34)

1 : vector bidimensional promedio

U -I
la -

la - la

v = 1 eT - 1 =

Vil

Vi2

(1.35)
V21

(1.36)

n-1
matriz de varianza-covaranza emprica del vector 1
= Sn/(Sx

r : coeficiente de correlacin emprico

(1.37)

<HM^oo<HKW>**>^*w>sg^>g>a^^
-^i-list,

2?

1.2.4.2 El vector aleatorio de dimensin n Todas las definiciones anteriores son vlidas para vector con n-componentes.
= lx

el

caso del

ln ) : vector de obs. M* MS M" ) : vector mas probable

(1.38)

M_T = t }U
=

(1.39) a

I ~ M.

vector de errores casuales

(1.40)

0*1

^IZ

^X3

. . .

tfXn

72x

a2

C23

...

ff2

tf 31

?32

CT33

. .

CT3n

En

= E {E T =
. .

(1.41)

i c i i i . ,

ffn.1 an2

cr^a

...

7*^ i

1 1 1 1

En. : matriz de var ianza-covarianza terica del vector 1

En forma anloga al caso del vector bidimensional se define la ! matriz de varianza-covarianza empirica Su.

t
1.3 Ley de propagacin de errores Sea 1 un vector de observaciones de dimensin n como en (1.33) y el correspondiente vector del valor mas probable de las observaciones JS como en (1-39).

r =u
HT = }U

t
ln ]

1 ;

* f

a partir de estos dos vectores se calcula el vector de los errores e* j

m * * * * *

28
y : : : cons:::;ente la matriz de varianza-covarianza En como (1.41).

En - E e e T i c:~3 icereiDC5 aora un vector f de dimensin m, cuyas componentes son f'_:::cnes ;f. general no lineales) del vector 1.
fa

2 3
#3(1)

(1.42)'

#(!)

Lo que se busca ahora el la matriz de varianza-covarianza del ve::;: f de ::nionsin m. En primer lugar se desarrollan las funciones en eiie de 7ylor limitando el desarrollo hasta la primera derivada ccc el fin :e inealizar las funciones con lo cual se obtiene
5 (1)

t
e: donde les valores

(i - r

(1.43)

5 1
3 un vector cuyas componentes son valores aproximados de eL'vados en 1, el vector

I9 = 0(1") =

"3

(1.44)

29

contiene valores aproximados de las funciones que se obtienen al " introducir 1 en (1.45), la parte diferencial es una matriz que se ^

deriorainar F, cuyas componentes son los cocientes diferenciales de las M funciones 0* respecto de las observaciones 1 3/ con esto la ecuacin (1.43) se obtiene de la siguiente forma ^

f = f i F (1 - 1)

1 - =

(1-1)

(1.45)

Ya que valores aproximados escogemos el caso especial 1 = J

pueden

establecerse

en

forma arbitraria, ^

(1.46)

f |

&

adems se establece la condicin de que las discrepancias d de las observaciones :3 son muy pequeSas,
e* V* , J = 1, 2, 3 ... n

si esto se cumple podemos escribir (1.44)

(1.47)-

i 1

sustituyendo en (1.45)
(1.48)

i f

haciendo la sustitucin
(1-49)

en (1.48)

f
e* = F e
(1-50)

a partir de esta ecuacin se puede calcular sin dificultad la zaatrls da varianza-covarianza Cfi del vector de funciones.'
(1.51)

^ ^

introducimos (1.50) en (1.51

r = E P t T FT } = F E U eT} F"'

En

= E {

(1.52)

(1.52) : ley general de propagacin de errores,

31'
PROBLEMAS RESUELTOS

Problema 1-1

Inversin de una Eoatriz

Dada la matriz A cuadrada regular, se subdivlde en bloques en forma adecuada para facilitar su inversin.
2 0 0 1 2 O i O 3 O O" O 4 | 1 4 0 0 0 ( 2 - 1 0 0 0 1 - 1 4 I

A =

0,50 0,00 0,00

0,00 1,00 0,00

0,00 0,00 0,25

0,57 0,14

0,14 0,28

A-

A3

0,50 3,00 0,25

1,00 0,00 1,00

0,43 1,71 0,29

0,38 0,43 0,32 '

0,50 0,00 0,00 0,00 0,00

0,00 1,00 0,00 0,00 0,00

0,00 0,00 0,25 0,00 0,00

-0,43 -1,71 -0,29 0,57 0,14

-0,36 -0,43 -0,32 0,14 0,28

oe
/X

Problema 1-2

Determinacin polar de dos puntos nuevos

/ / / - 'Y

Fara determinar las coordenadas de los puntos Pi y P2 se miden los azirautes y distancias respectivas desde el punto fijo F, cuyas coordenadas son: tir = 100,00 ra EF = 100,00 m.

La desviacin estndar de cada azimut se estima en stx = t 2,0OQ y la de cada distancia en Sa = 3,0 cm. Calcule las coordenadas de los puntos y las respectivas desviaciones\estandar. \\J A.

33
Calculando en centmetros y ro = (200*104/T)co = 636620

F =

0,707 0,707 0,000 0,000

0,000 0,000 0,000 1,000

-Q,Qi 0,000 j 0,011 0,000 j 0,OOU 0,016 0,000 0,000

d.) Ley de propagacin de errores. 4,199 4,499

0,000 0,000

\0
0,000 0,000 9^000

cm2

e.) Desviacin estndar de las coordenadas del punto Pi. = / 4,499 = 2,1 cm

s* =

= / 4,499 = 2,1 cm

Desviacin estndar de las coordenadas del punto P2

Sw = / fas
>)B
=

0,001 = i 0,0 cm
9,000 = i 3,0 cm

* *

u } A-

+X#*#&Vj1XX^^

Problema

1 f>

Clculo de la exactitud del azimut calculado por coordenadas

Dado el vector X y la c o r r e s p o n d i e n t e m a t r i z de varianza-covarianza, calcule el a z i m u t de Pi a P 2 y su desviacin e s t n d a r .

NiX =
__ Ei N2
E2_

1000,00

J3XX ~

0,15

1000,00 2000,00 2000,00

m

-0,03 0,16

-0,08 -0,05 0,11

0,01 0,06 -0,03 LJ

J ca

X.1

a.) Puncin f para el clculo del azimut:. = ta.z = arctan = 50,0000 gon

b.) Clculo de la distancia

da =

(Na

(B a -

= 1414,214 Si

c.) Matriz de coeficientes F.

\^

F = >E sen t/d

calculando en cm y ce, F = [ 3,133

- eos <t/d

-sen t/d

eos t/d

-3,183

-3,183

3,183 3

d.) Ley de propagacin de errores. SS = s*t = F Sxx FT = 5,876 (ce)'

s* = 2, :oc

aa?a^-ri^ii-ws^i-j^

35

2. -MUB^^Da^a&fKRYAttOtSB-DIRBCTXB 2.1 Definiciones bsicas Es usual que para determinar una magnitud buscada, se realicen ms observaciones que las necesarias, esto debido fundamentalmente a que con observaciones adicionales se mejora la exactitud y a que se obtiene un valor de ella. Junto a estas razones fundamentales existen otras ventajas: seguridad contra' errores groseros en las observaciones, control en los clculos. Los valores observados discrepan unos de otros debido a,los errores casuales. Si se presenta la situacin anterior nos enfrentamos a un problema de ajuste en el cual se tienen en general n-observaciones para determinar u-incgnitas. La cantidad de observaciones superabundantes se denominan grados de libertad =n-u. El problema del ajuste se resuelve por medio de un conjunto de operaciones o algoritmo para determinar las incgnitas y los parmetros de exactitud. En los problemas del ajuste deben distinguirse dos casos diferentes: 1. El valor que se obtiene del ajuste representa el valor ms probable, si la serie de observaciones siguen las leyes de una determinada distribucin, por ejemplo la ley de errores segn GAUSS. 2. A partir de la cantidad de las observaciones generalmente no se puede probar que stas sigan una determinada distribucin, por lo tanto no se puede asegurar que la magnitud ajustada es el valor ms probable, el valor ajustado se denomina en este caso promedio, un valor favorable. En este captulo se estudiar un caso particular del ajuste de observaciones directas, que consiste en resolver el problema cuando se quiere determinar una magnitud, la cual se mide repetidas veces, por ejemplo, se quiere obtener un valor de la distancia del punto A al punto B la cual se mide n-veces. El valor ajustado de la distancia se obtiene resolviendo el problema del ajuste de observaciones directas. 2.2 Planteamiento del problema Se quiere determinar por ejemplo la distancia del punto A al punto B. Se realizan n-observaciones, Li, L2 ... Ln que pueden tener diferentes exactitudes y estar correlacionadas entre si. El ajaste proporciona el valor ajustado de la distancia que llamaremos X. n : cantidad c*e observaciones u : cantidad de incgnitas f = n-u : grados de libertad del ajuste p>H-I
'fu

(2,1)

.- - - - . .-.yyili^^8i^HSKS0V -*>^WOWM*<tf^^^?^?<Ff^^

-- -._---*-.- f

-----.

E
36

En el caso del ajaste de observaciones directas (u = l ' Para cualquier medicin se obtiene una ecuacin del siguiente tipo:
Li t vi = X L.i + v 2 - X
(2.2)

Vn

Estas ecuaciones se expresan en forma

=/x;v|*n, 1 n, 1 n, 1

(2.3)

y se denomina ecuacin de observacin. Despejando el vector de los residuos se obtienen relaciones que se denominan Ecuaciones de e r r o r :

e -

2.4);

Por &omidad en los clculos es conveniente introducir un valor aproximado de la incgnita. . P ^ il 1 V--2.5)

V-.A

4 i

-f-

sustituyendo (2.5) en (2.4)

y = Xo e + x e - L.

v=xe-(L-Xe)

con

3?

se obtienen las ecuaciones de error modificadas O

v =x e - 1

La solucin del _aiuste_se basa jen el principio de los mnimos. _cuadrados_d.p..,.GAil&S.que se expresa mediante la relacin siguiente;
(2.8)

y ; vector de lo_s_TrAS_duQS^ P : matriz de los pesos

(2.9)

isatriz de varianza-covarianza del vector de observaciones

: matriz de los cofactores

Sustituyendo (2.7) en 2.8)

El anmekse logra cuando igualamos a cero la primera derivada.

33

d(v T P v)
f * ST P
e.T p 1 = O (2.11)

x eT P e = eT P 1

eT P 1

x =

general eT P e

(2.12)

Multiplicando por la izquierda (2.7) y considerando (2.11) e T P v = e T P x e - eT P 1 = O (2.13)

eT P v = O

(2.14)

De- la ecuacin (2.10) se obtiene VT P v = x(x T P e - eT P 1) - 1T f (x _e - 1} , considerando (2.7) y (2.13) ,i

V T P V = -j.T P V^

prueba del ^ ajuste /

(2.15}

Aplicando la ley de propagacin funcin (2.12),

X = f = *(1)

de errores y considerando la

>t>JM^^

eT P
eT P e

Pe. eT P e

eT P e

39 ' <

P e e P e

eT P e

ycp.factox' del^
P x = eT P e

i f 2.16) I f < i

VT P V
So
=t

n-1

desviacin estndar de la unidad de pesos ,

(2.17) i i

i t 4 I
= s.

desviacin estndar del promedio

(2.18) I i

2.3 Algoritmo del ajuste de observaciones directas

En la tabla 2-1 de la pgina siguiente se resumen las frmulas para resolver el problema del ajuste de observaciones directas. Las frmulas de la columna nmero dos corresponden al caso de observaciones J con correlacin, se considera por lo tanto a la matriz P cono una . matriz no diagonal. En las columnas tres y cuatro se presentan las frmulas para los casos especiales. 4

---^naiaa^tres^fagaut^

fcABLA 2-1

fK
' "

PROMEDIO GENERAL
' - '' J ' ,\a

' '- . -i ;

PROMEDIO PE-SADQ t
^ '

PROMEDIO ,SIMPLS / ^,Q

matriz P
1 eT P 1
?

diagonal ^'rt rPer

=

identidad I *A j
4

2
tffev

-P * 3

<V

e ' i ^.
e- p n
;-.--,

OrStf Nf 1 *

^
P*

***"
=

ju

eT P e

eT p

,
n

^C&c Y4O**"""
prueba parcial: prueba del ajuste:
VT P V =

eT P v = 0

.. pT v = 0 " ,

eT v = 0

-1T P v

-1T P v ^

-1T v

s!o

VT ? V

VT P V

VT

n-1 "
S'o

1-1
s*

n-1

uJ2KT'

So

5T

P*

pV/V

Px

Desde el punto A se mide 12 veces el ngulo cenital hacia el punto N situado a 150 m aproximadamente. Con cada ngulo cenital se calcula la diferencia de altura de A a N; para ello sr midi la distancia con una alta exactitud, de modo que puede asumirse libre de error. Los primeros cinco ngulos se midieron con un teodolito que da una exactitud de ^Occ y los siete restantes con otro teodolito que da una exactitud de-l-0cc. Las diferencias de altura en metros estn dadas por el vector de observaciones &.

[ 3,356

3,351

3,360 '3/353

3,36713,352

3,363

3,349

3,357

3,356

/; * / Q

v.
V
"X

3,.36G 3,349 ]

v
V

V
*>

\?C5^^ ' M^

r> plantee 2 calcule 35 calcule fif realice 51 calcule j6f. calcule

las ecuaciones de observacin en forma oatricial la matriz de los pesos el promedio de la diferencia de altura las pruebas de clculo la desviacin estndar emprica so la desviacin estndar del promedio

.. ' V
\

r^< w // <> *

y/1

.<\*,?

b. Asumiendo todas las mediciones de igual exactitud (P=I) y sin correlacin resuelva los numerales 2. 3. 4. 5. y 6. del problema a. c. Considerando siempre las exactitudes del enunciado asuma correlaciones u -= 1 entre las observaciones medidas con un mismo teodolito (no existe correlacin entre las primeras cinco observaciones y las siete restantes) y resuelva los numerales 2. 3, 4. 5. y 6. del problema a.

P. L t v = X e
2-. L = S cot Z ==> Z = 98,58 gon

rT>^O^a!a

I I*

T'O I'O T'O T'O T'O I'O I'O 90'0 50'Q SO'O SO'Q 90'0 1 ^-

d x^

nn I

91

T-

ET

OT

LI'O

/.T'O SG'O

90''0

;~<~>r\o^

\]

xx :

O\

JS

l =

I-u aun

' 9'6- fr2'0 9'0-

79
b.3. x =

6,58 min 12

X = Xo * x = 3,350 i 0,00658 = 3,35658 m

b . 4 . y = xe - I
VT en milmetros [ 0 , 5 8 5,58 -3,42 3,58 -10,42 4,58 - 6 , 4 2 7,58 - 0 , 4 2 0,58 -9,42 7,583 e T v = -0,00 = 430,91 -lTv = 4 3 0 , 9 4

430,92 b.5. so = 11
so

= t 6,26 ma

6,26 = /T? t 1,81 mm

b.6.

sx =

c.2
ffi

====>

CT3

22,1 11,0

11,0 22,1 11,0

11,0 22,1 11,0

11,0 22,1 11,0

11,0 22,1 5.8 2.9 2,9 5,8 2,9 2,9 5,8 2,9

2,9 5,8

2,9

2,9

5,8 2,9 2,9 5,8 2,9

2,9 5,8

P*100
8 -6 5 -6 12 -9 5 -9 14 -3 6 -9 5 2 -3

2 6 -3 -9 5 12 -6 -6 8

-1

0
30 -26 22 -17 13 - 9 4 -26 52 -43 35 -26 17 - 9 22 -43 65 -52 39 -26 13 -17 35 -52 69 -52 35 -17 13 -26 39 -52 65 -43 22 - 9 17 -26 35 -43 52 -26 4 - 9 13 -17 22 -26 30

- _

eT P 1
c.3. x =

2,54

= 3,06 rom
0,83

X = Xo -f x = 3,350 * 0,00306 = 3,35306 m

c.4. v = xe_ - 1_
VT en milmetros

i 'i 'I i

'

[-2,94 2,06 -6,94 0,06 -13,94 1,06 -9,94 4,06 -3,94 -2,94 -12,94 4,06] ,

G*ySt>&Stiij&SfStf&&S:G&'V^

mi oim

'

xs
os

9'D
c; - o

st'ue

=^d i-

6T'e

-A

oo'o-

= A

47

3.

AJUSTE DB OBSERVACIONES MEDIATAS

3.1 Introduccin En la geodesia frecuentemente tenemos que determinar magnitudes que no se pueden medir directamente/ por ejemplo las coordenadas de un punto. Estas, que se denominaremos incgnitas, se pueden determinacin midiendo otros tipos de magnitudes; por ejemplo distancias, ngulos, direcciones, azimut y ngulos zenitales. Si la cantidad de magnitudes medidas es mayor que la cantidad de de incgnitas, estas se determinan por medio de un ajuste de observaciones mediatas. Son muchos los problemas que pueden resolverse por un ajuste de observaciones mediatas; sin embargo en nuestro curso se dar mayor nfasis al ajuste de redes geodsicas planas y redes de nivelacin. 3.2 El modelo matemtico del ajuste El problema del ajuste de observaciones mediatas se el modelo funcional y el modelo estocstico. 3.2.l'El modelo funcional^ Consideremos el ejemplo de la figura 3-1, un cuadriltero de la Red Nacional de Coordenadas, configurada por los puntos fijos: BARES, GALLO, GUARARI y DRAGN. Se quiere determinar las coordenadas N, E del punto FILA, que forman el vector de incgnitas X, midiendo distancias y ngulos, que forman el vector de observaciones Zdescribe por

GALIO

sn esc

Fig. 3-1
LT = [ Sz
S3 S,

ct2

(3.1)

N
(3.2)

cantidad de observaciones n= 12 cantidad de incgnitas u= 2 grados de libertad f = n-u = 10

Apartndonos del ejemplo, en general se realizan n observaciones, las c,iales se ordenan como componentes del Rector de observaciones L 7
3.3)

para determinar u-incgnitas que forman el vector de parmetros.

XT = [ X* L,u

las incgnitas o

(3.4)

El modelo funcional relaciona las observaciones con los parmetros o incgnitas mediante una funcin. Si consideramos los valores verdaderos de las observaciones y de los parimetros, esta realacin funcional tiene la siguiente forma:

(Modelo funcional/

(3.5)

L : valor verdadero del vector de observaciones X : valor verdadero del vector de incgnitas En (3.5) generalmente las funciones no son lineales, por esa razn se denomina modelo funcional no linealizado. En la prctica no se conoce el vector de observaciones verdaderas L , en su Jugar se conocen las observaciones realizadas. SI consideramos estas en el modelo funcional (3.5), deben agregarse a las

observaciones pequeSas correcciones V A denominados residuos, par mantener la consistencia de la relacin funcional. El ajust proporcionarla ya no los valores verdaderos de las incgnitas sin valores ajustados de los mismos.

L = L * v = *(X) =

Modelo funcional

(3.6)

L : vector de observaciones realizadas

A

L : vector de observaciones ajustadas

v : vector de los residuos *> : vector de las incgnitas ajustadas Para cada observacin que se realiza debe plantearse una funcin Li = Li t vi = 9M) i = i, 2, 3, ... n

(3,7)

Las funciones ( 3 . 5 ) o bien ( 3 . 6 ) se pueden linealizar por un desarrollo de la serie de Taylor introduciendo valores aproximados ek las incgnitas.
(3,3)

Xo : vector de las incgnitas aproximadas x : vector de las incgnitas ajustadas y reducidas

Considerando el modelo funcional (3.6) se obtiene

(3,9)

(3.10]

.<XHX>0<X>0<QgQ^Ktga^aH^^

- . - ai"-- <

- m.

L : Rector."de-.obse.rvacionesproxiina^as T" " ' - I : vector de observaciones ajustadas y reducidas Se desarrolla la funcin estableciendo como condicin que
x < < Xo

3.6)

en

una

serie de

Taylor,
(3.11

para limitar el desarrollo de grado.

la serie hasta

el

trmino de priniei

X - Xo)

3.12]

Los cocientes diferenciales se ordenan en una matriz.A llamada matriz de coeficientes o bien matriz de configuracin.

<3X 2

/Q

A = n.u

(3.13)

Considerando (3.8), (3.9), (3.10) y (3.13) en (3.12) se obtiene el modelo funcional linealizado,

v =A x

(3.14)

51

3T2T2yEtymoge 1o . e ; s toe st i col/ Resolviendo el sisteraa de ecuaciones que se plantean en el modelo funcional obtenemos la solucin del vector de las incgnitas X. Pero adems de conocer la magnitud de las incgnitas, nos interesa conocer esta depejide^ de la exactUud de las observaciones. Las observaciones que se realizan, tienen un comportamiento aleatorio que debe ser tomado en cuenta en el ajuste. Esto se logra mediante el modelo estocstico. El modelo estocstico se describe por medio de la matriz de varianza-covarianza de las observaciones como en (1.41) (3.15)
= a l o Q;

(3.16)

3.17)

a*,
(3.18) matriz de varianza-covarianza de las observaciones matriz de los cofactores de las observaciones matriz de los pesos de las observaciones desviacin estndar de la unidad de pesos

En la prctica es muy difcil conocer las covarianzas, o bien los coeficientes de correlacin entre las observaciones; por esa razn generalmente se parte de un modelo estocstico simplificado. Este modelo estocstico simplificado asume que las observaciones son independientes y por consiguiente los coeficientes de correlacin son iguales a cero. La matriz En que se plantea es en este caso una matriz diagonal y por lo tanto la matriz de los pesos es tambin una matriz diagonal.

52

(3,19)

a,

Qii \,

(3.20)

7,

a',

(3.21)

a*, a*,

Los elementos de (3.19) deben ser estibados lo mejor posible, Estas estimaciones se basan usualmente en la informacin que sobre la exactitud suministra el fabricante del instrumento utilizado en la medicin. Las varianzas pueden tambin estimarse de acuerdo a nuestra experiencia o por me.o de un ajuste previo, por ejemplo, el ajuste de direcciones medidas en una estacin permite estimar la varianza de una direccin medida.

53

3.2 Algoritmo del ajuste de observaciones mediatas

Antes de establecer el procedimiento de clculo de un ajuste de observaciones mediatas, deduciremos las relaciones o frmulas del algoritmo. El problema del ajuste se resuelve mediante el principio de i los minimos cuadrados de Gauss a travs de la condicin
VT P v >rainimo!

i i

3.22) ^

De (3.14) se obtienen las ecuaciones de error linealizadas

v = A x - 1

(3.23)

y se sustituyen en (3.22)
VT P v = (A X - 1)T P (A J - 1) = (XT A - 1T) P (A - 1) = T hT P A x - XT AT I - 17 _P A x * _1T P i = XT AT P A x - 2 1T P A % i 1T P 1 (3.24)

el mnimo se obtiene igulando a cero la primera derivada de la ecuacin j anterior,

d(v T P v)
= 2 X T AT P A - 2 2 T P A = OT

dx
A
T

P A x - A

P l = o

(3.25)

con
N = AT P A n = AT P 1^

13.25) <

(3.27) i

se obtienen las ecuaciones normales

- n =o

i J (3.28) I i 1 J J 1 j

que permite calcular el vector de las incgnitas x

x_ = tf-i n , det N = O

N^ : matriz de las ecuaciones normales uf u

" N *
: m a t r i z de

* os cofactores de las incgnitas

(3.3

u, u

Sustituyendo el vector x en la ecuacin (3.23) se calcula vector de los residuos v. De la ecuacin (3.25) se obtiene una prueba parcial de clculo.
AT P (A x - 1) = o

T Y.

prueba parcial de clculo

(3.3

De la ecuacin (3.24) se obtiene

v-r p y = XT (AT P A x - AT P 1) - 1T P A x - 1),

toraando en cuenta (3.23) y (3.28) en la ecuacin anterior se obtiene prueba del ajuste,

VT P V

- 1T P V

3.3

Conocido el vector de los residuos y despus de haber comproba los clculos medante 3.31) y (3.32) se calcula los siguientes valor ajustados: - La desviacin standar (error medio cuadr&tco) a posterior! de la unidad de pesos a0
VT P v

(3.33

n-u

El vector de los parmetros mediante (3.8), el vector de observaciones con

L =L iv,
- La matriz de varlanza- covarianza del vector de las Incgnitas

(3.3

(3.3

- La la prueba final del ajuste

L -= 0(X)

(3.3

El algoritmo del ajuste de observaciones mediatas se resume en tabla 3-1

-HM*vw^^^

-j- z- -*\-V * **
resumen de las frmulas para resolver un problema de ajuste de observaciones mediatas.

modelo funcional no linealizado ( 3 . 6 ) vector de observaciones aproximadas (3.9) i lector de los parmetros aproximados vector de observaciones reducidas matriz de configuracin (3.13) (3.14)

modelo funcional linaalizado modelo estocstico (3.16)

matriz de los pesos de las obs. 3.18) matriz de las ecuaciones normales (3.26) mi'embro absoluto (3.27)

matriz de los cofactores de las (3.30) incgnitas vector de las incgnitas reducidas (3.29) ajustadas vector de los residuos (3.23) (3.31)

prueba parcial de clculo

VT P V = - I T P V

prueba del ajuste (3,32) vector de las ^incgnitas ajustadas vector & observaciones ajustadas prueba final del ajuste varianza aposteriorl de la unidad decesos matriz de varianza-covarianza de las incgnitas
2*.

57

3.3 L i n e a l i z a c i n de funciones En forma general para cualquier observacin realizada planteado con (3.6) el modelo funcional no linealizado,
L i v = 0{X),

se ha

(3.6)

que exige la separacin entre las observaciones y las incgnitas. En la geodesia se miden con frecuencia distancias, ngulos, direcciones, coordenadas, diferencias de altura, etc. Dependiendo de la eleccin de las incgnitas o parmetros, las unciones que se formulan para cada observacin pueden ser lineales o no lineales. A continuacin se plantean las ecuaciones de observacin para algunas de las mediciones antes hitadas y las relaciones que permiten calcular los coeficientes de la matriz A del modelo funcional linealizado (3.14).
v = A x

(3.14)

Observacin Incgnitas

la distancia S entre los puntos Pi y las coordenadas de los puntos Pi y P

H 4

iX-N;

>L i 4 =D. - V
i ( ps /

*;
"J
E

rv

1 : ~ o-

Fig 3-2-: Relacin entre la distancia y las coordenadas de los puntos extremos,

x < y <

0(X)

i = s - s<
b. Observacin : ngulo a (Pj-P^Px) Incgnitas : las coordenadas de los puntos P,

0J

p.

OP.

S
E;

Fig. 3-3-: Relacin entre el ngulo a y las coordenadas de los puntos Pi, P3 y P>

CE

a =

= arctan

arctanI\ - ' \i

.000

c
Ni.-N*
A

59
N 3 -Nt

N*

60(X)
N-

5E,

1 = a - ae

c. Observacin Incgnitas

la direccin R del punto Pi al punto P las coordenadas de los puntos P 4/ P y la orientacin 0.

-I *

PJ

Fig. 3-i.: relacin entre la direccin R y las incgnitas. En el caso de las direcciones es necesario introducir una incgnita auxiliar, denominada incgnita de orientacin O, para poder relacionar la observacin hecha en el instrumento con las coordenadas de los puntos.

~4^

-'vi

SO
A

R = R

V =

= ta i O

R = R * V - *(X) =

* 0

(3,20)

<50(X)

(3.21)
= 1
00

1 = R - (t f 0)

(3.22)

Las relaciones anteriores contemplan las todas las coordenadas de los puntos como incgnitas. Si una de ellas es un valor fijo, entonces las derivadas en esos casos desaparecen.

3.4 Matriz de varianza-covarianza de los resultados ajustador. El algoritmo del ajuste de observaciones mediatas dado en el capitulo 3.2 permite obtener algunos resultados en forma relativamente directa. Sin embargo en algunos casos nos interesa conocer adems otros parmetros ajustados y sus caractersticas estocsticas. Por ejemplo nos interesa conocer adems de las observaciones ajustadas, los parmetros de exactitud de las observaciones ajustadas, una determinada magnitud que se calcula por una funcin y su correspondiente exactitud, etc. Sea 1, el vector de observaciones reducidas y H una Beatriz dada, entonces podemos definir un vector de funciones h mediante la siguiente relacin.

h = H 1

3.23}

SI

Las propiedades estocsticas del vector de funciones h se obtienen de la matriz E**,, esta se calcula por la ley general de propagacin de errores. Se conoce el vector 1 y su matriz E.
H H
T HT \, HT . -4)

A X 1

V =

f = Fx = PQA

Pl

x
A 1

Q AT P

(3.25)

(A Q AT P ~/f\)

P Q AT P 1

Aplicando (3.24)

(3.26)

i *

3E
A Q A Q AT

(3.27

pQ

pgA

ia

3.5 Procedimientos para la eliminacin parcial de incgnitas

Existen algunos problemas de ajuste en los que se han conslderad incgnitas que tienen una importancia secundaria, por ejemplo l incgnita de orientacin cuando se miden direcciones. La incgnita d orientacin es una incgnita auxiliar cuyo valor no tiene una utilida prctica al final del ajuste. Sin afectar los resultados del ajuste las incgnitas que no interesan pueden eliminarse previamente mediant una reduccin -del modelo funcional. En el presente captulo s describe un mtodo particular de eliminacin de la incgnita d orientacin y un mtodo general para la eliminacin parcial d incgnitas. 3.5.1

Eliminacin parcial de la incgnita de orientacin por medio de la suma de las ecuaciones de error.

Este es un mtodo que se aplica en el caso particular de 1 medicin de direcciones en una estacin.
Va = ax x * bu y + . . . O - 1*
Va = -82 X * ba y * ... * O - la

(3,28

= a

Q - 1.

vi : residuo ai, bj. : coeficientes de la matriz A x,y : incgnitas

li : observacin reducida

En cada estacin donde se miden direcciones vale Ev = O

O - Ev = (La) x + (Eb) y + ... + n O - el

dividiendo por n la ecuacin (3.29)

1 1 O = - (Ea) x + - (Eb) y n n

O - - El n

y restndola a cada una de las ecuaciones del sistema (3.28)

vx = a1! x i b'x y + ... - l'x v a = a 1 * x + b'a y * ... - 1*2

'r* x t b f y i ...- I 1 ;

donde

a!i =

Ebi

l'f-

Despus del ajuste la incgnita O se puede calcular mediante

O = ( El - x Ea - y Eb - ... ) '3-32)

3.5.2

Eliminacin parcial de incgnitas por descomposicin de las matrices del modelo funcional.

El mtodo de descomposicin en submatrices tiene una aplicacin universal. Este se basa en la reduccin del modelo funcional linealizado

a partir de la subdivisin de las matrices A y x.

vector de las incgnitas que interesan

x2

vector de las incgnitas que no interesan

Tomando en cuenta esta divisin, la matriz A debe reordenarse y se obtiene entonces el modelo funcional linealizado de la siguiente forma.

v =

- 1

A2 x 2 - 1

(3.33)

Con 'el modelo funcional modificado ya se algoritmo para llegar a las ecuaciones normales.
ATx

puede

aplicar

el

Hix
P

Nza

N =

AT P A = i _____ I

Aj,

A2

A',

_~

x P T

P
(3.34)

65

AT,
n = A
T

nx~

A^Z

P j.

Pl=

._
_
2

? L=
=

. .

(3.35)

x**2 I

Ecuaciones normales.
1
u 1 Na
A

1
Xj,

1 i

rti

"i

I I |
N2i ! 1

(3.36) i

N22

A I2

_-2_

Nao. Xi + N22 x 2 = n2

(3.37) Introduciendo (3.37) en el modelo funcional (3.33)

V = Ai Xi + Aa N~X22 jla - Aa N~122 Nai " 1

v = {Ax - Aa M-1Z2 H21) 1 - (L - A2 N-122 _n2)

se obtiene finalmente el modelo funcional reducido

1
v = A Xi - 1
(3.38)

donde
A1 = Ai - A2 1* = 1 - A2
= Ax A2 ( A ' 2 _P A2)-z AT2 P (3.39) (3.40)

1 t

1 -A* A's P Az)-1 A2 P I

! * = AT A1 n; = AT P }_' Xa. = N Li n1 - Q'n1 Con (3.37) se puede calcular ahora el vector de las en el caso que se quiera conocer su magnitud.

(' /

C3.4IJ '

incgnitas

PROBLEMAS RESUELTOS

Problema 3-1:

ajuste de los ngulos medidos en una estacin,

VECTOR DE OBSERVACIONES

34,12898 73,95491 198,75512

39,82594 164,62612 124,80016

gon

Desviacin estndar de un ngulo medido: a Las observaciones son independientes. Plantee Formule Calcule Calcule Calcule el vector de las incgnitas las ecuaciones originales de observacin las incgnitas ajustadas la desviacin estndar de las incgnitas ajustadas las observaciones ajustadas

OLUCION^
a. Para definir la figura se necesita determinar nicamente tres ngulos, estos pueden ser XI, X2 y X3. Cantidad de observaciones Cantidad de incgnitas Gados de libertad Vector de incgnitas ajustadas
n = 6 u = 3 f = n - u = 3 *

Vector de incgnitas aproximadas

XI
A
A

34,12898 39,82594 124,80016

=
*v

X3

* * ^ ^

68

b. Ecuaciones originales de observacin 1. 11 + vi = XI 2. 12 + v2 - XI +X2 ,3. 13 + v3 = XI + X2 + X3 4. 14 + v4 = X2 5. 15 + v5 = X2 + X3 6. 16 + v6 = X3

c. Clculo de las incgnitas ajustadas

Qll =

Eli

, ====>

P = p = I

Q-lll

cno
ao = 3 ce

1 0 0 1 1 0

1 1 1
0 1 0 0 1 1 0 0 1

0,00 -0,10 0,40 0,00 0,20 0,00

ce

3 2 1

2 4 2

1 2 3

0,30 0,50 0,60

Qxx
-0,25 0,00 -0,25 0,50 -0,25

-\0
0,00 -0,25 0,50 0,03 0,03 0,18

Ax

r 0,03 ~i
0,05 0,23 0,03 0,20 0,18

0,03 0,15 -0,18 0,03 0,00 0,18

re

34,12898 73,95493 198,75510 39,82594 164,62612 124,80018

gon

vT v =

0,09

i f

so = t 0,17 ce

<

Prueba final
T - F T E$} = 0.00000 O.OOQOO 0.00000 0.00000 0.00000 0.00000 ]

Vector de incgnitas ajustadas:

X --

X =

XI X2 X3

34,12898 gon 39,82594 gon 124,80018 gon

e e

d. Desviacin estndar de las incgnitas ajustadas

= so
= 2X3 = t 0,12 ce

C '

e. Vector de observaciones ajustadas (ver arriba-el vecto L

f. Desviacin estndar de las observaciones ajustadas

e
Qll = A QXX AT , sli = so

..*

05'0

$1 '0

os'o
SZ'O SZ'O

oo'o

oo'o

sz'oss'o os'o oo'o sz'o

sz'o-

5'o sz'o oo'o o^'o sz'o

SZ'O-

OO'G

oo'o
S '0

G'O
5 'O

5'o
05 '0

^'o
SZ'O

no

71

Problema 3-2:

combinacin de observaciones lineales y angulares.

Puntos fijos: LAGARTO Y BASE N. Punto nuevo : CABUYAL

BASE NORTE

(*;

COORDENADAS EN METROS

OBSERVACIONES

PTO
LAGARTO BASE N. CABUYAL

NORTE

ESTE

229758,605 224075,445 236011,2

436078,236 449597,896 452885,3

L =

SI 32 al a2 a3

17932,709 12380,150 48,006090 91,777716 60,216763

m m gon gon gon

Nota: las observaciones se asumen sin correlacin. Datos para la estimacin de la desviacin estndar apriori de las observaciones:

gS = (10 mm i 3
aa = i 3 ce

Calcule:

1. Las coordenadas ajustadas del punto nuevo CABUYAL.

2. La desviacin estndar de las coordenadas ajustadas. 3. Las observaciones ajustadas. 4. La desviacin estndar de las observaciones ajustadas. SOLUCIN Cantidad de observaciones Cantidad de incgnitas Grados de libertad

n = 5 u =2 =n - u = 3

: vector de incgnitas ajustadas

N : coordenada norte del punto CABUYAL E : coordenada este del punto CABUYAL alculando en centraetros
\<^r* <^

y en
^ iA r &r
0,034 0,000 0,000 0,000

(a0 = I
V

5"^- x: .S** f^ ,^~ 7*-i

A ~ *-

J4

0,349 0,964 0,333 -0,137 -0,196

0,937 0,266 -0,124 0,496 -0,372

K
*A

/-* (

0.000

0,000 0,068 0,000 0,000 0,000

o, 000 o, 000 o, 111 o, 000 o. 000

0,000 0,000 0,000 0,111 0,000

0,000 0,000 0,000 0,000 0,111

N = AT P A

0,012 0,032

0,066 0,018

0,037 -0,014

-0,015 0,055

-0,022 -0,041

0,086 0,025

0,025 0,079

12,763 -3,964

-3,964 13,889

-0,604 1,480

-13,579~] 22,949 -I tcm]

27,067 -4,679 -9,837 12,540 2,988

16,774 -6,S97 -7,359 13,231 -5,673

-10,293 -2,318 2,478 0,691 -8,861

Efcm)

Ice]

vT P v =

13,417-2,115

so

W^VlilSKJnaSWC(^^

1. Coordenadas ajustadas del punto CABUYAL

N = 236011,064 m E = 452885,529 ra

2. Desviacin estndar de las coordenadas de CABUYAL s- N = . 7,6 cm

= 7,9 cm

3. Calculo de las observaciones ajustadas.

L = L -f v
17932,606' m 12380,127 m 48,006338 gon 91,777785 gon 60,215877 gon

4. Calculo de la desviacin estndar de las observaciones ajustadas, Ql = A Q AT

11,16 3,80 i n RI -1,20 3,76 1,95 5,67 -1,60 ? , 15 AJ 4,19 -4,47 2 16
0,20 9 04 1,83

sli = so

glili

sil = 7,07 ca s!2 = i 6,95 cm s!3 = * 2,95 ce

s!4 = 4,33 ce s!5 = 2,86 c

,.

Problema 3-3:

Eliminacin de las incgnitas de orientacin ! *

Para determinar coordenadas de los puntos nuevos CABUYAL y 2AP07AL e miden direcciones amarradas a los puntos fijos BRUJO, LAGARTO, KA32 H y BASE S
COORDENADAS DE LOS PUNTOS FIJOS

COORDENADAS APROXIMADAS DE LOS PUNTOS NUEVOS

Pto.

Norte 207619,469 229758,605 224075,445 219336,328

Este 427959,965 436078,236 449597,896 457247,374

Pto.
CABUYAL ZAPOTAL
y

Norte
236011,1 232300,7

Este 461454,4

BRUJO LAGARTO BASE N BASE S

LAGARTO

vector de observaciones
T

.. . .

CABUYAL /-\3

\.

0,00000 57,69697 2. 91,09460 3. 119,85166 4. 151,31137 5. 0,00000 . . 39,59503 7. 41,41248 8. 73,66726 9. 106,03876 10.

gon

Las observaciones se asumen sin correlacin. Desviacin estndar de i;na direccin: a = t 0,3 mgon Con el prepsito de comparar resultados se realiza el ajusce utilizando tres variantes de clculo: a.- Considerando las incgnitas de orientacin b.- Eliminando las incgnitas de orientacin por el mtodo de la sumatoria de ecuaciones de observacin por estacin. c-- Eliminando las incgnitas de orientacin por el mfttodo de descomposicin en subiaatrices.

75! i
SOLUCIN

Cantidad de observaciones Cantidad de incgnitas Grados de libertad

n = 10 4 coordenadas 2 orientaciones
u =6

a e

f = n - u = 4

a.- Considerando la incgnita de orientacin en la estacin CABUYAL Y

ZAPOTAL

Vector de incgnitas ajustadas: norte de CABUYAL este de CABUYAL norte de ZAPOTAL este de ZAPOTAL orientacin en CABUYAL orientacin en ZAPOTAL

e i c
0,000 0,000 0,000

0,626 0,093 -0,137 -0,111

0,271 0,357 0,496 0,127

0,000
0,000 0,000 0,000 -0,144

-0,626

-0,333 0,000 0,000

0,000 0,000 0,626

0,124 0,000 0,000

0,000 0,000

-0,271 0,000 0,000 0,000 0,000 0,444

1,000 1,000 1,000 1,000 1,000

0,000

0,000 0,000
1,000 1,000 1,000 1,000 1,000

-0,123
-0,362 -0,248 -0,626

0,091 0,251

0,271

0,025 -0,271

0,000 0,000 0,000 0,000

Clculo de valores aproximados de las incgnitas de orientacin

0 = R - t

c c

Sn la estacin CABUYAL:

tox-cA = 277,326665 gon

0 = RO teA-Z.A

0 = 273,984705 gon

i i

^iSrtK^^^

En la estacin

ZAPOTAL:
0 - R v

= 259,984705 gon
t

0 = 1 3 0 , 0 2 3 4 6 9 gon

Linea

t
[gon]
ZAPOTAL BASE S BASE N BRUJO LAGARTO BASE S BRUJO BASE N LAGARTO CABUYAL 126,013866 183,711220 217.110005 245,866960 277,326665 219,976218 259,571562 261,388506 293,643772 326,013886

fc-
0 [gon]
273,984705 273,984705 273,984705 273,984705 273,984705 180,023469 180,023469 180,023469 180,023459 180,023469

L E gon]
399,998591 ' 57,695925 91,094710 119,851665 151,311370 399,999687 39,595031 41,411975 73,667241 106,037355

'r

[CC]

CABUYAL CABUYAL CABUYAL CABUYAL CABUYAL ZAPOTAL ZAPOTAL ZAPOTAL ZAPOTAL ZAPOTAL

14,09 10.45 - 1,10 0.05 0.00 3,14 0,01 5,05 0,19 14,05

Matriz de los pesos P :

1

Qiz =

*->x i P0 ""
>

= a-x*i

P = I

n
0,933 0,249 -0,783 -0,339 0,139 0,626

0,249 0,552 -0,339 -0,147 1,374

0,271

-0,783 -0,339 1,012 0,166 -0,626 -I f 504

-0,339 -0,147 0,166

0,416 -0,271 0,540

Q

0,139 1,374 -0,626 -0,271 5,000 0,000

0,626 0,271 -1,504 0,540 0,000 5,000

18,727 10,818 -19,937 -4,952

23,490 22,440
A

8,538 -4,046 8,818 1,150 2,041 1,679

2,041 1,679 -4,046 8,818 1,150 9,667 -4,241 1,304 -2,978 -1,488 3,470 -4,241 13,502 -2,611 2,469 7,030 -0,473 -1,787 -2,611 1,804 0,700 2,469 -0,473 1,245 -2,978 -1,787 0,700 1,307 3,470 -1,488

20,239
1,092 -1,149 7,057 4,075 0,788

P-. r \/v% -i n i-, iiriM n t irn-tnrif * morrt tnoni

77

[ 1,751 - 4 , 0 9 3 2 , 9 5 3 1,913 - 2 , 5 2 4 0 , 9 4 9 1,560 - 2 , 0 7 1 1,059 y_T f v = 4 9 , 5 5 s0 - 3,520

-1,497 ]

b. Eliminacin de las incgnitas de orientacin en CABUYAL y 2APQTAL por el mtodo de la sumatoria de ecuaciones de observacin por estacin
No. Ec,

elementos de las cuatro primeras

columna-s de la matriz A.

1
2 3 4 5

0,626 0,033 -0,137 -0,111 -0,333

0,271 0,357 0,496 0,127 0,124

-0,626 0,000 0,000 0,000 0,000

-0,271 0,000 0,000 0,000 0,000

14,090 10,450 -1,100 0,050 0,000

suma : promedio:

0,139
0,028

1,374
0,275

-0,626 -0,125

-0,271 -0,054

23,490 4,698

1 ,
(

1
b 7 S 9 10
0,000 0,000 0,000 0,000 0,626 0,000 0,000 0,000 0,000 0,271

-0,144 -0,123 -0,362 -0,248 -0,626

0,444 0,091 0,251 0,025 -0,271

3,140 1 0,010 5,050 1 0,190 1 14,050

suma : promedio:

0,626

0,271
0,054

-1,504 -0,301

0,540
0,108

22,440 1 4,488

0,125

1 1

Matriz A y vector 1 despus de la eliminacin de orientacin

las incgnitas de^

osg'sfr = A

S90'8
6SO'T T0'Z09S'T

eez'e605'T8T6'Z-

= A

=
6S9'I Gfrl'TZGG'T
= X

TS'I

9GT'gSfrZ'OTSfrT'C

OEO'

frS'T

OST'T
8T8'8

TT9'2Oij L' T T
f"-^

205'CT
99'6 8T8'8

ses's

sez'o TS^'O eee'o980'LS'O-

:OT'O980'065T'0

66e'os'oT'O T58'0

u'o

= N

86Z'fr-

6Le'oeeo'oEI-T'O TO'O-

5:e'ozso'o
290'08,l'0 ST'O SZT'O SZT'O SZT'O 9ZT'0 TOS'O-

869'^-

= 1

9ee'o tso'o
frSO'O -50'0 frSO' .TZ'O-

T'O T09'0 frSO'O- szi'o -SO'O" SZI'O r 7 T' n &cn r bU ' U n~ ^aC 1 0 frSO'C- 5ZT'0 TST'Ooge'o BK'OGET'O

= V

zeo'c

990'0

79

c. Eliminacin de las incgnitas de orientacin en CABUYAL y ZAPOTAL por el mtodo de descomposicin en submatrices.

0,271 0,357 0,496 0,127 0,124 0,000 0,000 0,000 0,000 0,271

-0,626 0,000 0,000 0,000 0,000 -0,144 -0,123 -0,362 -0,248 -0,626

-0,271 0,000 0,000 0,000 0,000 0,444 0,091 0,251 0,025 -0,271

1,000 1,000 1,000 1,000 1,000 0,000

0,000

0,000 0,000 0,000

0,000 0,000 0,000 0,000 0,000 1,000 1,000 1,000 1,000 1,000

j.
14,090
10,450

2 Ir

A2

(A2T P A 2 ) - x

5,000 0,000

0,000 5,000

0,200 0,000

0,000 0,200

-1,100
0,050 0,000 3,140 0,010 5,050 0,190 14,050

A T2 P Ai =

0,139 0,626

1 , 3 7 4 -0,626 0 , 2 7 1 -1,504

-0,271 0,540

(A2T P A 2 )- a
0,028 0,125 0,275 0,054

* (A T2 P Aa.)
-0, 125 -0,301

-0,054 1
0,108 1

= P A a ) - i * UT 2

Al)

T2 P 1
23,490 22,440

0,028 0,028 0,028 0,028 0,028 0,125 0,125 0,125 0,125 0,125

0,275 0,275 0,275 0,275 0,275 0,054 0,054 0,054 0,054 0,054

-0,125 -0,125 -0,125 -0,125 -0,125 -0,301 -0,301 -0,301 -0,301 -0,301

-0,054
-0,054

-0,054 -0,054 -0,054 0,108 0,108 0,108 0,108 0,108

--

( T2 P A 2 ) ~ 1 * (A^a P 1)

r~ 4,698n|
L
4,488 | _J

wsft^^i^tuvt^^^ww^a^yiftt^jjtfj^^

-,

'6*

SSQ'T uo'z09S'T

6QS'T8T6'Z-

eee'o-

lll'L-

cse'z
60'*TS'T 659'T EfrT'TT

6f'T/T ZGO'T

00' TT9'Z^08*1 OST'T

TTS'Z-

zos'ei
T^Z'^8T8'8

OST'T
8T8'8 9^0'&-

ses'e
xxo

90T'9-

CK'O
SGZ'G

sez'o
TS^'O 980'C)-

OT'Osee'o-

s'o-

OT'O980'065T''0 T'O

oee'os'oa'o
T<i8'0

80'0EK'O TO'O-

zso'o zgo'oSiT'O SI'O 5Zl'0 SZT'O SZT^'O IOS'0-

TZ'O t'SO'O-

105*0 SZT'O-

9ee'o
869'frfrSO'O

t-so'oIST'O:

frso'o
I-50'O

8K'0380'0 99'0

J5S'!-

^oo'o-

at
4. AJUSTE DE OBSERVACIONES CONDICIONADAS

4.1 El modelo matemtico del ajuste de observaciones condicionadas En algunos casos las observaciones realizadas permiten relacionarse mediante una determinada funcin estando esta sometida a una condicin. En contraste con el ajuste de observaciones mediatas, donde para cada observacin se plantea una ecuacin de error, en el ajuste de observaciones condicionadas pueden involucrarse varias observaciones en una sola ecuacin. Para interpretar estos conceptos mas claramente, pasemos a describir el modelo matemtico del ajuste el cual se compone del modelo funcional y del modelo estocstico. 4.1.1 El modelo funcional El modelo funcional del ajuste de observaciones condicionadas es un caso especial del caso general del ajuste, el cual ser objeto de estudio en el curso de ajuste 2. El modelo funcional del caso general esta dado por la siguiente condicin: F(X,L) = 0^ Modelo funcional del caso general (4.1)

Si en la funcin F se excluye el vector de los parmetros X, la condicin (4.1) se transforma en el modelo funcional del ajuste de observaciones condicionadas.

F2(L) F(L) = = O Modelo funcional (4.2)

F.L) funcin vector de los parmetros ajustados vector de las observaciones ajustadas cantidad de ecuaciones de condicin

32

Ejemplo : consideremos el cuadriltero de la red de primer orden de Costa Rica conformado por los puniros BARES/ GALLO, GUARARI y DRAGN Supongamos que los puntos BARES y DRAGN son fijos y se aiden ngulos para definir las coordenadas de los puntos GALLO y GUARARI que subiremos corao puntos nuevos.

Fig. 4-i.: Determinacin de Gallo y Guarar a partir de Bares y Dragn

Vector de observaciones:
LT = E Li L2 La .. . * La 1

n = 8

u = 4
^ ,:-<,'- '

f ='8-4 = 4 = r
Los grados de libertar f como se definieron en el captulo 3 equivale en este caso a r, cantidad de ecuaciones de condicin, Significa entonces que por cada observacin supserabundante que se realice debe plantearse una ecuacin de condicin.

(D

f
Ecuaciones de condicin:
1.
2. 3.

83 fl

*= f

Li + L3 -f L* -t L. - 200 = O
L 3 t L a T L0 f U

- 200 = O

L2 t L3 1 L7 + La - 200 = O

Lo. + L2 i L* t L7 - 200 = O

La ltima ecuacin de condicin resulta de sumar las ecuaciones 1 * y 3 y restar la ecuacin 2. No se debe considerar porque no es una ecuacin independiente. Para completar la ecuacin de condicin _ faltante se plantea una ecuacin que se denomina ecuacin del lado. senLs t La) e senLi t L2) sen(Li)
f sen(L3 + L

sen(Li sen(L7 t L
sen (L3)

f
-1 = 0

e c

c f

f a

sen(L*) sen(L f L) sen(Lz) sen(L7 t L) sen(Li t L2) sen(L) senf. + L*) sen(Lo)

Ya que generalmente las funciones que se plantean no son lineales. C estas se linealizan por un desarrollo de la serie de Taylor, limitando m el desarrollo hasta el trmino de primer orden.
<5F(L) F(L) = FL) (L - L)-4*

c
: (4-3)

donde w = F(L) : vector de los errores de cierre v = I - L. : vector de los residuos

^ f f

I I I 1 f

Fi
<5L;

Fi

(5F FL)

(4.6)

r, n

En forma matrlcial el modelo funcional llnealizado es ahora

w = O
rn

(4.7)

-3.1.2 El modelo estocstico

El modelo estocstico del ajuste de observaciones condicionada esta dado por la matriz de varianza- covarianza del vector d observaciones.

(4.8)

P = CTS

4.2 Algoritmo del ajuste de observaciones condiconadas El algoritmo que permite

se

resolver un
basa en el

problema de
principio de

ajuste de
mnimos

observaciones condicionadas cuadrados de Gauss,

mnimo; con la rest/riccin

_ y + w = o j,
se plantea la funcin de Lagrange

a = V

v - 2 V* (B, v i w)

(4.9)

c : vector de los correladores o vector de los multiplicadores de Lagrange

(52

= 2Q ' 1 ! ! y - 2 BT k = Q
v

v - BT k

v = Qz! BT k

(4.101

Introduciendo (4.10) en el modelo funcional linealizado (4.7) se obtienen las ecuaciones normales

(4.11)
rn nn rfl

e = - (B Qn B T )- Z w

(4.12)

I 1 I I I
aiaiafti^^

86

con

(4.13)

k = -Q w

- kT w

(4.14)

4.3 Linealizacn de funciones En los captulos 1.2 y 3 se han tratado ya ampliamente la linealzacin de funciones por lo que en esta oportunidad solaviente trataremos el caso especial de la ecuacin del lado que se expresa por la ecuacin 4 de la pgina 83. En principio el desarrollo de Taylor de la ecuacin 4 es posible pero por la forma en que esta expresada esa funcin resulta este desarrollo bastante engorroso. Para facilitar el desarrollo antes se transforma la ecuacin aplicando logartitaos, por ejemplo el logaritmo natural, sin que con ello se altere la ecuacin. sen(L) sen(Ls + L a ) sen(Li) sen(L7 + L.

In
sen (Li * L2) sen(L) sen(Lj * L4) senL s

Inl) = O ,

aplicando las propiedades del logaritmo se obtiene In sen(L4 * In sen(LB -t- LA] * In sen(Li) + In sen(L7 + L n ) - In sen(Li + L2) - In sen(L) - In sen(L3 i L4) - In sen(L) = O lo que permite calcular con facilidad los coeficientes de la matriz B, F*(L)
coi

(4.15)

87
a EML)

- cotLi + L 2 ) (5 L
6 F,

= cot L*) - cot(L3 + L4! 5 L

F4(L) = cot (Ls tLa) - cot(Ls

= cotfLB L.

a P*
= cot(L7 i L.)

a p(D a L.

= Cut(L 7 i Le) - COt(La)

w* = Eln senL*} * In sen(LD * Le) + In sen(Lz) T In sen(L7 + L*) - In sen(Li + La) - In sen(L) - In sen(La t L<) - In sen(Lft)l

4.4 Matriz de varianza-covarianza de los resultados ajustados Hasta ahora se ha obtenido las observaciones ajustadas y la desviacin estndar de la unidad de pesos s0. Interesa ademis conocer las varlanzas y covarianzas de otros resultados ajustados, por ejeraplode las varianzas y covarianzas del vector de observaciones ajustadas, vector de funciones ajustadas y su respectiva matriz de varianza-covarianza, etc.

iKXKtMK0<ttKXX^

-6

Con base en los algoritmos siguientes ecuaciones,

y_ - - Qi! BT & B I

del

captulo

4.2

se

plantean la

1 = 1 + v = (I- Q l x BT Q 3) 1

F =

'T - r
, Lt

i - L -

= Fi 1 = Fi (I - Q ai BT Q B) 1

BT Q B

h =

I - Qn BT Q B
Fi (I -

Q B)

h = F 1

= F

Qlv

Ql'x

rl

o =
o =

TT

0 =

TTD

T1C0

xH

TT0

AA0

90

PROBLEMA 4-1

Ajuste de un cuadriltero por el mtodo de observaciones condicionadas

Vector de observaciones
L
al = a2 = a3 =

Croquis sin escala GAUO

a4 a5 a6 a7 a8

= = = = =

65,228790 51,805694 32,006818 49,269972 53,495343

34,046481

63,189759 50,958868

con

Desviacin estndar de un ngulo medido: cr = t 2 ce a. Plantee las ecuaciones de condicin b. Calcule las observaciones ajustadas c. calcule la desviacin estndar de las observaciones ajustadas a. Ecuaciones de condicin Cantidad de ecuaciones de condicin : r = 4
1. 2. 3.
4.

al i a2 + a3 t a8 - 200 = O al + a3 * ct4 i et5 - 200 = O a4 + C5 t a6 + a? - 200 = O

s e n ( a 2 ) sen(a3

s e n ( a 8 ) sen(a5
-1 = 0

sen(oi7 t a8) sen(a5) sen[al t a 2 ) s e n ( a 4 )

b. Observaciones ajustadas Matriz de los cofactores: Qll = ! (todos los ngulos se midieron con la misma exactitud y son independientes)

91

1,00 0,00 0,00 1,22

1,00 1,00 0,00 0,30

0,00 1,00 1,00 -0,72

0,00 1,00 1,00 -0,70

0,00 0,00 1,00 0,20

0,00 ofoo 1,00 0,23

1,00 0,00 0,00 0,74

BT
1,00 1,00 1,00 j,00 3,00 J,OQ 3,00 1,00

B Qll BT

1,O 0,00 1,C 1,00 1,30 0,00 0,00 0,00

o', oo

0,00 0,00

1,00 1,00 1,00 1,00 0,00

0,27 1,22 0,30 -0,72 -0,70 0,20 0,23 0,74

4,00 2,00 0,00 2,54

2,00 4,00 2,00

-0,84

0,00 2,00 4,00 -0,99

2,54 -0,84 -0,99 3,30

Q ={B Qll 3T)-1

3,10

-5,25 1,28 -7,43

-b,25 5,16 -1,15 5,78

1,28 -1,15 0,55 -1,11

-7,43

5,78 -1,11 7,16

1,70 9,23
15,55 -2,99

1,82 -1,93 -3,42 -2,02

'ce

L ajustado
-0,66
-0,64 -0,72 -3,90 -3,95 -3,82 -3,88 0,32
rr

v T P v_ =

SI, 92

so

t3,93

65,228724 51,805630 32,006746 49,269582 53,454948 34,046099 63,189371 50,958900

gon

PRUEBA PIAL P[L) = o : oT =

0,000000

0,000000 .0,000000 -0,000000 I

c. Desviacin estndar de las observaciones ajustadas

Qvv = Ol BT Q B Qll

0,39 0,18 0,40 0,10

0,11

-0,11 -0,10 0,04

0,18 0,61 0,22 -0,21 -0,18 0,18 0,22 -0,00

0,40 G,22 0,41 0,09 0,10 -0,10 -0,09 -0,03

0,10 -0,21 0,09 0,41 0,40 0,10 0,09 0,02

C

0,11 -0,18 0,10 0,40 0,39 0,11 0,10 -0,03

-0,11 0,18
-0,10 0,10 0,11 0,39 0,40 0,03

-0,10 0,22 -0,09 0,09 0,10 0,40 0,41 -0,02

0,04 -0,00 -0,03 0,02 -0,03 0,03 -0,02 1,00

fv x t >
0,612
-0,180 -0,397

^ A^

't = Qll -Qvv

-0,104

-0,111

-0,180 0,392 -0,217 0,213 0,589 -0,090 -0,397 -0,217 0,213 -0,090 0,592 -0,104 -0,102 -0,397 -0,111 0,184 0,112 -0,181 0,103 -0,104 0,089 -0,090 -0,217 0,103 -0,035 0,005 0,025 -0,019
i 1 qlili sli = so \e

0,184 -0,102 -0,397 0,610 -0,111 -0,102 0,029

0,112 -0,181 C, 103 -0,104 -0,111 0,612

0,103 -0,217

-0,035 0,005

-0,397
-0,034

0,089 -0,090 -0,102 -0,397 0,589 0,024

0,025 -0,019 0,029 -0,034 0,024 0,005

sil s!2 s!3 sH

= = = =

i 3,08
2 , 4 6 ce 3 , 0 2 ce 3,03 ce

s!5 sl6 s!7 s!8

= = = =

t 3,07 t 3,08 3,02 * 0,27

ce ce ce ce

6 H
BIBLIOGRAFA

e
Hpcke, Walter. Kleiman, Ariel.

Fehelerlehre und Ausgleichsrechnung, Walter de * Gruyter, Berlin-New York, 1980 Matr ices . Api i cae iones en economa y administracin, Editorial Limusa, Mxico Geodtische Ne!:ze in Landes- und Ingenieurvermessung, Veran Konrad Wittwer, Stuttgart, 1980 Geodtische Netze in Lances- und ngenieurvermessung, Verlag Konrad Wittwer, Stuttgart, 1985

e e

Pelzer, Hans.

Pelzer, Hans.

Dietrich Gunter.

e e Matrizen und Determinanten und ihre Anwendung e in Technick und Okonomie, Verlag Harri Deutsch,
Frankfurt, 1978 Introduccin a la estadstica aplicada, Editorial Friedr. Vieweg Sohn, Braunschweig, 1982 Estadstica Matemtica con Aplicaciones, Grupo Editorial Iberoamrica, S. A., Mxico, 198S

Bosch, Karl.

Mendenhall, William.