Escolar Documentos
Profissional Documentos
Cultura Documentos
Prefacio
1. Introducción
1
1.1 conceptos de medición y de error. 1
2.2. Linealizacion 20
3. El concepto de Ajuste 31
3.1. Introducción 31
Apéndice A.
Una introducción al álgebra de matrices 305
Apéndice B. Tablas
Tabla I.
Valores de la distribución Normal Estándar 326
Tabla II.
Percentiles de la Distribución Chi-Cuadrado 328
Tabla III.
Porcentajes de la distribución t-student 330
Bibliografía 333
Índice 337
INTRODUCCION
Debe ser puntualizado que la variación en los valores obtenidos para una
cantidad medida es un fenómeno natural que se debe esperar incluso cuando las
condiciones bajo las cuales se hacen las mediciones son constantes. Si debemos
contar con la variación, después debemos contar con una diferencia entre un valor
medido de una cantidad y su valor verdadero. Esta diferencia se conoce como el
error en el valor medido. Aunque el significado inglés del término error puede
sugerir que hay algo mal, los errores en la medición no deben ser mirados así, a
menos que quizás sean errores gruesos (véase la sección 1.2).
El estudio de errores de observación y su comportamiento es equivalente al
estudio de observación de ellos mismos. Es decir qué el clásico que se ha
referido como la teoría de errores es equivalente a lo que ahora se conoce como
la teoría de observaciones
Si τ denota el valor verdadero de una cantidad (una distancia, un ángulo, etc.), y
X es su valor observado, después el error en x se define como:
x= X – τ (1-1)
Errores Al azar
De hecho, los errores al azar son variables al azar. Mientras que las
variaciones sistemáticas se desarrollaron matemáticamente al usar
relaciones o modelos funcionales, las variables al azar deben ut ilizar
modelos de la probabilidad. Algunos conceptos elementales en la teoría
de las probabilidades se introducen en la sección siguiente. Más adelante
serán discutidas en el capítulo 5.
1.3 CONCEPTOS ELEMENTALES EN PROBABILIDAD
EJEMPLO 1-1
Una distancia de cerca de 810 m se mide 200 veces. Todas las medidas
están libres de errores vulgares y se corrigen para los errores
sistemáticos. Los valores corregidos se expresan a 0.01m. Se observa
que después de corregir para los errores sistemáticos la variación que
resulta en las medidas se extiende a partir del 810.11m hasta los 810,23
m, distribuidos como sigue:
VALOR DE LA NUMERO DE
MEDICION (m) MEDICIONES
810.11 1
810.12 3
810.13 7
810.14 19
810.15 20
810.16 36
810.17 38
810.18 29
810.19 24
810.20 10
810.21 11
810.22 0
310.23 2
Solución
VALOR DE LA FRECUENCIA
MEDIDA (m) RELATIVA
810.11 O.005
810.12 0.015
810.13 0.035
810.14 0.095
810.15 0.100
810.16 0.180
810.17 0.190
810.18 0.145
810.19 0.120
810.20 0.050
810.21 0.055
810.22 0.000
810.23 0.010
La suma de las frecuencias relativas debe, por supuesto, ser 1.000. Las
frecuencias relativas se trazan en fig. 1-1 como rectángulos.
La distribución de frecuencia en fig. 1-1 se centra muy cerca del valor 810.17m,
las frecuencias más altas están en o cerca del valor central. Si se aumentara el
número de medidas infinitamente, sería visto que cada frecuencia relativa
acercaría a un límite estable. El valor límite de la frecuencia relativa se conoce
como la probabilidad.
Figura 1-2
La región sombreada en fig. 1-2. Recordando que una medida es una variable al
azar, la curva en fig. 1-2 es la función densidad de probabilidad de la variable al
azar que representa la medida de la distancia. El valor central μ, en la fig. 1-2 es el
valor medio de la medida. Si no hay errores sistemáticos presentes en la medida,
se toma el valor medio como el valor "verdadero"
Una función similar de densidad, es mostrada en fig. 1-3, se puede utilizar como
modelo de probabilidad para el error al azar de la medida. En este caso, el valor
medio es cero. El valor medio μ, se refiere al parámetro de la posición o de
localización de la distribución de la probabilidad. Otro parámetro de la distribución
es su desviación de estándar, que mide la extensión o la dispersión de la
distribución de probabilidad, según lo indicado en fig. 1-3. Si la medida A tiene
mayor variación que la medida B, la medida A tendrá una desviación estándar
más grande que la desviación de estándar de B. El cuadrado de la desviación
estándar se conoce como la variación.
Figura 1-3
Un valor numérico debe llevar todos los dígitos más la primera restricción del
dígito es dudoso. Si, por ejemplo, los primeros dígitos del valor 137.824 están
seguros y los dos dígitos pasados son dudosos, el valor se debe expresar a
solamente cinco cifras significativas, es decir, 137.82 (1, 3, 7 y 8 está seguros, 2
es dudosos). El número de cifras significativas en una cantidad directamente
medida no es generalmente difícil de determinarse, pues esencialmente depende
del instrumento usado. Por ejemplo, si una distancia se mide con una cinta
graduada en centímetros, con la valoración a los milímetros, y una lectura de
462.513 m se toma, los primeros cinco dígitos son seguros, se estima el sexto
dígito (y por lo tanto es dudoso) y así que el valor tiene seis cifras significativas. El
número de figuras significativas en una cantidad numérica es reducido
redondeando. El mínimo error será causado si el redondeo se hace según las
reglas siguientes:
1Si se requieren las cifras significativas de k se desechan todos los dígitos a la
derecha de (dígito de k+1) th.
d. Si son 5 y el dígito del kth es impar, lo desechan y aumentan el dígito del kth en
uno; e.j., 12.3435 se redondea a cinco cifras significativas como 12.344.
2.15X11_1234 =23.9
22.15x 11.1234) = 47.8 (2 es un valor exacto).
y=ax+b (2-1)
x= x 1 + dx . (2-2)
y1=ax1+dx1 (2-3)
Entonces de la ecuación 2.1 nosotros obtenemos con el siguiente
cómputo el valor para y:
Figura 2.1
y ax b
a ( x1 dx) b
a x1 b adx
y y adx
1
dy representa el error en y, entonces se sigue de la Eq. (2.4) que
dy adx (2-5)
Ahora aplicando cálculo elemental a la Eq. (2-I), vemos que la derivada de y con
respecto a x es dy/dx = a. Así una expresión equivalente para la Eq. (2-5) es
dy
dy dx (2-6)
dx
EJEMPLO 2.1
La parcela de la tierra A es de forma trapezoidal con las dimensiones dadas en
fig. 2-2. Para una distancia medida d=3,560m, se requiere la ordenada h. Si el
error en la distancia medida es 0.016 m, compute el error correspondiente en el
valor calculado de h.
Solución
La cuesta de la línea CD es
60 20
a 0.5(exact )
80
Si visualizamos un sistema coordenado con origen en A y el eje x a lo largo del
AB, la ecuación de la línea CD es
y 0.5 x 20
En qué cantidades 0.5 y 20 son errores.
h 0.5(23.560) 20 31.780 m
De la Eq. (2-5), el error en h es
Fig. 2-2
y x
1
2
1
(2-8)
Y
y ( y dy) x ( x1 dx) 2 x1 2x1 dx (dx) 2
2 2
(2-9)
1
De lo cual obtenemos
dy 2 x1 dx (dx) 2 (2-10)
dy
dy dx (dx) 2 (2-11)
dx
EJEMPLO 2-2
Figura 2-4
La cinta es demasiado corta para 0.030 m, una distancia medida 30-metros es
realmente m, la longitud correcta del lado del cuadrado es por lo tanto
29.970
x1 (50.170) 50.120 m
30.000
El área correcta de la zona es,
dy 2 x1dx (dx) 2
dy
dy dx (100.240)(0.050) 5.0120 m 2
dx
Que en la fig. 2-4, iguala la suma de las áreas de los rectángulos AB1B'A ' y
CB2B'C '. La diferencia entre la determinación exacta del error en el área y su
determinación según la Eq. (2-6) es solamente 0.0025m2 que es (dx)2 el área de
todo el cuadrado B1BB2B '. Esta diferencia es solamente 0.05 % del error, y es
por lo tanto significativa. *
Cuando más de una variable está implicada en una función, las reglas de la
diferenciación parcial pueden ser aplicadas. Específicamente, si los errores en x1,
x2.... xn, son representados por los diferenciales dx1 dx2..., dxn respectivamente,
después el error en y se puede representar por:
y y y
dy dx1 dx2 ... dxn (2-12)
x1 x2 xn
y y y
En la cual las derivadas parciales. , ,… . se evalúan en los valores
x1 x 2 x n
(medidos) numéricos dados de x1, x2.... xn, respectivamente.
EJEMPLO 2.3
En vez del cuadrado que se uso en el ejemplo 2-2, se toma una zona de tierra
rectangular, se midió 50.170 m por 61.090 m. Si los mismos 30 en la cinta (0.030
m demasiado corta) se utilizan para hacer las medidas, evalúe el error en el área
calculada de la zona.
Solución
y
x2 61.090 m
x1
y
x1 50.170 m
x 2
* la aplicación de la regla de la multiplicación para las cifras significativas (sección 1.5) lleva a la
expresión dy a dos cifras significativas solamente; es decir, = 5.0 m dy '. Esto, indica también que
el 0.0025 m ' pico es insignificante.
0.030
dx2 (61.090) 0.061m
30
La Eq. (2-12) se utiliza para calcular el error en el área:
Y
y y
dy dx1 dx2 (61.090 )(0.050 ) (50.170 )(0.061) 6.1m 2
x1 x2
2.2 LINEALIZACION
Hemos notado en la propagación de errores vistos en la sección 2.1 que cuando
la función es no lineal el término de mayor orden (dx)2 puede no tomarse en
cuenta porque es muy pequeño. La función de la propagación de errores que
resulta, con (dx) ' omitido, es una aproximación. Puesto que fue demostrado que
la propagación de errores que implica funciones lineales no exige ninguna
aproximación, un acercamiento alternativo para las funciones no lineales es
posible. Este acercamiento primero substituye la función no lineal por su forma
linealizada y en seguida se aplica la propagación, en vez de que se haga la
aplicación de la propagación a la función no lineal primero y en seguida encontrar
los términos. La base de la linealización de la función y f (x), es la extensión de
la serie de Taylor:
dy
y y0 x Términos de mayor orden (2-13)*
dx x0
Donde y f ( x0 ), y x x x0
y x02 2 x0 x
EJEMPLO 2-4
Linealize la función y 2 x3 x3 4 x 7 en x=2, si x=2 y el error en x es 0.01,
compute el error en y para:
Figura 2-5
Solución
y f ( x1 , x2 ) (2-15)
Entonces la forma linealizada es
y y
y y 0 x1 x2 , (2-16)
x1 x0 x2 x0
Entonces
y y 0 j1 x1 j 2 x2 (2-17)
x1
x
2
La multiplicación de j por Δx queda j1x1 j2x2 así, esto puede ser considerado
como en la E.q. (2-17), puede escribirse en forma compacta escrito compacto
como
y y0 j x (2-18)
Como hecho material la Eq. (2-18) se aplica no importa cuantos elementos
tengan j y Δx queda tienen, siempre y cuando tengan igual numero de elementos.
Por ejemplo, y puede ser una función de cuatro variables es decir,
x1
x
y y 0 j x y 0 j1 , j 2 , j3 , j 4 2
x 3
x 4
EJEMPLO 2-5
El cuadro 2-6 muestra una zona de la tierra integrada por un semicírculo con el
diámetro AB, un rectángulo ABCE, y un triángulo ECD. Exprese el área total y de
la zona en función de las tres dimensiones x1, x2 y x3 mostrados en la figura.
Entonces linealice la función, dado x10 50m, x2 0 20m, x3 0 30m,
Figura 2.6
Solución
De la figura, el área de la zona es
1
y x32 x1 x3
x2 x3
8 2
Para linealizar esta función, primero evalúe y0
1 1
y0 x320 x10 x30 x2 0 x30 (30)2 (50)(30) (20)(30) 2153 .43m2
8 2 8 2
La evaluación j:
y y y 1 1
j , , x30 , x30 , x30 , x10 , x2 0 ,
x1 x2 x3 2 4 2
y y0 j x
x1
=2153.43+[31 15 84 ] x 2 (m2)
x3
es decir,
de una manera similar a la Eq. (2-16) cada una de estas funciones es linealizada
como
y y y
y1 y10 1 x1 1 x2 1 xn
x1 x 0
x2 x 0
xn x 0
y y y
y2 y2 0 2 x1 2 x2 2 xn
x1 x0 x2 x0 xn x0 2-20)*
y y y
ym ym 0 m1 x1 m x2 m xn
x1 x0 x2 x0 xn x0
Substituyendo en la derivada parcial de cada yi con respecto a cada variable xk por
y y
j1k (e.j, ., 3 j32 3 x2 j32), La Eq. (2-20) se convierte en:
x2
Podemos condensar cada línea en la Eq. (2-21) siguiendo una forma comparable a la Eq, (2-18)
=
usando j1 [j11, j12,… j1n], j=[ j21, j22,… j2n] y ahora son. Así
y1 y1 0 j1 x
y 2 y 2 0 j 2 x
(2-22)
y m y m 0 j m x
*En este punto debe ser claro que las derivadas ∂y1/∂x1, ∂y1/∂x2,…, ∂y1/∂x deben ser evaluadas en
y 1 y 1 0 j1 y 1 0 j1 1 j1 2 j1 n x1
y y j
2 y 2
2 0 2 x 0 2 1 j j 22 j 2 n
x 2
(2-23)
m m0 m
y y j
m 0 jm1
y j m 2 j m n x n
Que en su forma compacta es.
y y0 J x (2-24)
Puede ser que J tenga tantas filas m como tantas funciones yi, y tantas
columnas n, como tantas independientes cantidades (o medidas) xk. Todas
las derivadas parciales, así como las cantidades, se evalúan en los valores
dados de las variables independientes.
EJEMPLO 2-6
La zona mostrada en la fig. 2-6 debe ser dividida en dos porciones por la línea
quebrada que conecta B y E. Exprese las áreas de las dos piezas, y1 y y2,
mostradas en la figura, como funciones de las dimensiones x1, x2 y x3. Para
x10 = 50 m, x20=20m y x3o=30m evalúe la matriz Jacobiana J, y exprese y1 y
y2 en forma linealizada.
Solución
1
y1 x32
x1 x3
8 2
1 1
y x1 x3 x2 x3
2 2
y 2 y 2 y 2 1
( x1 0 x 2 0 )
1 1 1
x3 0 x3
x1 x 2 x 3 2 2 0 2 2
15 0 49
15 15 35
Ahora
2 1
x x x
y10 8 3 0 2 10 30 1103 .43 2
y0 m
y2 0 1 x x ( 1 x x ) 1050 .00
2 10 30 2 10 2 0
y y0 Jx
x1
1103 .43 15 0 49 2
15 15 35 x2 m
1050 .00
x3
Que es,
y1 (1103 .43 15x1 49 x3 )m 2
y2 (1050 .00 15x1 15x2 35x3 )m 2
EJEMPLO 2.7
Solución
Los errores dx1, dx2 y dx3 en x1, x2 y x3 respectivamente, son también
errores en ∆x1, ∆x2 y ∆x3, respectivamente. Así, aplicando la propagación de
errores.
dy1=15dx1+49dx3
=15(0.02)+49(0.03)=1.77m2
PROBLEMAS
Fig2-7
2-3 Una pared de un edificio se muestra en la fig. 2-8. Cada ventana tiene
anchura a, el espaciamiento entre las ventanas es b, y la distancia de cada
esquina del edificio a la ventana más cercana es c. La longitud y de la pared
se determina de las medidas x1, x2 y x3 si los errores en las medidas x1, x2 y
x3 son 5 milímetros, 8 milímetros, y 9 milímetros, respectivamente, determine
tic: error en el valor calculado de y.
Fig2-8
2-6 Los ángulos interiores A y B de un triángulo plano son fijos en 30°00'00 ' y
70°00'00 ', respectivamente. El lado a (opuesto a A) se mide y se encuentra
que tiene 400.000 m, y el área del triángulo se computa de los datos dados. Si
el error en el valor medido de a es 0.040 m, evalúe el error en el área
computada: (a) determinando la diferencia entre el área computada del valor
medido de a y el área computada del valor verdadero de a; (b) aplicando Eq.
(2.6); (c) aplicando la relación expresada en Prob. 2-5.
2-9 use la serie de Taylor, Eq. (2-13), para linealizar cada una de las
siguientes funciones del valor dado, utilice la función linealizada evaluada en y
el valor x. compare este valor de y con el valor obtenido usando la función de
origen.
2-10 la corrección para la holgura de una cinta esta dada por la función
w 2l
y
24 p 2
En la que (L) es la longitud de la cinta, W es el peso de unidad de la cinta y
p es el tirón aplicado. El peso de la longitud y la unidad de una cinta son 50
m y 0.031 kg/m respectivamente, y el tirón es variable. (a) Linea lice y en p. =
10 kilogramos usando la extensión de la serie de Taylor, Eq. (2 -I3). (b)
Evalúe y para p = 11 kilogramos que usando la función y compare el valor
que resulta con el valor obtenido de la función original.
y1
x
2-12 Vector x = Es una función del vector y y 2 tales que.
x2 y 3
y
x1 3 y12 22 0.7 y3
y1
Y
y
x2 22 4 y32
y1
3.1. INTRODUCCIÓN
r= n — n 0 (3-1)
Cada observación estimada, l i , se puede mirar como observación corregida,
obtenida del valor medido; l agregando una corrección v; a ella, es decir.
l lv (3-2)
La ecuación (3-2) es equivalente a la Eq. (1-2), en la cual Vi se define como
la residual. Para todas las observaciones de n la relación correspondiente es
* La estimación del término se utiliza en el sentido estadístico apropiado (véase C apitulo 8).
No debe ser tomada como conjetura, sino como el r esultado de un cómputo apropiado o de
una construcción gráfica usando datos sabidos, cada término y cada dato.
l l v (3-3)
n,1 n,1 n,1
Donde cada término es un vector columna, con estos elementos, es decir,
l 1 l1 v1
v
l l 2 ; l l 2 ; and v 2 (3-4)
l vn
n
l n
Figura 3-1
Que l 1 necesita ser aumentado en v1, l 2 , creciente en v2, y l 3 disminuido en
v3 para conseguir corresponder l1,l2,l3 respectivamente. Es decir conseguir
P como solución única, las dos residuales v1, v2 son positivas mientras que
v3 es negativa. La fig. 3-1 ayuda mostrando los conceptos de la redundancia,
de la inconsistencia con el modelo, de residuales, y de las nuevas
estimaciones para las observaciones, debe ser acentuado que la solución
será obtenida casi siempre gráficamente.
Otros procedimientos simples del ajuste se refieren a las travesías. Un
procedimiento muy común del ajuste travieso es el compás o la regla de
Bowditch, representada en la Fig. 3-2 para una travesía que comience en un
punto de control A, y se cierre, en otro punto B. La salida y la latitud de una
pierna o de un curso particular de la travesía (e.g., curso 2 -3) se dan por.
ESTACIO LONGITU
N LINEA D (m) AZIMUTH X (m) Y (m)
A 5000,000 5000,000
Desviacion, x 23 l 23 sin 23
Latitud, y 23 l 23 cos 23 (3-5)
Cuál es la longitud del curso y a, es este acimut el norte o el eje y en la Fig. 3-2.
Comenzando con el punto A y usando los ángulos y las distancias medidos,
terminamos por arriba en el punto B ' en vez del punto de control B. Los errores de
cierre se muestran en la figura como el error de la salida ex, y el error de la latitud
en y. Las correcciones en salida y la latitud para una pierna, tal como 2-3, se
computan como
(l23)(ex )
Corrección de salida por. 2-3 = lij (3-6)
(l23)(ey )
Corrección latitud por 2-3 = lij (3-7)
Figura 3-2
En cuál l if esta la suma de todas las longitudes del curso en la travesía. Para la
travesía en fig. 3-2 l if l A1 l12 l23 l3 B
Ejemplo 3-1
Solución
Primero, computamos las salidas y las latitudes y las coordenadas provisionales del
punto B ' para determinar los errores de cierre e y para ver la primera tabla en la
página de oposición.
Para aplicar la regla del compás, el arce siguiente de dos cocientes necesitó:
ly
1153 .6
6
ly
1153 .
66
Cada uno de estos valores es multiplicado por cada longitud del curso, cambiando
la muestra, para dar las correcciones correspondientes de la salida y de la latitud,
respectivamente [Eqs. (3-6) y (3.7)]. Las salidas y las latitudes se corrigen por
consiguiente, y se utilizan para calcular las coordenadas finales para todas las
estaciones. Los resultados se resumen en la segunda tabla en la pagina 38.
Como hemos indicado en las dos secciones que precedían este capítulo, cuando
existen medidas redundantes, un ajuste es necesario para conseguir una solución
única al problema actual. Aunque los métodos aproximados, gráficos y de cómputo,
pueden ser adecuados para algunos casos limitados, un procedimiento más general
y más sistemático es necesario para el uso de todas las situaciones y este es el
método del ajuste de los mínimos cuadrados es tal procedimiento, Asumiendo, con
tiempo que todas las observaciones no tienen n correlación y son de igual
precisión (la correlación y la precisión desigual se toman más adelante), el método
del ajuste de los mínimos cuadrados se basa sobre el siguiente criterio ,
La suma de de los cuadrados de las residuales de observación debe ser un
mínimo, es decir,
n
v v v v i2
2
1
2
2
2
n Mínimo (3-8)
i 1
Así, además del hecho de que las observaciones ajustadas deben satisfacer al
modelo exactamente, las residuales correspondientes deben satisfacer el criterio
de los mínimos cuadrados de la Eq. (3-8). Demostremos el uso de este criterio,
considerando un ejemplo muy simple de determinar una distancia x por una
medición directa. Puesto que el modelo implica solamente un elemento (o
variable), requiere solamente determinar una medida, únicamente la distancia, es
decir, n0=1. Suponga que tenemos dos medidas, l1 = 15.12 m y l2 = 15.14 m.
Entonces n = 2, y según la Eq. (3-1), hay una redundancia porque
r=n—n 0 =2— 1 =1
Hay obviamente muchos valores posibles para v1 y v2 tales que estas relaciones
Está claro que 2 es el más pequeño de los tres valores, pero la pregunta
verdadera es si es el valor mínimo mismo cuando todas las combinaciones
posibles de las correcciones se consideran. Para contestar a esta pregunta, y
también para demostrar el criterio de mínimos cuadrados geométricos, nos
referimos a la fig. 3-3. Las dos medidas ajustadas l 1 y l 2 , se relacionan la una
a la otra por
l1 l 2 0 (3-10)
Para cada punto en la línea, tres de los cuales son indicados por A1, A2, A3 para
corresponder a los tres valores computados 1, 2, 3, respectivamente. De todas
las posibilidades, el principio de los mínimos cuadrados selecciona un punto, A2
tal que la distancia AA2, es la posibilidad más corta (es decir, un mínimo). De
geometría simple, la línea AA2, es por lo tanto la normal a la línea de la condición
según lo mostrado en la fig. 3-3. Puede ser visto que A2 también satisface la
característica intuitiva de que las nuevas estimaciones l 1 , l 2 , de las
observaciones deben desviar lo menos posible a las observaciones dadas l 1 , l 2 ,
en la fig. 3-3, el punto A1, es obtenido moviéndose desde A derecho abajo, así
con v1 = 0 y v2 = -0.02. Para el punto A2 la dirección de AA2: es perpendicular a
la línea de condición, así formando un triángulo 45º del cual v1 y v2 son iguales
en magnitud pero diferentes en muestra. Las observaciones ajustadas arriba
terminan siendo iguales, o, l 1 l 2 15.13m , así se satisface la condición que
expresa el modelo. Un hecho, es que la estimación final de la distancia es
x 15.13m , que satisface la sensación intuitiva de que el valor ajustado debe ser
la media aritmética de las dos observaciones dadas. Es decir,
x (1/ 2)(l 1 l 2 ) (1/ 2)(15.13 15.14) 15.13m
Este es el caso más simple de un hecho muy importante, siempre que las
medidas de una cantidad están sin correlación y tienen precisión igual (peso), los
mínimos cuadrados , la estimación de la cantidad es igual a la media aritmética
de las medidas (véase la sección siguiente). Cuando solamente las
observaciones n0 son obtenidas, el modelo será determinado únicamente, por
ejemplo midiendo una distancia una vez. Si se hace una medida adicional, hay
un r de la redundancia (r = I) y una ecuación correspondiente se debe formular
para aliviar la inconsistencia que resulta. Así, en el caso de dos medidas de una
distancia apenas discutida, la Eq. (3-10) debe ser cumplida para garantizar que
las dos observaciones ajustadas arriba terminan siendo iguales, así se satisface
el modelo. Tal ecuación se llama ecuación de condición, o simplemente
condición, puesto que refleja la condición que se debe satisfacer con respecto al
modelo dado.
Una segunda técnica de los mínimos cuadrados que se utiliza con frecuencia se
llama ajuste de observaciones indirectas. En esta técnica, el número de
condiciones es igual al número total de observaciones, n. Puesto que en los
términos de las observaciones solamente debe haber condiciones de r, después
en esta técnica las ecuaciones deben contener n - r= n0 variables desconocidas
adicionales. Estas variables desconocidas adicionales se llaman parámetros. Sin
embargo, una observación tiene un valor, al principio el parámetro es
desconocido se tiene que valorar a-priori un ejemplo de las condiciones
implicadas en el caso del ajuste de observaciones indirectas y esto es dado por
las Eqs. (3-9). En estas ecuaciones x representa la estimación de los mínimos
cuadrados de la distancia requerida, de un parámetro desconocido, x . No se sabe
de antemano, sino es un resultado calculado de la solución de los mínimos
cuadrados. Aquí, hay dos nociones de condición e (n = 2), que es la suma de la
redundancia (r = 1) y el número de parámetros (n0 = 1). Puede ser visto que si la
estimación del parámetro algebraico x se elimina, de la Eq. (3-9) seguirá siendo
una ecuación en los términos de las observaciones la Eq. (3-10). En general,
todas las técnicas de mínimos cuadrados son equivalentes en que rinden los
resultados idéntica para el mismo problema. La razón de tener diversas técnicas
es que cada clase de problemas es generalmente manejada mejor por una
técnica que por otra.
3.4. EJEMPLOS DE PROBLEMAS SIMPLES DE MINIMOS CUADRADOS
Aunque todavía no hemos dado una derivación general de ninguna de las
técnicas de los mínimos cuadrados, y no habrá tal hasta el capítulo 4, una cierta
experiencia de este trabajo se tendrá en pocos problemas simples aplicando los
mínimos cuadrados y el criterio será directamente provechoso en este punto. En
todos estos ejemplos, asumiremos que las observaciones no tienen correlación y
son de igual precisión (peso). Esta asunción es necesaria para mantener las
manipulaciones relativamente simples. Es importante observar que, en la práctica,
las medidas pueden tener pesos desiguales miraremos cuales son los
procedimientos más detalladamente en capítulos posteriores.
EJEMPLO 3-2
La distancia A se mide 4 veces (n=4) con los siguientes resultados: l1 = 32.51 m,
l2= 32.48 encendido, l3 = 32.52 m, y l4 = 32.53 encendido. ¿Cuál es la s
estimación de los mínimos cuadrados de la distancia?
SOLUCIÓN
l1 v1 x or v1 x 32.51
l 2 v2 x or v 2 x 32.48
l3 v3 x or v3 x 32.52
l 4 v4 x or v 4 x 32.53
v12 v22 v32 v42 ( x 32.51) 2 ( x 32.48) 2 ( x 32.52) 2 ( x 32.53) 2
La orden para Φ es ser un mínimo. Su derivada parcial con respecto a x se
debe evaluar en cero. Así
2( x 32.51) 2 2( x 32.48) 2 2( x 32.52) 2 2( x 32.53) 2 0
x
De
4 x (32.51 32.48 32.52 32.53) 2 130.04m
EJEMPLO 3- 3
Los ángulos interiores de un triángulo plano son α1 = 41º33 ' α2 = 73º57 ' y
α3=59º27 '. Compute los ángulos ajustados usando el método de los mínimos
cuadrados.
Solución
Puesto que se toman dos ángulos para fijar el triángulo (es decir, n0=2) y
después desde n=3, la redundancia es r = 3 - 2 = 1. La condición correspondiente
es
1 2 3 180 º
O
( 1 v1 ) ( 2 v2 ) ( 3 v3 ) 180 º
O
v1 v 2 v3 ) 180 º ( 1 2 3 )
180 º (41º33'78º57 '59 º 27 ' )
180 º 179 º57 ' 3'
De lo qué v3 = (3 ' - v1- v2). La cantidad que se minimizara es
v12 v22 v32 v12 v22 (3'v1 v2 )2
Entonces,
2v1 2(3'v1 v 2 )(1) 0
v1
2v 2 2(3'v1 v 2 )(1) 0
v 2
Estas dos ecuaciones se pueden reducir a
2v1 v 2 3'
v1 2v 2 3'
Multiplicando la ecuación por 2 y restando, conseguimos
4v1 2v 2 6'
v1 2v 2 3
3v1 3'
Finalmente,
EJEMPLO 3-4
Se miden las distancias AB, A.C., CD, CA, y BD, Fig 3-4. Los valores observados
son 100.000 m, 100.000 m, 100.080 m 200.040 m, y 200.000 m, respectivamente.
Todas las medidas no tienen correlación y tienen la misma precisión. Si los
valores medidos se ajustan de acuerdo con el principio de los mínimos
cuadrados,¿ cuál es la distancia ajustada que resulta entre A y D?
Solución
Para obtener una solución de los mínimos cuadrados debemos reducir al mínimo
la suma de los cuadrados de los residuales. Así,
v12 v22 v32 v42 v52
( x1 100.000)2 ( x 2 100.000)2 ( x3 100.080)2 ( x1 x 2 200.040)2 ( x 2 x3 200.000)2
Fig 3-4
2( x1 100000 ) 2( x1 x 2 200 .040 ) 0
x1
2( x 2 100000 ) 2( x1 x 2 200 .040 ) 2( x 2 x 3 200 .000 ) 0
x2
2( x 3 100080 ) 2( x 2 x 3 200 .000 ) 0
x3
Reacomodando estas tres ecuaciones se convierten en
2 x1 x2 300 .040 (a)
x1 3 x 2 x 3 500 .040 (b)
x 2 2 x 3 300 .080 (c )
Estas tres ecuaciones desconocidas se llaman las ecuaciones normales. Indican
que después de aplicar el criterio de los mínimos cuadrados (minimizando Φ),
para determinar el caso contrario de la medida, esta se transforma en un caso
(constante) único.
Substituyendo este valor de x 2 en (a), conseguimos,
2 x1 300 .040 99.990 200 .050 O x1 100 .025 m
2 x 3 300 .080 99.990 200 .090 O x 3 100 .045 m
EJEMPLO 3-5
El método de los mínimos cuadrados para se usa para calcular las estimaciones
respectivas, de __________ y el intercepto en y, asumiendo que la coordenada
en y es la única observación, es decir, las coordenadas son la solución
Sin error en las constantes, las coordenadas en x e y no presentan error, cada
uno de los puntos dados caería exactamente en la línea y-ax-b=0. Sin embargo,
debido a los errores de las medidas en la coordenada y, los tres puntos no recaen
sobre y-ax-b=0, ellos recaen necesariamente en cualquier línea recta. El objetivo
de este ejercicio, es encontrar a y b de tal forma que en la línea y- a x- b =0
quepan los tres puntos lo mas cerca posible según el criterio de los mínimos
cuadrados. Obviamente, se toma un mínimo de dos medidas (dos puntos)
únicamente (determinan una línea recta (es decir, n0 = 2)). Puesto que tenemos
tres medidas (n=3), es es una observación redundante (r = 3-2=1I). Si tomamos
dos parámetros desconocidos, a y b, debemos escribir las ecuaciones de
condición n=3 que relacionan las tres medidas y1, y2 y y3 con las dos
estimaciones de los parámetros a y b . Teniendo en cuenta las residuales y1, y2
y y3 respectivamente, en la coordenada y, las tres ecuaciones de condición son:
v1 y1 a x1 b 0
v2 y 2 a x2 b 0
v3 y 3 a x3 b 0
Expresando las residuales en términos de a y b y d los valores dados de las
coordenadas, tenemos
v1 2 a b 3.2
v 2 4 a b 4.0
v3 6 a b 5.0
Los mínimos cuadrados estiman a y b y se obtienen cuando
v (2 a b 3.2) 2 (4 a b 4.0) 2 (6 a b 5.0) 2
2(2 a b 3.2) 2 (2) 2(4 a b 4.0) 2 (4) 2(6 a b 5.0) 2 (6) 0
a
2(2 a b 3.2) 2 (1) 2(4 a b 4.0) 2 (1) 2(6 a b 5.0) 2 (1) 0
b
56 a 12 b 52.4
12 a 3 b 12.2v
a =0.45, y b =2.27 cm.
Una vez a y b son conocidas, los residuales pueden ser computados:
V1=2(0.45)+2.27-3.2=-0.033 cm.
V2=4(0.45)+2.27-4.0=-0.067 cm.
V3=6(0.45)+2.27-5.0=-0.033 cm.
EJEMPLO 3-6
Con el método de los mínimos cuadrados, calcule los valores ajustados de los seis
ángulos.
Solución I
x1 x 2 x 3 x 4 180 .00 º
x 3 x 4 x 5 x 6 180 .00º
En las cuáles x 1 , x 2 ,…, x 6 ..., representan las estimaciones de los mínimos
cuadrados de los seis ángulos, es decir, los ángulos "ajustados". Cada
estimación es igual al valor observado XI más un residual v1 y los valores de las
residuales se pueden calcular por el método de los mínimos cuadrados como
sigue. Primero, reescribimos las dos condiciones como
Fig 3-6
( x1 v1 ) ( x2 v2 ) ( x3 v3 ) ( x4 v4 ) 180.00º
Y
( x3 v3 ) ( x4 v4 ) ( x5 v5 ) ( x6 v6 ) 180.00º
Los valores remolcados 0.70º y 0.98º se llaman errores de cierre para los
triángulos ABD y ABC del remolque respectivamente.
O
4k1 2k 2 0.70
2k1 4k 2 0.70
k1=0.07º, y k2=0.21º
Los cuáles son idénticos a ésos, calculado por el procedimiento de los abetos. Por
lo tanto, los valores estimados para los ángulos x 1 , x 2 ,…, x 6 .., son también
iguales. Estos dos procedimientos representan dos técnicas de los mínimos
cuadrados del ajuste y se describen en el capítulo 4.
Ejemplo 3-7
Solución
v3-v4=0, o v3=v4
v2+4v4=1.68-(1/2)(0.98)=1.19 (h)
3v4=1.19-(1/2)(0.70)=0.84
v4=0.28º = v3. Usando (e) solucionamos para v2:
v2=(1/2)[0.70-2(0.28)]=0.07º
v5=(1/2)[0.98-2(0.28)]=0.21°
x1 x1 v1 48.88 0.07 48.95º
x 2 x 2 v 2 42.10 0.07 42.17 º
x 3 x3 v3 44.52 0.28 44.80º
x 4 x 4 v 4 43.80 0.28 44.08º
Compruebe 180º00 '
x 3 44.80º
x 4 44.08º
x 5 x5 v5 46.00 0.21 46.21º
x 6 x6 v6 44.70 0.21 44.91º
Suma 180.00compruebe
Queda demostrado que las dos ecuaciones de condición son satisfechas
exactamente.
Solución II
Este problema también se puede solucionar de otra manera. Se reescriben las
dos ecuaciones de condición como sigue:
v1 v 2 v3 v 4 0.70 0
v3 v 4 v5 v6 0.98 0
Multiplicando estas ecuaciones por 2k1 y 2k2 respectivamente, se produce
2k1 (v1 v 2 v3 v 4 0.70) 0
2k 2 (v3 v 4 v5 v6 0.98) 0
Los escalares k1 y k2 son constantes desconocidas que se llaman
multiplicadores de Lagrange (véase también la sección 4.4). El factor 2 se
introduce por conveniencia solamente, para evitar fracciones después de la
diferenciación. Ahora, el criterio de los mínimos cuadrados su usa para la
minimización de la función
v12 v22 v32 v42 v52 v62
2(269 .157 B) 2( B D 10.940 ) 2(C B 21.040 ) 0
B
2C B 21.040 ) 2(C D 31.891) 2(C 290 .113) 0
C
2( B D 10.940 ) 2(258 .198 D) 2(C D 31.891) 0
D
3B – C – D=259.057 (a)
–B + 3 C – D=343.044 (b)
–B – C + 3D=215.367 (c)
Son las ecuaciones normales de n, como se ha explicado en el capítulo 4 , para
solucionar estas ecuaciones, primero eliminamos la C de (a) así
B=269.1313 m.
Así, las estimaciones de los mínimos cuadrados para las elevaciones de los tres
puntos son:
Elevación de B=269.131 m
Elevación de C=290.128 m
Elevación de D = 258209 m
PROBLEMAS
3-1 todos los ángulos marcados por (*) en el cuadrilátero mostrado en la fig. 3-8
se midieron. Evalúe la redundancia si la forma del cuadrilátero constituye un
modelo matemático.
3-2 además de los ángulos marcados todos los lados del cuadrilátero en la fig. 3-8
se midieron. Evalúe la redundancia si el tamaño y la forma del cuadrilátero
constituyen un modelo matemático.
3-3 todos los lados mostrados en la fig. 3-9 se miden con el equipo de EDM, y los
ángulos marcados cerca (*) se miden con un teodolito. Evalúe la redundancia si el
tamaño y la forma de la figura constituyen un modelo matemático.
3-4 todos los lados de la red de trilateracion mostrada en la fig. 3-10 se miden con
un dispositivo EDM. No se miden ningunos ángulos. Evalúe la redundancia si el
tamaño y la forma de la red constituyen un modelo matemático.
3-6 los ángulos interiores de una travesía cerrada (cuadrilátero) se miden y son:
α11 = 110º00'20 '' α2 =90°02'15 α3 = 80º05'25 ", y α4=79°52'40". Ajuste estos
ángulos según el principio de los mínimos cuadrados, si se asume que todas las
observaciones no tienen correlación y tienen la misma precisión. Cuál es el ajuste
simple equivalente: ¿técnica?
Figura 3-10
3-7 las distancias mostradas en la fig. 3-11 se miden. Todas las medidas no
tienen correlación y tienen la misma precisión. Los valores medidos son: l1 =
100.010 m, l2 = 200.050 m, l3 = 200.070 m, y l4 = 300.090 m. Utilice el principio
de los mínimos cuadrados para encontrar la distancia ajustada entre A y la C.
3-8 los ángulos sobre una estación de examen, fig. 3-12, se miden. Los valores
observados son: '' a=60°00'00, '' b=60°00'00, c=240°00'25 "y d=120°00'05 '. Todas
las medidas no tienen correlación y tienen la misma precisión. ¿Si éstos ángulos
observados se ajustan de acuerdo con el principio de los mínimos cuadrados,
cuales son los valores ajustados de ángulos a y b?
3-11 el cuadro 3-14 demuestra un nivel neto conectando tres puntos de referencia,
A, B, y C. Las flechas indican las direcciones de una elevación más alta. Se
observaron diferencias en la elevación de : l1=20.410 m, l2=10.100 m, l3=10.300
m, y l4 = 10.315 m. Todas las observaciones no tienen correlación y tienen
precisión igual. Utilice el principio de mínimos cuadrados para encontrar el valor
ajustado para las cuatro diferencias de la elevación.
3-12 los ángulos mostrados en la fig. 3-15 miden: α1= 40°00'00", α2=100º00'30',
α3=50º00'20'', α4=120°00'00'', α5=40º00'20". . Todas las medidas no tienen
correlación y tienen la misma precisión. El ángulo en A se lleva esta fijo en
90°00'00 ' '. Ajuste los ángulos medidos según el principio de mínimos cuadrados
Figura 3-14 figura 3-15
Son varias las técnicas para el ajuste de los mínimos cuadrados, que dan
resultados idénticos cuando son aplicadas al mismo problema. Algunas de estas
técnicas son más simples que otras y por lo tanto satisfacen muchas clases de
problemas del ajuste del examen que no requieren el uso de las técnicas más
generales. Hemos mencionado en la sección 3.3 las técnicas relativamente
simples precedentes del capítulo dos que se utilizan extensivamente en el ajuste
del examen. Éstas son (a) ajuste de observaciones indirectas y (b) ajuste de
observaciones solamente. La primera técnica, ajuste de observaciones indirectas,
tiene las siguientes características:
Un ejemplo de las ecuaciones de condición para esta técnica son las Eqs. (3-9),
para el caso de medir una distancia dos veces, que se puede reescribir aquí como
l1 v1 x1 0
(4-1)
l 2 v2 x2 0
Sustituir x por el símbolo más usado comúnmente Δ para cada Eq y
cambiando el parámetro. (4-1) da
v1 l1
(4-2)
v 2 l 2
V=BΔ=f (4-4)
EJEMPLO 4-1
recordamos los datos para el problema en el ejemplo 3-5 hacer caber en una
línea recta de la forma y - hacha - b=0 a tres puntos:
POINT X (cm) Y (cm)
1 2 3,2
2 4 4
3 6 5
Solución
v B f
Con los valores correspondientes mostrados arriba. Los vectores v y f son cada
uno de 3 x I (donde 3=n = número de observaciones), B es de 3x2, y ∆ es de
2x I, conteniendo los dos parámetros desconocidos a (la cuesta de la línea) y b (su
intercepto en y). Observe que en este ejemplo f=-l porque el vector numérico d es
igual a cero.
EJEMPLO 4-2
Referente a la red llana en la fig. 3-7 y a los datos dados en el ejemplo 3-7. De
en forma de matriz, incluyendo las dimensiones de las matrices constitutivas, de
las ecuaciones de condición para el ajuste de la red llana por el método de
observaciones indirectas.
Solución
Puesto que n=6 y n0=3 (véase el ejemplo 3-7), allí hay seis ecuaciones de
condición incluyendo tres parámetros desconocidos. De conformidad con los
símbolos generales, señalaremos las elevaciones de los puntos B, C, y D por δ1,
δ 2 y δ 3 respectivamente. Otra vez refiriéndonos al ejemplo 3-7, las seis
ecuaciones de la condición son
B l1 v1 A 0 or v1 1 A l1 269 .157 f1
D l 2 v 2 B 0 or v 2 1 3 l 2 10.940 f 2
D l3 v3 A 0 or v3 3 A l3 258 .198 f 3
B l 4 v 4 C 0 or v 4 1 2 l 4 21.040 f 4
D l5 v5 C 0 or v5 2 3 l5 31.891 f 5
A l 6 v6 C 0 or v6 2 A l 6 290 .113 f 6
1 1 1 (l1 l 2 ) f
v
v 2
Lo cuál en general es
Av = f (4-8)
EJEMPLO 4-3
Solución
Desde n = 3, n0 = 2, r=1, allí hay una condición; a saber
o
v1 1
1 1 1v2 180 º 1 1 1 2 f 30' '
v3 3
EJEMPLO 4-4
Solución
0 1 0
v3 0 1 0 l3
1 1 0
v 1 1 0 l
0 0 1 0 1 1 4
0 0 1 0 1 1 4
v 5 l5
v6 l 6
Es decir, cuando A es 3*6, v es 6 x 1, y l es 6 x 1. Refiriéndonos a la Eq. (4-8),
vemos que en este ejemplo f= -Al , que significa que el vector, d, según lo dado en
la Eq. (4-11), debe ser cero. Puesto que los elementos de l son los datos
observados, f se puede evaluar como el siguiente vector 3 x 1:
0.019
f 0.089 m
0.024
Observe que los elementos de f son los errores de cierre supuestos de los lazos
individuales de la red llana.
w= k / σ 2 (4-12)
Donde k es la constante de proporcionalidad. Si una observación tiene peso de
unidad (w=1), su variación es definida por el símbolo 02 así,
1=k / 02 ,
De lo cual
k= 02 (4-13)
Y por lo tanto
w 02 / 2 (4-14)
w1 02 / 12 , w2 02 / 22 wm 02 / m2 (4-16)
Estos pesos se pueden recolectar en una matriz diagonal correspondiente W,
llamada la matriz del peso:
w1 0 0
0 w2 0
W (4-17)
0 0 wm
02 / 12 0 0 1 / 12 0 0
0 02 / 22 0 2 0 1 / 22 0
W 0 (4-18)
0 0 02 / m2 0 0 1 / m2
W 02 1 (4-19)
Sustituyendo r en esta ecuación los valores de las residuales del ejemplo 4-2 dan
w1 ( f1 1 ) 2 w2 ( f 2 1 3 ) 2 w3 ( f 3 3 ) 2 w4 ( f 4 1 2 ) 2
(4-22)
w5 ( f 5 2 3 ) 2 w6 ( f 6 2 ) 2
En orden para Φ en la Eq. (4-22) para poder ser un mínimo, su derivada parcial
con respecto a cada parámetro desconocido se debe hacer igual a cero. Por lo
tanto,
( w1 w2 w4 ) 1 ( w4 ) 2 ( w2 ) 3 w1 f1 w2 f 2 w4 f 4
( w4 ) 1 ( w4 w5 w6 ) 2 ( w5 ) 3 w4 f 4 w5 f 5 w6 f 6 (4-23)
( w2 ) 1 ( w5 ) 2 ( w2 w3 w5 ) 3 w2 f 2 w3 f 3 w5 f 5
Despejando y recolectando los términos en el lado izquierdo y reemplazando
estos términos por f en el lado derecho conduce a (4-23) Éste es el sistema de
las ecuaciones normales, que son iguales en número a los parámetros
desconocidos (en este caso u = 3). Las ecuaciones normales dan una solución
única posible porque los parámetros desconocidos son las únicas incógnitas de
ellas. Debe ser observado también que las ecuaciones de condición son seis en
numero pero contienen nueve parámetros desconocidos (tres parámetros y seis
residuales), y las tres ecuaciones normales son agregadas a ellos, se consigue
un total de nueve ecuaciones independientes en nueve desconocidos, por lo tanto
una solución única.
Ahora, si recordamos el B, ∆, las matrices de f del ejemplo 4-2, a saber,
1 0 0 f1
1 0 1 f
1 2
0 0 1 f3
B , 2 , f
1 1 0 f4
0 1 1 3 f5
0 1 0 f 6
Y si recogemos los seis pesos en una matriz diagonal W de peso, es decir,
w1 0 0
0 w2 0
W
0 0 w6
Encontramos que podemos construir las ecuaciones normales, Eq. (4-23), se
forma la siguiente relación
(BtWB) ∆=BtWf, (4-24)
Es decir
1 0 0
w1 0 0 1 0 1
1 1 0 1 0 0 0 1
0 0 0 w 0 0 1
0 1 1 1 2
1 1 0 2
0 1 1 0 1 0 3
0 0 w6 0 1 1
0 1 0
f1
w1 0 0 f 2
1 1 0 1 0 0
0 w2 0 f 3
0 0 0 1 1 1 (4-25)
f 4
0 1 1 0 1 0
0 0 w6 f 5
f6
Multiplicando las matrices da
( w1 w2 w3 ) w4 w2 1
w4 ( w4 w5 w6 ) w5
2
w2 w3 ( w2 w3 w5 ) 3
(4-26)
w1 f1 w2 f 2 w4 f 4
w4 f 4 w5 f 5 w6 f 6
w2 f 2 w3 f 3 w5 f 5
lo cuál es obviamente equivalente a la Eq. (4-23). La ecuación (4-24) se puede
escribir en forma más sucinta como
N ∆=t (4-27)
en que
N=BtWB (4-28)
t =BtWf (4-29)
v 2
(4-30)
0 0 w6 f n
Desde entonces cuando se está multiplicado hacia fuera da
v1
v
w1v1 w1v 2 wn v n 2 w1v12 w1v 22 wn v n2
v n
Lo Cuál es igual a la Eq (4-21). Puesto que definimos el vector residual v como
matriz de columna, n x 1 La Eq (4-30) se escribe como
v tWv (4-31)
( f B) t W ( f B)
( f t B t t ) W ( f B)
( f tW B t tW ) ( f B)
O
( f tWf t B tWf f tWB t B tWB) (4-33)
2 f tWB 2t ( B tWB) 0 (4-36)
Reacomodando, y dividiendo por 2 la ( 4-36) se produce la transpuesta
( B t W B) B t W f
(4-37)
u, n n, n n, u u,1 u, n n, n n,1
La cuál es idéntica a la Eq. (4-24). Damos de forma sucinta la Eq. (4-27), en la
que N es una matriz simétrica cuadrada de orden u y u x 1 es un vector. La
solución de la Eq. (4-27) es
Δ=N-1t (4-38)
La cuál produce el vector de parámetros. Esta solución requiere la inversa de la
matriz normal del coeficiente de u x u de las ecuaciones de , N.
EJEMPLO 4-5
Solución
y
1 1
2 1
N B WB 1,1,1,1
t
1 1
0.5 1
1
1
1,2,1,0.5 4.5
1
1
4
Puede ser visto que N resulta ser la suma de los pesos, o w
i 1
i
despues
32.51
32.48
t B tWf 1,2,1,0.5 4.5
32.52
32.53
(1)(32.51) (2)(32.48) (1)(32.52) (0.5)(32.53)
146.255
Lo cuál es igual a la suma de los productos de cada observación y de su peso o.
4
w l
i 1
i i La estimación de los mínimos cuadrados de la distancia en este caso es
x N 1t (4.5) 1 (146.255) 146.255 / 4.5 32.50m
EJEMPLO 4-6
Considere los datos por ejemplos 3-5 y 4-1 I n que una línea recta con la ecuación
y = + b se quepa a tres puntos: x1=2, y1 = = 3.2; x2 = 4, y2 = 4.0; x3 = 6, y3 = 5.0.
Todas las coordenadas están en centímetros. Y-coordina son las observaciones,
que son a ser (1) sin correlación asumido y de precisión igual, y (2) sin correlación
con variaciones 0.10 cm2, 0.08 cm2, y 0.08 cm2, respectivamente. Compute las
menos estimaciones de los cuadrados de los dos parámetros para cada uno de los
dos casos.
Solución
Las tres ecuaciones de condición que correspondientes a los tres puntos son
(véase también el ejemplo 4-1)
v1 y1 ax1 b 0 or v1 2a b y1 3.2
v2 y 2 ax2 b 0 or v2 4a b y 2 4.0
v3 y3 ax3 b 0 or v3 6a b y3 5.0
y en la forma v+ BΔ= f se convierten
v1 2 1 3.2
v 4 1 a 4.0
2 b
v 2 6 1 5.0
(1) el primer caso es cuando las observaciones no tienen correlación y son de
igual precisión , para la cual W = I. La matriz de coeficientes de las ecuaciones
normales en este caso son [ vea Eq (4-28))
2 1
2 4 6 4 1 56 12
N BtWB Bt B
1 1 1 6 1 12 3
Y el vector t [ Eq. (4-29) ] es
3.2
2 4 6 52.4
t B Wf B
t t
4
1 1 1 5 12.2
La inversa de N es
1
1 56 12 3 12
N 1 / 24
12 3 12 56
y según la Eq. (4-38) se calcula el vector de los parámetros como
a N 1t 1 / 24 3 12 52.4
12 56 12.2
b
a [(3)(52.4) (12)(12.2)] / 24 0.450
b [( 12)(52.4) (56)(12.2)] / 24 2.267
Es decir, que son idénticos (a excepción del redondeo) a las respuestas obtenidas
para el mismo caso en el ejemplo 3-5.
1 / 12 0 0 1 / 0.10
0 1/ 2 0
1 2
1 / 0.08
0 2
0 1 / 3 1 / 0.08
10
12.5
12.5
Después, seleccionamos un valor para la variación de referencia 12 ,
generalmente para hacer los valores numéricos de los pesos más pequeños y más
convenientes. Así, si 12 =0.10, matriz de peso se convierte en la [ Eq. (4-10) ]
10
W (0.10)
1
12.5
12.5
2 1
2 5 7.5 69 14.5
4 1
1 1.25 1.25 6 1 14.5 3.5
y
3.2
2 5 7.5 4.0 63.9
t B tWf
1 1.25 1.25 5.0 14.45
La inversa de N es:
1
1 69 14.5 3.5 14.5
N 1 / 31.25
14.5 3.5 14.5 69
Y finalmente
Así, en el caso de pesos desiguales, a = 0.452 y b =2.256.
Discusión
El efecto de aumentar los pesos para los puntos 2 y 3 relativos al punto 1 es que
la línea recta resuelta pasa más cerca a los puntos 2 y 3 que cuando todos los
puntos son de igual peso. Esto puede ser comprobado calculando las residuales
para ambos casos y demostrando que las magnitudes de v2 y de v3 son más
pequeñas en el caso desigual del peso que en el caso igual del peso. Las
residuales son computadas cambiando las ecuaciones de condición y
substituyendo las estimaciones de los mínimos cuadrados para los parámetros,
v f B
EJEMPLO 4-7
Solucione el nivel neto del problema de los ejemplos 3-7 y 4-2 usando el
procedimiento del ajuste de las observaciones indirectas para dos casos, (1)
cuando las diferencias observadas en la elevación no tienen correlación y tienen
igual precisión, y (2) cuando el peso de cada observación es inversamente
proporcional a la distancia nivelada (véase fig. 3-7).
Solución
Recuerde del ejemplo 4-2 las matrices para las ecuaciones de condición v+ BΔ= f
1 0 0 269 .157
1 0 1 10.940
0 0 1 258 .198
B and f
1 1 0 21.040
0 1 1 31.891
0 1 0 290 .113
(1) para el primer caso, la matriz peso W de las observaciones es la matriz
identidad porque las observaciones no tienen correlación y tienen igual precisión.
Por lo tanto, las matrices N y t son [ vea Eqs. (4-28) y (4-29) ]
1 0 0
1 0 1
1 1 0 1 0 0 3 1 1
N B t B 0 0 0 1 1 1
0 0 1
1 3 1
1 1 0
0 1 1 0 1 0 1 1 3
0 1 1
0 1 0
Y
269 .157
10.940
1 1 0 1 0 0 259 .057
t B t f 0 0 0 1 1 1
258 .198
343 .044
21.040
0 1 1 0 1 0 215 .367
31.891
290 .113
La inversa de N es
3 1 1 2 1 1
N 1 3 1 1 / 41 2 1
1
1 1 3 1 1 2
Y
2 1 1 259.057 269.131
N 1t 1 / 41 2 1 343.044 290.128 m
1 1 2 215.367 258.209
Las cuáles son las elevaciones de los puntos B, C, y D cuando las diferencias
observadas en la elevación son asumidas de igual peso.
Observación l1 l2 l3 l4 l5 l6
Distancia (km) 20 12 15 28 20 26
Reciproco de la
0.057 0.083 0.057 0.036 0.050 0.039
distancia
peso 1.400 2.333 1.867 l.000 1.400 1.077
Los pesos son tales que para el valor más pequeño (0.036) de la tercera línea es
dado un valor de peso de 1.0 y el resto se computa proporcionalmente. Así la
matriz de peso es
1.400
2.333
1.867
W
1.000
1.400
1.077
Con esta matriz, las matrices normales correspondientes de la ecuación son
1.400 1 0 0
2.333 1 0 1
1 1 0 1 0 0
0 0 1
0 1 1 1
1.867
N B WB 0 0
t
1.000 1 1 0
0 1 1 0 1 0
1.400 0 1 1
1.077 0 1 0
381 .3028
378 .1391
411 .8852
La inversa de N es
0.337902 0.171085 0.183543
N 0.171085 0.406418 0.172880
1
Se hace una vista del sol al mediodía con un teodolito. Se obtienen los siguientes
datos:
Tiempo OBSERVACION DE LA ALTITUD
11h 40m 45.5s 51º51’09’’
46 18.5 56’42’’
50 03.0 52º00’30’’
56 53.0 02’24’’
h m s
12 05 34.5 01’06’’
12 12.0 51º55’45’’
16 04.5 51’30’’
Para la pequeña gama del tiempo implicada, la altitud se asume como r una
función parabólica del tiempo. Solamente la altitud se considera como la variable
observada; se considera la época con error, todas las observaciones están sin
correlación y de igual precisión, aplique el método de mínimos cuadrados para
hacer caber los datos dados en una parábola y
Estime la altitud máxima del sol y los tiempos en los cuales la altitud máxima
ocurre.
Solución
1,332,870 1154 .5 1
674,862 821 .5 1
356,409 597 .0 1
B 34.969 187 .0 1
111,890 334 .5 1
535,824 732 .0 1
930,260 964 .5 1
Y
a
b
c
N = BtWB =BtB,
Es decir,
t=B tWf=B tf
Es decir,
9.570 10 4
t 3.630 10 4
2.946 10 4
6.1347 10 4
N 1t 1.0426 10 1 ,
0.7585 10 3
Es decir,
a 0.00061347
b 0.10426
c 758 .5
EJEMPLO 4-9
Solución
Puesto que se toma solamente una medida para fijar el modelo (el triángulo
plano en la fig. 4-1), la redundancia es 1. Llevar un parámetro, x, conduce a dos
condiciones,
l1 v1 x 2 100 2 0
Y
x
l 2 v2 arctan 0
100
x
y 2 l 2 v2 arctan 0
100
l1 v1 x02 100 2 x0
x
x 2 100 2 1
0
Fig 4-1
y 2
y 2 y 20 x
x
x 1
l 2 v 2 arctan 0 x
100 100[1 ( x02 / 100 2 )]
x0 100
l 2 v2 arctan 2 x 0
100 x0 / 100 2
Ahora σ1=0.005 m, y σ2=21 "= 0.00010 radián. Dejando σ0=0.005, los pesos
respectivos de l1 y l2 son
(0.005) 2
w1 1 and w2 2500
(0.00010 ) 2
y la matriz de peso es
1 0
W
0 2500
La disparidad evidente en los dos pesos se presenta, por cualquier desequilibrio
en la precisión según las diversas clases de unidades usadas para expresar las
distancias (metros) y los ángulos (radianes). Así,
N1 B1tWB1 [0.503722 ]
Y
t1 B1tWf1 [0.036440 ]
Y entonces
0.036440
1 [x1 ] N11t1 0.072 m
0.503722
asi
N 2 B2t WB2 [0.503722 ]
Y
t 2 B2t Wf 2 [0.000181]
Y entonces
0.000181
2 [x2 ] N 21t 2 0.00036 m
0.503722
Es claro que Δx2 no es una corrección significativa puesto que es menos de 0.001
m. por lo tanto el final de los mínimos cuadrados es la estimación x = 84.928m .
Un resumen de los símbolos y las ecuaciones usadas para el ajuste de los
mínimos cuadrados de las observaciones indirectas serán encontradas en la
sección 9.5 del capítulo 9.
v1 v2 v3 (l1 l 2 l3 ) f1
v 2 v4 v5 (l 2 l 4 l5 ) f 2 (4-41)
v3 v5 v6 (l3 l5 l 6 ) f 3
2(v3 v5 v6 f 3 ) 0 or v3 v5 v6 f 3
k 3
las cuáles son idénticas a las ecuaciones de condición (4-41). Por lo tanto,
cuando Φ' se diferencia con respecto a los multiplicadores de Lagrange, las
ecuaciones originales de condición se obtienen ; esto demuestra que la
introducción de los multiplicadores de Lagrange asegura que las condiciones
sean satisfechas cuando Φ' se minimiza.
La ecuación (4-44) se puede escribir en notación matricial como
v1 1 w1 1 0 0
v
2 1 w2 1 1 0 k
v 3 1 w3 1 0 1 1
k 2 (4-45)
v 4 1 w4 0 1 0 k
v 5 1 w5 0 1 1 3
v6 1 w6 0 0 1
La primera matriz en el lado derecho de la EC. (4-45) es una matriz diagonal que
representa la inversa de la matriz del peso W de las observaciones. Tal matriz se
llama una matriz de cofactor y se da por el símbolo Q; así
Q=W-1 (4-46)
v=W-1Atk=QAtk (4-48)
A(QAtk)=(AQAt)k=f (4-49)
La cantidad (AQAt) representa una matriz cuadrada de coeficientes que debe ser
llamada por el término ecuaciones normales para esta técnica del ajuste. Y es
referida por el símbolo Qc, es decir,
Q c = AQAt (4-50)
Donde la inversa de Qc es denotada por Wc. (hay una razón de usar los símbolos
Qc y Wc puesto que las matrices respectivas representan matrices de cofactor y
de peso, pero la explicación de esto, aquí, sería prematura y se difiere hasta el
capítulo 9.) Así
Wc Qc1 ( AQAt ) 1 (4-53)
Las ecuaciones (4-48) a (4-53) son todas generales y utilizan observaciones
correlacionadas y sin correlacionar. Pueden ser derivadas sin referencia a un
ejemplo, como ahora será demostrado.
En la notación matricial , el criterio de los mínimos cuadrados se usa para la
minimización de la función dada por la Eq. (4-31),
v tWv
Con k como el vector de los multiplicadores de Lagrange Φ es obligado por las
ecuaciones de condición (4-40). Así, la función
' v tWv 2k t ( Av f ) (4-54)
debe ser minimizado. Fijando a cero la derivada parcial de Φ’ con respecto a k se
llega de nuevo a las condiciones en la Eq. (4-40). Fijando a cero la derivada
parcial de Φ’ con respecto al resultado de la residual del vector v
'
2v tW 2k t A 0 (4-55)
v
EJEMPLO 4-10
Refiriéndose una vez más al triángulo plano del ejemplo 4-3, se midieron los tres
ángulos interiores y son : α1=41º33'45", α2= 78°57'55", y α3 = 59°27'50". Compute
las estimaciones de los mínimos cuadrados de los ángulos, (1) si no tienen
correlación y tienen peso igual, y (2) si no tienen correlación pero tienen pesos
w1=1, w2 = 0.67, y W3 = 0.50, respectivamente.
Solución
1 1 v1 41º33'55'
2 2 v 2 78º58'05'
3 3 v 2 59 º 28'00'
Sum=180º00’00’’ que comprueba la condición
EJEMPLO 4-11
Los ángulos mostrados en la fig. 4-2 se miden con un teodolito, los valores
observados con los pesos, se enumeran como sigue
Angulo Valores observados Peso
l1 44º50’44’’ 1
l2 46º10’25’’ 3
l3 45º55’12’’ 3
l4 43º04’03’’ 3
l5 48º32’45’’ 3
l6 42º27’42’’ 1
Utilice el método de los mínimos cuadrados para determinar los valores ajustados
para estos ángulos.
Solución
Se toman los ángulos medidos n0=4 para fijar únicamente los dos triángulos en la
fig 4-2. Así, con n=6, la redundancia es r=6-4=2, y las dos ecuaciones
correspondientes de condición son
Fig 4-2
l1 v1 l 2 v 2 l3 v3 l 4 v 4 180 º
l3 v3 l 4 v 4 l5 v5 l 6 v6 180 º
Donde v1, v2..., v6 son las residuales en los ángulos l1 , l 2 ,...l 6 ,, respectivamente.
Entonces
v1
v
2
1 1 1 1 0 0 v3 180 º l1 l 2 l3 l 4 24' '
0 0 1 1 1 1 v 180 º l l l l 18' '
4 3 4 5 6
v 5
v6
Lo cuál es de la forma Av=f
Para los pesos dados, la matriz de cofactores Q es
1
0.333
0 .333
Q W 1
0.333
0.333
1
Así de la Eq (4-50),
1
0.333 1 0
1 0
0.333
1 1 1 1 0 0 1 1
Qc AQAt 0.333 1
0 0 1 1 1 1 0.333
1
0 1
0.333
0 1
1
2 0.666
0.666 2
Los valores ajustados entonces son obtenidos agregando las residuales a las
observaciones dadas, es decir,
l 1 l1 v1 44 º50'27 ' '
l 2 l 2 v 2 46 º10'20' '
l 3 l3 v3 45º55'11' '
l 4 l 4 v 4 43º 04'02' '
l 5 l5 v5 48º32'50' '
l 6 l 6 v6 42 º 27'57 ' '
El lector debe comprobar para cerciorarse de que los valores ajustados satisfagan
exactamente las ecuaciones de condición.
EJEMPLO 4-12
La red llana usada en el ejemplo 4-7 se considera una vez más (véase la fig 3-7).
Para conveniencia, los datos dados son repetidos
DE (UN DE (UN
PUNTO PUNTO OBSERVACION DISTANCIA
MAS MAS DIFERENTE EN NIVELADA
BAJO) ALTO) LA ELEVACION (Km)
B A l1=11,973 20
D B l2=10,940 12
D A l3=22,932 15
B C l4=21,040 28
D C l5=31,891 20
A C l6=8,983 26
Solución
Según lo discutido en el ejemplo 4-4 n0=3, y con n=6, la redundancia es r=3. Las
condiciones que corresponden a esta redundancia se pueden escribir para tres
lazos independientes, cada uno comenzando, y cerrándose en el mismo punto.
Usando los mismos lazos según lo utilizado en el ejemplo 4-4, y refiriéndonos a la
fig. 3-7, las tres condiciones son
Lazo B-A-D-B l1 v1 l3 v3 l 2 v2 0
Lazo D-B-C-D l 2 v 2 l 4 v 4 l 5 v5 0
Lazo D-A-C-D l 3 v3 l 6 v 6 l 5 v5 0
1 0 0 0.026
1 1 0
0.0258 0.018
1 0 1 0.011
v QAt k At k 0.0433
0 1 0 0.0150 0.043
0 1 1 0.028
0 0 1 0.015
Las observaciones ajustadas son
l 1 l1 v1 11.973 0.026 11.999 m
l 2 l 2 v 2 10.940 0.018 10.922 m
l 3 l3 v3 22.932 0.011 22.921m
l 4 l 4 v 4 21.040 0.043 20.997 m
l 5 l5 v5 31.891 0.028 31.919 m
l 6 l 6 v6 8.983 0.015 8.998 m
En este punto, el ajuste de los mínimos cuadrados es técnicamente completo.
Las elevaciones de los puntos B, C, y D son obtenidas de las observaciones
ajustadas por referencia a la fig. 1-7. Debe ser acentuado que sin importar qué
combinación de diferencias ajustadas, en la elevación se utiliza, la elevación
calculada de cualquier punto es única, porque las observaciones ajustadas son
constantes con el modelo, es decir, satisfacen las ecuaciones de condición. Por
ejemplo, la elevación del punto B se puede calcular como.
B A l1 281.130 11.999 269.131m
O como
B A l3 l 2 281.130 22.921 269.131m
Similarmente
C A l 6 281 .130 8.998 290 .128 m
D A l3 281 .130 22.921 258 .209 m
Todos los valores computados concuerdan exactamente con los resultados
obtenidos en el ejemplo 3-7 y en el ejemplo 4-7 usando la técnica de ajuste de los
mínimos cuadrados de observaciones indirectas. Esto muestra claramente que en
la materia se utiliza esta técnica, los resultados del ajuste de los mínimos
cuadrados para un problema dado, a excepción del redondeo, son iguales.
(2) en este caso, el peso de cada medida es inversamente proporcional a la
distancia nivelada.
a / 20
a / 12
a / 15
W
a / 28
a / 20
a / 26
Donde a es la constante de proporcionalidad. Puesto que la matriz de cofactores
Q es la inversa de la matriz de peso, entonces
20
12
15
Q 1/ a
28
20
26
Ahora, cualquier valor conveniente se puede seleccionar para a. Dejando a= 12
1.67
1.00
1.25
Q
2.33
1.67
2.17
Asi,
Asi,
1.67
1.00
1 1 1 0 0 0
AQ 0 1 0 1 1 0
1 .25
2.33
0 0 1 0 1 1
1.67
2.17
Y
1 0 0
1 1 0
1.67 1.00 1.25 0 0 0
AQ 0 2.33 1.67 0
1 0 1
1.00 0
0 1 0
0 0 1.25
0 1.67 2.17
0 1 1
0 0 1
1.67 0 0 0.0205
1.00 1.00 0 0.0099
0.01225
1.25 0 1.25 0.0084
v QA k
t
0.02210
0 2.33 0 0.0515
0.00555
0 1.67 1.67 0.0276
0 0 2.17 0.0120
Fig. 4-3
4-2 La figure 4-4 muestra siete medidas del ángulo, l1, hasta l7, hecho sobre
una estación de examen A. Determine la redundancia r de los ángulos por el
ajuste de los mínimos cuadrados, y escriba las ecuaciones apropiadas de
condición en la forma Av = f
4-3 La dirección de la línea OA, fig. 4-5, se sabe y es fija. Las direcciones de
las líneas OB, OC, OD, y OE deben ser determinadas basadas sobre los
ángulos observados α1, hasta α8. Determine la redundancia y escriba las
ecuaciones apropiadas de condición en la forma v + BΔ = f y en la forma Av =
f
4-4 Referente a la red llana mostrada en la fig. 4-6, se observan las siguientes
diferencias positivas en la elevación:
DE LA A LA DIFERENCIA
ESTACIÓN ESTACIÓN OBSERVADA (m)
5 1 42.107
2 1 12.424
3 5 42.251
3 4 8.464
4 5 4.138
4 1 46.269
4 2 33.802
Fig 4-4
La estación 5 es un punto de referencia con una elevación que se sabe y es fija
en 500.000 m sobre el nivel del mar.
(a) Construya el modelo matemático para el ajuste de los mínimos cuadrados
de las elevaciones por el método de ajuste de observaciones indirectas; es
decir, escriba las ecuaciones apropiadas de condición en la forma v+B Δ= f.
Fig 4-9
Fig. 4-10
Fig. 4-11
5
Teoría Elemental de las probabilidades
5.1. ACONTECIMIENTOS Y PROBABILIDAD AL AZAR
P[A] = 0
P[B]=0.0412
P[C]=0.7266
P[D] =0.2322
P[E] = 0
EJEMPLO 5-2:
Si las frecuencias relativas en la tabla 5-2 se pueden aproximar por una función
algebraica de x, tal función representa una base conveniente para las
probabilidades a evaluar. En un caso particular actual, una función que
aproxima las frecuencias relativas es
p( x) 2( x 0.15) 2 e 1.5 x , x 0,1,...,8 (5-3)*
f(x)dFba
b b
c
c
f ( x)dx F (b) F (a) (5-14)
(5-14)
Por lo tanto, refiriéndose de nuevo a la Eq. (5-6), vemos que
Dos relaciones importantes y muy útiles pueden ser obtenidas como casos
especiales de la Eq. (5-I5). Primero, haciendo a = -∞ y b = ∞, y tomando
nota de las propiedades de la distribución dada en las Eqs. (5-9) (y 5-10),
tenemos
f
(
x
)
P
[
X
]F
(
)F
()
1
, (5-16)
x
F
(
x
)
P[
X
x
]
P
[
X
x
]
F
(
x
)
F
(
) f
(
u)
du
. (5-17)
=1 para x ≥
b
Las dos funciones se trazan en la fig. 5-4. Observe que la probabilidad de que
X sea menor o igual a c es dada por el área tramada en fig. 5-4 (a) y por la
ordenada F(c) en la fig. 5.4 (b). También observe que la porción diferente de
cero de la función de la densidad debe ser 1/(b- a) para hacer el área total bajo
función de densidad igual a la unidad.
EJEMPLO5.3.
X es una variable al azar uniformemente distribuida con parámetros a = 2 y b =
8, la función de densidad de X es
1 1
f ( x) Para 2 < x < 8
82 6
=0 en otro caso
e.o.c.en otro caso
x2
para x<2<8
6
=1 para x≥8
3 21
P [X 3]F (3)
6 6
(b) La probabilidad de que x sea mayor que 4 es :
4
22
P
[
x4
]P
[
4
X
]
F
(
)F
(
4
)
1
63
P
[
X
4
]P[
4
X
4
]F(
4
)F
(
4
)0
.
1
x
2
2
F
(
x)
exp
2 2
para-∞<x<∞.
(5-20)
Estas dos funciones se trazan en fig. 5-5. Está absolutamente claro en fig. 5-5
(a) que la distribución normal es simétrica sobre µ. que los puntos de inflexión
de la función de densidad se localizan en x = u – μ y x = u + μ. La densidad
máxima ocurre en x = μ
Si X es una variable al azar con una distribución normal, entonces P[X ≤ c], es
la probabilidad de que X sea menor o igual a c, y es representada por el área
encerrada en la fig. 5-5 (a) y por la ordenada, F (c), en la fig. 5-5 (b).
• La notación exp (t) es otra manera de expresar ea, donde e=2.71828,
la base del sistema natural de logaritmos.
1
x
2
12
2
f
(
x) 2
exp 0
.
1947
exp
0
.
1250
x12
22
2
2
Y la función de distribución de X es*.
F
(
x
)0
.
19947
exp
0
.
1250
u
12du
x
2
Los valores específicos de estas dos funciones se enumeran en la tabla 5-4.
Evalúe la probabilidad de que : (a) X sea menor o igual a 10; (b) X este entre
11 y 15; (c) X es mayor que 16; (d) X es igual a 10.
Solución
(a) La probabilidad de que X es menor o igual a 10 es P[X ≤ 10] = F(10) =
0.1587 esta probabilidad es representado por el área encerrada en la fig. 5-6
(a).
(b) La probabilidad de que X este entre 11 y 15 es P[ 11 < X < 15] = F (15) - F
(11) = 0.9332 - 0.3085 = 0.6247.
Esta probabilidad es representada por el área de la fig. 5-6 (b)
TABLA 5-4
Evaluación de las funciones densidad y
Distribución para la Distribución Normal
Con variables aleatorias μ = 12 y σ = 2
• F (x) se deja en la integral porque no puede ser integrada directamente.
Para evaluar esta función, se utiliza una aproximación de la serie.
La integral se puede evaluar por medios aproximados de una vez por todas, y
valores de Ф (z) pueden ser tabulados. Tal tabulación se da en la Tabla I del
apéndice B.
Demostremos cómo se aplican la estandardización y la Tabla I, considerando
el siguiente ejemplo.
EJEMPLO 5-5
Como en el ejemplo 5-1 deje que X sea una variable aleatoria normalmente
distribuida con parámetros μ=12 y σ= 2. Estandardice X y utilice la Tabla I del
apéndice B para evaluar la probabilidad de: (a) X es menor o igual a 10; (b) X
esta entre 11 y 15; (c) X es mayor de 16.
Solución
De acuerdo con la ecuación (5-23) la variable normal estándar es:
x x 12
z .
2
(a) La probabilidad de que X menor o igual que 10. Si X ≤ 10 entonces (X
– 12)/2 ≤ (10 – 12)/2, Z ≤ -1.
Así
P
[
X
10
]P
X
12
10
12
P
Z
1
,
2 2
11
12
X
12
15
12
P
[
11
X
15
]P
P
[
0
.
5Z
1
.
5
]
222
1
.
5
0
.
5
0
.
9332
0
.
3085
0
.
6247
.
© La probabilidad de que x sea mayor que 16 es
P
X
16
P
16
X
P
16
12
X
12
2 2
P
2
Z
()
(
2)
1 0.9772 0.0228
Deje que X sea una variable al azar discretamente distribuida, con valores
posibles X1, X2, X3..., Xn. La función de probabilidad de X esta dada por p
(Xi), i = 1, 2..., n.
La sumatoria de todos los valores posibles, donde los pesos son las
probabilidades correspondientes, se llama la esperanza o el valor esperado de
X, denotada como E[X ]:
n
E
X
x
p
i(x
)
ix
p
1
x
1
x
2
p
x
2
...
x
np
x
n(5-25)
i
1
(5-27)
En particular si g(x) = (X- μ)² se obtiene
n
EX
2
i
x
p
xi.
2
(5-28)
i1
1.4371cm 2 .
2 E X 2
x 2 f xdx. (5-31)
2
1 x
E
X
x
2
2
exp
2
dx
.
(5-32)
1 2
2
2 2
E
X
x
x
exp2
dx.(5-33)
22
Las expectativas tienen ciertas características, entre las cuales estan:
Ek K1, donde K es una constante (5-33)
Kg
E X
g
KEX (5-35)
E
g
1
X
g(
2X
)E
g
1
X
E
g
2X
.(5-36)
Estas características se pueden utilizar para deducir una relación importante:
X2
2E
E
X2
2
X 2
EX2
2
EX
2
EX2
2
EX
2
EX
2 2
(5-37)
Si X es una variable al azar, y a y b son constantes, entonces
Y aXb (5-38)
es también una variable al azar. Además, puede ser demostrada, aplicando las
características expresadas en Eqs. (5-34), (5-35), y (5-36), eso:
y ax b (5-39)
y
2ya22x, (5-40)
Donde μx y μy son las medias de X y de Y, y σ²x y σ²y son las varianzas de
X y de Y, respectivamente.
1
2
x
P
X
2
exp
22
dx
.
(5-42)
entonces utilizar la Tabla I del apéndice B. asi
P
x
X
x
P
X
P1Z1
1 1
0.
8413
0.
1587
0.
6826
Lo cuál significa que el área sombreada en la fig. 5-11 es 0.6826 del área total
bajo función densidad.
Los múltiplos k de la desviación de estándar también se utilizan como medidas
de precisión. La probabilidad de que una medida de examen este entre μ - kσ
y μ + kσ es
131 analisis y ajustes de las medidas de examen
x 2
P k X k
k 1
exp dx. (5-44)
k
2 2 2 2
Una vez más estandardizando X según Eq. (5-23), conseguimos
Pk
X
k
P
k
Z
k
k
k
.
(5-45)
Observe de la simetría de la distribución que Ф (k)+ Ф (- k) = 1,entonces la Eq.
(5-45) se reduce a
Pk
Xk
2
k
1(5-46)
Los valores para 0 (k) se pueden obtener de la tabla 1 del apéndice B para
valores específicos de K, las listas de la tabla 5-6 son referidas a 0 (k) y a P
[μ- kσ < X<μ+ kσ] para valores estrictos de k.
132 analisis y ajustes de las mediciones
F
2
f
x,y x
,y(5-53)
xy
Y su funcion de distribucion comun puede ser expresada de la siguiente forma :
xy
x
F,yfu
,vdudv
(5-54)
Y
f
y fx,ydx
(5-56)
xy
x
y
fx,
ydxdy
xs(5-62) y
E
XYY
x
X y
xy
E
XY
E
x
YE
Xyxy
E
XY
xyxyxy
EXY
xy (5-63)
Si X y Y son independientes. La Eq( 5-60) debe ser valida necesariamente
para la Eq. (5-63)
xy 0 (5-64)
es decir, X y Y no tienen correlación.
Aunque la independencia conduce a la covariación cero, según lo acabado de
demostrar, lo dicho no es necesariamente cierto; es decir, la covarianza cero
no implica generalmente independencia. Afortunadamente, cuando X y Y tienen
una distribución normal común, la covarianza cero es una condición suficiente
para la independencia. Por lo tanto, para las medidas que están normalmente
distribuidas, la covarianza y la independencia cero son condiciones
equivalentes.
simplificando
xy xy . (5-66)
xy
EJEMPLO 5-8
Calcule el coeficiente de correlación de las cordenadas de X y Y de un punto
del examen, dadas σ²x = 1.72 cm², σ²y = 1.18 cm², y σxy = 0.32 cm².
Solucion
x1
.721
.31
cm
y1
.18
1.09
cm
Asi
0 .
32
xy
0
.
22
xy
1.
31
1
.
xy
09
La suma de dos variables aleatorias comúnmente distribuidas es también una
variable aleatoria. Dependiendo de la distribución común implicita, la suma
puede o puede no tener la misma clase de distribución que sus componentes.
Por ejemplo, si X y Y se distribuyen uniformemente, X+ Y no tiene una
distribucion uniforme sino una distribución triangular, según lo demostrado ya
en la fig. 5-8 (b); sin embargo, si X y Y se distribuyen normalmente puede ser
demostrado que X+ Y tiene una distribución normal. En cualquier caso, la
media de la suma de dos variables aleatroias comúnmente distribuidas es
igual a la suma de sus medias, es decir,
X
E
Y
Ex
EY (5-68)
O , alternativamente,
xy x y. (5-69)
La varianza de la suma se puede determinar también de la varianza y de la
covarianza de sus componentes, absolutamente aparte de la clase de
distribución implicita. Según la Eq. (5-29), la varianza de la suma es la
siguiente esperanza:
2
E
xX
y Y
,
xy
2
(5-70)
Lo cual se reduce a
E
2
xX
y
Y
x y
2
E
X
2
X
Y
Y
2
2
x y y
E
X
2
E
X
Y
E
Y
2
x y
2
y
x22
xyy2.
(5-71)
EJEMPLO 5-9
Calcule la media y la varianza de la suma de las cordenadas de X y Y en el
ejemplo 5-8, dada µ2 = 43.00 cm, σ²x = 1.72 cm², μy = 27.00 cm, σ²y =1.18
cm², y σxy= 0.32 cm².
Solucion
La media de X + Y es
x
43
y.
00
27
.
00
70
x.
00
cm(5-72).
y
La varianza de X +Y es
2 2
x
2
2
y x xy
y
1
.
72
2
0
.
32
1
.
183
.
542
cm
X 1
X 2
.
X
.
(5-73*)
.
Xm
Es un vector aleatorio
Si dejamos
X 1 1
X 2
2
.
x , (5-74)
.
.
Xm m
donde μ1, μ2, ..., μm, son las medias de X1, X2..., Xm, respectivamente
entonces.
X
1
1
X
2
2
x
x
t
.
.
X
1
1
X2
2
...
Xm
m
.
Xm
m
X 2
X
X ...
X
X
1 1 1 1 2 2 1 1 m m
X22
X
1
1
X22
2
...
X
2
2
Xm
m
.
..........
.........
..........
..........
...... .
.............
..........
2
Xmm
X
1
1 Xmm
X
2 2...X
m
m
(5-75)
Tomando las esperanzas de los elementos en esta matriz en el lado derecho
de la Eq. (5-75), y observando de la Eq. (5-29) que E[(Xi- μi)²] = σ²i (la
varianza de Xi), y de la Eq. (5-61) que E[(Xi - μi) (Xj - μj )] = σi (la covarianza
de XI y Xj), y que σij= σji, obtenemos la matriz simétrica.
• Una letra minúscula en negrilla se utiliza para representar un vector
aleatorio en armonía con la notación establecida del vector y de la matriz; los
elementos, sin embargo, forman arcos en mayúsculas para representar
variables aleatorias.
xx
... ... ... ...
. (5-76)
2
1m 2m
... m
Las varianzas de las variables aleatorias individuales forman la diagonal
principal de Σxx; las covarianzas de todos los pares posibles de las variables al
eatorias son los elementos alrededor de la diagonal, con cada covarianza
apareciendo dos veces (en una posición sobre y en una posición debajo de la
diagonal principal).
La matriz Σxx se llama matriz de varianza-covarianza de x, o simplemente la
matriz de covarianza de x, puesto que la varianza de una variable aleatoria se
puede mirar sobre si misma como su covarianza (σ²i = σ²ii). El término matriz
de dispersión también se aplica a Σxx.
Si las variables aleatorias en x no tienen correlación, toda la covarianza (fuera
de la diagonal), los elementos de de Σxx son cero, y la matriz es diagonal [
vea la Eq. (4-15), capítulo 4]. En tal caso Σxx quizá sea llamado matriz de la
varianza, como estaba en el capítulo 4. Sin embargo, es absolutamente
aceptable referirse a la diagonal Σxx como matriz de covarianza, aunque todas
las covarianzas en ella son cero.
La relación entre la matriz de peso W y la matriz correspondiente de la varianza
(o la matriz de la covarianza, como la llamaremos ahora) Σ también fue dada
en el capítulo 4 por la Eq. (4-19). Esta relación, con los subíndices agregados
para indicar referencia al vector aleatorio x, se expone en forma modificada
como la Eq. (5-77):
0
1
xx
2
W .
xx (5-77)
(la cantidad σ²o fue introducida en el capítulo 4 como referncia de la varianza .)
La ecuación (5-77) es general, aplicándose a variables al azar correlacionadas
, medidas, o a las observaciones sin correlación, es decir, la Eq. (5-77) no se
restringe a las matrices diagonales.
Precaución: Si Wxx no es diagonal, los pesos simples que se calculaban en la
Eq. (4-16) no son utilizados como elementos diagonales de Wxx. Solamente
cuando la diagonal de Wxx es diagonal (es decir, cuando las observaciones no
tienen correlación) son los pesos calculados en la Eq. (4-16) son idénticos a
los elementos diagonales. Esta restricción se ilustra en el siguiente ejemplo.
EJEMPLO 5-10
Dos observaciones son representadas por el vector aleatorio
X1
X .
X2
1
2
2 2
1 2
W 2
1 12
. 0 2 12
xx
0xx0 2 222 2
122 1212121
2
2
2 12
12
0
W
xx22 2 2
1
12 12
12
12 1
2
2
12
o o
2 2
11 2
12
1 21 12
.
2
2
o 12 o
12 12
2 2 2
1 21 21
(b) de la eq. (4-16) se obtiene
2
2
1 2andw
2 2.
o 0
w
1
2
X 1
x X 2
X 3
Solución
2
10
.
0250.
000625
m
2 2
2
0
.
050
2 0.
002500
m
2 2
2
0
.
0150.
000225
m
2 2
3
0
12.
12
1
50
0
2.
025
0
.
050
0.
000625
m 2
13230
Asi
0
.
000625
0. 0
000625
0.
000625
0
.
0025000
m2
xx
0 0 0
.
000225
0.000625 0.000625 0
Qxx
1 0.000625 0.002500 0
0.000625
0 0 0.000225
1.00 1.00 0
1.00 4.00 0 .
0 0 0.36
En el ejemplo 5-11, los elementos de Qxx son numeros fácilmente
manejables, sin dimensiones que retratan las magnitudes relativas de las
varianzas y de las covarianzas más fácilmente que los elementos de Σxx.
Escoger la referencia de la varianza se puede hacer de foma arbitraria ; se
elige por conveniencia.
Cuando las unidades de los componentes de x se mezclan, no es posible
construir una matriz de cofactores enteramente de números sin dimensiones.
Esto es demostrado en el siguiente ejemplo .
EJEMPLO 5-12
La posición de una estación de examen se da en coordenadas polares, R y θ.
R se expresa en metros; θ en radianes. La variación de R es 1.0 10 4 m 2 , la
varianza de θ es 2.0 10 9 rad 2 , y la covarianza de R y θ es 1.8 10 7 m-
rad. Así, si x es un vector aleatorio cuyos componentes son R y θ,
1.
04
10
m2
1
.
8
7
10
m
rad
xx
7
9 2
.
1
.810m rad
2
.010
rad
Solucion
5.
042
10
m / 2
rad90
m
/
rad
Q
xx
90m/rad 1
.
0
Solución
xx
1 2 1
Q oxx. (5-80)
Comparando la Eq. (5-80) con la Eq. (5-77), es obvio que
1
Wxx Qxx , (5-81)
es decir, la matriz de pesos es la inversa de la matriz de cofactores. La
ecuación (5-31) es aplicable a las observaciones correlacionadas como tam-
bien a las observaciones sin correlación. La misma relación fue dada
previamente por la Ec. (4-46) en el capítulo 4 para las observaciones sin
correlación solamente,
p
x
120
0.
7
x
0.
3
5x
x
!5
x
! para x = 0, 1, 2, 3, 4, 5.
(a) Evalúe y trace p (z) para todos los valores dados de z. (b) evalúe y
trace F(x) ==P [X ≤ x] para -1 < x < 7. (c) Evalue P [1 < X ≤ 3].
f x
x
para x 0<x<6
18
0 en otro caso
Derive la funcion de distribucion de x y evalueP [X< 1], P [1 < X <3], y P [X >
5].
5-3 Si X es una variable aleatoria con la siguiente función de densidad de
probabilidad:
f x x 1
2
para 1< X < 4
9
0 en otro caso
Derive la funcion de distribucion de x y evalue P [X<2], P[X> 3], y P [2.5 < X<
3.5].
fx
x
sin
para 0 < x < π
2
Derive la funcion de distribucion de 5 y evalue P[X< π/3], P [X> π/2], y P [π/3
< X < π/2].
(5.5)Si X es una variable uniformemente distribuida con parametros a=5 y b=9.
Evalue P[X<5], P[X<8], P[X<10] , P[6<X<7], P[4<X<6 ].
5.6 Dada una variable aleatoria Z con distribución normal estándar, determine
de la Tabla I del apéndice B la probabilidad que Z adquiera un valor: (a) entre
0.35 y 1.65; (b) entre -1.96 y 42; (c) entre -1.50 y 1.50; (d) menos de 0.50; (e)
mayor de cero; (f) mayor de 3.00; (g) entre -0.674 y 0.674.
5-7 Si una variable aleatoria X se distribuye normalmente con media 72 y
varianza 25. Determine P [X< 77], P [X < 84 ], P [X> 84], P [67 <X< 77], P [72 <
X< 73], y P [X= 68].
5-8 evalúe la media y la varianza de la variable aleatoria en el problema, 5-1
5-9 evalúe la media y la varianza de la variable aleatoria en el problema 5-2.
5-10 evalúe la media y la varianza de la variable aleatoria en el problema 5-3.
5-11 evalúe la media y la varianza de la variable aleatoria en el problema 5-4.
5-12 Si X es una variable aleatoria normalmente distribuida. Con E[X ] = 20, y
var [ X] = 4. (a) ¿Cuál es la probabilidad que X sea mayor de 23? (b) ¿Cuál es
la probabilidad que este entre 19 y 21? (c) Cual es la probabilidad de que x sea
menor que 18?
5-13 Una variable aleatoria x se distribuye normalmente si E[X²] =40 y P [X<8]=
0.8413,determine la media, la varianza y la desviacion estandar de x.
X
11 X
12
X1
q
,
,...,
X
21 X
22
X2
q
Y
X2kXk
2 x2,k = 1, 2..., q.
q
2
x1
lim
q
1
X2
1
k
q
k1
q
2
x2
lim
q
1
X2
2
k (6-4)
q
k1
la covarianza de x1 y x2 como
q
1
lim
x
1x
2
q
X
X
q
k
1
1
k 2
k (6-5)
2
Y aX
211aX
222
b2
(6-7)
Aplicando esta relación a la componente muestral k th , obtenemos
k
Y
1 aX
11k
1 aX
12k
2 b
1
k
Y
2 aX
21k
1 aX
22k
2 b
2
(6-8)
Ahora, las desviaciones de los valores calculados de Y1 y de Y2 de sus
respectivas medias μy1 y μy2 son
Y1kYk
1 y1
Y
Y2kY2ky2,K = 1, 2..., q (6-9)
Esto puede ser demostrado.
Yk
1 a
11Xk
1 a
21X2
k
y
Yk
2 a
21X
1k
a
X
22 2
k,k = 1, 2..., q
(6-10)
1
2
lim
y
2
Y
q
q
k
2
1 2
k (6-12)
q
Y
q
1
lim
y
1
q
y
2
YY.
q
k1
1
k 2
k (6-13)
1 q
lim q (a112 X12k 2a11a12X1k X 2k a122 X 22k )
q k 1
1 q 2 q q
lim q
q k 1
a11 X 1
2
k 2 a11 a12 X 1k X 2 k a122 X 22k
k 1 k 1
1 q 1 q 2
a112 lim q 1k 11 12 q q
q k 1
X 2
a a lim
k 1
a12 X 1k X 2 k
q
a122 lim q X 22k
K 1
Deje que Σxx y Σyy sean las matrices de la covarianza de los vectores al
eatorios x y y, respectivamente, es decir,
2
xx
x1 x1
x2
2
x
1x2 2
x
(6-17)
2
y
1 y
1y2
2
yy
y
1y2 y2
(6-18)
Se demuestra fácilmente que las Eqs. (6-14), (6-15), y (6-16) pueden ser
expresadas en forma matricial
yyAxxA
t
, (6-19)
Donde
a a
A 11 12.
a21 a22
Será encontrado que la Eq. (6-19), necesita solamente para el vector x
componentes con n=2 y el vector y con componentes m=2, para todos los
valores de m y de n. Como lo representa la ley general de propagación de
varianzas y de covarianzas para todas las funciones lineales, y = Ax+ b.
Para las funciones linealizadas, la matriz de coefficientes A es sustituida por la
matriz Jacobiana
Y1 Y1 Y1
X ...
X2 Xn
1
Y2 Y2
...
Y2
Jyx X1 X2 Xn .
... ... ... ...
Y Ym Ym
m ...
X1
X2 Xn
y la ley general de propagación de varianzas y de covarianzas se convierte
yyJyx
xx
t
Jyx.
Las relaciones expresadas por las Eqs. (6-14), (6-15), y (6-16), y las Eqs. (6-
19) y (6-20) es válida no importa cual sea la probabilidad de x
Cuando los componentes del vector aleatorio x son independientes (sin
correlación), la funcion de covarinza de la matriz Σxx es la diagonal. Así, para
la función lineal.
YaX
1 1a
2X2
...
a
nXn
En qué X1, X2..., Xn, son independientes (sin correlación), la aplicacion (6-20)
produce
Y
2
x
1 0 ... 0 X1
Y
Y Y 2
0 ... 0
,...,
Y
y
2
,
x
2
X
1
X
X Xn ... ... ... ... 2
2
...
0 0 ... 2
Y
xn
Xn
De lo cual los resultados son
2 2 2
Y2Y
Y
2
2
...
2
y x
1 x
2 xn
X
1 2
X n
X
154 analisis y ajustes de las medidas de examen
yyJ
t
Q Q
yx Jyx
xx para el caso no lineal (6-28)
Donde Jyx es la matriz Jacobiana.
6.3. EJEMPLOS
Las leyes derivadas de la propagación en la sección 6.2 son ilustradas a
continuacion por varios ejemplos.
EJEMPLO 6-1
Una distancia se mide en cuatro partes. Las distancias medidas son 461.825
m, 215.623 m, 117.221 m, y 512.338 m, y las desviaciones de estándar
correspondientes son 0.021 m, 0.017 en, 0.010 m, y 0.025 m, respectivamente.
Todas las medidas son independientes. Evalúe la desviación estándar total de
la distancia medida.
Solución
Si las variables aleatorias X1, X2, X3, y X4 representan las cuatro medidas
individuales y Y la distancia total. Así
YX
1X
2X
3X
4,
con = 0.021 m, = 0.017 m, = 0.010 m, y = 0.025 m.
1
0
.
2
021
1
0
.
017
1
0
.
010
1
0
.
22
025
22 22 2
0.001455
EJEMPLO 6-2
Dos medidas son independientes y tienen desviaciones estándar σ1 = 0.20 m y
σ2 =0.15 m, respectivamente. Evalúe las desviaciones estándar de la suma y
de la diferencia de las dos medidas. También evalúe la correlación entre la
suma y el diferencia.
Solución
Si X1 y X2 representan las dos medidas, y y1 y Y2 su suma y diferencia
respectivamente, es decir
y1 X1 X2 y Y2 X1 X2.
En forma matricial (y= Ax b), las funciones son
Y 11
X 0
1
1
.
Y21
1
X20
Desde que X1 y X2 sean independientes, la Eq, (6-22) puede ser utilizada
para evaluar las varianzas. Así,
1
2
y
1
1
22
1
22
2
2
1
2
2
0.
20
0.
15
2
0. 2
0625
m
.
2
y
1
2
y
2
1
22
0
.
0625
1 m
.
22
2
2
2
2
11
2
1 011
0
1 21
1
2 1
2 2
1
1
2 2 2 2
1 2 1 2 1 2
1
2 2
2
1
1
1
2 2 2 2
2 1
2
Los elementos de la diagonal de Σyy, son las varianzas σ²y1 y σ²y2, según lo
previamente determinado. Cada elemento en la diagonal es la covarianza de
Y1 y de Y2, es decir,
y
1
y
0.
2
20
2 1
2
0
2.
150
.
0175
.
2 2
0.
0175
y
1y
2
0.
28.
0
.
25
y
1y
20
.
25
EJEMPLO 6-3
Si una cantidad se mide independientemente en n tiempos, y las n medidas se
representan por X1, X2..., con diversos pesos, w1, w2, wn, respectivamente,
entonces la media del peso se define como
__wX wX
...
wX
X 11 22 n n
.
0
w w
1 2 ...
wn
Demuestre que la media del peso es igual a la suma de los pesos de las
medidas individuales.
Solución
Escribiendo Σw = w1 + W2+ ... + Wn en forma matricial (y= Ax + b), la media
del peso es
X1
__
W X
X
0
1 W2 W 2 2
, ,...,
0.
ww w...
Xn
Ahora,
1
W 0 ... 0
1
1
1 0 ... 0
Qxx Wxx W2 .
... ... ... ...
1
... ... ...
Wn
Asi,
yyAxxA
t
1 W
W 0 ... 0 1
1 w
W
... 0 2
1
W W W0
1 , 2 ,...,n W
w w w .. ... ... ... ...
2
w
1W
0 0 ... n
W n
w
WW
...
W 1
1 2 n
.
2
w w
Por lo tanto Wyy = Qyy¯¹ = [Σw], es decir, el peso de ¯Xw (media X), es la
suma de los pesos Σw.
EJEMPLO 6-4
Se mide una distancia dos veces usando dos métodos diferentes. Las dos
medidas son X1=321.643 m y X2 = 321.618 m, con desviaciones estándar
σ1= = 0.030m σ2=0,015 m, respectivamente. Evalúe la media de los pesos y
la desviación estándar de la media de los pesos, asuma que X1 y X2 no tienen
correlación.
Solución
Deje que σ0=0.030 m (la selección de σ0 es arbitraria). Entonces los pesos de
las medidas son,
0
2
0.
030 0
22
0.
030
2
w 1y 2 2
w 4
1
1
2
0.
2
030 1
0.
2
015
Y la media de los pesos (véase el ejemplo 6-3) es
__
w
Xw
X
1
321
.
643
4
321
.
618
X
ww
w
1122
1
4
321
.
623
m
1
2
0
2
w
.
030
0.
2
0
00018
m
2
2
w
w
12 5
Y la desviación estándar de la media de los pesos es
0
2
w
.
030
0.
2
0
00018
m
2
2
ww 5 12
Así
2 2 2 2
1
2
w
4
1
0
.2
030
1
4
0
.
015
0. 2
00018
m
.
2
2 2 2
5
5
5
5
EJEMPLO 6-5
Los ángulos y los lados de un triángulo plano se muestran en la fig. 6-1. Se
miden los lados a y b y las medidas son 416.050 m y 202.118 m,
respectivamente. Las medidas son independientes, la desviación estándar de
a es 0.020 m, y la desviación de estándar de b es 0.012 m. evalúe los
elementos c y β del triángulo y sus desviaciones de estándar. También
determine la correlación, si la hay, entre c y β.
Fig. 6-1.
Solución.
Las funciones que expresan c y β en términos de a y b es
c a2 b2
1b
sin
a
c416
.
050
202
.
018
2
363
.
656
m
.
2
202
.
018
sin
416
.
1
29
050
03
"54
´.
Puesto que las funciones son no lineales, la matriz Jacobiana Jyx se debe
evaluar, observando que
a c
x y y
b
Ahora,
c
1
/
22
ab
2
1
1
/
22
ab
2
2
a
aa
1
a
a 2 2
a
2
b
/
2
c
c
a
22
b
1
/
2
1
2
a
2
b
1
/
2
2
b
bb
1
b
b 2
/
2
c
22
ab
b
1
ba
bb
1
sin
2 2
aaa
1b
/
2
aa
2
a2
ba ac
1 1
b
sin
a
1
1
1
b
b
a1
b
/
2
a
a
2
a2
b
ac
Asi,
c
cab
1.
144 0.
556
J
yx
a
b
c c
b1
1
.
3363
102.
750
3
10
.
a
bac
c
Ahora,
0.
2
020 0
0
xx 2
0
.
012
1
.
1440
.
556
0
.2
020
0
1
.
144
1
.
3
336
10
1
.
336
3
102
.
3
750
10
00
.
2
0
012.
556
2
.
3
750
10
5
.
680
4
10
8.
315
10
7
.
8.
3157
10 1
.
8039
10
Así
c5
.
680
10
0.
024
m
.
4
1
.
803
10
4.
246
10
9
radianes el = 8.8 »
5
Y el coeficiente de correlación de c y β es
8
.
315 7
10
0.
0244
.
246
10
5
0
.816
.
1
Paso 1: Y 3X1X22
2
Y X12X23
Y
z 481
21
.9
cm.
Solución II
Aplicando la ley especial de propagación de la varianza a cada paso del
cálculo. Paso 1.
1
Y 3X1X22
3
2
y
15
.0
1
3
2
.
0
234
cm
2 2 2 2
2
Y X12X23
2
1
y
2
5.
0
2
2
3.
0
61
2
cm
2 2 2
Paso 2.
ZY
1Y2
y2 y21y22
234
61 2
295
cm
y295
17
.2
cm.
Paso 1
Y 31
X
2
1
1
Y212
X
2
3
3
15
.
0 0
31
234
93 2
.
yy
1
2
0
3.
0
2
1
2
93
61
Paso2.
Z1 1 1
Y
Y
2
234
93
1
zz
1
1
481
93
61
1
z2 481
cm2
z 481
21
.9
cm
93
0
.78
.
234
61
Observe que las varianzas en Σyy de la solución III (234 y 61) convienen con
las varianzas calculadas para Y1 y Y2 en la solución II. El problema con la
solución II no está en el cálculo de las varianzas sino en no tomar la covarianza
en cuenta. El siguiente ejemplo ilustra el peligro de usar la ley especial de
propagación en pasos. Si la propagación se puede hacer en un paso usando
las medidas en el terreno que son independientes, la ley especial puede ser
aplicada, como estaba en la solución I. Si la propagacion va a ser hecha en
dos o más pasos, la ley general debe ser utilizada, como estaba en la solución
III.
EJEMPLO 6-7
Las estaciones A y C en la fig. 6-2 están a igual elevación. Las medidas
independientes en el terreno se hacen de la base b, ángulos horizontales α y
γ, y ángulos verticales δ y ε.
b
sin
b
sin
a
sin
,c
sin
Y la altura h se puede calcular de dos maneras:
h1 atan y h2 ctan
Si el promedio de h1 y de h2 se toma como el valor final para h÷÷ , tenemos
h
1 h
/2 1h2
=1
/2
a
tan
c
tan
b
.
2sin
h
.
127
552
sin
82
4́1
13
"
tan
12
1́5
37
"
sin
80
2́0
42
"
tan
12
2́0
53
"
2
sin
163
0́1
55
"
94.232
m.
h h 94
.
232
0
.
739
b b127
.552
h
b
2
sin
tan
cos
sin
2
tan
sin
sin
tan
cos
btan
cos
2
sin
h
cot
315
m/
rad
hbtan
cos
h
cot317
m
/
rad
2
sin
hb
sin2
sec
2
sin
227
m
/
rad
hb
sin
sec
2
2
sin
226
m
/
rad
2
k
h
b
2
b
h
2
2
h
2
h
2
h
2
2 2 2 2
0
.
739
0
.
008
315
4
.
85
2
5
10
317
4
.
85
5
10227
2
7
.27
10
52
2
2
=0.00105.
Asi
k 0.0105 0
.
0032
m
.
bsin
127
.
552
sin
80
2́0
42
"
c
sin
sin 163
0́1
55
"
430
.
873
m
Paso 2:
h1
/2
a
tan
c
tan
1
/
2
433
.
508
tan
12
1́5
37
"430
.
873
tan
12
2́0
23
"
94.232
m.
Paso 1: yyJyx t
Jyx
xx ;
Paso 2:
kkJky t
Jky
yy ;
Donde
a a a a a
b
c c c c c
Jyx b
b
b
Y
hhhh
J , , ,
.
ky
ac
Así:
3.399
1476
1421
00
3.378
1412
1485
00
Jyx
0 0 0 10
0 0 0 01
Los elementos de Jky son:
h1
tan
0
.1087
a2
h1
tan0.1094
c 2
h a 2
227
sec
2
h c 2
226
sec
2
Y kk Jyx J
yy
t
ky
0.00104
.puesto que el elemento particular de Σkk es σ²k.
La desviación estándar de h es k 0.00104 0.
032 m.
En este particular ejemplo, el cálculo de un solo paso es la solución preferida
porque obviamente toma menos trabajo que el cálculo de dos pasos. Sin
embargo, hay muchos problemas en los cuales es muy difícil expresar las
cantidades finales deseadas como unicas funciones de las medidas en el
terreno. En estos casos, el cómputo discreto por paso es el procedimiento
preferido, y la propagación discreta por paso de la varianza -covarianza debe
usarse. Si la propagación se debe hacer en pasos, es esencial que esté hecha
usando matrices completas de covarianza, es decir, con la ley general de
propagación de varianzas y covarianzas.
yyAQ
t
Q A
xx .
Y
^
l l v (6-37)
l l v
l f B
Bd.
(6-41)
En cada caso, lo que está en paréntesis () constituye la matriz A. Una
aplicación de la Eq. (6-27), es la ley de la propagación de cofactores,
remplazando la Eq. (6-38) en la ecuacion (6-41), conseguimos
Todos los pasos intermedios en Eqs. (6-42) a (6-45) se van dejar como
ejercicio para el estudiante. De las Eqs. (6-44) y (6-45), fácilmente se ve que
Q^^ QQvv
ll (6-46)
0
.337902
0
.
171085
0
.
183543
Q
N
1
0
.
406418
0
.
172880
.
symmetric
0
.
298256
4
.
773
10
C6
.
502
0.
2
025
m
10
D4
.
773
0.
2
022
m
Y
^
l l v, (6-55)
donde Qc es una matriz especial de cofactores (véase el capítulo 9 para una
explicación), Wc es la matriz de peso correspondiente 0, y k es el vector de los
multiplicadores de Lagrange. Obviamente, de las Eqs. (6-50) y (6-51), la matriz
de cofactores de f es igual a Q, es decir,
Qff Qc (6-56)
Q
xx
t
QAQ
t
QA
kk t
QA
W AQ
c , (6-58)
t
donde todas las matrices de cofactor y de peso son simetricas. Para conseguir
la matriz de cofactores del vector ^l, debemos primero expresar ^l como una
172 analisis y ajustes de las medidas de examen
de lo que conseguimos
(6-59)
Aplicando la ley de propagación de cofactores a la Eq. (6-59) conseguimos
Lo que se reduce a
^ t
Q
^ QQAW cAQ
.
ll (6-60)
La reducción se deja como ejercicio para el estudiante. De las Eqs. (6-58) y (6-
60), es obvio que
Q^^ QQvv
,
ll (6-61)
Lo que es la misma relacion dada por la Eq. (6-46). Una vez más las
matrices de covarianza para k, v, y ^l son obtenidas multiplicando las
matrices de cofactor correspondientes por la varianza simbolizada por σ²0
EJEMPLO 6-9
Calcule la matriz de covarianza y las desviaciones estándar de los ángulos
ajustados en el triángulo plano del ejemplo 4-10, para el caso (2) con pesos
desiguales, dados ~o = 10 ».
Solución
De la Eq. (6-53) y de la presa en el ejemplo 4-10,
173 analisis y ajustes de las medicioens
2 100
10
"
3 111
10
.5
"
Un resumen de los símbolos y de las ecuaciones usadas en la propagación
para el ajuste por minimos cuadrados de observaciones solamente será
encontrado en la sección 9.5, Capitulo 9,
PROBLEMAS
6-1 los ángulos interiores de un arco cerrado de n- ladosmedido en un
lado.Todas las medidas estan sin correlación. Si la desviación estándar de
cada medida l es 4.0 » evalúe la desviación estándar de la suma de los
ángulos medidos para: (a) n = 5; (b) n = 10; (c) n = 20.
6-2 Dos ángulos interiores de un triángulo plano se miden y el tercer ángulo es
computado ellos. Si las dos medidas del ángulo no tienen correlación, las
desviaciones estándar l 4,5 »y 6.0 », respectivamente, evalúe la desviación
estándar del ángulo computado.
6-3 una distancia se mide en tres segmentos. Cada segmento se mide más de
una vez y en cada caso se obtiene una longitud de segmento media (promedio
simple). La distancia entonces se computa como la suma de las longitudes de
segmento medias. Las medidas se enuncian a continuacion , ninguna tiene
correlación, en metros:
a a
1 2
Area b1
2
Si la matriz de covarianza de u es
1 1 0
xx
1 2 1
0 1 2
6-10. Las cordenadas planas de P, fig. 6-4, y sus desviaciones estándar son:
x = 300.000 m, y=4000.000 m a σx, = 0.040 m σy =0.050 m. El coeficiente
de correlación para x y y es -0.70. Calcule las cordenadas polares r y α de P
y su matriz de covarianza. Entonces calcule las desviaciones estándar (en
segundos de arco) y su correlación.
6 – 11. El acimut α y la longitud s de la línea CD en la fig. 6-5, son medidas.
Los valores observados y sus desviaciones estándar son:
130
00´
00
"
10"
s2000
.
00m 0
.
08m. s
177 analisis y ajustes de las medidas de examen
Y2 X1 2X2
Y Z1 y Z2 se calculan de Y1 y de Y2 asi:
Z1 0.5
Y1 Y2
Z2 Y10.5
Y 2
6-19. Referente a la red de nivel en los problemas 4-8 y 4-11, capítulo 4. Utilice
los datos y la Eq (6-45) de la solución del problema 4-8. para evaluar Qjl, la
matriz de cofactores para las diferencias de elevación ajustadas. Entonces
utilice los datos y la Eq (6-60) de la solución del problema 4-1l. evalue Qjl.
Compare las dos evaluaciones.
6-20 referente al problema 4-9, capítulo 4, evalúe la matriz de covarianza por
estimacion de los minimos cuadrados para x y y y la matriz de covarianza
para las observaciones ajustadas. Compruebe la evaluación de la matriz de
covarianza de las observaciones ajustadas usando datos de la solución del
problema 4-12.
Entonces
a
a
2
y
...
a22
,
1x
1
22
2x
2
22
nxn (7-1)
donde a1, a2..., son coeficientes constantes; σ²x1, σ²x2, ..., σ²xn son las
varianzas respectivas de X1, X2...,Xn; y σ²y es la varianza de Y.
181 analisis y ajustes de las medidas de examen
Funciones no lineales. Si Y es una función no lineal de las medidas
independientes X1, X2..., Xn, entonces
(7-2)
El preanálisis hace uso no solamente de las Eqs. (7-1) y (7-2) directamente,
también se usan para evaluar las exactitudes requeridas de las medidas de la
entrada X, dada la exactitud requerida de la cantidad resultante Y. Si asumimos
que cada medida de la entrada contribuye igualmente a la exactitud total del
resultado final, entonces para el caso lineal tenemos
(7-3)
de lo que conseguimos
(7-4)
Donde lail denota el valor absoluto de ai.
Para el caso no lineal, de nuevo se asume una contribución igual de cada
medida de la entrada, tenemos
(7-5)
de lo que conseguimos
(7-6)
EJEMPLO 7.1
Las dimensiones de la base de un depósito rectangular grande son 85 no y 60
m, al metro más cercano. El área base del deposito va a ser determinada con
una desviacion
(7-7)
donde D1 y D2 son las distancias del teodolito puesto en la estacion A (fig. 7
2), a los blancos T1 y T2, respectivamente, y
(7-8)
186 analisis y ajustes de las medidas de examen
(7-9)
Si forman ambos blancos forman arcos alineados independientemente y con la
misma exactitud (representada por la desviación estándar σt) en las
distancias D1 y D2 respectivamente, del teodolito, el uso de la Eq. (7-1) rinde
la siquiente expresión para la desviación estándar σot del error en el ángulo
causado por errores en la alineación del blanco:
(7-10)
D1, D2, y σt en la Eq. (7-10) deben ser expresados en las mismas unidades; a,
rangos típicamente de 0.5 a 5 milímetros.
La desviación estándar σp que apunta a un blanco de examen es
influenciada por la óptica del telescopio, el diseño del blanco, y las condiciones
atmosféricas entre el telescopio y el blanco. Cuatro puntos se toman para
cada uno de los pares del sistema de observaciones (dos puntos s en cada
blanco). Así, por n sistemas de observacion, 4n puntos se toman.
Se toma bajo asunción que todos los puntos son independientes, y la media
de los n sistemas es tomada, aplicando la Eq. (7-1) se da lugar a la siguiente
desviación estándar σop para el error en el ángulo medido causado por error
en apuntar el blanco:
(7-11)
Así
(b) Para cuatro sistemas de observacion (n = 4),
como antes, y
Así,
(7-15)
Donde λ. es la longitud de onda de la modulación;
(7-16)
Donde
c es la velocidad de la luz en el vacío;
n es índice de refracción de la atmósfera;
f es la frecuencia de modulación.
Bajo asunción de que los errores en λ, u, y k son independientes, la ley
especial de propagación de la varianza, la Eq. (7-1), aplicada a la Eq.
(7-15) produce
(7-17)
Igualmente, si se asume que los errores en c, n, y f son independientes,
la Eq. (7-2) aplicada a la Eq. (7-16)producer
(7-18)
Combinando las Eqs, (7-17) y (7-18), conseguimos
(7-19)
Con el fin de evaluar la varianza, podemos aproximar la distancia de la
cuesta usando el primer término (por estar lejos de ser grande) de la Eq.
(7-15), es decir,
(7-20)
Entonces
(7-21)
Dejando
(7-22)
Los factores a y b se dan generalmente como parámetros de exactitud
para un instrumento particular de EDM. Los cocientes (exactitudes
relativas), , , y f , y el factor resultante b se da por costumbre en
c n
c n f
partes por millón (PPM).
EJEMPLO 7-4
La velocidad de la luz se conoce como r 299792.5 km/sec con una
desviación estándar de 0.1 km/sec. Si el índice de refracción de la
atmósfera se puede determinar con una exactitud relativa σn/n de 2.0
PPM, la frecuencia de modulación de un instrumento particular de EDM
se puede determinar con una exactitud relativa σf/f de 1.0 PPM, la
diferencia de la fase se puede medir con una desviación estándar de 5.0
milímetros, y la corrección cero se puede determinar con una desviación
estándar de 2.5 milímetros, evalúe los factores a y b, y determine la
desviación estándar de una distancia medida de 2 kilómetros.
Solución
Nosotros tenemos que c = 299792.5 km/sec y σc= 0.1 km/sec. Entonces
(7-23)
Donde αα, y αb se expresan en radianes.
Para distancias iguales de la mira (Dα = DB = D), la Eq. (7-23) se reduce
a
(7-24)
Obviamente, si αα= αb como se piensa en el procedimiento de la
nivelación, la Eq. (7-24) se reduce a la relación simple
(7-25)
(7-26)
Dónde σβ es la desviación estándar por unidad de longitud de la
distancia de la mira. Los valores típicos para σ0 estan en el rango de 0.2
a 2.5’; los valores típicos para σβ estan en el rango de 0.001 a 0.015
mm/m. La aplicación de la ley especial de propagación de la varianza a
la Eq. (7-24), da
(7-27)
Lo que se reduce a
(7-28)
La ecuacion (7-28) para un instrumento del sistema solamente. Para n,
sistemas como ocurre en una línea o un circuito de nivel, la ley especial
de propagación de la varianza produce
(7-29)
Puesto que la longitud total de una línea o de un circuito de nivel es dada
por
(7-30)
De la Eq. (7-29) se ve que la desviación estándar en Δh es:
(7-31)
EJEMPLO 7.5
El equipo de nivel de un topógrafo consta de una burbuja de alcohol que
se puede centrar con una desviación estándar de 2.0 ». El instrumento y
la barra de acompañamiento se diseñan tales que la barra se puede leer
con una desviación de estándar de 0.012 milímetro por metro de la
distancia de la mira. Si se utiliza la mira a una distancia de 60 m , evalúe
la desviación estándar prevista en la determinación de una diferencia en
elevación con este nivel para una línea de nivel que tenga 10 kilómetros
de largo.
Solución
Así, de la Eq. (7-31),
EJEMPLO 7-6
El nivel y la barra del topógrafo en el ejemplo 7-5 son utilizados para
determinar la diferencia en la elevación entre dos puntos de referencia
que estan 1.5 kilómetros separados. Determine la distancia máxima
permitida de la mira si una tolerancia de ±10 milímetros se permite en la
diferencia en la elevación medida.
Solución
Desde tΔA= ±10 mm, la desviación estándar máxima permitida en Δh es,
según la Eq. (7-32),
7-2 Si el lado b del triángulo en el problema 7-1 puede ser medido con
una desviacion estándar no menor de 0.016 m, determine las
desviaciones estándar con las cuales los angulos α y β deben ser
medidos para mantener una desviación estándar de 0.020 m para el valor
calculado del lado a.
7-3 si el área del triángulo en el problema 7-1 va a ser calculada de las
medidas independientes del lado b y de ángulos α y β? use la función
Las desviaciones estándar señaladas y la lectura del círculo son 2.0” y 3.0”,
respectivamente. Si la desviación estándar en cada ángulo medido debe ser
no mayor de 5.0”, evalué las desviaciones estándar convenientes para el
centrado del instrumento y la alineación del blanco, si se asume que dos
sistemas pares son utilizados en cada medida y los blancos son puestos en
las esquinas de la porción de tierra.
7-7 la velocidad de la luz se conoce con una exactitud relativa σc/c of 0.3
ppm, y el índice de refracción de la atmósfera se puede determinar con una
desviación estándar de 2.0x 10. La longitud de onda de modulación de un
metro electróptico de distancia (EDM) es 10 m y el valor nit tiene una
desviación estándar de 8 μm. La diferencia de fase se puede medir con una
desviación estándar de 1/3000 de la longitud de onda de modulación, y la
corrección cero tiene una desviación estándar de 3.0 milímetros. Evalúe los
factores de a y de b para este EDM y determine las desviaciones estandar
para las medidas de 500 m, de 2.0 kilómetros, y de 5.0 kilómetros.
7-8 El compensador de nivel de un topógrafo permite que el instrumento sea
nivelado con una desviación estándar de 1.5”. La barra se puede leer con una
desviación estándar de 0.010 milímetros por metro de la distancia de la mira.
Si la mira se utiliza a una distancia de 80m, exprese la desviación estándar
esperada en la determinación de diferencia de elevación con este nivel y la
barra en función de K1 la longitud de la línea de nivel en kilómetros.
7-9 Dos puntos de referencia están separados 20 kilómetros. La diferencia de
elevación entre estos dos puntos de referencia se debe determinar con una
desviación estándar que no sea mayor de 0.010 m. Usando el nivel y la barra
del problema 7-8, dos líneas de nivel funcionan entre los puntos de
referencia y un valor medio se toma. Determine la distancia máxima de la mira
que debe ser utilizada.
7-10 En el método de la barra medir una distancia horizontal entre el
teodolito y la barra se hace como a continuación:
7-12 Una distancia de 1200 m debe ser medida con una barra de 2 m y el
teodolito de presicion del problema 7-11 (σb=0.2 mm y σo= 1.0 »). Si se va
a medir la distancia en pies de n longitud igual (e.j., una posibilidad es 2 pies
de 600 m), determine n si la desviación estándar en la distancia medida debe
ser no mayor de 0.50 m.
7-13 una distancia medida es influenciada por muchas fuentes de error, dos de
las cuales son : (1) errores en marcar los extremos de la cinta, y (2) error en la
calibración (o estandarización) de la longitud de la cinta. Asuma para este
problema que estas dos fuentes de error son las únicas que son significativas.
Si D es la distancia medida, corregida para la longitud de la cinta, demuestre
que la variación en D es
(8-1)
Si las observaciones X1, X2...,Xn son variables al azar independientes,
igualmente distribuidas,
cada una con media μ, y varianza σ², entonces X también es una variable
___
al azar a la que se le puede demostrar que tiene una media μ y una varianza
σ²/n ( Sección 8.5). La probabilidad específica de la distribución X ___
Si Z1, Z2..., Zn son variables al azar independientes de n, cada una con una
distribución normal estándar (es decir μ=0, y σ=1; vea la sección 5.4) eso se
puede demostrar ( pero esa demostración esta más allá del alcance de este
texto), la función de densidad de probabilidad de
(8-2)
Es
(8-3) *
2
Y tiene una distribución Chi-cuadrado (x ) con grados de n de libertad. Los
parámetros de la distribución son la media y la varianza de Y
• Γ (α) se conoce como la función gamma. Él que se define como la
integral
(8-5)
EJEMPLO 8-1
La variable aleatoria Y es la suma de los cuadrados de cuatro variables
aleatorias normales estándares, es decir, Y tiene una distribución Chi-
cuadrado con cuatro grados de libertad (n = 4). Evalúe y trace la función de
densidad de Y. Evalue la media y desviación estándar de Y.
Solución
Para n=4, Γ (n/2) = Γ (2) = 1! = 1. Así, de la Eq. (8-3), la función de densidad
es
Para y = 0.5,
Para y = 1.0
(8-6)
Donde f (u) es la función de densidad dada por la Eq. (8-3).
Considere que F (y) es una probabilidad. Cuando esta probabilidad es fija en
un cierto valor especifico, F (y) = p, el valor correspondiente de y se conoce
como porcentaje fractil- pth , o porcentaje percentil. Para la distribución l
Chi-cuadrado con n grados de
(8-7)
tiene una distribución t con n grados de libertad. La función de densidad de
probabilidad de la distribución t es
(8-8)
• « Student » es el pseudónimo de W. S. Cosset, el estadístico que
primero derivó la distribución t
(8-9)
y
(8-10)
La distribución es simétrica alrededor de cero.
EJEMPLO 8-2
La variable aleatoria T tiene una distribución t con cuatro grados de libertad.
Evalúe y trace la función de densidad de T. Evalue la desviación estándar de
T.
Solución
Para n = 4,
2.5
Para t=Q, f (t)=0.375 (1) = 0.375.
2.5
Para t = ±1, f(t)=0.375(1+1/4) ‘=0215.
Otras evaluaciones de (t) se dan en la tabla 3-2, la función de densidad se
traza en la fig. 8-3. La desviación estándar de T es
(8-11)
Donde f (u) es la función de densidad dada por la Eq. (8-8). Si esta función se
fija en un cierto valor especifico p, (es decir, F(t ) =P [T ≤ t] =p), el valor
asociado de t a p se designa por tp, n, representando el porcentaje del pth de
la distribución t con estos grados de libertad. Los valores del tp, n se dan en la
tabla III del apéndice B.
206 análisis y ajustes de las medidas de examen
(8-12)
La varianza de la muestra se simboliza con S², y se define con la siguiente
función
(8-13)
Donde X es la media de la muestra. La razón para usar n - 1 en vez de n en
la Eq. (8-13) se retoma en la sección 8-6.
Desviación Estándar de la muestra. La desviación estándar de la muestra S se
define como la raíz cuadrada positiva de la varianza de la muestra.
EJEMPLO 8-4
Para la muestra aleatoria escogida en el ejemplo 8-3, evalúe el rango de la
muestra, la desviación media de la muestra, la varianza de la muestra, y la
desviación estándar de la muestra.
Solución
Varianza de la muestra,
(8-14)
209 análisis y ajustes de las medidas de examen
(8-15)
Entonces ^ θ se dice que es un estimado imparcial de θ.
Consistencia. Si ^ θ es un estimado imparcial de θ y la varianza de θ se
aprxima a cero, como el tamaño de la muestra es grande, entonces 6 es un
estimador constante de θ.
(8-16)
(2) Si Y = a1X1 + a2X2 +... + anXn donde X1, X2...,Xn son variables al azar
independientes, entonces la varianza de Y se obtiene de
(8-17)
(8-18)
Aplicando las Eqs. (8-16) y (8-17) a la Eq. (8-18), y observando que E [ X1 ] =
E [ X2 ] =... = E [ Xn ] = μ, y σ²x1= σ²x2 =… = σ²xn conseguimos, para la
esperanza y la varianza de X,
(8-19)
Y
(8-20)
Obviamente, puesto que E [ ] = µ; y puesto que ¯Xi imparcial de la varianza
de X se debe acercar a cero cuando n tiende a infinito, X debe ser un
___ ___
(8-21)
Introducción al análisis estadístico
2 2
29) que X , conseguimos
n
n
2
E X i X n 2 n
i1
2
n
n 1 2 (8-23)
Por lo tanto
E S2 E
1 n
2
Xi X 2 (8-24)
n 1 i1
Lo cuál demuestra que S2 es un estimado imparcial de 2 . Ésta es la razón
por la que este término se utiliza para la varianza de la muestra. Si se
dividiera la suma de los cuadrados de las desviaciones por n en vez de n-
1 , el estimado resultante tendira un sesgo negativo.
Si la población de la cual se toma la muestra esta normalmente
distribuida, puede ser demostrado que S2 es tambien un estimado
constante de 2 y que la distribucion de S2 está relacionada con la
distribución chi-cuadrado; específicamente
n 1
Y 2 S2 (8-25)
tiene una distribución Chi-cuadrado con n-1 grados de libertad.
8.7. INTERVALO DE CONFIANZA PARA LA MEDIA
X
P Z
Z 2 Z 1 (8-27)
N
donde Z es el valor de la función de la distribución normal estándar, ob-
tenida de la Tabla I del apéndice B.
Reacomodando la desigualdad dentro de los corchetes de la Eq. (8-27),
conseguimos
P X
z
X
z
2Z 1 (8-28)
n n
Lo que se lee de la siguiente forma: La probabilidad de que este entre
y
X z
n
X
z
n
es 2 z 1 . Cuando un valor numérico específico x se
proporciona para x , la sentencia precedente de probabilidad se
convierte en una sentencia de confianza. Los valores X z y
X z
n
EJEMPLO 8-5
En el ejemplo 8-3, la media de la muestra de 20 medidas independientes de
una distancia era calculada para 537.615 m. Si la desviación estándar de
cada medida (es decir, la desviación de estándar de la población) se conoce
0.033 m, construya un intervalo de confianza (del 95%) 0.95 para la media de
la población.
Solución
Para
2 z 1 0.95 ,
z 195
2
0.975 . De la Tabla I del apéndice B z 1.96 .. Por lo
tanto, los límites de confianza son
z 1.96 (0.033 )
x 537 .615 537 .601 m
n 20
Y
z 1.96 (0.033 )
x 537 .615 537 .629 m
n 20
Así, podemos decir con confianza del 95% que u esta en el intervalo 537.601
m a 537.629 m.
EJEMPLO 8-6
Referente al ejemplo 8-3, en el cual la media de la muestra de 20 medidas
independientes de una distancia es calculada como 537.615 m, y el ejemplo
8-4 en el cual la desviación estándar de la muestra de las mismas 20 medidas
se calcula como 0.035 m, construya un intervalo de confianza (del 95%) para
la media de la población.
Solución
Para 2( t ) 1 0.95, F( t ) 1.95 2 0.975 grados de libertad n 1 20 1 19 . De la Tabla III,
Apéndice B t 209 .. Por lo tanto los límites de confianza son
0.975 , 19
tS (2 .09 )( 0 .035)
X 537.615 537.599 m
n 20
y
tS ( 2. 09 )(0 .035 )
X 537. 615 537. 631m
n 20
Así, podemos decir con confianza del 95% que esta en el intervalo
537.599m a 537.631m.
Estableciendo un intervalo de confianza para la media de una distribución de la
cual se ha asumido que tiene una muestra escogida al azar dibujada de una
distribución normal. Si la distribución de la población no es normal, pero el
tamaño de muestra es grande, X tendrá una distribución que sea
aproximadamente normal. Y las Eqs. (8-28) y (8-30) siguen siendo válidas
para todos los propósitos prácticos.
Finalmente, como el tamaño de muestra aumenta, vemos que los valores de t
se acercan a los valores correspondientes de z. De hecho, para un tamaño de
muestra de 30 o más grande, la distribución t se puede aproximar muy bien
por la distribución normal estándar.
EJEMPLO 8-7
Con referencia una vez más al ejemplo 8-4, en el cual una varianza de la
muestra de 0.00121m^2 se calcula a partir de 20 medidas independientes de
una distancia, construya un intervalo de confianza de 0.95 para 2 y el
correspondiente intervalo de confianza para .
Solución
Para b a 0.95 y a b 1 obtenemos a 0.025 y b 0.975
2
grados de libertad n 1 19 . De la tabla II del apéndice B X 0.025,19 8.91 y
2
X 0.975,19 32.9
Así podemos decir con confianza del 95% que 2 esta en el intervalo 0.00070
2 2
m a 0.00258 m . Correspondiente al 95% de confianza el intervalo para o es
0.026 m a 0.051 m.
Donde c z n.
Donde c ts n. ,
H0 se acepta si x , el valor específico calculado de la muestra, esta entre 0 c
Fig. 8-4.
Solucionando para ( z ) ,o f (t) , conseguimos:
(z) 1 (8-37a)
2
o
F( t ) 1 (8-37b)
2
Así, el valor de z o de t se obtiene del nivel de significación de la prueba .
Específicamente, la Tabla I del apéndice B se utiliza para evaluar z ; La
tabla III de Appendix B se utiliza para evaluar t. [ nota: En la tabla III,
t t p , n 1 donde p F ( t ) . ]
EJEMPLO 8-8
Un ángulo se mide 10 veces. Cada medida es independiente y hecha con la
misma precisión, es decir, las 10 medidas constituyen una muestra escogida al
azar de tamaño 10. La desviación estándar y la media de la muestra se
calculan de las medidas: x = 42°12’14.6 , s = 3.7. Pruebe en el nivel 5% de
significancia que la hipótesis , la media de la población de medidas, es
42°12’16.0 ‘’ contra la alternativa de que no es 42°12’16,0 ‘’,
Solución
0 42°12’16,0 ‘’,
Para el 5% del nivel significativo , a = 0.05. Así,
ts (2.26)(3.7´´ )
c 2.6´´
n 10
Y también
0 c 42 º12´13.4´´
Y
0 c 42 º12´18.6´´
De lo que conseguimos
x a2,n 102 x 2b,n 102
P S
2
b a, (8-39)
(n 1) (n 1)
2 2
H0 Se acepta si s , el valor específico de S calculado de la muestra, entre
x a2,n 1 02 (n 1) y x 2b ,n 1 02 (n 1) ; si no H0 , se rechaza. Las regiones de
aceptación y de rechazo se muestran en la fig. 8-5. Una vez más 1 es la
probabilidad de que H 0 se acepte cuando es verdad.
Así,
1 b a, (8-40)
219 analisis y ajustes de las medidas de examen
Fig. 8-5.
y para ab 1 (percentiles complementarios ). Obtenemos.
a (8-41)
2
Y
b 1 , (8-42)
2
Este método de prueba se puede, por supuesto, utilizar para probar la
desviación estándar así como la varianza.
EJEMPLO 8-9
Referente a los datos en el ejemplo 8-8, pruebe en el nivel de siginificancia del
5% la hipótesis que , la desviación estándar de la población de medidas, es
2.0’’, contra la hipótesis alternativa que no es 2.0 ´´
Solución
02 2.0´´.
2 x 2 x y y y 2
f ( x , y)
1
2 x y 1
2
exp { 1
2
x 2 x y
2 (1 ) x
x y y
} ,
(8-43)
2
1 1 y y
f ( y) exp { }, (8-45)
y 2 2
y
Las cuáles son generalmente las funciones de densidad para las variables
aleatorias individuales normalmente distribuidas . Las dos funciones
marginales de densidad también se muestran en la fig. 8-6.
Un plano que es paralelo a x, un plano de la coordenada Y cortará la
superficie bivariada de densidad en una elipse (véase la fig. 8-6). La ecuación
de esta elipse es obtenida fijando f (x, y) en la Eq . ( 8-43) igual a la altura K
del plano intersectado sobre el plano x, y, y simplificando. El resultado es
2
x x y y y y
2
x x
2
1 2 c2 , (8-46)
x x y y
1
donde c 2 2 2 2 2 2
ln 4 K x y (1 )
,es una constante.
EJEMPLO 8-10
Los parámetros de una distribución normal bivariada son 4 , 5, 4 , 4 ,y
x y
Solución
1
c2 ln 42 (0.1)2 (1)2 (0.5)2 (1 0.25) 2.60
(1 )c (1 0.25 )(2.60) 1.95,
2 2 2 2
u 2 2uv 4v2 i
Solucionando para u en términos de v, conseguimos
u v 1.95 3v 2 .
Así,
x 4 y 5 1.95 3( y 5) 2
o
x y 1 1.95 3( y 5) 2
c c
B x x y y
c
c
C x x y y
c c
D x x y y
Tabla 8. 4
y x
4.2 1.03 and
4-4 2-47
3-37 4-
4.6 2-39
33
4.8 2-45 4.8
5-
5-0 2.60
15
5.2 1
2.85 5.4
5-4 3.19
0 5.
5.6 3.67
55 5.
5.8 4.63
61 5.
53 4.
97
Fig. 8-7.
Si la elipse es incluida dentro de una caja imaginaria, indicada por las líneas
punteadas en la fig 8-7, vemos que son las dimensiones medias de la caja
son c x ,y c y . Podemos también ver como un factor que proporcióna la
localización de los puntos A, de B, C, y D. E y G (fig. 8-7) en la elipse pueden
ser situados fijando x en la Eq- (8-46) igual a cero y solucionando para y:
y c y 1 2 .
z c x 1 2 .
Cuando x y ,y 0 , la Eq- (8-46) se reduce a
x x 2 y y 2 2 c 2 , (8-47)
Y la Eq.(8-48) se convierte
2
x y y
2
x
2 1 2 c 2 .
(8-49)
x x y y
La ecuación (8-49) representa una familia de errores de las elipses centradas
en el origen del sistema de coordenado X, Y. Donde c 1 , en la Eq. (8-49)
es la ecuación del error estándar de la elipse.
El tamaño, la forma y la orientación del error estándar de la elipse son
gobernados por los parámetros de la distribución x , y y ,. Seis ejemplos que
ilustran los efectos de diversas combinaciones de los parámetros de la
distribución se muestran en la fig. 8-8. Una elipse típica del error estándar se
muestra en la fig. 8-9. Puesto que c 1 , la caja imaginaria (línea punteada ) que
incluye la elipse tiene dimensiones medias x , y y , , en general, los ejes
principales de la elipse, x’ y y ‘, no coinciden.
Con las coordenadas de los ejes x y y; el eje principal de la elipse, x’, forma
un ángulo con el eje x.
Un error posicional se expresa en el sistema de coordenadas X, Y por el
vector al azar ; el mismo error se expresa en el sistema de coordenadas X,
X
X´
Y´
2 xy
tan 2 , (8-55)
2x 2y
12
2x 2y 2x 2y
2
x´
2
2xy (8-56)
2 4
12
2 2y 2x 2y
2
.
x y
X
del vector al azar Y
EJEMPLO 8-11
El error al azar en la posición de una estación de examen es expresado por
una distribución normal bivariada con parámetros x x 0 , x 0.22m , y 0.14m y
, c=0.80. Evalúe el eje semimayor, el eje semimenor, y la orientación del
0.80
error estándar de la elipse asociada al en posición.
Solución
xy x y 0.80 0.22 0.14 0.0246 m 2 ,
2x 2y 0.22 2 0.14 2
0.0340 m 2 ,
2 2
12
2 2
12
(0.22) 2 (0.14) 2
2 2
x y
2xy (0.0246 )
2
0.0285 m2 .
4 4
Así
12
2x 2y 2x 2y
2
x´
2
2xy
2 4
2x´ 0.0340 0.0285 0.0625 m2
Y
12
2x 2y 2x 2y
2
y´
2
2xy
2 4
2x´ 0.0340 0.0285 0.0055 m 2 .
El eje semimayor es
x´ 0.0625 0.25m
y el eje semimenor es
y´ 0.0055 0.074 m.
ahora
2 2(0.0246 )
tan 2 2 xy 2 1.711 .
x y 0.22 2 0.14 2
Puesto que , xy y 2x 2
y son ambos positivos, 2 esta en el primer cuadrante.
1
Así, 2 tan (1.711) 59.7 º y la orientación del error de la elipse es 29.8º .
Tabla 8-5
c p[U<=c]
1.000 0,394
1,177 0,500
1,414 0,632
2.000 0,865
2,146 0,900
2,447 0,950
3.000 0,989
3,035 0,990
3,500 0,998
EJEMPLO 8-12
Para el error de posición aleatorio dado en el ejemplo 8-11, evalúe los ejes
semimayor y semimenor del error dentro de la elipse de lo cual es 0.90
probable que el error en la posición este dentro de la elipse.
Solución
Para PU c 2 0.90, c 2.146 (table8-5) del ejemplo 8-11 x 0.22m y y 0.14m . Así, el
eje semimayor del error en la elipse es
cx´ 2.146(0.25) 0.54m,
Y el eje semimenor del error de la elipse es
cy´ 2.146(0.074) 0.16m.
PROBLEMAS
8-1 Demuestre de que la función de distribución chi-cuadrado para la variable
al azar Y en el ejemplo 8-1 es
y
f ( y) 1 1 e y 2 para y 0.
2
Evalúe F(y) para y = 0.297, 3.36, y 9.49 y compare con las entradas
correspondientes en la tabla II del apéndice B.
8-2 Demuestre que la función de distribución para la variable al azar T en el
ejemplo 8-2 es
1 2
f (t )
2
t t 6 t2 4
1.5
1.
Evalúe F(t) para t = 0.134, 0.741, y 2.13 y compare con las entradas
correspondientes en la tabla III del apéndice B.
8-3 Dada una variable al azar T que tiene una distribución t con 10 grados de
libertad. Determine de la tabla III del apéndice B la probabilidad de que T
adquiera un valor: (a) menor de 0.70; (b) mayor de 0.70; (c) entre 0.26 y 0.70;
(d) entre -3.17 y 3.17; (e) entre -1.81 y 0.26.
Nota: Puesto que la distribución t es simétrica alrededor de cero.
8-4 una distancia se mide 25 veces. Todas las medidas son independientes y
tienen la misma precisión (es decir, las medidas constituyen una muestra
escogida al azar de tamaño 25). Las medidas son las siguientes:
231.354 m 231.361 231.384 2 3 1 .3 4 7 231.33
231.312 m 231.355
m 231.347
m 231.366
m 231.36
5m
231.320 m 231.348
m 231.341
m 231.338
m 231.33
1m
231.361 m m
231.341 m
231.350 m
231.333 7m
231.35
231.322 m m
231.331 m m
231.376 231.335 231.345m
m m m 4m
Evalúe la media de la muestra, el punto medio de la muestra, el alcance
medio de la muestra, el rango de la muestra, la desviación media de la
muestra, la varianza de la muestra, y la desviación estándar de la muestra .
8-5 Las siguientes 20 observaciones de un par de ángulos, y , se
obtienen:
OBSERVATION
1 31°14’16.2 » 42º08’24.0
2 »
31°14’15.2 » 42°08’24.
3 31°14’15.6 » 42°08’24.
4»
4 31º14’14.5 » 42º08’23.8
5’
5 31°14’14.0 » 42º08’25.7
»
6 31’14’15.8 » 42°08’26.
»
7 31°14’16.0 » 42º08’21.8
1»
8 31°14’14.1 » 42º08’23.3
»
9 31°14’16.4 » 42°08’24.
»
10 31°14’13.6 » 42°08’23.
8»
11 31°14’16.7 » 42°08’25.
2»
12 31º14’14.1 » 42°08’22.
7»
13 31°14’15.3 » 42º08’26.2
7»
14 31°14’15.2 » 42°08’25.
»
15 31°14’12.9 » 42°08’25.
8»
16 31°14’17.9 » 42°08’24.
3»
17 31°14’16.2 » 42°08’27.
0»
18 31°14’14.2 » 42°08’25.
4»
19 31º14’14.1 » 42°08’23.
8»
20 31°14’14.8 » 42º08’24.0
7»
»
2 2
Calcule las varianzas de la muestra, S y S , y la covarianza de la muestra
S . De esta muestra estadística calcule el coeficiente de correlación para y
8-7 Una distancia se mide 10 veces. Todas las medidas son independientes y
tienen una cierta precisión. La desviación estándar de cada medida se conoce
y es 0.025 m. Se obtienen los siguientes valores : 307.532 m, 307.500 m,
307.474 m, 307.549 m, 307.490 m, 307.527 m, 307.556 m, 307.502 m,
307.489 m, y 307.514 m . Evalúe la media de la muestra para la distancia y la
desviación estándar de esta media de la muestra. Construya los intervalos de
la confianza del 50% y del 95% para la media de la población t de la distancia.
8-8 Si en el problema 8-7 no se conoce la desviación estándar de cada
medida , construya intervalos de la confianza del 50% y del 95% para la
desviación estándar desconocida, bajo la presunción de que las medidas están
distribuidas normalmente. ¿Hay diferencia significativa entre la desviación
estándar de la muestra y la desviación estándar (0.025 m) dada en el
problema 8-7
8-9 Un ángulo se mide seis veces con los siguientes resultados:
40°10’15.6’’ 40°10’16.4 ‘’
40º10’10.8 ‘’ 40º10’ 13.5’’
40°10’08.9 ‘’ 40°10’11.0 ‘’
8-14 las coordenadas del plano X , Y de una estación de examen tienen una
distribution normal bivariada . La desviación media y estándar de X son
1700.50 m y 0.20 m, respectivamente ; la desviación media y estándar de Y
es 810.65 m y 0.10 m, respectivamente, el coeficiente de correlación entre X
y Y es 0.60. Evalúe las dimensiones principales (los ejes semimayor y
semimenor) y la orientación del error estándar de la elipse asociado a esta
posición de la estación de examen.
8-15 La siguiente matriz de covarianza se asocia al error al azar en la
posición horizontal (x, y) de un punto:
0.090 0.096 2
0.096 0.160 m ,
234 análisis y ajustes de las medidas de examen
Bajo la presunción que el error al azar tiene una distribución normal bivariada,
evalúe las dimensiones y la orientación principales del error estándar de la
elipse . Bosqueje el error estándar de la elipse , demostrando las dimensiones
pertinentes.
8-16 si X y Y tienen una distribución normal bivariada con x y 0 , x y 0 y,
2 2
puede ser demostrado que las distancias radiales
xy 0 R X Y dan la
siguiente función de densidad
r r2
f (r ) exp 2 for r 0.
2 2
Esta es la función de densidad de la distribución de Rayleigh.
Evalué
P R 0 y compare con la entrada correspondiente en la tabla 8-5
8-17El cálculo de los resultados en una travesía cerrada da lo siguiente en las
coordenadas de x y Y:
xc x0 3.3 cm
yc y0 6.9 cm,
donde x0 y y0 son las coordenadas del origen del examen y xc y yc son las
coordenadas computadas. La matriz de covarianza de las coordenadas
computadas, referida a las coordenadas dadas, es
4.63 0.87 2
0.87 8.83 cm .
Es el cierre aceptable en el sentido que esta dentro del 0.95 de la probabilidad
de error de la elipse?
8-18 La posición x, y de una estación de examen es calculada por el método
de los mínimos cuadrados. La posición (aproximada) inicial de la estación se
da por x 0 1040.60 m , y 0 2143.50 m , y las ecuaciones normales en la solución de los
mínimos cuadrados son
1.125 0.250 x 0.40
0.250 0.500 y 0.20.
2
La varianza referida es 0.040 m , asuma que la solución requiere solamente una
iteración. Evalúe la posición de los mínimos cuadrados de la estación de
examen y de las principales dimensiones y el ángulo de orientación de su
región de confianza del 99% (una elipse idéntica de tamaño, forma y
orientación a 0.99 es la elipse correspondiente al error de probabilidad pero
centrados en la posición de los mínimos cuadrados).
8-19 Los ejes principales del error estándar de una elipse coinciden con los
ejes de x y de y de la (Fig.8-10). Las desviaciones estándar x , y y , son
como las mostradas en la figura. Permita que 0 OP sea la desviación
estándar en cualquier dirección . En general, P no esta en la elipse; su lugar
geométrico es la curva supuesta de pedal, mostrada como la línea punteada
en la fig. 8-10.
8-20 una cinta de acero de longitud 1 se utiliza para medir la distancia entre
dos estaciones de examen. Un total de n longitudes de cinta se requieren para
medir la distancia. Los errores al azar E1 , E 2 , E n , en la alineación de la cinta
introducen un error positivo V en la distancia observada. Asuma que estos
errores de alineación son independientes y distribuidos normalmente con media
cero y desviación estándar , y que el efecto de cada error, en la dirección
2
de la medida se puede aproximar por E
i
2 .
Fig. 8-10
General Ajuste por minimos Cuadrados
9.1. INTRODUCCIÓN
En ejemplos 3-5 y 4-6 una línea recta se pasa a través de tres puntos. En
estos ejemplos, la coordenada y fue asumida para las observaciones,
mientras que la coordenada x era considerada como constante. De acuerdo
con la ecuación de la línea recta
y ax b 0 (9-1)
Las ecuaciones de condición tomaron la siguiente forma para el ajuste de
observaciones indirectas
v B f . (9-2)
Los elementos del vector son desconocidos los parámetros de la cuesta a
y la intersección b en y , y las residuales están asociadas a la coordenada y
observada.
Ahora consideremos el caso en el cual la coordenada y pero también la
coordenada x de cada punto es una cantidad observada. La ecuación de la
línea recta (9-1), escrita para cualquier punto, contendrá dos observaciones, x
y y, y dos parámetros, a y b. Esta forma, no es la misma de las ecuaciones de
condición de cualquiera de las dos técnicas del ajuste por mínimos cuadrados
discutido en el capítulo 4. En el ajuste de observaciones indirectas, donde la
forma de las ecuaciones de condición es dada por la Eq. (9-2), cada ecuación
de condición contiene solamente una observación. En el ajuste de
observaciones solamente, donde están las ecuaciones de condición de la
forma
Av f , (9-3)
Éstos son exactamente los mismos datos que los dados en el ejemplo 4-6 ,
parte (2), con las varianzas para la coordenada x agregadas. Todas las
coordenadas medidas se asumen sin correlación. Se requiere, bajo estas
nuevas condiciones, encontrar las estimaciones de los mínimos cuadrados
para los dos parámetros a y b.
Solución
Para cada uno de los tres puntos, la ecuación de la línea recta es
F y v y a x vx b 0.
Puesto que a y v x , son ambos desconocidos, esta ecuación es no lineal . No
puede por lo tanto ser utilizada directamente, al igual que en el caso del
ejemplo 4-6, pero debe ser linealizada como se muestra a continuación:
y a 0 x b0 F vx F v y F a F b 0
x y a b
y2a0xb y 2 a 0 x 2 b0
Y
y3 a 0 x 3 b 0 .
Solucionando para a0 ,y b0 ,conseguimos
y3 y 2 5.00 4.00
a0 0.500
x 3 x 2 6.00 4.00
Y
0.5 1 0 0 0 0 2 1
A 0 0 0.5 1 0 0, B 4 1
0 0 0 0 0.5 1 6 1
b0
Donde d es obviamente el vector de constantes b 0
b 0
c A.
Así,
f c d
0.11 0 0
A A t 0 0.09 0 cm2 .
0 0 0.09
Dejando 02 0.09 cm 2 , la matriz de peso de las observaciones equivalentes es [
vea la Eq. (4-19) ]:
w 02 1.
1 0.01 0.818
(0.09) 1
1 0.09
1 0.09 1
y la solución de los cuadrados, según las Eqs. (4-28), (4-29), y (4-38) es,
55.272 11.636
N B t WB
11.636 2.818
0.3272
t B t Wf
0.1636
0.1384 0.5715
N 1
0.5715 2.7147
0.0482
N 1t .
0.2571
Los valores de los parámetros corregidos son
0.4518 1 0 0 0 0
A1 0 0 0.4518 1 0 0
0 0 0 0 0.4518 1
2 1
B1 4 1 y como antes,
6 1
0.0393
f1 0.0643
0.0321
0.1082 0.8151
1
1 A1 A1
t t
0.0882 Wc1 0 c1
2 1
0.0882 1
55.260 11.630
N1 B1t Wc1B1
11.630 2.815
0.0005
t1 B1t Wc1f1
0.0002
0.1387 0.5729
N11
0.5729 2.7219
0.00005
1 N11t1 .
0.00026
9.2. DERIVACIÓN
d es un vector de constantes c 1 .
Donde las tres matrices A, B, y f se evalúan en los valores numéricos para las
observaciones y se fija un sistema de valores aproximados x 0 de u para los
parámetros desconocidos.
AQA k B f ,
t
Bt Wc f B 0
B W B B W f , (9-28)
t
c
t
c
Es decir,
N t, (9-29)
Donde
N Bt Wc B Bt AQA t
1
B
Y
t Bt Wcf Bt AQA t f ,1
Las cuáles son precisamente las relaciones dadas por las Eqs. (9-14) y (9-15).
La ecuación (9-16) entonces se puede utilizar para solucionar . Si las
ecuaciones de condición son no lineales, la estimación del vector de
parametros es
x̂ x 0 . (9-30)
El vector de residuales v, es obtenido substituyendo el lado derecho de la Eq.
(9-27) para k en la Eq. (9-25):
v QAt Wc f B. (9-31)
El vector de observaciones ajustadas, es obtenido agregando v al vector de
observaciónes, es decir,
ˆ v (9-32)
EJEMPLO 9-2
Con los datos del ejemplo 9-1, calcule las cordenadas ajustadas de los tres
puntos.
Solución
0.04
1.111
1 0.444
Q .
02 0.889
0.444
0.889
Así
0.04
1.111
1 0.444
Q 2 .
0 0.889
0.444
0.889
Asi
0.01
0.04
0.01
v QAt Wc f B QA t f cm
0.06
0.01
0.03
Y
2.00 0.01 2.01
3.20 0.04 3.16
4.00 0.01 3.99
ˆ v cm,
4.00 0.06 4.06
6.00 0.01 6.01
5.00 0.03 4.97
Es decir, las cordenadas ajustadas de los tres puntos son
Solución
Del ejemplo 9-1, la matriz de cofactores de las estimaciones del parámetro es
0.1387 0.5729
Q xx Q N11 .
0.5729 2.7219
2
La varianza a priori referida por 0 es 0.09. Asi,
0.0125 0.0516
02 N 1 .
0.0516 0.2450
xx
Donde
Lo cuál se reduce a
QkWcIBN1t
Qkk Wc I BN 1Bt Wc (9-44)
Puesto que Wc I BN 1B t Wc es idependiente. * Aplicando la ley general de
propagación de cofactores a la Eq. (9-25), obtenemos
Q vv QA t Q kk QA t
(9-45)
t
Lo cuál se reduce a
Qˆ ˆ Q QA t Wc I BN 1Bt Wc AQ (9-47)
EJEMPLO 9-4
Solución
0.04
1.111
0.444
Q
0.889
0.444
0.889
0.4518 1 0 0 0 0
A 0 0 0.4518 1 0 0
0 0 0 0 0.4518 1
2 1 0.8151 0 0
0.1387 0.5729
B 4 1, Wc 0
1 0, N 1
0.5729 2.7219
.
6 1 0 0 1
Asi,
0.8030 0.3941 0.1969
BN B Wc 0.3212 0.3579 0.3217
1 t
2.00 0 0
1.111 0 0
0 2.00 0
QA t .
0 0.889 0
0 0 2.00
0 0 0.889
Después de estudiar el caso general cubierto en este capítulo, debe estar claro
que las dos técnicas del capítulo 4 comparativamente son más simples. Son,
de hecho, dos casos especiales de la técnica general, como fue indicado en la
sección 9.2.
Referente a la sección 9.2, se obotne este caso especial cuando u (el número
de parámetros llevados en el ajuste) es igual a su límite superior n 0 ,( número
mínimo de observaciones necesarias para una determinación única),
haciendolo c ( número de ecuaciones de condición) igual a su límite superior, n
(numero de observaciones).
Según la Eq. (9-18), las ecuaciones iniciales de condición se pueden
expresar en forma general lineal o linealizada como
A 0 v B0 f 0 , (9-49)
Donde A 0 , B0 , y f0 , forman arcos en las entradas iniciales de la matriz y del
vector. Cuando, n c la matriz se convierte en una matriz cuadarada n n .
Además, puesto que las ecuaciones de condición son independientes, A 0 debe
ser no singular, es decir, A 0 debe tener una inversa. Así, si la Eq. (9-49) se
1 1 1
premultiplica por A , y B y f se igualan a a B y a f ,, respectivamente,
0 0 0 0 0
nosotros consiguimos
v B f , (9-50)
Lo que es idéntico a la Eq. (9-2), la forma de las ecuaciones de condición para
el ajuste de observaciones indirectas. La característica distintiva de esta
ecuación es que la matriz de coeficientes de v es una matriz identidad.
Con A sustituida por la matriz identidad, tenemos, de las Eqs. (9-11), (9-13),
(9-14), y (9-15)
Qc IQI Q (9-51)
Wc Qc1 Q1 W (9-52)
N Bt Wc B Bt WB (9-53)
Los símbolos y las ecuaciones básicas del método de los minimos cuadrados
se resumen para tener una referencia rápida al solucionar problemas del
ajuste.
Símbolos
es el vector de observaciones,
̂ es el vector de observaciones ajustadas,
v es el vector de residuales.
x es el vector de parámetros.
x 0 es el vector de los valores aproximados para x,
Wc es la matriz de peso c c de c .
t B W f B AQA f (9-15)
t
c
t t 1
N 1t. (9-16)
x̂ x 0 . (9-30)
v QAt Wc f B. (9-31)
ˆ v. (9-32)
xx 02Q 02 N 1 Si 2
0 se conoce a priori (9-38)
xx ˆ 02Q ˆ 02 N 1 si 2
0 se conoce a priori
ˆ ˆ
02Qˆ ˆ si 2
0 se conoce a priori,
̂02Qˆ ˆ si 2
0 se conoce a priori. (9-40)
PROBLEMAS
9-1 La figura 9-1 representa un triangulo plano isósceles ABC. Los lados y la
altura del triángulo se midieron; las observaciones son 1 , 2 , y 3 , según lo
mostrado. Si la base x es el único parámetro que se tomara en el ajuste, diga
los elementos modelo
Fig. 9-1
9-3 Dos lados y tres ángulos del triángulo en la fig. 9-3 se midieron. Los
valores medidos son 1 , 2 , 1 y 2 , según lo mostrado. Se requieren las
estimaciones por mínimos cuadrados para el lado x y la altura h . Escriba
las convenientes ecuaciones de condición para este problema de la forma,
Av B f , tomando x y h como los parámetros.
Fig. 9-2.
Fig. 9-3.
262 análisis y ajustes de las medidas de examen
9-7 Tomando como referencia la fig. 9-4, se miden los siguientes ángulos:
3 ANGLE AOC 1800'07"
4 ANGLE COD 500'00"
5 ANGLE DOC 1200'00"
6 ANGLE BOE 2500'12" *
Fig. 9-4.
263 análisis y ajustes de las medidas de examen
1.00 2.95
2.05 3.05
4.10 3.60
4.85 4.30
8.00 4.80
9.10 5.25
a 70°14'30" 1
b 62°27'14" 2
c 103°38'26" 2
d 61°52'04" 1
e 109°10'04" 1
f 76°56'36" 1
Fig. 9-5.
(a) Utilice el método de los mínimos cuadrados para determinar los valores
ajustados para estos ángulos. (b) Construya intervalos de confianza del 95%
para los ángulos b y f.
9-12 Los siguientes datos se dan para la red de nivel de la fig. 9-6
LINEA DESDE A DIFERENCIA DISTANCIA
OBSERVADA (Km)
EN
ELEVACION
(m)
1 A B +34.090 2.90
2 B C +15.608 6.15
3 C A -49.679 17.32
4 A D +16.010 15.84
5 D B +18.125 9.22
6 D C +33.704 10.50
Fig. 9-6.
10.1. INTRODUCCIÓN
2 2 1 2
Ŝ X j Xi Y j Yi , (10-1)
ij
Sij S S S
Ŝ S0 X ij Y ij X ij Y (10-2)
ij ij X i Y i X j Y j
i i j j
donde
2 2 1 2
0 0 0 0 0
S X j Xi Y j Yi , (10-3)
ij
i y de j, respectivamente.
La Eq.(10-2) asume que las cuatro coordenadas son las variables
desconocidas para las cuales las aproximaciones son necesarias. Si uno de los
dos puntos es un punto de control, los coordenadas de este punto serían
sabidos y tomados así como constantes. En este caso, Eq. (10-2) incluiría
solamente dos derivados parciales; a saber, los derivados con respecto a los
dos coordenadas del punto desconocido, por ejemplo, si el punto j es un punto
de control, Eq. (10-2) se reduce a
Sij S
Ŝ S0 X ij Y (10-4)
ij ij X i Y i
i i
en la cuál
2 2 1 2
0
S X j Xi Y j Yi , (10-5)
0 0
ij
Sij S S S
v X ij Y ij X ij Y S0 S . (10-7)
ij X i Y i X j Y j ij
i i j j ij
Obtenemos
Si dejamos
X i
Y
v v ij , B b1 b2 b3 b 4 ,
i
X j
, f f ij ,
Yj
Vemos que la Eq. (10-9) puede ser escrita en la forma familiar de la matriz
v B f (10-10)
X0 X0
j i
b . (10-12)
1 S0
ij
Y0 Y0
j i
b . (10-13)
2 S0
ij
X0 X0
j i
b . b (10-14)
3 S0 1
ij
Y
Y0 Y0
j i
b b . (10-15)
4 S0 2
ij
Fig 1.
270 análisis y ajustes de las medidas de examen
TABLA 10-1
.X j X i Yj Yi CUADRANTE AZIMUTH
̂ ij
X0 X0
j i
ˆ 0 arctan . (10-18)
ij Y 0 Y 0
j i
Fig. 10-2.
1
Yj Yi
Yj Yi 2 1 Yj Yi
Y Y X X Yj Yi
2 2 2
. (10-24)
j i j i Ŝij
Y0 Y0
j i
b1 . (10-25)
2
S0
ij
De manera similar
X0 X0
j i
b , (10-26)
2 2
S0
ij
Y0 Y0
j i
b3 b1, (10-27)
2
S0
ij
Y
X0 X0
j i
b b , (10-28)
4 2 2
S0
ij
Debe ser precisado que las cuatro coordenadas se están llevando como
variables desconocidas. Éste es el caso general. Si i o j es un punto de control,
sabiendo el coordenada, los dos términos de Eq. (10-20) que corresponde a los
coordenadas sabidos forme arcos caído.
f 0 , (10-32)
jik jik jik
donde
X0 X0 X0 X0
0 arctan k i arctan j i
, (10-34)
Y 0 Y0 Y 0 Y0
jik
k i j i
en la cuál, X 0 , Y 0 , X 0 , Y 0 y X 0 , Y 0 son los valores aproximados para las
i i j j k k
coordenadas de i, j y k, respectivamente. Finalmente, observe que
0 0
jik Y 0 Y 0 Y j Yi
b1 k i (10-35)
X
i S 0
ik
2
0
Sij
2
Y0 Y0
jik j i
b3 (10-37)
X S0
2
i
ij
X0 X0
jik j i
b4 (10-38)
Y 0
2
i Sij
Y0 Y0
jik
b5 k i b b (10-39)
X
k S0
ik
2 1 3
X0 X0
jik
b6 k i b b , (10-40)
Y
k S0
ik
2
2 4
Donde
S X
0 2
ij
0
j
2
Xi0 Yj0 Yi0
2
(10-41)
S X
0 2
ik
0
k
2
Xi0 Yk0 Yi0 2
(10-42)
Puesto que para cada distancia medida hay un punto sabido y un punto
desconocido, la forma de la ecuación linealizada de la condición está según lo
dado por la Eq. (10-4).
En esta ecuación, j se refiere al punto conocido e i al punto desconocido.
Sigue que la Eq. (10-9) se reduce a
v b X b Y f . (10-43)
ij 1 i 2 i ij
donde, de la Eq. (10-8),
f ij Sij0 Sij
X0 X0 Y0 Y0
j i j i
b , y b ,
1 S0 2 S0
ij ij
observando de la Eq. (10-5) que
2 2 1 2
0
S X j Xi0 Y j Yi0 ,
ij
0 0.020 2 0.040 2 S2
Fig 10-4
Solución
Así,
cos(PEC)
EC PE PC
2 2 2
2EC PE
Por lo tanto (CPE) = 99.45535°.
Ahora el acimut de EC es
613.04
EC arctan 350.29067 º.
3582 .92
Así, el acimut de EP es
EP EC (PEC) 350.29067 º 99.45535 º 250.83532 º.
y entonces
XEP 2739.177 sin 250.83532 º 2587.369 m
YEP 2739.177 cos 250.83532 º 899.229 m
PA -0.68168 -0.73165
PB -0.85014 -0.52655
PC 0.4031 1 0.91515
PD 0.64967 0.76021
PE 0.94458 0.32823
Tabla 10-2
LINE Xj Yj
0
X j Xi Yj Yi
0 0
S ij S
0
fij S ij S ij
ij
A
(m) (m) (m) (m) (m) (m) (m)
Xj
0 0 0 0 0 0 0
X X 3508.44 m ; Y Y 4021.07 m ; S X Y Y .
i p i p
i j i
ij
Lo cuál es de la forma v B f .
2
0
0.0202 0.0402 S2
2 2
LINE S(Km) ( m2 ) w 0 0
Así,
0.29132 0.18721
N B t WB
0.18721 0.16977
0.00536
t B t Wf
0.00425
11.781 12.992
N 1
12.992 20.217
0.008
N 1 t.
0.016
Así
v t Wv 0.00165
ˆ 02 0.00055 m2
r 3
y
ˆ 0 0.00055 0.023 m.
Para probar en el nivel del 5% de la significación, fije 0.05 . Entonces, y
a 2 0.025 , y b 1 2 0.975 [ Eqs. (8-41) y (8-42)) ]. de la tabla III del apéndice
2 2
Así, x 0.0236 m , 2y 0.0404 m
2
y xy 0.0260 m
2
y entonces
2x 2y
0.0320 m 2
2
y,
12
2x 2y
2xy 0.0273 m2 .
4
Así,
El eje semimayor es
Fig. 10-5
282 análisis y ajustes de las medidas de examen
Con respecto al otro por un ángulo . La relación entre los dos sistemas de
coordenadas x i , yi y si , t i de cualquier punto puede ser obtenido
observando de fig. 10-6 que
xi ri cosi (10-44)
yi ri sin i (10-45)
si ri cosi (10-46)
Y
t i ri sin i . (10-47)
Así
xi cos yi sin (10-48)
Y
Fig. 10-6
a 2 b 2 (10-58)
b
arctan . (10-59)
a
Si un punto ha sabido solamente coordenadas en ambos sistemas, Eqs. (10-
56) y (10-57) puede ser directamente solucionado el forand. Cuando dos o más
puntos han sabido coordenadas en ambos sistemas, entonces la redundancia
existirá y una menos solución de los cuadrados es necesaria. Si ambos
sistemas de coordenadas x ' , y ' son variables observadas, la técnica general del
ajuste presentada en el capítulo 9 es el acercamiento apropiado a tomar. Si, sin
embargo, solamente el x, las coordinadas Y o los coordenadas se consideran
como variables observadas, la técnica de menos ajuste de los cuadrados de
observaciones indirectas puede ser aplicada. La tecnica del ajuste de
observaciones se puede también aplicar solamente después de una cierta
manipulación preliminar de las ecuaciones de condición.
y entonces se linealizan
f1i f f f f f
v x i 1i v y i 1'i v x ' 1'i v y ' 1i a 1i b
x i yi x i i
yi i
a b
xi' a 0 xi b0 yi (10-62)
f 2i f f f f f
v x i 2i v y i 2'i v x ' 2'i v y ' 2i a 2i b
x i yi x i i
yi i
a b
yi' b0 xi a 0 yi (10-63)
2n 4n
v x1
v
x1 y1 y1
y x1 v 'x1
1 '
x 2 y2 v y1
B y2 x2 v a
v xn b
v
x n yn
'yn
y x n v xn
n
v'
2n 2 yn
4n 1
x1' a 0 x1 b 0 y1
'
y1 b 0 x1 a 0 y1
x '2 a 0 x 2 b 0 y 2
f y '2 b 0 x 2 a 0 y 2 .
'
x n a 0 x n b0 y n
y' b x a y
n 0 n 0 n
2n 1
diag , , , ,, , , ,
2
1
2
1
2
2
2
2
2
1
2
1
2
2
2
2 4 n4 n (10-65)*
y la matriz de cofactores es
Q diag Q1 , Q1 , Q 2 , Q 2 ,Q1 , Q1 , Q 2 , Q 2 4 n4 n (10-66)
a 20 b 20 Q1 Q 2 I 2 n 2 n (una matriz escalar) (10-67)
n n
2
( x x
i i
'
y y
i i
'
) a 0 ( x i yi )
2
t Bt Wcf w c Bt f w c i n1 i 1
n . (10-71)
( y x ' x y' ) b 2
0 ( x i yi )
2
i 1
i i i i
i 1
Así, dejando
n
p x i2 yi2 (10-72)
i 1
n
q x i x i' yi yi' (10-73)
i 1
n
q ' yi xi' xi yi' , (10-74)
i 1
q
â a 0 a (10-78)
p
y
q'
b̂ b0 b , (10-79)
p
Puede ambos ser cero; si no sea cero, haciendo una solución imposible. Si y,
se asume el x, coordinadas Y que fijo (error minimo) y todo el ajuste entra el x',
y ' coordina; si y, el x', coordenadas de y ' es fijo y todo el ajuste entra el x, las
coordinadas Y. En cualquier caso, se obtienen los mismos valores para y.
1
0
p
2
02Q 02 N 1 0
wc 0 1
, (10-80)
p
EJEMPLO 10-2
Solución
3
q x i x i' yi yi' 69358096 m 2
i 1
3
q ' yi x i' x i yi' 25241381 m 2
i 1
q 69358096
aˆ 0.939177
p 73849842
q' 25241381
b̂ 0.341793 .
p 73849842
y
22 0.0025
Q2 2 0.25.
0 0.0100
Así, de Eq. (10-69), con y substituido para y, respectivamente,
1 1
wc
â b̂ Q1 Q 2 0.998876 4 0.25
2 2
0.2355,
5.73 10 10 0
10
.
0 5.73 10
Las desviaciones estándar de â y b̂ y son
19.99787 º 19º59'52".
o
a ' b '
x x y
i a 2 b 2 i a 2 b 2 i (10-85)
b ' a '
yi xi yi (10-86)
a 2 b2 a 2 b2
Debe ser obvio que las Eqs. (10-85) y (10-86) son las ecuaciones de la
condición que satisfacen los requisitos básicos para el uso de la técnica
especial del ajuste de observaciones indirectas. Sin embargo, estas ecuaciones
de la condición son lineares no más largo en los parámetros a y b. Mientras
que es posible linearizar estas ecuaciones y después proceder con la menos
solución de los cuadrados, una manera mucho más simple de atacar el
problema es substituir los dos parámetros originales a y b por dos nuevos
parámetros c y d tales que
a
c (10-87)
a 2 b2
b
d (10-88)
a 2 b2
v xi x i' yi' xi
v ' ' y
yi yi xi
ĉ i
v , B , , and f .
' d̂
v xn x n y'n x n
v yn y' x 'n y n
n
n
2
x i' yi' 2
0
N Bt WB Bt B i 1 (10-94)
n
0 ' 2 ' 2
x i yi
i 1
Dejando
n
p x i' yi' , (10-96),
i 1
2 2
n
q x i x i' yi yi' como en la Eq.(10-73)
i 1
n
q ' yi x i' x i yi' , como en Eq.(10-74)
i 1
ĉ
â (10-99)
ĉ2 d̂ 2
d̂
b̂ (10-100)
ĉ d̂ 2
2
a a c d
2
2
2cd
2
J c
d c d
2 2
c d c 2 d 2
2
2ab
2 2 2
b b 2cd
c d 2ab
2 2
2 (10-102)
c 2 d 2
c d c 2 d 2 2
c2 d 2
2
Entonces la ley general de la propagación de las variaciones y de las
covariaciones, Eq. (6-20), se aplica
2 a 2 b 2
2
a ,b J c,d J p0' 0
0
2 .
t
(10-103)
a 2 b2
EJEMPLO 10-3
Utilice los datos coordinados dados en el ejemplo 10-2 para calcular menos
estimaciones de los cuadrados para los parámetros a y b de acuerdo con el
método de ajuste de observaciones indirectas, dado que la desviación de
estándar del eachandcoordinate es 0.20 m, theandare sin correlación, y los
theandcoordinates son errorless. Calcule también las desviaciones de estándar
de las estimaciones de a y de b y compare estos valores con ésos obtenidos
del método general del ajuste basado sobre los datos estadísticos dados por
este ejemplo.
Solución
De Eqs. (10-96), (10-73), y (10-74),
3
p x i' yi'
i 1
73766886 m .
2 2 2
3
q xi xi' yi yi' 69358096 m2 , como antes.
i 1
3
q ' yi x i' x i yi' 25241381 m 2 , como antes
i 1
295 analisis y ajustes de las medidas de examen
De la Eq. (10-98),
q 69358096
ĉ 0.9402335
p' 73766886
q' 25241381
d̂ 0.3421777 ,
p' 73766886
y, de Eqs. (10-99) y (10-100),
ĉ 0.9402335
â 0.939177
2
ĉ d̂ 2 0.9402335 2 0.3421777 2
y
dˆ 0.3421777
bˆ 0.341793 .
cˆ2 dˆ 2 0.9402335 2 0.3421777 2
Observe que forandare de estos valores idéntico a los valores obtenidos en el
ejemplo 10-2. El ofandare de las desviaciones de estándar obtenido
directamente de Eq. (10-103):
0 a 2 b2
12
02 2 2
aˆ bˆ a b2 .
p' p'
â b̂
0.200.998876 2.33 105.
7376886
Para comparar estos valores con ésos obtenidos del método general del
ajuste, primero observamos eso en este ejemplo, 0 1 0.20m. , y 2 0 . Así
Q1 1, Q2 0,
y
1 1
wc 1.001125 .
â b̂ Q1 Q2 0.998876
2 2
0.20
2.33 10 5 ,
1.001125 73849842
x '2 x12 y12 x1x1' y1y1' x 2 y1x1' x1y1' y 2 (10-112)
y x
'
2
2
1 y x y y x x x x y y y . (10-113)
2
1
'
1 1
'
1 1 2
'
1 1
'
1 1 2
Las ecuaciones similares se pueden escribir para los puntos restantes,
rindiendo ecuaciones de un ofcondition del total en términos de observaciones
solamente.
Aunque es posible manipular las ecuaciones de la transformación en un
sistema de las ecuaciones de la condición que se pueden utilizar como base
para este technique especial del ajuste, es también obvio que estas ecuaciones
son mucho más complicadas que las ecuaciones de la condición usadas en las
otras técnicas del ajuste. Por otra parte, esta técnica incluye la inversión de una
orden del matrixof, que puede ser mucho más grande que el simplematrix N
que se invierte en las otras técnicas del ajuste. Claramente, la técnica de
menos ajuste de los cuadrados de observaciones solamente también no se
satisface pues las otras técnicas a este tipo de problema.
Si esta técnica del ajuste se aplica al problema, la solución rinde las
observaciones ajustadas que se pueden entonces utilizar al calcular ' '
x̂1 , ŷ1 ; por
ejemplo, usando el punto ajustado 1:
x x̂ ' y1ŷ1'
â 1 21 (10-114)
x1 y12
y1x̂1' x1 ŷ1'
b̂ . (10-115)
x12 y12
Debe ser precisado que el mismo forand de los valores será obtenido usando
los coordenadas ajustados de de los otros puntos.
Se deja como un ejercicio para que el lector aplique menos ajuste de los
cuadrados de observaciones para solucionar solamente forandusing los datos
dados en el ejemplo 10-2.
n 2
n n
x i y i xi y
2
0 i
i 1 i 1 i 1
x y
n n n
N w0 2
yi2 xi
i 1
i
i 1
i
i 1
(10-117)
n 0
n
Simmetric
Fig. 10-7.
n
x
n n n
x i x i yi yi a 0 yi2 k10 x k 20 y
' ' 2
i i i
i n1 i 1 i 1 i 1
x
n n n
y x ' x y' b (10-118)
i i yi k 20
2
yi2 k10 x
i i 0 i i
t w 0 i 1 n
i 1
n n
i 1 i 1
,
x i' a 0
i 1
x i b0
i 1
yi nk10
i 1
n n n
y
i 1
'
i a0 y
i 1
i b0 x
i 1
i nk 20
donde w 0 es el escalar dado por Eq. (10-69). Puesto que N no es una matriz
diagonal, la solución general sería calcular
a , b, k1, k 2 N 1t , (10-119)
t
agregue estas correcciones a las aproximaciones a 0 , b 0 , k10 , k 20 e itere la solución.
Una simplificación considerable es posible cuando origen del bywhose de los
replacecoordinates somos el centro de figura de todos los coordenadas x i , y i , o
1 n
ui xi x xi xi
n i 1
1 n
vi yi y yi yi . (10-120)
n i 1
Cuando se utilizan u i , vi , N se convierte en una matriz diagonal porque
n n
ui 0 y
i 1
v
i 1
i 0.
n n n
p u i2 vi2 , q u i x i' vi yi' , q' vi x i' u i yi'
i 1 i 1 i 1
n n
r x i' , ri yi' ,
i 1 i 1
conseguimos
N w 0diag p, p, n, n
Finalmente
â a a 0
1
q pa0 a 0 q p see also (Eq. 10 78) *
p
* see also en español vea tambien
â a a 0
1
q pa0 a 0 q p see also (Eq. 10 78) (10-121)
p
b̂ b b0
1
q'qb0 b0 q' p see also (Eq. 10 79) (10-122)
p
Si las coordenadas del origen se utilizan como origen, k1 , k 2 cae hacia fuera
esto se reduce a los dos parámetros la transformación discutida en la sección
10.6. El lector debe comprobar este hecho analizando Eqs. (10-117) a través
(10-124). También se deja como ejercicio recomendado para que el lector
desarrolle la caja de menos cuadrados de las observaciones indirectas para la
transformación del cuatro-para’metro. [ ésos interesados en el estudio adicional
de transformaciones y su ajuste deben consultar Mikhail, (1976) ].
PROBLEMAS
10-1 las posiciones de las estaciones B y C en fig. 10-8 se saben y están
fijadas.
x(m) y(m)
B 1’000.000 1’000.000
C 714754 1’380.328
fig 10-8
b 1404.615 m 0.080 m
b
c 1110.082 m 0.040 m
c
3 64º14' 23".
Fig. 10-10.
Todos los coordenadas son sin correlación y tienen la misma precisión. (a)
Calcule menos estimaciones de los cuadrados para el parametersand de la
transformación [ Eqs. (10-56) y (10-57) ] que se utiliza para transformar el x, las
coordinadas Y en el x’, y ‘ coordinan. (b) Calcule menos estimaciones de los
cuadrados para la escala y el parametersand de la rotación. (c) Evalúe a
posteriori la variación de la referencia y utilícela para computar la matriz de la
covariación para el ofandand de las estimaciones la matriz de la covariación
para las estimaciones de y.
10-5 de siguiente son los coordenadas para seis puntos en dos sistemas
coordinados planos que no tengan un origen común:
A.1. DEFINICIONES
Una matriz es un grupo de números o l símbolos recogidos en una
determinada l forma. Los siguientes son ejemplos de matrices.
1 2 0 1
, , 7 a b
9 3, .
6 4 3
5 (3) c d
(1) (2) (4)
1 0 0 p 0 0
G 0 0 0 Y H 0 q 0.
0 0 3 0 0 r
307 análisis y ajustes de las medidas de examen
y
2 0 0
H 0 2 0
0 0 2
Una matriz cero es una matriz donde todos los elementos son l cero. Es
denotada en negrilla por cero, 0.
Una matriz triangular es una matriz cuadrada donde los elementos arriba (o
abajo), pero no incluyendo a la diagonal principal son cero. Una matriz
triangular superior toma la forma
1 3 4
A 0 1 0
0 0 7
a11 0 0
a a22 0
A 21 , where a ij 0 for i j.
am1 am 2 amm
La matriz
18 0
B
2 11
Es una matriz triangular de orden 2
A00A A (A-5)
A (A) 0, (A-6)
1 2 0 6 4 2
A , B ,
0 3 5 3 2 7
Y
x y z
C
v w
,
u
Y, C B A compute los valores de los seis elementos x, y, z, u, v, W de C.
Primero, calcule B A :
6 4 2 1 2 0 5 2 2
3 2 7 0 3 5 3 1 2.
Entonces c es de la forma
x y z 5 2 2
C
v w 3 1 2
.
u
Así, x 5, y 2, z 2, u 3, v 1 y w 2 .
Conseguimos
21 6
B 3A .
9 12
Las relaciones siguientes se cumplen n para la multiplicación escalar
A B A B (A-7)
A A A (A-8)
AB AB AB (A-9)
A A. (A-10)
A.6.MULTIPLICACION DE MATRICES
am1 am 2 am k
Entonces
1 2
1 1
B A D 0 1 2 0
1 0
3, 2 2, 2 3, 2
1 0 1 1 2
C B E 0 1 2 0 1
1 0 1 1 0
3, 3 3, 2 3, 2
3 4 1 2 23 6
ST ,
0 2 5 0 10 0
(A-16)
ABt At Bt A-18)
At At . (A-19)
313 Apéndice
1
1 1 0
A 0 2 3 y B 1 ;
2,3 3,1
2
Entonces
1
1 1 0 2
AB C 1 ,
2 ,1 0 2 3 2 8
Y; t
C 2 8 mientras que
1 0
Bt A t 1 1 21 2 2 8,
0 3
t
Lo cuál es igual a C .
Las ecuaciones (A-19) y (A-20) son directas y se deben verificar por el lector,
usando ejemplos numéricos. Cuando la matriz original es cuadrada, la
operación de la transposición no afecta los elementos de la diagonal. Por
ejemplo, para
a b
A
c d
La transpuesta
a c
At
b d
Si la matriz es la matriz identidad I, una matriz diagonal D, o una matriz escalar
K, es igual a su transpuesta. Por lo tanto, I t I, D t D y K t K .
Si x es una matriz columna, también llamada un vector de la columna,
entonces x t x es un escalar positivo que es igual a la suma de los cuadrados
de los componentes del vector, o el cuadrado de su longitud. Por ejemplo,
x1 x1
Si x x 2 , entonces x t x x1 x 2 x 3 x 2 x12 x 22 x 32 .
x 3 x 3
1 1 0 3 1
A YB ;
0 2 1 1 4
Entonces
1 0 3 1 3 5 1
3 1 1 1 0 1 1 0
t
A BA 1 2 5 9 5 23 9,
0 1
1 4 0 2 1
1 4
0 2 1
1 9 4
AA 1 A 1A I, (A-21)
Donde I es la matriz identidad. Así, para
3 1
A .
2 1
La matriz
1 1
A 1
2 3
Es su inversa porque
1 1 3 1 1 0
2 3 2 1 0 1.
Las características de la inversa son:
AB1 B1A1 (A-22)
A A (A-23)
1 1
A A (A-24)
t 1 1 t
3 1
expresa el determinante como A
1 2
, el valor de el cual es computado es
demostrado abajo. El estudiante debe tener cuidado de distinguir entre los
corchetes usados para la matriz y las líneas verticales usadas para el
determinante.
El determinante de orden n (para una matriz no cuadrada) se puede definir en
términos de determinantes del orden n-1 y menor. Para aplicar este
procedimiento, el determinante de una matriz debe ser definido. Por
consiguiente, para una matriz que consiste en un solo elemento, el
determinante se define como el valor del elemento, es decir, para A a11 ,
A det A a11 . Si A es una matriz n*n, y una fila y una columna de A se
i j mij , (A-26)
c ij 1
Apéndice A 317
Así, si
3 1
A ,
1 2
entonces
A 32 11 5.
para una matriz de 3*3
a 21 a 23
c12 a 21a 33 a 23a 31
a 31 a 33
a21 a22
c13 a21a32 a22a31
a31 a32
Por ejemplo si
1 0 1
A 0 2 3,
1 0 1
Entonces
Es
4 3
C .
2 1
La matriz adjunta del A, denotada por la adj A, es la transpuesta de su matriz
de cofactor, es decir,
adj A C t . (A-28)
Puede ser demostrado
Aadj A adj A A A I. (A-29)
Así, para,
1 2
A
3 4
Tenemos
A 14 2 3 10
4 2
adj A C t
3 1
319 Apendice A
Y
1 2 4 2 10 0
Aadj A 10 I,
3 4 3 1 0 10
O
4 2 1 2 10 0
adj A A 10I,
3 1 3 4 0 10
adj A
A 1 . (A-30)
A
Refiriéndonos al ejemplo en la sección A-1 1, la inversa de
1 2
A
3 4
Es
1 4 2 0.4 0.2
A 1
10 3 1 0.3 0.1
.
Primero, el determinante de A es
A 3 1 0 1 2 0 14 1 2.
1 2 5 3 7 5
320 análisis y ajustes de las medidas de examen
A 1Ax A 1b
O
x A 1b. (A-33)
Apéndice A 321
y
3 1
A 2 1,
1 2
entonces
3 1
y
u x1 x 2 x 3 2 1 1
1 2 2
y
2 1 1
v t Wv (A-36)
Apéndice A 323
Por ejemplo, si, ,
y1 y1 y1
x
x 2 x n 1
y 1 2 6x 3
J yx
5
.
x y m y m y m 0 4 x 2
x1 x 2 x n
Para la forma bilineal, donde u x t Ay donde A es independiente de x y de y, las
derivadas parciales siguientes pueden ser derivadas:
u u u u
, , , y t A t (A-38)
x x1 x 2 x m
u u u u
, ,, x t A t . (A-39)
y y1 y 2 y m
t
u x t Ay A t x y ct y c1y1 c2 y2 cn yn .
Apéndice A 323
Así
q
2a11x1 2a12 x2 2a1n xn 2 xt a1 ,
x1
Donde
a1 a11 , a12 , a1n t , es la primera columna de A
q
2a 21x1 2a 2 2 x 2 2a 2 n x n 2x t a 2 ,
x 2
Donde
a 2 a 21 , a 22 , a 2 n t , es la segunda columna de A
Puesto que
q q q
x x1
,
q
x 2
, ,
x n
2 x t a 1 , 2 x t a 2 , , 2 x t a n ,
2x t a1 , a 2 , , a n 2x t A.
q q q
x x1
,
q
x 2
, ,
x n
2 x t a 1 , 2 x t a 2 , , 2 x t a n ,
2x t a1 , a 2 , , a n 2x t A.
APENDICE B
Tablas
326 análisis y ajustes de las medidas de examen
TablaI.
Valores de la Distribucion Normal Estandar
t
du PZ z
1 u 2 2
(z)
2
e
z 0 1 2 3 4 5 6 7 8 9
-3. .001 .0010 .0007 .0005 .0003 .0002 .0002 .0001 .0001 .000
-2.9 .001
3 .0018 .0017 .0017 .0016 .0016 .0015 .0015 .0014 .001
0
-2.8 .002
9 .0025 .0024 .0023 .0023 .0022 .0021 .0021 .0020 .001
4
-2.7 .003
6 .0034 .0033 .0032 .0031 .0030 .0029 .0028 .0027 .002
9
-2.6 .004
5 .0045 .0044 .0043 .0041 .0040 .0039 .0038 .0037 .003
6
-2.5 .006
7 .0060 .0059 .0057 .0055 .0054 .0052 .0051 .0049 .004
6
-2.4 .008
2 .0080 .0078 .0075 .0073 .0071 .0059 .0068 .0066 .006
8
-2.3 .010
2 .0104 .0102 .0099 .0096 .0094 .0091 .0089 .0087 .008
4
-2.2 .013
7 .0136 .0132 .0129 .0126 .0122 .0119 .0116 .0113 .011
4
-2.1 .017
9 .0174 .0170 .0166 .0162 .0158 .0154 .0150 .0146 .014
0
-2.0 .022
9 .0222 .0217 .0212 .0207 .0202 .0197 .0192 .0188 .018
3
-1.9 .028
8 .0281 .0274 .0268 .0262 .0256 .0250 .0244 .0238 .023
3
-1.8 .035
7 .0352 .0344 .0336 .0329 .0322 .0314 .0307 .0300 .029
3
-1.7 .0.44
9 .0436 .0427 .0418 .0409 .0401 .0392 .0384 .0375 .036
4
-1.6 .054
6 .0537 .0526 .0516 .0505 .0495 .0485 .0475 .0465 .045
7
-1.5 .066
8 .0655 .0643 .0630 .0618 .0606 .0594 .0582 .0570 .055
5
-1.4 .080
8 .0793 .0778 .0764 .0749 .0735 .0722 .0708 .0694 .068
9
-1.3 .096
8 .0951 .0934 .0918 .0901 .0885 .0869 .0853 .0838 .082
1
-1.2 .115
8 .1131 .1112 .1093 .1075 .1056 .1038 .1020 .1003 .098
3
-1.1 .135
1 .1335 .1314 .1292 .1271 .1251 .1230 .1210 .1190 .117
5
-1.0 .158
7 .1562 .1539 .1515 .1492 .1469 .1446 .1423 .1401 .137
0
-.9 .184
7 .1814 .1788 .1762 .1736 .1711 .1685 .1660 .1635 .161
9
-.8 .211
1 .2090 .2061 .2033 .2005 .1977 .1949 .1922 .1894 .186
1
-.7 .242
9 .2389 .2358 .2327 .2297 .2266 .2236 .2206 .2177 .214
7
.9
-.6 .274
.8 0 .2709 .2676 .2643 .2611 .2578 .2546 .2514 .2483 .245
8
-.5 .308
3 .3050 .3015 .2981 .2946 .2912 .2877 .2843 .2810 .277
1
-.7.4 .344
5 .3409 .3372 .3336 .3300 .3264 .3228 .3192 .3156 .312
6
.6
-.3 .382
.5 6 .3783 .3745 .3707 .3669 .3632 .3594 .3557 .3520 .348
1
-.2 .420
1 .4168 .4129 .4090 .4052 .4013 .3974 .3936 .3897 .385
3
-.1 .460
7 .4562 .4522 .4483 .4443 .4404 .4364 .4325 .4286 .424
9
.3
-.0 .500
.2 2 .4960 .4920 .4880 .4840 .4801 .4761 .4721 .4681 .464
7
.1 0 1
.0
Reimpreso con el permiso de Macmillan Publishing Co., Inc. de la introducción
a la probabilidad y a la estadística de B.W. Lindgren y de G.W. McElrath.
Copyright ©1969 de B.W. Lindgren y de G.W. McElrath. La tabla fue adaptada
de la tabla VIII de las tablas de Biometrika para los estadísticos, vol. 1, 3ro
Edition (1966) por E.S. Pearson y H.O. Hartley, preparado originalmente por
Catherine M. Thompson, y se reimprime con el permiso de Biométrica
APENDICE B 327
z 0 1 2 3 4 5 6 7 8 9
0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
.8 .7881 .7910 .7939 .7967 7995 .8023 .8051 .8078 .8106 .8133
.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9278 .9292 .9305 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9430 .9441
1.6 .9452 .9453 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9648 .9656 .9664 .9671 .9678 .9686 .9693 .9700 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9762 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9874 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3. .9987 .9990 .9993 .9995 .9997 .9998 .9998 .9999 .9999 1.0000
DEGREES 2 2 2 2 2 2 2
OF x 0.005 x 0.01 x 0.025 x 0.010 x 0.10 x 0.20 x 0.30
FREEDOM