Documente Academic
Documente Profesional
Documente Cultură
L2
2
L5
4
M. en C. Roco N. Ramos Bernal
L4
L3
3
Error
Permetro
P.V.
Dist.
Angulo
Observado
0
Angulo
Compensado
0
203.750
178
178
181.000
14
14
51.580
137
137
48.800
52.350
108
108
48.950
200
200
203.750
57
57
23.390
229
229
234
234
180 00
P.V.
Dist.
R.M.C.
N(+)
S(-)
E(+)
W(-)
203.68772
--
5.03731
--
39.79216
--
37.21801
35.71157
203.750
S 01
--
181.000
N 12
176.57175
51.580
S 43
48.800
S 52
52.350
N 58 W
48.950
N 33
203.750
S 01
23.390
N 08
Sumas
27.18381
40.99077
29.51574
--
--
203.68772
5.03731
23.10943
203.75557
44.73883
26.75554
3.61195
203.68772
Ey = 0.06784
Ex = 0.09064
M. en C. Roco N. Ramos Bernal
38.86208
44.82947
44.73883
AJUSTE LINEAL
Est
P.V.
N(+)
S(-)
E(+)
W(-)
--
5.03731
--
176.57175
203.68772
--
39.79216
--
37.21801
35.71157
29.51574
--
A
4
B
1
Sumas
27.18381
40.99077
+0.03392
-0.00510
-0.02940
-0.04027
-0.00453
+0.04527
0.06784
0.09064
38.86208
--
44.73883
5.03731
23.10943
Ey = 0.06784
Ex = 0.09064
Cx
26.75554
203.68772
203.75557
Cy
3.61195
203.68772
44.82947
44.73883
Ky = 0.00016651
Kx = 0.00101197
M. en C. Roco N. Ramos Bernal
PROYECCIONES CORREGIDAS
Est
P.V.
N(+)
S(-)
E(+)
W(-)
--
203.72164
--
5.03221
--
39.75189
--
37.21801
35.71157
29.51574
--
B
B
A
4
27.17929
40.99077
B
1
Sumas
176.54235
38.86208
--
26.75554
203.72164
5.03221
23.10943
203.72164
44.78410
3.61195
203.72164
44.78410
44.78410
CALCULO DE COORDENADAS
Proyecciones Corregidas
Est
P.V.
N(+)
--
B
B
203.72164
-176.54235
C
3
37.21801
29.51574
--
A
4
S(-)
27.17929
40.99077
B
1
203.72164
23.10943
Practica?
M. en C. Roco N. Ramos Bernal
E(+)
W(-)
Est
Norte (Y)
Este (X)
500.000
500.000
5.03221
--
296.278
505.032
39.75189
--
472.821
544.784
259.060
540.744
266.763
466.170
44.78410
2
A
500.000
500.000
26.75554
513.811
571.540
296.278
505.032
523.109
496.388
35.71157
38.86208
--
5.03221
3.61195
Magnitud
x
25.20
25.00
24.70
25.30
25.00
25.20
x=25.06666667
Magnitud
x
25.20
25.00
24.70
25.30
25.00
25.20
x=25.06666667
Valor
1A
47
2A
94
3A
142
Cul es el VMP?
4721 40
Cul
las
mediciones
independientes tiene mayor peso?
Por qu?
M. en C. Roco N. Ramos Bernal
Valor
1A
47
2A
94
3A
142
Ponderacin de pesos:
6A
284
4721 50
VMP aritmtico
4721 40
Longitud en 10 repeticiones.
Se pretende determinar el VMP de la posicin (,)
Cul seria el proceso por el mtodo aritmtico?
Y por ponderacin, Cul es la variable para ponderar?
M. en C. Roco N. Ramos Bernal
995.21694
175.95000
VMP aritmtico?
=
=
M. en C. Roco N. Ramos Bernal
=
=
.
.
"
"
995.21694
175.95000
.
.
.
"
.
"
Mtodo
Aritmtico
Ponderacin
.
.
"
"
.
.
"
"
Aritmtico
1945455.014
444646.7299
Ponderacin
1945455.036
444646.9168
Diferencia
0.02200 m.
0.18690 m.
Es mucho?... Es poco?...
M. en C. Roco N. Ramos Bernal
Mtodo
Aritmtico
Ponderacin
.
.
"
"
.
.
"
"
Aritmtico
1945455.014
444646.7299
Ponderacin
1945455.036
444646.9168
Diferencia
0.02200 m.
0.18690 m.
Es mucho?... Es poco?...
M. en C. Roco N. Ramos Bernal
Mnimos Cuadrados
En Levantamientos Topogrficos, observamos:
Direcciones
Distancias
Las cuales transformamos a travs de la aplicacin de ecuaciones
(Modelos), obteniendo Coordenadas (Parmetros)
LevantamientoObservaciones
Pero LAS
ERRORES
MEDICIONES
(OBSERVACIONES)
SIEMPRE
TIENEN
Mnimos Cuadrados
Los mtodos de ajuste CAMBIAN (corrigen o modifican) las
observaciones iniciales de forma que sean consistentes entre si y con
las ECUACIONES DEL UN MODELO.
El ajuste por MNIMOS CUADRADOS est diseado de tal forma que los
cambios de las observaciones sean los MNIMOS; haciendo mnima la
SUMA DE LAS CORRECCIONES.
Modelo Terico
Observaciones
Mnimos Cuadrados
Cualquier proceso de clculo topogrfico requiere un NMERO MNIMO
DE OBSERVACIONES para ser resuelto.
En la siguiente figura, conocidas A, B y C; como encontrar el valor de P?
A
B
P(X,Y)??
Cual es el mnimo de
observaciones necesarias para
conocer P?
Podemos observar el mnimo de
direcciones(2) y obtenemos
una solucin para P.
Pero si hacemos una
observacin ms tendremos 3
posibles soluciones para P.
C
M. en C. Roco N. Ramos Bernal
Mnimos Cuadrados
Si hacemos slo el mnimo de
observaciones y cometemos un error en
alguna de ellas, el resultado final no
B ser correcto. EL PROCESO DE
CLCULO NO NOS AVISA DE ELLO.
P(X,Y)
??
Mnimos Cuadrados
Una serie de datos de campo puede ajustarse a un Valor Mas Probable a
partir de un modelo terico o funcin.
En principio, se desconoce la ecuacin que genera los datos, dicha
funcin ser el equivalente al Valor Mas Probable, aunque no es un Valor,
sino un modelo que genera un valor; es decir una ecuacin que grafica
los datos y describe su comportamiento.
En Geomtica, es muy comn desarrollar estudios territoriales donde se
involucran variables corelacionadas entre si.
Mnimos Cuadrados
Para aplicar el mtodo de mnimos cuadrados, lo que se requiere es tener
una serie de datos conformado por 2 variables relacionadas entre si de
manera lineal. [Pares ordenados (x,y)]
Para el caso de teora de los errores, una de estas variables es el numero
de observaciones y la otra variable es la propia medicin.
Obs.
Magnitud
x
25.20
25.00
24.70
25.30
25.00
25.20
Mnimos Cuadrados
Ordenamos los datos
Obs.
Magnitud
x
Residual o
Desviacin
Error
Cuadrado
24.70
-0.366666667
0.134444444
25.00
-0.066666667
0.004444444
25.00
-0.066666667
0.004444444
25.20
0.133333333
0.017777778
25.20
0.133333333
0.017777778
0.233333333
Error residual
0.054444444
Error
Cuadrtico
25.30
VMP = 25.066666667
Mnimos Cuadrados
Graficamos error - observaciones
ERROR CUADRATICO
0.16
Se trata entonces
de conocer la
observacin que
hace mnimo el
error cuadrado.
0.14
0.12
0.1
0.08
Y=f(x)
0.06
Lo cual es posible
si se conoce la
ecuacin de la
grafica
0.04
0.02
0
24.70
25.00
25.00
25.20
ERROR CUADRATICO
25.20
25.30
Ejercicio - Tarea
Para la siguiente serie de observaciones de superficie
Obs.
Serie 1
(Has)
Serie 2
(Has)
93
96
93
98
98
103
98
93
97
94
95
98
Determinar
1. VMP
2. Error Mnimo Cuadrado
3. Graficar error observacin
Mnimos Cuadrados
Cuando se tienen una serie de datos y se desconoce la funcin que los
ha generado y se desea saber cul es sta.
Lo primero que se debe hacer es graficar los puntos segn sea el caso,
para conocer su comportamiento.
Considere la siguiente serie.
N
1
2
3
4
5
6
7
Sumas
X=tiempo
0.0585
0.0975
0.137
0.176
0.215
0.254
0.293
1.231
Y=
velocidad
108
151
192
236
300
287
356
1630
Mnimos Cuadrados
Cuando se tienen una serie de datos y se desconoce la funcin que los
ha generado y se desea saber cul es sta.
Lo primero que se debe hacer es graficar los puntos segn sea el caso,
para conocer su comportamiento.
Considere la siguiente serie.
Diagrama de dispersin Tiempo Velocidad:
1
2
3
4
5
6
7
Sumas
X=tiempo
0.0585
0.0975
0.137
0.176
0.215
0.254
0.293
1.231
400
350
300
Velocidad
Y=
velocidad
108
151
192
236
300
287
356
1630
250
200
150
100
50
0
0
0.05
0.1
Tiempo
0.15
0.2
0.25
0.3
0.35
Mnimos Cuadrados
Diagrama de dispersin Tiempo Velocidad:
1
2
3
4
5
6
7
Sumas
X=tiempo
0.0585
0.0975
0.137
0.176
0.215
0.254
0.293
1.231
400
350
300
Velocidad
Y=
velocidad
108
151
192
236
300
287
356
1630
250
200
150
100
50
0
0
0.05
0.1
Tiempo
0.15
0.2
0.25
0.3
0.35
Regresin Lineal
La regresin lineal consiste en encontrar una ecuacin de una recta de la
forma Y=mx + b; donde:
m=Pendiente de la recta;
b=Interseccin de la recta con el eje Y
Modelo Terico
Observaciones
Regresin Lineal
Los datos de la observaciones
normalmente estn conformados a
lo largo de una recta.
Y=mx+b
Regresin Lineal
Las ecuaciones que hay que aplicar para ajustar datos mediante el
mtodo de mnimos cuadrados de un conjunto de i=1,2,...,n datos de
observaciones agrupados en pares ordenados (Xi,Yi) de medidas a lo
largo de una recta Y=mx+b son:
Pendiente m
Donde:
(Xi,Yi) pares ordenados
N=Numero de pares
Interseccin b
Regresin Lineal
Las ecuaciones que hay que aplicar para ajustar datos mediante el
mtodo de mnimos cuadrados de un conjunto de i=1,2,...,n datos de
observaciones agrupados en pares ordenados (Xi,Yi) de medidas a lo
largo de una recta Y=mx+b son:
Pendiente m
Donde:
(Xi,Yi) pares ordenados
N=Numero de datos
Interseccin b
Regresin Lineal
Siguiendo con el ejemplo
N
1
2
3
4
5
6
7
Sumas
X=tiempo Y= velocidad
0.0585
108
0.0975
151
0.137
192
0.176
236
0.215
300
0.254
287
0.293
356
1.231
1630
X al Cuadrado
0.00342225
0.00950625
0.018769
0.030976
0.046225
0.064516
0.085849
X*Y
6.318
14.7225
26.304
41.536
64.5
72.898
104.308
0.2592635
330.5865
Pendiente m
.
.
Regresin Lineal
Siguiendo con el ejemplo
N
1
2
3
4
5
6
7
Sumas
X=tiempo Y= velocidad
0.0585
108
0.0975
151
0.137
192
0.176
236
0.215
300
0.254
287
0.293
356
1.231
1630
X al Cuadrado
0.00342225
0.00950625
0.018769
0.030976
0.046225
0.064516
0.085849
X*Y
6.318
14.7225
26.304
41.536
64.5
72.898
104.308
0.2592635
330.5865
Interseccin b
b=
M. en C. Roco N. Ramos Bernal
.
.
659
Regresin Lineal
Siguiendo con el ejemplo
N
1
2
3
4
5
6
7
Sumas
X=tiempo Y= velocidad
0.0585
108
0.0975
151
0.137
192
0.176
236
0.215
300
0.254
287
0.293
356
1.231
1630
X al Cuadrado
0.00342225
0.00950625
0.018769
0.030976
0.046225
0.064516
0.085849
X*Y
6.318
14.7225
26.304
41.536
64.5
72.898
104.308
0.2592635
330.5865
400
y = 1027x + 52.248
350
Velocidad
Ecuacin de la Recta de
regresin
300
659
250
200
150
100
50
0
0
0.05
0.1
Tiempo
0.15
0.2
0.25
0.3
0.35
Regresin Lineal
Siguiendo con el ejemplo
X=tiempo Y= velocidad
0.0585
108
0.0975
151
0.137
192
0.176
236
0.215
300
0.254
287
0.293
356
Y ajustado
112.329027
152.382802
192.950086
233.00386
273.057634
313.111408
353.165183
Ajuste
4.32902731
1.38280156
0.95008573
-2.99614002
-26.9423658
26.1114085
-2.83481728
400
y = 1027x + 52.248
350
Velocidad
Ecuacin de la Recta de
regresin
300
659
250
200
150
100
50
0
0
0.05
0.1
Tiempo
0.15
0.2
0.25
0.3
0.35