CONTENIDO

Prefacio

1. Introducción
1
1.1 conceptos de medición y de error. 1

1.2 tipos de error. 3

1.3 conceptos elementales en Probabilidad 6

1.4 Formalidad de las mediciones 9

1.5 Cifras significativas 10

2. Propagación de errores y linealización 13

2.1. Propagación de errores 13

2.2. Linealizacion 20

3. El concepto de Ajuste 31

3.1. Introducción 31

3.2. Métodos simples de ajuste 34

3.3. El método de los mínimos cuadrados 36

3.4. Ejemplos simples de problemas de mínimos cuadrados 41

4. Ajuste por mínimos cuadrados 59

4.1. Técnicas de mínimos cuadrados 59

4.2. El concepto de peso 63

4.3. Ajuste por mínimos cuadrados de observaciones indirectas 66

4.4. Ajustes por mínimos cuadrados de observaciones solamente 87

5. Teoría elemental de Probabilidad 106

5.1. Eventos aleatorios y probabilidad 106

5.2. Variables aleatorias 107

5.3. Distribuciones continuas de probabilidad 113

5.4. La distribución Normal 115

5.5. Esperanza matemática 125

5.6. Medidas de precisión y exactitud 129

5.7. Covarianza y Correlación 133

5.8. Peso de la matriz de covarianza 138

5.9. Introducción al muestreo 144

6. Propagación de la Varianza-Covarianza 148

6.1. Introducción 148

6.2. Leyes derivadas de la propagación 149

6.3. Ejemplos 154

6.4. Pasos de la propagación 160

6.5. Propagación para el ajuste por mínimos cuadrado de

Observaciones indirectas 167

6.6. Propagación para el ajuste por mínimos cuadrado de

Observaciones solamente 170
7. Preanálisis de las medidas de examen 180

7.1. Procedimiento del preanalisis 180

7.2. Medida del ángulo horizontal con un teodolito 184

7.3. Medida de distancias por EDM 188

7.4. Diferencia de elevación por nivelación directa 190

7.5. Tolerancias de examen 193

8. Introducción al Análisis estadístico 199

8.1. Muestras y estadística 199

8.2. La distribución Chi-cuadrada 200

8.3. La distribución t (student) 203

8.4. Muestra común de estadística 206

8.5. Estimación de la media 209

8.6. Intervalo de Confianza para la Estimación de la varianza 210

8.7. Intervalo de confianza para la media 211

8.8. Intervalo de confianza para la varianza 214

8.9. Estadística de Prueba 215

8.10. Prueba de la media de una distribución de probabilidad 216

8.11. Prueba de la varianza de una distribución de probabilidad 218

8.12. Distribución Normal Bivariada 220

8.13. Error de la s Elipses 224

9. Generalidades del ajuste por mínimos cuadrados 236

9.1. Introducción 236

9.2. Derivación 242

9.3. Estimación de la precision 248

9.4. Casos Especiales 254

9.5. Resumen de símbolos y ecuaciones 256

10. Aplicaciones en el plano coordenado de examen 266

10.1. Introducción 266

10.2. La condición de la distancia y su linealización 266

10.3 La condición del acimut y su linealización 269

10.4. La condición del ángulo y su linealización 272

10.5 Fijando la posición por distancia 274

10.6. Transformación de dos parámetros similares 281

10.7 Transformación de cuatro parámetros similares 297

Apéndice A.
Una introducción al álgebra de matrices 305

A.1. Definiciones 305

A.2. Tipos de matrices 305

A.3. Igualdad de matrices 308

A.4. Suma de matrices 308

A.5. Multiplicación de un escalar por una matriz 309

A.6.Multiplicación de Matrices 309

A.7.Transpuesta de una matriz 312

A.8. Matrices simétricas 314

A.9. Inversa de una matriz 314

A.10. Determinantes, menores, y cofactores 316

A.11. Matriz de Cofactores y matriz adjunta 318

A.12. Inversa de una matriz usando la matriz adjunta 319

A.13 Ecuaciones Lineales 320

A.14 Formas cuadráticas y Bilineales 321

A.15. Diferencia de vectores, formas bilineales, y s formas

Cuadráticas 322

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

1.1. CONCEPTOS DE MEDICION Y ERROR

El topógrafo puede ser llamado a realizar una variedad de tareas en un proyecto

de medición, desde el diseño inicial hasta la presentación final de resultados, en
cierta forma especifica. Sin embargo, mucho de lo que hace el topógrafo implica
mediciones, con su respectivo ajuste y análisis en la oficina, además de su
adquisición en campo. El topógrafo debe adquirir las mediciones del lugar,
ajustarlas, y analizarlas inteligentemente, y debe entender cuál es el proceso de
la medición.
La medida debe implicar la observación. No se hace ninguna medida hasta que se
observa algo. Por consiguiente, los términos medida y observación se utilizan a
menudo, van unidos. Aunque podemos pensar en una medida como Acta Única,
una medida típica puede implicar varias operaciones elementales, incluyendo las
operaciones de observación tales como centrar, señalar, emparejar, fijar, y leer. Al
final de todas estas operaciones un solo valor numérico se utiliza para representar
la "medida" o la "observación" de la cantidad que estamos buscando.
Consideremos, por ejemplo, la tarea relativamente simple de usar una cinta de
acero de 30 m suspendida sobre la tierra para medir la distancia entre dos
estaciones que estén levemente a menos de 20 m. problema que sigue
operaciones elementales como:

1. Tome la cabeza y la parte posterior de la cinta, y sosténgala sobre la tierra,

aproximadamente en línea con las estaciones.

2. El hombre de la cinta posterior suspende la vertical de su cinta, fijando y

sosteniendo la secuencia en la graduación de 20 m.

3. El hombre de la cinta posterior entonces centra la vertical sobre su estación.

4. El hombre de la cinta principal suspende la vertical de la cinta cerca de la

graduación cero, y aplica la tensión a la cinta. (El hombre de la cinta posterior hizo
lo mismo sobre su estación.)

5. Mientras que mantienen la tensión, los cambios en la vertical se centran sobre

la estación.

6. El hombre de la cinta principal entonces lee la posición de su secuencia en la

cinta.

7. La distancia medida es obtenida restando la lectura de la cinta de 20 m en el

paso 2.
Es obvio que 2.3.5 y 6 están observando las operaciones de fijar, de centrar, y de
lectura, respectivamente, que son necesarias para obtener una medida de la
distancia entre las dos estaciones. Esto demuestra claramente que incluso una
medida simple puede implicar varias operaciones elementales, y que se mira
como la observación de una cantidad deseada, tal como la distancia entre dos
estaciones de examen, no basta con una sola lectura de una escala sino que el
resultado depende de varios pasos en un proceso de observación. Incluso los
pasos 1 a 7 no son todos los pasos para conseguir una medida confiable de la
distancia. Para algunos propósitos el valor obtenido en el paso 7 puede ser
satisfactorio; para otros propósitos no. Si se requiere una medida "mejor", el valor
del paso 7 se debe corregir para cosas tales como la longitud de la cinta, la
temperatura, y la holgura. Entonces para evaluar correcciones apropiadas, más
cosas tienen que ser observadas, porque la cinta se debe comparar con un
estándar, la temperatura se debe observar en un termómetro, y el tirón aplicado a
la cinta se debe observar en una manija de la tensión o un dispositivo similar. Para
una medida exacta estas correcciones y otras son muy importantes como los
pasos 1 a 7. Una medida es, de hecho, el resultado de varias operaciones, cada
una de las cuales hace una cierta contribución a la medida final.

La medida es un proceso que está sujeto a la variación. La variación puede ocurrir

si un cierto aspecto de la medición, tal como la temperatura, no ha sido
considerado. Si, por ejemplo, varias medidas de la distancia entre las dos
estaciones se hacen con la cinta de acero, y se presenta un cambio en el lugar de
la toma de la temperatura cuando las medidas se están haciendo, habrá un
cambio correspondiente en la longitud de la cinta y por lo tanto en las lecturas de
la cinta. Si no se hace ninguna corrección para el efecto de la temperatura, las
medidas resultantes exhibirán la variación debido al cambio de temperatura. La
variación es también una consecuencia natural de las operaciones de observación
elementales. Ninguna observación así se repita muchas veces es exacta debido a
las limitaciones en la instrumentación usada y en la capacidad del observador de
centrar, de señalar, de emparejar, de fijar, y de leer. Las variaciones pequeñas
que ocurren en las operaciones elementales producen variaciones en la medición.
Puesto que todas las mediciones se dan conforme a la variación, no hay cantidad
que se mida totalmente determinable. Podemos buscar un valor fijo para una
cantidad que consideremos es el valor verdadero, pero la qué obtenemos en
realidad no es nada más que una estimación del valor verdadero.
Matemáticamente, las mediciones se deben tener en cuenta como si fueran
variables. Más cosas serán dichas sobre esto más adelante.

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)

Nunca sabremos cual es el verdadero valor de τ. Nunca sabremos cual es el

valor exacto de ε. Sin embargo, si podemos obtener por algunos medios una
buena estimación de τ, podemos utilizar esta estimación en lugar del valor
verdadero como referencia para expresar la variación en los valores observados.

La diferencia entre la media x y el valor observado, x, se define como la residual,
v; específicamente,

v = x —x (1-2)

La residual, v, es la cantidad que se utiliza para expresar la variación en

la medición.

1.2 TIPOS DE ERRORES

Los ERRORES se han clasificado tradicionalmente en tres tipos: (i)

errores vulgares (equivocaciones) o gruesos, (2) errores sistemáticos, y
(3) errores al azar. Cada tipo será discutido por separado.

Errores Vulgares o Gruesos

Los errores vulgares son los resultados de las equivocaciones o de los

errores que son debidos a la carencia del observador. Por ejemplo, el
observador puede señalar el blanco incorrecto del examen, o él puede
leer una escala o marcar incorrectamente, o él puede leer la escala
incorrecta, o registrar el valor incorrecto de una lectura (ejemplo.
registrar 41.56 m como 41.65 m). Hay cualquier número de
equivocaciones en las que un observador puede incurrir si él es
desatento. Si un examen ha de tener alguna utilidad, los errores y las
equivocaciones no pueden ser tolerados. Los buenos procedimientos del
campo se diseñan para aprender a detectar los errores. Estos
procedimientos incluyen:

1. cuidado de todos los puntos en los blancos de examen. Lecturas

múltiples

2. Tomando escalas y comprobando para saber si hay inconsistencias

razonables.

3. Verificando el registró de datos y releyendo escalas. Repitiendo

medidas enteras independientemente y comprobando para saber si ha y
consistencia.

4. Usar chequeos geométricos o algebraicos simples, tales como

comparar la suma de tres ángulos medidos en un triángulo con 180º.

Es muy importante salvaguardar la ocurrencia de errores. Si ocurren,

deben ser detectados y ser eliminados de los errores del examen antes
de que tales medidas puedan ser utilizadas.

Los errores sistemáticos

Los errores sistemáticos son supuestos porque ocurren según un cierto

sistema determinista, que, como es sabido se pueden expresar por una
cierta relación funcional. Si, por ejemplo, la extensión de una cinta de
acero es esencialmente lineal con respecto a la temperatura, y el
coeficiente de extensión termal se sabe, una relación funcional entre la
temperatura y la expansión de la cinta puede ser e stablecida. La longitud
de la cinta en una cierta temperatura estándar especificada se toma como
referencia, el cambio en la longitud de la cinta de esta referencia causada
por el cambio en temperatura de su valor estándar se clasifica como error
sistemático.

Un error sistemático sigue un patrón que será duplicado si el error se

repite bajo mismas condiciones. Por ejemplo, midiendo una distancia con
una cinta de acero que da un resultado demasiado corto en el mismo
error sistemático, si la misma cinta es utilizada para medir la misma
distancia bajo mismas condiciones de la temperatura, y al tirar, apoyar
permanece igual a través del proceso que mide.
Está contrariando si su muestra cambia mientras que su magnitud sigue
siendo igual.

En el sistema subyacente un error sistemático puede depender del

observador, el instrumento usado, las condiciones físicas o ambientales
cuando se hace la medida, o cualquier combinación de estos factores. El
personal diagonal de un observador conduce a los errores sistemáti cos
que pueden ser constantes o que contrarían, dependiendo del
procedimiento de la observación. Si las condiciones de la observación
varían, los sentidos naturales de la visión, del oído y el habla del
observador pueden variar también y su error personal llega a ser variable,
también. La construcción imperfecta del instrumento o el ajuste
incompleto del instrumento puede conducir a los errores instrumentales
que son sistemáticos. La construcción imperfecta incluye cosas tales
como la variación en graduaciones de la escala y la excentricidad en el
centro de los componentes. El ajuste incompleto del instrumento incluye
cosas tales como no hacer el eje de la colimación (eje del telescopio) de
una perpendicular del teodolito al eje (horizontal) de inclinación del
instrumento.

Puesto que las medidas del examen se adquieren en el campo, son

afectadas por muchos factores físicos y ambientales. La temperatura, el
tirón y la cuesta del terreno, por ejemplo, afectan distancias grabadas,
mientras que la humedad y la presión atmosférica así como temperatura
afectan las medidas electro-ópticas de la distancia (EDM), las medidas
del ángulo, y la nivelación. El AB de estos efectos es funcionalmente
expresable en los términos de los factores que causan fallas y así se
clasifican como errores sistemáticos.

Todas las fuentes del error sistemático discutidas hasta ahora se

relacionan directamente con las operaciones de observación, sin
embargo, los errores sistemáticos pueden también ocurrir con la
simplificación de la geometría o del modelo matemático elegido para
representar el examen. Si, por ejemplo, un triángulo plano en vez de un
triángulo esférico se utiliza para conectar tres estaciones de examen que
se espacien varios kilómetros separados, el exceso esférico emerge rá
como error sistemático. En la reducción de las medidas del examen, es
importante detectar y corregir todos los errores sistemáticos posibles.

Errores Al azar

Después de que se detecten y se quiten todas las equivocaciones, y las

medidas se corrigen para todos los errores sistemáticos sabidos, inmóvil
seguirá siendo algún variación en las medidas. Esta variación resulta de
los errores de observación que no tienen ninguna relación funcional
sabida basada sobre un sistema determinista.

Estos errores, en su lugar, tienen comportamiento al azar, y se deben

tratar por consiguiente, fue indicado anteriormente que una medida o una
observación está mirada matemáticamente como variable. Más
específicamente, es una variable al azar porque incluye los compo nentes
del error que exhiben comportamiento 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

Asumamos que una distancia es medida un número muy grande de veces

y que todas las medidas están libres de errores vulgares y están
corregidas para todos los errores sistemáticos. Sigue habiendo cualquier
variación en las medidas que es causada por errores al azar solamente.
Aunque no es posible corregir la medida para los errores al azar
específicos del conocimiento del sistema de la medida, es posible
estudiar su comportamiento colectivo de su distribución de frecuencia. Es
la distribución de frecuencia que se utiliza como base pa ra construir el
modelo de la probabilidad para las medidas.

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

Evalúe y trace las frecuencias relativas de la ocurrencia para todos los

valores mencionados.

Solución

La frecuencia relativa de la ocurrencia es obtenida dividiendo el número

de los errores observados para un valor por el número total de medidas.
Puesto que hay 200 medidas en total, se obtienen las frecuencias
relativas siguientes:

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.

El cuadro 1-1 es una distribución de frecuencia en la forma de un histograma.

La base de cada rectángulo representa un intervalo de clase; y la altura
representa la frecuencia relativa correspondiente. La base del rectángulo más alto
de fig. 1-1, por ejemplo, representa la clase de todas las medidas entre 810.165 m
y 810.175 m (expresados específicamente como 810.17 m), y la altura de este
rectángulo representa la frecuencia relativa correspondiente, 0.190.

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.

En vez de usar un histograma para representar probabilidades, es a menudo más

conveniente utilizar un modelo matemático de probabilidad del modelo-uno, o la
probabilidad - distribución. Un ejemplo de tal modelo se da en la fig. 1-2, en la cual
la probabilidad es representada por el área bajo la curva continua que es una
función matemática de la medición. Específicamente, la probabilidad que la
medida este entre los dos valores x1 y x2 es dada por el área de
Figura 1-1

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.

1.4 LA CONFIABILIDAD DE MEDIDAS

Varios términos se utilizan para expresar la confiabilidad de medidas. Tres

términos comunes son precisión, exactitud, e incertidumbre.

Figura 1-3

1. La precisión es el grado de proximidad o de conformidad de medidas repetidas

de la misma cantidad. Si las medidas repetidas se aproximan unas a otras, se dice
que tienen alta precisión; si se separan extensamente, tienen precisión baja. La
alta precisión refleja generalmente el alto grado del cuidado y del refinamiento en
la instrumentación y el procedimiento usado en la toma de las medidas. La
precisión es indicada por la dispersión o la extensión de la distribución de la
probabilidad. Cuanto más estrecha es la distribución, más alta es la precisión, y
viceversa. Una acción común de precisión es la desviación estándar. Cuanto más
alta es la precisión, más bajo es el valor y viceversa.

2. La exactitud es el grado de conformidad o de proximidad de una medida al valor

verdadero. La exactitud incluye no solamente los efectos de los errores al azar,
también de cualquier diagonal debido a los errores sistemáticos sin corregir. Si no
hay diagonal, la desviación estándar se puede también utilizar como medida de
exactitud.

3. La incertidumbre es la gama dentro de la cual se espera que el error de una

medida falle. Un nivel especificado de la probabilidad se asocia generalmente a
una incertidumbre. La incertidumbre del 90%, por ejemplo, es la gama de los
valores dentro de los cuales es probable el 90% (es decir, la probabilidad es 0.90)
en el o de la medida caerá. En géneros: si la incertidumbre de una medida se
sabe, debe acompañar el valor medido. Estos términos se discuten más adelante
en el capítulo 5.

1.5 LAS CIFRAS SIGNIFICATIVAS

El número de cifras significativas en una cantidad numérica igualan el número del

tiempo de dígitos en la cantidad, menos todos los dígitos cero que se utilicen para
fijar la posición de la coma. Por ejemplo,

147 tiene 3 cifras significativas;

147.64 tiene 5 cifras significativas;
2.1 tiene 2 cifras significativas;
1013 tiene 4 cifras significativas;
1.007 tiene 4 cifras significativas;
17.710 tiene 5 cifras significativas:
0.021 tiene 2 cifras significativas (los ceros fijan la coma);
1320 tiene 3 o 4 cifras significativas, dependiendo de si o no el
dígito cero está utilizado para fijar solamente la posición de la coma implicada que
la sigue.

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.

2. Examine (dígito de k+ 1).

a. Esto es 0 a 4, lo desecha; Ej., 12.34421 se redondea a cuatro cifras
significativas como 12.34.

b. Si son 6 a 9, lo desechan y aumentan el dígito del kth en uno; Ej., 1.376 se

redondea a tres cifras significativas como 1.38.

c. Si son 5 y el dígito del kth es uniforme, lo desechan; e.j., 12.345 se redondea a

cuatro cifras significativas como 12.34.

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.

El número de cifras significativas no se determina tan fácilmente en una cantidad

obtenida por el cómputo, mientras que está en una cantidad directamente medida.
Hay, sin embargo, algunas reglas generales que se pueden aplicar con razonable
eficacia. Las dos reglas más importantes se ocupan de las operaciones
aritméticas, adición (o sustracción) y multiplicación (o división).
En el proceso de la adición, la suma se debe redondear al número de lugares
decimales que está, menos las cantidades que son agregadas. Por ejemplo, la
suma
165.21
149.7
65.495
2.2167
382.6217

Si se redondea a 382.6 es porque 149.7 se expresa a solamente un lugar

decimal. En la multiplicación, el número de las cifras significativas en el
producto el número de cifras significativas en el factor, menos figuras
significativas del número, factores numéricos exactos excluidos. Por ejemplo:

2.15X11_1234 =23.9
22.15x 11.1234) = 47.8 (2 es un valor exacto).

En cada caso, el número de cuadros significativos (3) en 2.15 decide el

número de cifras significativas en el producto.

En cómputos con una gran cantidad de operaciones aritméticas, es buena

práctica llevar una cifra significativa adicional en todas partes, después
redondeo al terminar los cómputos.
 PROPAGACIÓN DE ERRORES Y LINEALIZACIÓN

2.1 PROPAGACIÓN DE ERRORES

Al examinar, como en muchas áreas de la ciencia y de la ingeniería, las

cantidades que se miden directamente en campo se utilizan a menudo para
computar otras cantidades de interés. En tales casos, las cantidades
computadas se expresan como funciones matemáticas de las medidas de la
cura. Si las medidas en el terreno tienen errores es inevitable que las
cantidades computadas de ellas tengan errores. La evaluación de los errores
en las cantidades computadas como funciones de los errores en las medidas
se llama propagación de errores.
Suponga que x es una cantidad medida y y es una nueva cantidad que se
calculará de x según la función

y=ax+b (2-1)

Representado por la línea recta en fig. 2-1. Los coeficientes a y b se

saben y se asumen como errores. En los propósitos del análisis, es
provechoso utilizar el concepto del valor verdadero, según lo introducido
en el capítulo 1, y después definir el error de una medida como el valor
medido menos el valor verdadero, mientras que estab a en Eq. (1-1), así,
si x, representa el valor verdadero de x, y el dx representa el error,

x= x 1 + dx . (2-2)

Ahora el valor verdadero de y0 señalado y1 se puede computar

directamente de x1 usando la Eq. Función (de 2 -1); es decir,

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

La Eq. (2-6) es obviamente la expresión para el diferencial total de la función de la

Eq. (2-1). La razón de que el dy del error obtenido de la función en 4 resulte
idéntico al error del diferencial total del cálculo es pues el hecho de que la función
ax + b es lineal en la cantidad medida x. Será demostrado pronto que q, en la
Eq(2 .6) no se sostiene exactamente para las funciones no lineales.

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.

Cuando x = d = 23.560 m, la correspondiente coordenada en y es la ordenada h.

Así,

h  0.5(23.560)  20  31.780 m
De la Eq. (2-5), el error en h es

dh  adx  0.5(0.016)  0.008

Fig. 2-2

Ahora miremos un caso en el cual la función que relaciona la cantidad

computada y la cantidad medida x sea no lineal. Por ejemplo, deje
 y
2
x (2-7)

Si, de nuevo x, y y, representan los valores verdaderos de x y y, respectivamente,

y dx y dy representan los errores correspondientes, entonces aplicando Eq. (2-7),
conseguimos

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)

El reconocimiento de la Eq. (2-7) es que 2x, es la derivada de y con respecto a x,

evaluada en x0 , podemos expresar la Eq. (2-10) como sigue:

dy
dy  dx  (dx) 2 (2-11)
dx

La ecuación (2-11) se diferencia de la Eq. (2-6) en que incluye el término adicional

(ox)'. En la práctica, sin embargo, el dx del error es tan pequeño concerniente a la
medida misma que el término de mayor orden (dx)2 puede ser descuidado. Esto
significa que en vez de usar el punto P (fig. 2-3) o la curva para determinar el
punto P de y ' en la tangente a la curva en T, se utiliza para determinar y '. Así, el
error propagado dy se representa en (y'-y1) en la fig. 2-3, en vez de en (y-y1), bajo
la asunción de que la diferencia y - y ' = (dx)2 es insignificante.

EJEMPLO 2-2

El área y de un árbol cuadrado: de tierra, mostrado en la fig. 2.4, se requiere. La

longitud x del lado de la zona se mide con una cinta de acero de 30 m de largo y
se observa para 50.170 m. Esta medida entonces se utiliza para calcular el área
de la zona, asi: el área calculada es y = x2 = (50.170)2 = 2517.0289 m2,
representados por el cuadrado ABCD en la fig. 2-4.
Si se sabe que la cinta es r demasiado corta para 0.030 m, compute el error
correspondiente en el área calculada.
 Figura 2.3

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,

y1  x12  (50.120) 2  2512 .0144 m 2

El error en el área es así

dy  y  y1  2517 .0289  2512 .0144  5.0145 m2 ,

En la fig. 2-4, esta la suma de las áreas de los dos rectángulos, AB1B'A ' y B'C ' y
el cuadrado, B1BB2B '. Este error exacto es también obtenible directamente del
error en x, usando Eq. (2-10); es decir

dx  x  x1  50.170  50.120  0.050m

dy  2 x1dx  (dx) 2

 2(50.120)(0.050)  (0.50) 2  5.0145 m 2

Ahora, si la Eq. (2-6) se utiliza, nosotros primero debemos evaluar la derivada
dy/dx en x=0.120 así,
dy d 2
 ( x )  2(50.120)  100.240 m
dx dx

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. *

Diferencia que en la práctica poco o nada es si la derivada dy/dx fue evaluada

en x, o en x. Puesto que el valor medido es a menudo el valor conveniente a la
evaluación de la derivada en el valor medido, este procedimiento común que
hemos considerado hasta ahora es solamente el caso de una sola variable y
computada en función de una sola variable x.

Supongamos que y ahora representa el área de un rectángulo en vez de un

cuadrado. En este caso, se midieron dos cantidades, la longitud x1 y la anchura
x2 que están implicadas, y y es su producto; es decir, y = x1 x2.

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

El área calculada, expresa al número apropiado de cifras significativas.

y1  x1 x2  (50.170)(61.090)  3064 .9m 2

Se evalúan las derivadas parciales como:

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.

Los errores, dx1 y dx2 son computados en base de la cinta de 30 m que es

demasiado corta por 0.030 m. Así,
0.030
dx1  (50.170)  0.050m
30

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

La forma linealizada incluye solamente los primeros dos términos en el lado

derecho de la Eq (2-13); se descuidan todos los términos de mayor orden. Por
ejemplo, la forma linealizada de la función y  x 2 .

y  x02  2 x0  x

en la cuál y  x 2 y (dy/dx)0 = 2x0. La pregunta de la función es mostrada en la

fig. 2-5, es representada por la curva del origen O, y por la recta tangente a la
curva de O (es decir, a lo largo de DE OP '). La cuesta DE OP ' es (dy/dx)0.

Si y0 es representado por la constante b, y la derivada (dy/dx)o es representada

por la constante a, entonces la Eq. (2-14) se convierte en y  a  x  b , que es
obviamente una función lineal de ∆x. Que aplica la propagación de errores [ Eq.
(2-5)) a esto

* El símbolo (dy/dx)0 representa la primera derivada o/ y con respecto a x, evaluada en x=x0

La forma linealizada de la función original dará un resultado que será idéntico al
resultado obtenido usando la Eq. (2-6),

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

i. La expresión para de la Eq diferencial total. Eq (2-6).

ii. Aplique la propagación de errores, Eq. (2-5), a la función linealizada.

Solución

La Eq. (2-13), con los términos de mayor orden descuidados, es

y  y0  (dy )x , así, para x0=2,
dx

y  (2 x03  x02  4 x0  7)  (6 x02  2 x0  4)x

 19  24x

Que es la forma linealizada de y  (2 x 3  x 2  4 x0  7) , con a=24 y b=19

i. Según la Eq. (2-6), el error en y es
 dy
dy  dx  (6 x02  2 x0  4)dx  24(0.01)  0.24
dx
ii. Aplicando la propagación de errores, Eq. (2-5), a la función linealizada,
conseguimos

dy  adx  24(0.01)  0.24

Si la función y está en términos de dos variables, x1 y x2 es decir,

y  f ( x1 , x2 ) (2-15)
Entonces la forma linealizada es
 y   y 
y  y 0    x1    x2 , (2-16)
 x1  x0  x2  x0

En la que y0 es la función evaluada en x1  x10 y x2  x20 ; es decir y  f ( x10 , x 2 0 ) .

Como el número de las variables independientes, x1 x2..., se incrementa, la
expresión de la eq. (2-6) llega a ser absolutamente muy larga. Para hacer la Eq.
(2-16) tan compacta como sea posible, se utiliza la notación de matriz (véase el
apéndice A). Si en la Eq. (2-16) denotamos (y x ) x1 . Por j1 y (y x ) x 2 por j2.
1 2

Entonces
y  y 0 j1 x1  j 2 x2 (2-17)

Que define j como la matriz fila [ j1, j2 ], y Δx como la matriz de la columna

 x1 
 x 
 2
La multiplicación de j por Δx queda j1x1  j2x2 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 

y  y 0 j1x1  j 2 x2  j3 x3  j 4 x4

Lo cual se muestra acorde con la forma de la matriz en la Eq. (2-18).

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 

= [30, 15, 84] m.

La función en forma linealizada es así

y  y0 j x

x1 
=2153.43+[31 15 84 ] x 2  (m2)
x3 

es decir,

y  2153 .43  30x1  15x2  84x3 (m 2 )

La ecuación (2-IS) muestra la linealización para el caso de una variable y en
función de varias variables x1, x2....Nosotros ahora ampliamos la técnica al caso
más general de varias variables, y1 y2.., cada una función de un sistema de
variables (medidas) independientes, x1 x2...; es decir,
y1  f1 ( x1 , x 2 ......x n )
y 2  f 2 ( x1 , x 2 ......x n )
(2-19)
  
y m  f m ( x1 , x 2 ......x n )

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

y1  y1 0  j11 x1  j1 2 x2    j1 n x n

y 2  y 2 0  j 21 x1  j 2 2 x 2    j 2 n x n
(2-21)

y m  y m 0  j m1 x1  j m 2 x 2    j m n x n

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

x1  x10 , x2  x2 0 ,, xn  xn 0 , . Acordando que x10 , x20 ,, xn 0 , son omitidos.

Podemos recolectar todo y1 y yi0 en respectivas matrices columna; Así:

 y1   y10  x1 
y    x 
 2   y2 0 
y ; y0  . As before, x   2 
     
     
 ym   ym 0  xn 
Finalmente, si consideramos j, como la primera fila, j2 como la segunda fila,
etcétera, de una matriz rectangular J con m filas y estas columnas, Eq (2-
22).conseguimos.

 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)

La matriz J es llamada matriz jacobiana, que representa las derivadas parciales

de toda la función en y con respecto a cada una de las variables en x; es decir,

 y1 y1 y1 

 x 
x2 xn 
 1

 y2 y2 y2 
y  
J m1n    x1 x2 xn  (2-25)
x
 
 
 ym ym ym 

 x1 x2 xn 

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

De la figura, las dos áreas forman arcos

 1
y1  x32 
x1 x3
8 2
1 1
y  x1 x3  x2 x3
2 2

La matriz jacobiana es.

  y1 y1 y1   1  1 
 x x3 0 
x 3   2 3 0
x 0 ( x1 0 ) 
x 2
J   4 2

1

 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 

La forma linealizada de las funciones y, y y, es así

y  y0  Jx
x1 
1103 .43 15 0 49   2
   15 15 35  x2  m
1050 .00   
x3 

Que es,
y1  (1103 .43  15x1  49 x3 )m 2
y2  (1050 .00  15x1  15x2  35x3 )m 2

EJEMPLO 2.7

Si las dimensiones en la figura, 2-6 son x1 = 50.00m, x2 = 20.00 m, y x3 =

30.00 m, y los errores en estas dimensiones son 0.02 m, -0.04m y 0.03 m,
respectivamente, evalúe los errores en las áreas y1 y y2 aplicando la
propagación de errores a las funciones linealizadas derivadas en el ejemplo 2-
6.

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.

y1  1103 .43  15x1  49 x3

y2  1050 .00  15x1  15x2  35x3

Nosotros obtenemos los errores en y1 y y2.

dy1=15dx1+49dx3
=15(0.02)+49(0.03)=1.77m2

PROBLEMAS

2-1 Los ángulos interiores A y B de un triángulo plano se conocen y son fijos.

El Lado b (opuesto a B) se computa de los valores fijos de A y de B y del valor
medido del lado a (opuesto a A). Si el error en a es 0.015 en, evalúe el error
que resulta en b. (a) para A = 60º y B = 60º; (b) para A = 120º y B = 15º; (c)
para A = 15° y B = 120°.

2-2 El triangulo ABC de la tierra mostrado en fig. 2-7 tiene dimensiones AB =

150.00 m, A.C. = 80.00 m, y CA = 110.00 m. El triangulo se divide en dos
partes, I e II, según lo mostrado, fijando D en el AB a una distancia x de B.
Evalué el error que resulta en el área de I si x tiene un error de 0.020 m.

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.

2-4 Al grabar una distancia, la corrección para la cuesta se computa como

v2
c
2l
Donde está es la longitud de la cinta y Y es la diferencia en la elevación entre
los extremos de la cinta. Si l=30 m, v = 4.0 m, y el error en v es 0.10 m, evalúe
el error en la corrección computada de la cuesta.

2-5 el Angulo interior A, B y C de un triángulo plano se sabe y es fijo. El área

del triángulo se computa de estos ángulos y del valor medido del lado a
(opuesto al Angulo A)

Fig2-8

Muestre que el error relativo * en el área computada es dos veces el error

relativo en el lado medido.

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.

2-7 En la mira de nivel, la diferencia en la elevación V se computa de la

intersección r de la barra y del ángulo vertical α, usar la función V= (1/2) kr sin
2, donde k es la constante de la mira. Si k = 100 (el error es asumido) y los
errores en r y a son 0.005 m y 60 segundos de arco+, respectivamente, evalúe
V y el error en V para: (a) r = 1.500 m, a = 0°; (b) r = 1.500 m, a=15°.

2.8 Los ángulos interiores A y B y el lado b de un triángulo plano se mide y

resultaron ser 50°00'00 ', 20°00'00 ' y 100.000 m, respectivamente. Los errores
en A, B y b son 15' ' – 25”, y 0.010 m, respectivamente. Si el lado a se calcula
de A, B, y b, evalúe el error interior en (a) determinando la diferencia entre una
computadora de los valores medidos de A, B, y b, y cómputos de los valores
verdaderos correspondientes; (b) aplicando Eq. (2-12).

*Si dx es el error en x, entonces dx/x es el error relativo de x.

+el error Angular es expresado en radianes en las funciones que contienen la derivada.

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.

(a) y = 10/x; x0=5.0, x1=5.5

(b) y  100  x 2 ;; x0 =6.0, x 1 =6.2
(c) y= 50 sin x; x 0 =30º, x 1=31°.
(d) y = 400tanx; x 0=12.0°, x1 =12.5°.

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.

2-11 linealice la función y = (I00) 2 + x 2 -200x cosα] 1/2 at x 0=80.000 m y

según Eq. (2-16).Utilice esta función linealizada para evaluar y en x=81.000
m y=40°20 ', y compare el valor que resulta con el valor de y obtenido
usando 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

Evalué la matriz Jacobiana J = ∂x./ ∂y en y 1o =2, y 2o = 4, Y y 3o = 1

d 
2-13 Referente a la Fig. 2-9, el vector y    es una función no lineal del
h 
s 
vector x    . Evalué la matriz Jacobiana J=∂x./ ∂y en s 0 =1000 m y θ 0=20º,
 
y exprésela en la forma linealizada de la Eq (2-24).
2-14 Si, en la Fig. 2-9, los valores medidos para s y θ son 1000.000 m y
20º00'00” respectivamente, y sus errores son 0.100 m y 20”
respectivamente, evalúe los errores en los valores computados de d y de h
que aplican la propagación de errores a la forma linealizada de y según lo
obtenido en el problema 2-13.
 EL CONCEPTO DE AJUSTE

3.1. INTRODUCCIÓN

Las medidas que se examinan, tales como distancias y ángulos, se obtienen

generalmente, no sólo porque son de interés directo, sino porque son a
menudo necesarias para determinar otras cantidades. Por ejemplo, aunque
puede ser absolutamente importante saber el valor de un ángulo para su
propio interés, puede ser de mayor importancia para determinar el área de
una figura de la cual el ángulo sea un elemento. Así, una nueva cantidad, en
este caso el área, se computa en los términos del ángulo y de otras
cantidades medidas. Otras cantidades calculadas de medidas de examen
incluyen: posiciones relativas de puntos (a menudo en la forma de
coordenadas cartesianas), de dimensiones, de datos de la curva, de
elevaciones, de cuestas, y de volúmenes. Así, antes de que se obtengan las
medidas de examen, tenemos generalmente un requisito para una cantidad o
las cantidades particulares que son funciones de las medidas necesarias.
Las relaciones generales que relacionan las medidas con las otras
cantidades de interés constituyen lo qué se conoce como el modelo. Puesto
que casi todas las relaciones encontradas en cómputos son
representaciones matemáticas de las condiciones físicas y geométricas
subyacentes, el modelo con frecuencia se llama el modelo matemático.
Aunque en la práctica que examina generalmente podemos no estar
inmediatamente enterados del modelo subyacente del problema particular,
sin embargo existen los datos del momento que deben ser reducidos para
rendir la información útil. Demostraremos en el curso de este libro que usar
el concepto modelo será siempre provechoso al topógrafo para entender
los elementos de un problema y de su reducción.

Como ejemplo, déjenos consideran el tamaño y la forma de un triángulo

plano. Una vez que hayamos indicado el problema, también hemos
especificado el modelo matemático subyacente, en este caso, que es
determinar el tamaño y la forma de un triángulo plano. En este punto, es
absolutamente importante determinar el número mínimo (n0) de los
elementos (variables) necesarios únicamente para determinar el modelo, y
el tipo de tales elementos que sean consistentes con el modelo. Por ejemplo,
mientras que la forma del triángulo se puede determinar por ángulos o l ados
(o una combinación), el tamaño por otra parte no se puede determinar de
ángulos solamente sino requiere por lo menos un lado, un lado y dos
ángulos internos, o un total de tres elementos, es el mínimo requerido para
especificar únicamente el modelo. Una vez más por lo menos uno de los tres
elementos debe ser un lado; los tres ángulos internos no son suficientes
para determinar el tamaño del triángulo.
Determinando (n0) el topógrafo ahora decide sobre las medidas que va a
obtener. Si exactamente se miden un lado y dos ángulos interiores, el
triángulo será únicamente fijo. Pero si un hay un error o una equivocación y
está confiado en cualesquiera de estas tres medidas, no hay medios de
detectarlo. Por lo tanto, es siempre buena práctica medir más elementos del
modelo que el mínimo necesario para su determinación única. Cada
observación en exceso del número mínimo, (n0), se llama una medida
redundante.
Así, si un total de medidas de n se obtiene con respecto a (y cons istente
con) cierto modelo de un número mínimo de elementos es n0, la
redundancia (llamados en estadística grados de libertad) son obtenidos por:

r= n — n 0 (3-1)

Así pues, la redundancia es la diferencia entre el número dado de

observaciones, n, y el mínimo requerido n0 determina únicamente el modelo
subyacente, ambos sistemas son constantes con el modelo. Cuando existen
las medidas redundantes, una situación interesante se encuentra. Para cada
subconjunto de medidas n0 de las n medidas dadas (n> n0) es probable que
una determinación levemente diversa del modelo resulte, así, cuando se
miden un lado y tres ángulos internos, existen tres combinaciones posibles,
cada una consiste en el lado y cualesquiera dos de los tres ángulos. Para
cada una de estas tres posibilidades, un triángulo resultara con forma
levemente diversa y el tamaño también diverso (área) e debido a los errores
inevitables en las medidas. Por lo tanto, debido a errores de medida (o las
variaciones estadísticas en las medidas, vea el capítulo I), las observaciones
caben a lo largo del modelo exactamente. Esta evidente inconsistencia con el
modelo es resuelta a través del reemplazo de la observación dada L por otro

sistema de estimaciones supuestas * l , tales que el nuevo sistema cabe en el
modelo exactamente. Por ejemplo, cuando las nuevas estimaciones del lado y
de tres ángulos interiores se calculan, cualquier combinación del lado y
cualesquiera dos ángulos darán exactamente el mismo triángulo. Esto
significa exactamente
Que la inconsistencia con el modelo se resuelve, y cualquier subconjunto n0
de la n estimada de las medidas rendirá siempre la misma determinación
única del modelo.


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 lv (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

Las residuales (las correcciones v son desconocidas y deben ser

determinadas antes de que puedan ser computadas), allí hay esencialmente
un número infinito de sistemas posibles de las residuales (corregido),
observaciones estimadas correspondientes que caben exactamente en el
modelo. Sin embargo, es lógico reconocer que solamente un sistema de
residuales daría una solución óptima. Obtener tal solución, tiene un criterio
adicional que es necesario de modo que pueda ser calculado solamente de
residuales. Hay una variedad de áreas para las cuales utilizaremos lo más
común en exámenes él principio de mínimos cuadrados (véase la sección
3.3).
La operación de encontrar el nuevo sistema de estimaciones l según un cierto
criterio se llama ajuste. El ajuste por mínimos cuadrados se utiliza
extensivamente, no solamente para examinar los campos relacionados con la
fotogrametría y geodesia, también en muchos otros campos de la ciencia y la
ingeniería. Pero antes de que discutamos este método primero repasaremos
brevemente dos procedimientos relativamente simples de ajuste.

3.2. LOS MÉTODOS SIMPLES DEL AJUSTE

Consideren un problema bastante común de examinar, la intersección en la

Fig. 3-1, los puntos C1, C2, C3 son tres puntos de control con coordenadas
horizontales conocidas. La localización del punto P debe ser determinada por
la intersección, es decir, por medidas de ángulo (o dirección) en los puntos de
control. Si se miden solamente dos ángulos l1 y l2, la intersección estaría en
el punto A, fig. 3-I. Sin embargo, si un ángulo observado (redundante) l3 se
obtiene, tendríamos tres posiciones interceptadas posibles del punto
requerido. Además de A, el punto B se obtiene de l2 y l3 y el punto C de l1 y
de l3. Esto demuestra claramente el concepto de que los errores en las
medidas existen, contrario con el modelo matemático subyacente. También
demuestra que un criterio de una cierta clase es necesario antes de que una
solución única al problema sea posible.
El triángulo ABC en la fig. 3-I a menudo se llama el triángulo de error. (Se
exagera obviamente en la figura para los propósitos de una ilustración eficaz.)
Si se va a ser ejercitado un ajuste simple, un criterio común para tal ajuste
es seleccionar el centro de figura del triángulo de error como el punto de la
intersección de los tres rayos. Esto se muestra como punto P en la Fig. 3-1.
El punto que conecta P a C1 C2 C3 da las tres direcciones corregidas (que se
pueden llamar también ajuste de direcciones), mostradas por las líneas de la
figura 3-1. Así puede ser
Visto

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

Los datos para la travesía en la Fig. 3-2 están como sigue

 60º 33''
1 A1 212,120 00'
130º 12''
2 12 321,070 00'
64º 03''
3 23 315,820 00''
122º 45''
B 3B 304,650 00' 5970,010 4870,280
Ajustado por el compás o la regla de Bowditch.

Solución

El compás o la regla de Bowditch dan buenos resultados cuando las distancias y

los ángulos se miden con la precisión equivalente. El cuento no asume ninguna
correlación y todas las medidas son de igual peso. El método de los mínimos
cuadrados, por otra parte, no impone ninguna restricción. Sus resultados son
óptimos, y con el aumento acelerado en la disponibilidad y la eficacia de ayudas de
cómputo electrónicas, se espera que sea el procedimiento que se utilice de la forma
más extensiva posible.

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:

1. e, dividida por la longitud total de la travesía:

e x

0 .
134
 1.16 10 4

 ly
1153 .6
6

A2. e, dividida por la longitud total:

e x

0.1
66
1 .44 10 4

 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.

3.3 EL MÉTODO DE LOS MINIMOS CUADRADOS

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

El valor final de la distancia se puede obtener de las observaciones como sigue:

 
x  l1  v1  l 1
 
(3-9)
x  l2  v2  l 2

Hay obviamente muchos valores posibles para v1 y v2 tales que estas relaciones


son satisfechas. Por ejemplo, podríamos tener v1 = 0 y v2 l  l  v = - 0.02

n,1 n,1 n,1
m; o v1 = +0.01m y v2=-0.01 m; o v1 = 0.015 m y v2 = -0.005 m; lo cuál
satisfaría el modelo según lo expresado por las relaciones en la Eq. (3-9). De
todas estas posibilidades, la solución de los cuadrados para   (v12  v22 ) es un
mínimo. Para las tres posibilidades las sumas correspondientes de los cuadrados
de las residuales son
 1  0  (0.02) 2  4  10 4 m 2
 2  (0.01) 2  ( 0.01) 2  2  10 4 m 2
3  (0.015) 2  (0.005) 2  2.5  10 4 m 2

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)

Lo cuál se obtiene fácilmente de la Eq. 3-9 restando la segunda línea de la

primera. Ahora, si dejáramos la abscisa de un sistema coordenado cartesiano de
 
dos dimensiones en la Fig.3-3 representando l 1 y la ordenada l 2 entonces la
Eq.(3-10) sería representada por una línea recta que esta 45° inclinada con ambos

ejes, según lo mostrado. Los dos valores numéricos de las observaciones, l 1 =
  
15.12 m y l 2 = 15.14 m definen un punto A que cae sobre la línea porque l 1 < l 2
. La línea que representa la Eq. (3-10) se llama línea de condición puesto que

representa la condición que debe existir entre el ajuste de las observaciones l 1 y

l 2 . Cuando esta condición está satisfecha, el modelo subyacente también está
satisfecho. Así, un ajuste sería realizado si el punto A es substituido por otro punto
que caiga en la línea de condición. Es obvio que existen muchas posibilidades.
 FIG.3-3

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.

Como otro ejemplo, considere la forma de un triángulo plano. Cualesquiera dos

ángulos interiores determinarían únicamente su forma, es decir, n0=2 si se miden
los tres ángulos interiores (n=3), entonces allí hay una redundancia de uno (r =
n-n0=3-2=1). Para esta redundancia, una ecuación de condición necesita ser
escrita para hacer constantes los ángulos observados ajustados, tal condición
reflejaría el hecho geométrico de que la suma de los tres ángulos interiores en un
 
triángulo plano debe ser igual a I80º. Así, si los tres ángulos medidos son l 1 , l 2 ,
   
l 3 después la condición es que l 1 + l 2 + l 3 =180º.
Las ecuaciones de condición discutidas hasta ahora contienen observaciones y
constantes. Son iguales en número a la redundancia del problema, r. Así, para
cualquier problema del ajuste, existen ecuaciones de condición de r entre
las observaciones. Esto conducirá a una técnica de mínimos cuadrados llamados
solamente ajuste de observaciones.

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

Entonces de la estimación de los cuadrados de Irán de la distancia señálese para


x . Desde n = 4, y n=1 (solamente un elemento, la distancia, es el modo)

entonces r = 4 - I = 3. Siendo x la estimación desconocida del parámetro, el
número de condiciones es 3 + 1 = 4 = n, las condiciones son:

 
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

La cantidad que se minimizará es

   
  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

Según lo esperado, la estimación de los mínimos cuadrados resulta ser el medio

simple de las cuatro observaciones. Esto siempre es verdad no importa que halla
muchas medidas repetidas allí están mientras no tengan correlación y sean de
igual precisión. [ cuando las medidas no tienen correlación pero tienen desigual
precisión así que - se utiliza la llamada media cargada; vea el ejemplo 4-5 y la
Eq. (4-39) del capítulo 4.1]

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'

Por lo tanto como v1=1 ' se substituye en el primer par de ecuaciones,

conseguimos
v2  3'2v1  3'2'  1'

Finalmente,

v3  3'v1  v2  3'2'  1'

Los ángulos ajustados son


 1   1  v1  41º34'

 2   2  v 2  78º58'

 3   3  v3  59 º 28'
Compruebe 180º00 '

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

El modelo geométrico es relativamente el mas simple, tres distancias colineales,

AB, A.C., y CD, que denotaremos por x1, x2 y x3 respectivamente. Obviamente
se tomaría un mínimo de tres medidas para determinar únicamente este modelo
(es decir, n0 = 3). Puesto que tenemos cinco distancias medidas (n = 5), hay
entonces dos observaciones redundantes, o, r=5-3=2. Si tomamos x1, x2, x3
como tres parámetros desconocidos, después necesitaremos escribir 2+3 = 5 = n
ecuaciones de condición que relacionan las cinco medidas, l1, l2, l3, l4 y l5, a las
  
estimaciones del parámetro x1 , x 2 , y x 3 .
   
l1  v1  x1 or v1  x1  l1  x1  100 .000
  
l 2  v2  x 2 or v2  x 2  l2  x 2  100 .000
  
l3  v3  x3 or v3  x 3  l 3  x3  100 .080
     
l 4  v4  x1  x 2 or v 4  x1  x 2  l 4  x1  x 2  200 .040
     
l5  v5  x 2  x3 or v5  x2  x3  l5  x1  x2  200 .000

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

Debe ser mínimizado.

Para minimizar Φ , su derivada parcial con respecto a cada estimación del
  
parámetro ( x1 , x 2 , x 3 ) se evalúa y se compara en cero; así,

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.

Dividir (a) por 2 y restar de (b) da

 
2.5 x 2  x 3  350 .020

De la cuál restamos una mitad (c) para conseguir

 
2 x 2  199.980, O x 2  99.990 m


Substituyendo este valor de x 2 en (a), conseguimos,

 
2 x1  300 .040  99.990  200 .050 O x1  100 .025 m

Y substituyendo el mismo valor en (c), conseguimos

 
2 x 3  300 .080  99.990  200 .090 O x 3  100 .045 m

Así, la distancia ajustada entre A y D es

  
AD  x1  x 2  x 3  100 .025  99.990  100 .045  300 .060

EJEMPLO 3-5

La ecuación de una línea recta en un plano es y-ax-b=0, según lo mostrado en

fig. 3-5. Para estimar la cuesta, se da a, y el intercepto en y, b, y las
coordenadas de tres puntos:
 c X (cm) Y (cm)
1 2 3,2
2 4 4
3 6 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

  v12  v22  v32

     
v  (2 a b 3.2) 2  (4 a b 4.0) 2  (6 a b 5.0) 2

Es un mínimo. Para reducir al mínimo Φ, las derivadas parciales de Φ se toman

 
con respecto a a y b y se comparan en cero. Así,

      


 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

Despejando y combinando términos, conseguimos las ecuaciones normales como

en el ejemplo precedente

 
56 a  12 b  52.4
 
12 a  3 b  12.2v

Solucionando estas ecuaciones de forma general, obtenemos

 
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.

Estas residuales también se muestran en la Fig. 3-5. Sus muestras indican si

dada la coordenada y tiene necesidad de ser aumentada (+) o disminuida (-)
para hacer que los puntos caigan en la línea y - 0.45x - 2.27=0

EJEMPLO 3-6

El cuadro 3-6 representa un esquema simple de triangulación donde los seis

ángulos x1 x2... x3 se miden y tienen los siguientes valores :
X1=48.88º
x2=42.10º
x3=44.52º
x4=43.80º
x5=46.00º
x6=44.70º

Con el método de los mínimos cuadrados, calcule los valores ajustados de los seis
ángulos.

Solución I

El modelo geométrico de este problema se refiere a dos triángulos planos

traslapados, según lo mostrado en la fig. 3-6. Por lo tanto se toman únicamente
los ángulos n0=4 para determinar el modelo. Teniendo los ángulos medidos n=6,
la redundancia es r=6-4=2. Por lo tanto, allí es hay dos ecuaciones independientes
de condición que se pueden escribir en términos de las seis observaciones.
Estas son :

   
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

O al sustituir los valores de las medidas,

v1  v2  v3  v4  180.00º ( x1  x2  x3  x4 )
 180.00º 179.30º  0.70º
Y
v3  v4  v5  v6  180.00º ( x3  x4  x5  x6 )
 180.00º 179.02º  0.98º

Los valores remolcados 0.70º y 0.98º se llaman errores de cierre para los
triángulos ABD y ABC del remolque respectivamente.

El criterio de los mínimos cuadrados sirve para la minimización de

  v12  v22  v32  v42  v52  v62

 Pero puesto que hay dos condiciones entre las seis residuales desconocidas,
quedan entonces cuatro variables independientes, así, con la primera condición
solucionamos para v1 y la segunda solución es para v6, conseguimos
v1=0.70- v2- v3- v4 (1)
v6=0.98- v5- v4- v5 (2)

Sustituyendo Φ queda convertido

  (0.70  v2  v1  v4 ) 2  v22  v32  v42  v52  (0.98  v3  v4  v5 ) 2

Y para que Φ sea un mínimo, tenemos


 2(0.70  v 2  v3  v 4 )( 1)  2v 2  0
v 2

 2(0.70  v 2  v3  v 4 )( 1)  2v3  2(0.98  v3  v 4  v5 )( 1)  0
v3

 2(0.70  v 2  v3  v 4 )( 1)  2v 4  2(0.98  v3  v 4  v5 )( 1)  0
v 4

 2v5  2(0.98  v3  v 4  v5 )( 1)  0
v5
 '
 2v 4  2k1  2k 2  0 or v 4  k1  k 2
v 4
 '
 2v5  2k 2  0 or v5  k 2
v5
 '
 2v6  2k 2  0 or v6  k 2
v6

Ahora tenemos que las seis residuales desconocidas se expresan en términos

solamente de dos constantes desconocidas k1, k2. Así al sustituir en las dos
ecuaciones de condición conseguimos dos ecuaciones normales en dos
desconocidas, es decir,
 k1  k1  (k1  k 2 )  (k1  k 2 )  0.70
(k1  k 2 )  (k1  k 2 )  k 2  k 2  0.98

O
4k1  2k 2  0.70
2k1  4k 2  0.70

Solucionando estas dos ecuaciones para k1 y k2 conseguimos:

k1=0.07º, y k2=0.21º

Así, los residuales son

v 2  k1  0.07 º
v3  k1  k 2  0.28º
v 4  k1  k 2  0.28º
v5  k 2  0.21º
v6  k 2  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

El cuadro 3-7 muestra una pequeña red llana en la cual A es un punto de

referencia con elevación conocida de 281.130m, las siguientes diferencias en
elevación son observadas el usar de un procedimiento de nivelación directo:
 DE (un A (un
PUNTO PUNTO Diferencia
MÁS MÁS observada en la
BAJO) ALTO) elevación
B A l1=11,973
D B l2=10,940
D A l3=22,932
B C l4=21,040
D C l5=31,891
A C l6=8,983

Si se asume que todas las observaciones no tienen correlación y tienen igual

precisión, el uso del criterio de los mínimos cuadrados para calcular los valores
(estimaciones de los mínimos cuadrados) para la elevación de los puntos B, C, y
D.

Solución

En este problema, el número mínimo de observaciones necesarias para una

solución única es n0 = 3, y el número de observaciones redundantes es r = 6 - 3 =
3. Si no hubiera errores de observación, circundando un lazo, y cerrándolo detrás
el punto de partida no habría ninguna discrepancia. Sin embargo, éste no es el
caso, como en el ejemplo, se va de A a B a D y de nuevo se regresa a A (-
11.973 - 10.940 +22.932) 0.019 m. Por lo tanto debemos tener en cuenta esta
discrepancia, y otras, por la introducción de seis residuales v1 , v2...,vk por cada
observación, por conveniencia, la elevación de un punto es señalada por su
propio símbolo, es decir, B es la elevación del punto B, y así las seis ecuaciones
de condición son un anillo y nosotros conseguimos el siguiente sistema de
cuatro ecuaciones normales de las residuales desconocidas v2, v3, v4, v5,:

2v2+ v3+ v4 =0.70 (a)

v2+3v3+2 v4+ v5 =1.68 (b)
v2+2 v3+3 v4+ v5=1.68 (c)
v3+ v4+2 v5=0.93. (d)

Atrayendo (c) de (b) da

v3-v4=0, o v3=v4

v4 en lugar de v3 en (a), (b), y (d) produce

2v2+ v4 =0.70 (e)

v2+5v4+ v5=1.68 (f)
 2v4+2 v5=0.98 (g)

Multiplicando (g) por 1/2 y restando de (f) nosotros obtenemos

v2+4v4=1.68-(1/2)(0.98)=1.19 (h)

Multiplicando (e) por 1/2 y restando de. (h.), obtenemos

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

Usando (g) solucionamos para v5:

v5=(1/2)[0.98-2(0.28)]=0.21°

Usando las ecuaciones de condición (1) y (2), calculábamos los valores de v1 y

de v5:
v1=0.70-0.07-0.28-0.28=0.07º
v5=0.98-0.28-0.28-0.21=0.21º
Estas residuales son los valores estimados de los ángulos


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

Si 2k1 2k1 (v1  v2  v3  v4  0.70)  0 y 2k 2 (v3  v4  v5  v6  0.98)  0 se restan de

una nueva función Φ’ se crea:

  v12  v 22  v32  v 42  v52  v62  2k1 (v1  v 2  v3  v 4  0.70)

 2k 2 (v3  v 4  v5  v6  0.98)
Si Φ’ se minimiza, el criterio de los mínimos cuadrados sigue satisfecho porque
ambos términos restados adentro de Φ’ son iguales a cero. El distinguir Φ’ con
respecto a cada una de las residuales, y fijando las derivadas iguales a cero,
obtenemos
 '
 2v1  2k1  0 or v1  k1
v1
 '
 2v 2  2k1  0 or v 2  k1
v 2
 '
 2v3  2k1  2k 2  0 or v 3  k1  k 2
v3
 
B  l1 A  B  l1  v1  281 .130  0

D  l2 B  D  l2  v2  B 0

D  l3 A  D  l3  v3  281 .130  0

B  l4C  B  l 4  v4  C 0

D  l5C  D  l 5  v5  C 0

A  l 6  C  281 .130  l 6  v6  C 0

Dados los valores observados y cambiados, las ecuaciones de la condición se

convierten en
v1=269.157-B
v2=B-D-10.940
v3=258.198-D
v4=C-B-21.040
v5=C-D-31.891
v6=C-290.113

Por el criterio de los mínimos cuadrados , la cantidad que se reducirá al mínimo es

  v12  v22  v32  v42  v52  v62  2k1 (v1  v2  v3  v4  0.70)
 (269.157  B) 2  ( B  D  10.940 ) 2  (258 .198  D) 2  (C  B  21.040 ) 2  (C  D  31.891) 2
 (C  290 .113) 2

Tomando las derivadas parciales de Φ con respecto a los valores desconocidos

B , C y D y comparando estas derivadas en cero. Así


 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

y simplificando términos, conseguimos:

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

C=3B - D - 259.057, (d)

Cuando es substituida en (b) y (c) da

- B+3 (3B - D - 259.057) - D=343,044
Y
- B (3B - D - 259.057)+30=215.367.
Estas dos ecuaciones se reducen a
- 2B - D = 200.0538 (e)
- Sea + D = - 10.9225. (f)

Eliminando D y agregando (e) y (f), conseguimos

B=269.1313 m.

Sustituyendo r para B en (f) nosotros obtenemos

D = 269.1313 - 10.9225 = 258 2088 m.

Finalmente, sustituyendo para B y D en (d), conseguimos

C=3 (269.1313) - 258.2088 - 259.057=290.1281 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.

3-5 la parábola y = ax2+bx-c debe r caber en 14 puntos de referencias. La

coordenada X de cada punto es una constante sin error, las coordenadas son
una cantidad observada, y a, y b. y c son parámetros desconocidos. Evalúe la
redundancia.

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?

3-9 referente a la fig. 3-13, se miden los siguientes ángulos.

L 1= Angle AOB = 30°00'20"

L 2=Angle AOC= 50°00'00"
L 3=Angle COD = 20º00'00"
L 4=Angle ROD = 40°00'20"

Las medidas no tienen correlación y tienen la misma precisión. Encuentre los

valores ajustados para los ángulos de acuerdo con el principio de mínimos
cuadrados.

Traducido por: Angelica Maria Rodríguez Lamus

Ing. Catastral y Geodesia 2006
Código: 9822604
 Figura 3-12 figura -13

3-10 use l el principio de mínimos cuadrados para estimar los parámetros de la

línea recta, y = ax+b que tiene los siguientes datos
x y
1 9.50
2 8.85
3 8.05
4 7.50
5 7.15

Asuma que las coordenadas en x son constantes y libres de error y las

coordenadas en y son observaciones sin correlación con igual precision.

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

Traducido por : Angelica Maria Rodríguez Lamus

Ing. Catastral y Geodesia 2006
Código: 9822604
 4
Ajuste De los Mínimos Cuadrados

4.1. LAS TÉCNICAS DE MINIMOS CUADRADOS

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:

1. Las ecuaciones de la condición incluyen observaciones y parámetros (y por

supuesto las constantes siempre que sea necesario).
2. El número de ecuaciones de condición, c, son exactamente iguales que el
número de las observaciones o de las medidas, n.
3. Cada ecuación de condición contiene solamente una observación con un
coeficiente de unidad.

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

Podemos recoger las residuales en un vector columna v , y las observaciones en

otro vector l, es decir,
v1  l 
v    and l   1 
v  l 2 
y un factor fuera de los coeficientes de Δ en ambas ecuaciones en una matriz de
coeficientes
  1
B 
 1

Entonces la Eq. (4-2) en forma de matriz queda convertida

v1   1 l1 

v   1     l  (4-3)
 2    2

V=BΔ=f (4-4)

En lo cual utilizamos el término más general en lugar de f - l,

La ecuación (4-4) es la forma general de las ecuaciones de condición para la
técnica de ajuste de los mínimos cuadrados de las observaciones indirectas. En
la práctica: hay ecuaciones de condición de n y parámetros desconocidos de u
(que es igual a n0 el número mínimo de las observaciones necesarias para
determinar únicamente el modelo). Esto lo hará la matriz B matriz de n x u, el
vector Δ, es una matriz de la columna de u x I, y ambos vectores v y n x 1
matrices columna de f. Así, la forma ordinaria de las ecuaciones de condición es
v1  b11 1  b12 2    b1u  u  d1  l1  f1
v2  b21 1  212  2    b2u  u  d 2  l 2  f 2
(4-5)
  
vn  bn1 1  bn 2 2    bnu u  d n  l n  f n
Donde
v1 , v2 ,, vn Son las residuales para las observaciones de n;
b1 , b2 ,, bn Son los coeficientes numéricos de los parámetros desconocidos;
 1 ,  2 ,,  n Son los parámetros desconocidos;
d1 , d 2 ,, d n , son las constantes numéricas, que pueden o pueden no ser cero, y
existen cuando las ecuaciones de condición son directamente lineares;
l1 , l 2 ,, l n Son los valores numéricos entonces de observaciones;
f1 , f 2 ,, f n son los términos constantes numéricos en el lado derecho de las
ecuaciones (usadas si las condiciones son originalmente lineales o están
linealizadas).
La ecuación (4-5) se convierte en forma de matriz
v1  b11 j1 2 b1u   1  d1  l1   f1 
v          
  1 b j  b 
u  2  d 2   l 2    f 2 
2 2 2 2 2
 (4-6)
          
           
v m  bm 1 bm 2 bm u   u  d n  l n   f n 
y en una forma más sucinta llega a ser idéntico a la Eq. (4-4), o
 v B  d  l  f
(4-7)
n,1 n, u u,1 n,1 n,1 n,1
Los siguientes son ejemplos de la forma de la matriz de ecuaciones de condición
para el ajuste de los mínimos cuadrados de las observaciones indirectas.

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

Escriba las ecuaciones de condición en forma de matriz v + B∆ = f, indicando

las dimensiones de las matrices.

Solución

Sustituir las coordenadas de los puntos en la ecuación de la línea da las siguientes

tres condiciones :
v1  y1  ax1  b  0 or v1  ax1  b   y1
v2  y 2  ax2  b  0 or v2  ax2  b   y 2
v3  y3  ax3  b  0 or v3  ax3  b   y3
Ahora al usar los valores numéricos y recolectarlos en las matrices da
v1   2  1  3.2 
v    4  1  a   
 2   b    4.0
v 2   6  1    5.0 

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

Los únicos parámetros desconocidos , se pueden poner en un vector

 1 
   2 
 3 
Columna de modo que se convierta forma de matriz condición
v1   1 0 0 281 .130  11.973  269 .157 
v      10.940   10.940 
 2   1 0  1    0     
v3   0 0  1  1  281 .130  22.932  258 .198 
    2      
v 4   1  1 0   0  21.040   21.040 
v 5   0  1  1   3  0  31.891   31.891 
         
v6   0  1 0   281 .130  8.983   290 .113

La cuál es de la forma de la Eq. (4.7), es decir , v  B  d  l  f , el vector v es

de 6x 1, B es 6 x 3 , ∆ es 3 x 1, d es 6 x 1,l es 6 x 1, y f es 6 x 1. Observe que en
este problema, donde están directamente las condiciones lineales, el vector d
no es cero, semejante al ejemplo anterior .

Esto demuestra la sentencia de que d puede o puede no ser cero dependiendo

del problema actual, la segunda técnica de mínimos cuadrados se llama ajuste de
observaciones solamente. Pues su nombre implica, que no hay parámetros
incluidos en las ecuaciones de condición. Por lo tanto, él numero de condiciones,
c, es igual al número de medidas redundantes, de la ecuación r. L a Eq (3-10)
es un ejemplo de este tipo de condición para dos medidas de una distancia.
Reescrito quizá aquí [ vea Eq. (3-9), de las cuales (3-I0) se deriva ] como
l1  v1  l2  v2  0
O
v1  v2  l1  l 2  0
En forma de matriz esto se convierte

1  1 1   (l1  l 2 )  f
v
v 2 
Lo cuál en general es

Av = f (4-8)

Puesto que hay ecuaciones de condición de r y n observaciones en general,

entonces la matriz A es r x n , v es un vector de n x I y f también es un vector de
n x 1 . En la notación ordinaria, las ecuaciones son
a11v1  a12 v 2    a1n v n  f1
a 21v1  a 22 v 2    a 2 n v n  f 2
(4-9)
 
a r1v1  a r 2 v 2    a rn v n  f r
Donde
v1 , v2 ,, vn son las residuales para las observaciones de n;
a11 , a12 ,, a1n son los coeficientes numéricos de las residuales desconocidas;
f1 , f 2 ,, f n Son los términos constantes numéricos en el lado derecho de las
ecuaciones.

En forma de matriz l a Eq (4-9) se convierte

a11 a12  a1n  v1   f1 
a    
 11 a12  a1n  v 2    f 2  (4-10)
    
    
a r1 a r 2  a rn  v n   f n 
Lo cuál corresponde directamente: a la forma compacta de la Eq. (4-8). Cuando
las condiciones son originalmente lineales el vector f se escribe generalmente en
términos de las observaciones dadas como
f=d—Al (4-11)

Donde d, como antes, es un vector de constantes numéricas que pueden o no

ser cero.

Los siguientes son ejemplos de la forma de la matriz de condiciones para el

ajuste de los mínimos cuadrados de observaciones solamente.

EJEMPLO 4-3

Considere los datos para tres ángulos interiores de un triángulo plano:

 α1= 41°33'’45’, α2= 78°57'55'', α3= 59°27’’50',

Escriba la ecuación de condición en forma de matriz,

Solución
Desde n = 3, n0 = 2, r=1, allí hay una condición; a saber

α1+v1+ α2+v2 +α3+v3=180º,

Lo cuál se puede cambiar como

v1+ v2+ v3=180º- α1- α2- α3,

o
v1   1 
1 1 1v2   180 º 1 1 1 2   f  30' '
 
v3   3 

Lo cuál está en la forma de matriz

Av=d–A α=f.

Las dimensiones de la matriz son: A es 1 x 3, v es 3 x 1, d es 1 x 1 a es 3 x 1, y f

es 1 x 1 en este ejemplo, d no es cero, sino igual a l80°.

EJEMPLO 4-4

Refiriéndonos a la fig. 3-7 y al ejemplo 3-7, repetimos aquí los datos de

observación para la red llana: l1 = 11.973 m (B a A); l2 = 10.940 m (D a B);
l3=22.932 m (D a A); l4 = 21.040 m (B a C); l5 = 31.391 m (D a C); y l6=8.953 m (A
a C). Las observaciones se dan como si hubieran sido hechas desde el punto
bajo al punto alto. A es un punto de referencia señalado con el de la elevación
281.130m, escriba en forma de la matriz de condición para el ajuste de los
mínimos cuadrados de observaciones solamente.

Solución

Desde n = 6, se tomarían un mínimo de 3 diferencias medidas en la elevación

para determinar las elevaciones de los puntos B, C, y D (es decir, n0 = 3),
entonces la redundancia es r = 6 - 3 = 3. Debe haber entonces tres ecuaciones de
condición que se pueden escribir entre las observaciones. Para escribir éstas, nos
referimos a la fig. 3-7 y realizamos circundando cualquier lazo, comenzando y
cerrando en el mismo punto, las diferencias ajustadas en la elevación en el lazo
deben igualarse a cero. Así,
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
Reacomodando , conseguimos
v1  v 2  v3  (l1  l 2  l3 )
v2  v 4  v5  (l 2  l 4  l5 )
v3  v5  v6  (l3  l5  l 6 )
en forma de matriz, queda
v1  l1 
v  l 
  1  1  1 0 0 0   2
  1  1  1 0 0 0  
2

 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.

4.2 EL CONCEPTO DE PESO

En el capítulo 1 la desviación estándar (α), la variación (σ2), y la precisión de una

medida fueron términos introducidos. Dijimos que una medida de alta precisión
tiene una variación pequeña porque los valores repetidos están muy cerca, juntos,
así reflejan un alto grado de refinamiento procesal del cuidado, y del instrumento.
Inversamente, una medida de precisión baja tiene una variación grande. Puesto
que el valor de la variación entra en la dirección opuesta al de la precisión, otra
medida de precisión que se relaciona directamente con ella se utiliza a menudo.
Esta medida se llama peso de una observación. Así, para cualquier medida u
observación dada, cuanto más alto es el peso es más alta la precisión, y
viceversa. El peso de una sola observación se define por consiguiente como la
cantidad inversa proporcional a la variación de la observación σ 2. Es decir,

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)

Así, la constante de proporcionalidad es la variación de una observación del peso

de unidad. Esta variación es referida por varios nombres, tales como factor de
variación, variación del peso de unidad, y variación de referencia. En la discusión
restante de este libro adoptaremos el término variación de referencia para  02 .
Cuando dos o más observaciones están implicados en común (por ejemplo
coordenadas del mismo punto), además de sus variaciones hay otras cantidades,
conocidas como las covarianzas, que expresan la interacción, o interdependencia,
entre ellas. Esta interacción se llama correlación. Para los propósitos de este
capítulo asumiremos todas las observaciones sin correlación, es decir, todas las
covarianzas son cero.
Para las medidas sin correlación, x1, x2..., xm, con variaciones de  12 ,  22 ,..., m2 ,
respectivamente, la matriz de la variación se define como la siguiente matriz
diagonal:
 12
0 0 
 
 0  22  0 
 (4-15)

 
 0 0  m2 
Los pesos correspondientes de estas medidas sin correlación están, según Eq. (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 

Como lo visto en la Eq. (4-16) se convierte

 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 

Cuando la variación de referencia  02 se descompone en factores hacia afuera

en la Eq. (4-18) la matriz restante es contraria a la matriz de variación ∑. (Lo
contrario de una matriz diagonal es otra matriz diagonal, cada elemento es el
recíproco del elemento correspondiente en la matriz original; vea el apéndice A.)
Por lo tanto, Eq. (4-18) se convierte

W   02  1 (4-19)

La relación en la Eq. (4-19) es general y se aplica igualmente a lo correlacionado

como también a las observaciones sin correlación, como será explicado más
adelante. Las observaciones pesadas sin correlación (es decir, observaciones sin
correlación con diversos pesos, o con la precisión desigual) ocurren con
frecuencia en la práctica que se examina. Éste es particularmente el caso con
clases de medidas mezcladas, tales como distancias y ángulos, porque la
variación de una distancia medida en metros que es una forma absolutamente
diferente a la variación de un ángulo expresado en radianes. Por lo tanto, cuando
estas dos variaciones se ponen juntas en una matriz de variación y se calcula la
matriz correspondiente de peso, por supuesto los dos valores de peso también
serán diferentes, las medidas de la misma clase, tales como distancias solamente
o los ángulos solamente, podrían estar sin correlación pero cada uno con diversa
precisión o peso simplemente debido a diversos observadores y/o diverso equipo.
Las secciones que tienen éxito de este capítulo tratarán del ajuste por los
mínimos cuadrados cuando las observaciones están sin correlación pero pueden
tener pesos que varían. El caso más general de observaciones correlacionadas
será tratado en el capítulo 9 después de otros conceptos de probabilidad,
estadística, y se introduce la propagación.

4.3. AJUSTE DE LOS MINIMOSCUADRADOS DE OBSERVACIONES

INDIRECTAS

Hemos visto en la sección 4.1 cómo las ecuaciones de condición se pueden

escribir para el ajuste de los mínimos cuadrados de observaciones indirectas.
Para conseguir una solución para el problema del ajuste, el criterio de los
mínimos cuadrados debe ser impuesto ahora. Para las observaciones sin
correlación con precisión igual, el criterio llama a la minimización de la función
n
  v12  v 22    v n2   vi2 (4-20)
i 1
Como se ha dicho ya en el capítulo 3 [ vea la sección 3.3; la Eq. (4-20) es idéntica
a la Eq. (3-8) ]. Para las observaciones sin correlación de precisión desigual, el
criterio llama a la minimización de la función pesada
n
  w1v12  w1v 22    wn v n2   wi vi2 (4-21)
i 1
en qué w1, w2,...w son los pesos de las observaciones correspondientes, l1,
l2...,ln respectivamente. Para facilitar la comprensión de la derivación de la matriz
para poder seguir, recordaremos el ejemplo 4-2 en la red llana y procederemos a
trabajarla hacia afuera gradualmente en forma de matriz. Asumiremos aquí que
las seis diferencias medidas en elevaciones siguen estando sin correlación, pero
ahora tendremos precisión desigual, es decir, de diverso peso. Los seis pesos son
señalados por w1, w2... w6 así, la función que se minimizara para este ejemplo es

  w1v12  w1v22  w3v32  w4 v42  w5 v52  w6 v62

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)

N es la matriz de los coeficientes de las ecuaciones normales. Es cuadrada y

simétrica, según lo ilustrado en la Eq. (4-25). t es el vector de términos constantes.
Las ecuaciones (4-24), (4-27), (4-28), y (4-29) son todas absolutamente
generales, aunque hayamos llegado a ellas por un ejemplo. Se aplican a
cualquier problema para el cual las ecuaciones de condición so de la forma de la
Eq. (4-7). Esto es demostrado como verdad por la derivación general la cuál
ahora sigue. Según lo indicado ya, el criterio de los mínimos cuadrados para las
observaciones sin correlación y de desigual precisión es impuesto reduciendo al
mínimo la función Φ en la Eq. (4-21). Esta función se puede escribir en forma de
matriz como
  w1 0  0  v1 
 0 w 0   
 
  v1 , v 2 ,, v n  2

  
 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)

Ahora, recordando la Eq (4-7)

v  B  f
Y cambiándola como
v  f  B (4-32)
Y substituyendo para y en Eq (4-31) conseguimos

  ( 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)

Desde entonces Φ es un escalar, cada uno de los cuatro términos en el lado

derecho de Eq. (4-33) es también un escalar. Además, puesto que la transpuesta
de un escalar es igual a sí mismo, entonces los segundos y terceros términos en
el lado derecho de la Eq. (4-33) son iguales, es decir,

t B tWf  (t B tWf ) t  f tWB (4-34)

En la Eq. (4-34), W t es substituido por W porque la matriz del peso es siempre

simétrica y por lo tanto es igual a su transpuesta. Combinar los segundos y
terceros términos en el lado derecho de la Eq. Produce (de 4-33)

  f tWf  2 f tWB  t ( B tWB) (4-35)

En la Eq. (4-35) todas las matrices y vectores son constantes numéricas, excepto
Δ el vector desconocido. Así, la orden para que Φ sea un mínimo, es que su
derivada parcial con respecto a Δ debe ser cero. En el primer término en el lado
derecho de la Eq. (4-35) no se contiene Δ, su derivada parcial es
automáticamente cero. Las derivadas parciales de los segundos y terceros
términos son obtenidas aplicando las reglas de diferenciación para las formas
bilineales y cuadráticas, respectivamente, según lo dado en el apéndice A. Así,
distinguiendo Φ con respecto a Δ y comparando el resultado a cero, tenemos:


 2 f tWB  2t ( 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

Recuerde las cuatro medidas de la distancia dadas en el ejemplo 3-2: l1 = 32.51

m, l2 = 32.46 m, l3 = 32.52 a, y l4 = 32. 53 m, la estimación de la distancia se
cálculo por el método de los mínimos cuadrados: (1) si las medidas no tienen
correlación y son de igual precisión ; y (2) si no tienen correlación pero tienen los
siguientes pesos: w1 = 1, w2 = 2, W3 = 1 y w4 = 0.5

Solución

El número de observaciones es m = 4, y con el mínimo requerido para fijar el

modelo n0 = 1, la redundancia es r = 4 - 1 = 3. Llevando la estimación final como
parámetro, es decir, u = 1, allí hay cuatro ecuaciones de condición, una para cada
observación. Para representar la estimación de la distancia, las ecuaciones de
condición son
  
l1  v1  x or v1  x  l1  32.51
 
l 2  v2  x or v 2  x  l 2  32.48
 
l3  v3  x or v3  x  l3  32.52
 
l 4  v4  x or v 4  x  l 4  32.53

En forma de matriz estas ecuaciones son (véase Eq. 4-6)

v1   1  32.51
v      
 2    1  x    32.48
v3   1    32.52
     
v 4   1  32.53
Lo cuál es de la forma
v  B    f
4,1 4,1 1,1 4,1
La matriz de coeficientes de las ecuaciones normales N es dada por la Eq. (4-28)
como
N = B t WB

(1) cuando las observaciones no tienen correlación y son de igual peso , la

matriz del peso reduce a la matriz identidad, o a W = a I, y N entonces se
convierte
 1
 1
N  B t B   1,1,1  1   4
 1
 
 1
El vector de los términos constantes de las ecuaciones normales está dado, por
la Eq. (4-29),
 32.51
 32.48
t  B tWf  B t f   1,1,1,1    130 .04
 32.52
 
 32.53
Finalmente, el parámetro es obtenido aplicando la Eq. (4-38), es decir,

x    N 1t  (4) 1 (130.04) / 4  32.51m
Lo cuál concuerda con la respuesta obtenida en el ejemplo 3-2.

(2) cuando las observaciones tienen pesos desiguales 1, 2, 1, y 0.5,

respectivamente, la matriz peso se convierte en
 1 0 0 0 
0 2 0 0 
W 
0 0 1 0 
 
0 0 0 0.5

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

Esta respuesta es obviamente diferente de la obtenida cuando las medidas son

de peso igual. Puede ser visto que esta estimación ( 32.50m) está más cerca a la
segunda observación (l1 = 32.48 m) que la primera estimación (32.51 m) porque l2
tiene un peso más alto. Igualmente, l4 tiene menos influencia en la nueva
estimación porque tiene menos peso (w4 = 0.5). En, la segunda parte del ejemplo
precedente, la estimación de los mínimos cuadrados de una cantidad de medidas
directas sin correlación de n de diverso peso resulta ser
   n   n 
x    wi li    wi  , (4-39)
 i 1   i 1 

cuál es el medio cargado de las observaciones dadas.

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.

(2) para el segundo caso, necesitamos construir la matriz de peso de las

variaciones dadas. Puesto que las medidas no tienen correlación, la matriz W del
peso se puede calcular según la Eq. (4-18). 1Así, primero comenzamos
computando la inversa de la matriz de varianzas  , o

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

Con esta matriz, la N y la t correspondientes son

 1   2  1 
  2  4  6    4  1 
N  B WB  
t
  1.25  
 1  1  1       
 1.25  6 1

 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

3.5  14.5  63.9  0.452 

  N 1t  1 / 31.25    
 14.5 69  14.45 2.256 

 
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

Es decir, Así para el caso de igual peso (e se utiliza como designado)

  3.2   2  1   0.033 
 
vr   4.0   4  1    
0 .450
   0.067 cm
 5.0   6  1     0.033 
2 . 267
 
y para el caso desigual del peso (u se utiliza como designado)
 3.2   2  1   0.040 
    0.452  
v m   4.0   4  1      0.064  cm
 5.0   6  1  
2.256 
 0.032 
Se ve que la magnitud de v1m es más grande que la de v1r mientras que las
magnitudes de v2m v2m son más pequeñas que las de v2r, v3r , porque los
puntos 2 y 3 tienen pesos relativamente más grandes que el punto 1, en la línea
cabrán puntos más cercanos a ellos y más lejos del punto 1.

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 / 41 2 1
1  
 1  1 3 1 1 2
Y
2 1 1 259.057  269.131 
  N 1t  1 / 41 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.

(3) el peso de cada diferencia de elevación es proporcional al recíproco de la

distancia nivelada entre los dos puntos. Estas distancias se dan abajo.

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 

 4.733  1.000  2.333

  1.000 3.477  1.400 
 2.333  1.400 5.600 
y
1.400  269 .157 
 2.333   10.940 
 1  1 0  1 0 0    
   
t  B t Wf   0 0 0  1  1  1  
1 .867 258 .198
 
 1.000    21.040 
 0  1  1 0  1 0 
 1.400   31.891 
  
 1.077   290 .113

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

0.183543 0.172880 0.298256 

Los tres parámetros (es decir, las elevaciones de los puntos B, C, y D) entonces
son
0.337902 0.171085 0.183543  381 .3028 
  N t  0.171085 0.406418 0.172880  378 .1391 
1

0.183543 0.172880 0.298256  411 .8852 

269 .135 
 290 .124 
258 .205 
EJEMPLO 4-8

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

Deje que T represente el tiempo y h la altitud en un sistema coordenado

rectangular, el origen en el cual está es T0 = 12h 00m 00s, y n, = 51º50'00", así, los
puntos de referencia son:
T  19 m14.5 s  1154 .5 s , h  69' '
T  13 m 41.5 s   821 .5 s , h  402 ' '
T   9 m 57.0 s  597 .0 s , h  630 ' '
T  3 m 07.0 s  187 .0 s , h  744 ' '
T  5 m 34.5 s  334 .5 s , h  666 ' '
T  12 m12.0 s  732 .0 s , h  345' '
T  16 m 04.5 s  964 .5 s , h  90' '
Si la parábola es de la forma aT2 + bT- c = h, entonces las ecuaciones de
condición son
 a(1154 .5) 2  b(1154 .5) 2  c  69  v1
a(821 .5) 2  b(821 .5) 2  c  402  v2
a(597 .0) 2  b(597 .0) 2  c  630  v3
a(187 .0) 2  b(187 .0) 2  c  744  v4
a(334 .5) 2  b(334 .5) 2  c  666  v5
a(732 .0) 2  b(732 .0) 2  c  345  v6
a(964 .5) 2  b(964 .5) 2  c  90  v7

En la notación matricial correspondiente a la forma v+ BΔ= f tenemos

 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 

La matriz de peso es W=I, puesto que todas las observaciones no presentan

correlación e igual precision, por lo tanto

N = BtWB =BtB,

Es decir,

 3.5252  1012  9.8563  10 4 3.9771  10 4 

 
N   9.8563  10 4  3.9771  10  4  729 
 
 3.9771  1012
 729 7
 

t=B tWf=B tf

Es decir,
  9.570 10 4 
 
t   3.630 10 4 
 2.946 10 4 
 

La inversa de N es obtenida aplicando el procedimiento de la inversa de la matriz

dada en el apéndice A. El resultado es:

 8.4611 10 13 1.2394 10 10  4.6782 10 7 

 
N 1   1.2394 10 10 2.7449 10 7  4.1830 10 5 
 4.6782 10 7  4.1830 10 5 4.0429 10 1 


El vector de mínimos cuadrados de las estimaciones de los parámetros de la

parábola son así:

 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

Así, la ecuación que concuerda con la de la parábola es

-0.0061347 T2 – 0.10426 T + 758.5 = h

Cómo esta ecuación es correcta , los datos observados se reflejan en el vector de

las residuales (valores en segundos de arco):
  69   1,332,870  1154 .5
 1  8 
 402   674,862  1
 821 .5 28 
    
 1  6.1347  10   28
4
 630   356,409  597 .0
      
v  f  B   744    34.969  1  1.0426  10 1   13 
 187 .0
 666   111,890  1 0.7585  10 3   11 
 334 .5
      
 345   535,824  732 .0
 1 8 
 90   930,260  1
 964 .5  3 
    
Ahora, la altitud máxima ocurre cuando dh / dT=0. El valor de T en el cual la
 
altitud máxima ocurre es Tmax. , dh dT  2 a t max  b  0 , Es decir,

b  0.10426
Tmax   
  85.0 s.
2a 2(0.00061347 )

Por lo tanto, el tiempo en que ocurre la altitud máxima es:

T0  Tmax  12 h 00 m 00 s  0 h 01m 25.0 s  11h 58 m 35.0 s
Ahora
hmax  0.00061347 Tmax 2
 0.10426 Tmax  758 .5
 0.00061347 (85.0) 2  0.10426 (85.0)  758 .5  763' '

Por lo tanto, la altitud máxima del sol es

h0  hmax  51º50'00' '0º12'43' '  52º02'43' '

EJEMPLO 4-9

En la fig. 4-1, A y B son puntos de control horizontales, espaciados 100.000 m

(errores mínimos asumidos) aparte. Un tercer punto, C, debe ser situado a lo largo
de una línea normal a AB, según lo mostrado. Se hacen dos medidas:

Distancia AC: l1=131.200m

Angulo de A: l2= 40°20'00",

La desviación estándar de l1 es 3.035; la desviación estándar de l2 es 21". Las

dos observaciones no presentan correlación. Calcule la estimación de los
mínimos cuadrados de x, de la distancia entre B y C.

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

Ambas ecuaciones son no lineales en el x desconocido. Es por lo tanto necesario

linealizarlas según las técnicas del capítulo 2. Dejando
y1  l1  v1  x 2  100 2  0
Y

x
y 2  l 2  v2  arctan 0
100

Según la Eq. (2-13), las formas linealizadas de las funciones y1 y y2 son

y
y1  y10  1 x
x

 
 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 )]

Donde x, es un valor aproximado para x, y Δx es la corrección. Así, las

ecuaciones linealizadas de condición son
 
 l1  v1  x02  100 2   x0
x02  100 2
x  0

x0 100
 l 2  v2  arctan  2 x  0
100 x0 / 100 2

Cambiando estas ecuaciones y escribiéndolas de la forma v+BΔ=f como en la Eq.

(4-7), tenemos
v1   x0 x02  100 2   x 2  100 2  l 
v     x    0 1

 2   100 ( x02  100 2 ) arctan( x0 / 100)  l 2 

Puesto que 100 tan (40º20'00")=84.906, una buena aproximación para x es

x0=85.000 m. Usando x0=85.000 y los valores angulares expresados en radianes,
las primeras aproximaciones para las matrices B y f son
 0.647648  0.04405 
B1    Y f1   
 0.005806  0.000545 

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 ]  N11t1   0.072 m
0.503722

la primera estimación para x es

x1  x0  x1  85.000  0.072  84.928m
Ahora, puesto que durante la linealización descuidamos todos los términos de la
segunda y más alta orden, nosotros debe asegurarse de que x1 no esté en error
significativo debido a esta aproximación. Por lo tanto, debemos iterar la solución
usando x1 como nueva aproximación y computando otra corrección. Se repite este
procedimiento hasta que la corrección es insignificante.
Procediendo entonces con x1=84928 m, el B nuevo y las matrices de f son
 0.647330 
B2   
 0.005810 

asi
N 2  B2t WB2  [0.503722 ]
Y

t 2  B2t Wf 2  [0.000181]
Y entonces
 0.000181
 2  [x2 ]  N 21t 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.

4.4. AJUSTE DE LOS MINIMOS CUADRADOS DE OBSERVACIONES

SOLAMENTE

En la sección 4.1 la forma de las ecuaciones de condición para el ajuste de los

mínimos cuadrados de observaciones solamente es dada por la Eq. (4-8), y se
repite otra vez como la Eq. (4-40) con las dimensiones de la matriz incluidas:
A v  f
(4-40)
r , n n,1 r ,1

La dimensión r es redundante, y la dimensión n es el número de observaciones

dadas. Puesto que en la Eq. (4-40) hay ecuaciones de r en términos de las
residuales desconocidas de n, y puesto que r=n-n0, y entonces es menor que n,
ninguna solución única se puede obtener de las condiciones solamente. Las
ecuaciones adicionales son obtenidas aplicando el criterio mínimo, es decir,
minimización de la Eq. (4-20) cuando las observaciones no tienen correlación y
tienen la misma precisión, o minimización de la Eq. (4-21) cuando las
observaciones no tienen correlación pero tienen precisión desigual. Otra vez
como en la sección precedente, introduciremos la derivación con un ejemplo. Para
este propósito, recordamos la red llana del ejemplo 4-4, donde se mide n = 6
diferencias en la elevación y (r = 3) las ecuaciones de condición son

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

Es decir, en notación matricial

v1 
v 
 1  1  1 0    f 1 
2
0 0
 0 1 0    v3    f 

 1 1 0  v   2  (4-42)
 0 0 1 0  1  1   4
f 
v 5   3 
 
v6 
si se asume que las seis medidas no tienen correlación y tienen peso desigual, la
función
  w1v12  w1v22  w3v32  w4 v42  w5 v52  w6 v62
Debe ser minimizada.
Puede ser visto que no es posible expresar por separado cada uno de los seis
residual v1, v2..., v6 para la substitución en Φ, como era posible en el
procedimiento del ajuste de observaciones indirectas, por lo tanto, otro
acercamiento es necesario para cerciorarse de que Φ, es un mínimo y, al mismo
tiempo, que las ecuaciones de condición (4-41) son satisfechas. Esto es logrado
reescribiendo cada ecuación de condición en la forma normal (cero en el lado
derecho), multiplicando los lados izquierdos por los factores sin especificar -2k1 y
agregando los productos a Φ. El ki de las cantidades se llama multiplicadores de
Lagrange; hay tantos multiplicadores como condiciones. La nueva cantidad que se
minimizara es entonces

  w1v12  w2 v 22  w3 v32  w4 v 42  w5 v52  w6 v62  2k1 (v1  v 2  v3  f1 )

(4-43)
 2 k 2 (v 2  v 4  v 5  f 2 )  2 k 3 ( v 3  v 5  v 6  f 3 )

El factor -2 que precede a cada multiplicador de Lagrange se introduce por

conveniencia solamente, para evitar fracciones innecesarias y muestras negativas
después de la diferenciación y de la separación de las residuales. En la Eq. (4-43)
lo que se desconoce son las residuales v1 v2..., v6 y multiplicadores de Lagrange,
k1, k2 y k3. Por lo tanto, la sentencia para que Φ' sea un mínimo, su derivada
parcial con respecto a cada una de estas variables desconocidas debe ser cero.

Considerando primero las residuales,

  ' 1
 2w1v1  2k1  0 or v1  k1
v1 w1
 ' 1
 2w2v2  2(k1  k2 )  0 or v2  (k1  k2 )
v2 w2
 ' 1
 2w3v3  2(k1  k3 )  0 or v3  (k1  k2 )
v3 w3
 ' 1
 2w4v4  2k2  0 or v4  k2 (4-44)
v4 w4
 ' 1
 2w5v5  2(k2  k3 )  0 or v5  (  k 2  k3 )
v5 w5
 ' 1
 2w6v6  2k3  0 or v6  k3
v6 w6

Después, diferenciando Φ' con respecto a k1, k2 y k3 y evaluando en cero, da


 2(v1  v 2  v3  f1 )  0 or v1  v 2  v3  f1
k1

 2k (v 2  v 4  v5  f 2 )  0 or v 2  v 4  v5  f 2
k 2


 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)

La matriz de cofactor representa las variaciones relativas de las observaciones.

Cuando la variación o de la referencia es unidad, Q es idéntico a la matriz de
variación Σ. Este concepto se discute más adelante en el capítulo 5,
particularmente para las observaciones correlacionadas.
La segunda matriz en el lado derecho de la Eq. (4-45) se puede ver como la
transpuesta de la matriz de coeficientes A de las condiciones en la Eq. (4-42).
Denotando el vector de los multiplicadores de Lagrange por k, es decir,
k1 
k  k 2  (4-47)
k 3 

y recordando que v representa el vector de residuales, la Eq. (4-45) puede ser

rescrita como

v=W-1Atk=QAtk (4-48)

Sustituyendo para v en la Eq. (4-40)

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

Lo cuál después de dividirse por dos, de transponer y de cambiar se convierte

Wv  At k (4-56)
Observe que W es una matriz simétrica, es decir, peso = W; vea el apéndice A.
Resolviendo para v da:
v=W-1Atk=QAtk (4-57)
Lo cuál es idéntico a la Eq. (4-48). El resto de la derivación es por lo tanto idéntica
a la Eq. (4-48) y no necesita ser repetido aquí. Los pasos reales, o el algoritmo, de
este procedimiento de los mínimos cuadrados son como sigue: la matriz del
coeficiente Qc: Se forma usando la Eq. (4-50), entonces invirtiendo y multiplicado
por el vector f da k [ Eq. (4-52) ]. Con el valor de k, las residuales se calculan de la
Eq. (4-48) y entonces agregado a las observaciones l se producen las

observaciones ajustadas l . Cualquier cantidad que sea función de las

observaciones estimadas puede entonces ser computada usando l y se dan las
funciones. Estos pasos son demostrados en los siguientes ejemplos.

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

La primera ecuación de condición es

1  v1   2  v2   3  v3  180 º  0
o

v1  v2  v3  180 º ( 1   2   3 )  180 º 179 º59'30' '  30' '

En la notación matricial, esta condición es:

v1 
1 1 1v2   30' '
v3 
Lo cuál está en la forma general Av = f.
(1) para el caso de pesos iguales, W = Q = I. De la Eq, (4-50),

Entonces, la forma de la Eq (4-52)

k  Qc1 f  [1 / 3][30' ' ] `[10' ' ]
Después, v se calcula de Eq (4-48):
1 10' '
v  QA k  A k  1[10' ' ]  10' '
t t  
1 10' '
Finalmente, agregando las residuales a la observación dada, obtenemos las
observaciones ajustadas:


 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

(2) para w1=1, w2=0.67, y w3=0.50, la matriz del peso es

w1  1 
  
W   w2    0.67 

  
w3   0.50
Y la matriz Q de cofactores es
1 / w1  1 
Q W   1   
1 / w2    1.5 
 1 / w3   2
Ahora, según las Eqs, (4-50), (4-52), y (4-48), respectivamente
1  1
Qc  AQA  1 1 1 1.5  1  [4.5]
t 
 2 1
k  Qc1 f  [1 / 4.5][30' ' ]  [6.7' ' ]
Y

1  1 7' ' 

v  QA k   1.5  1[6.7' ' ]  10' '

t   
 2 1 13' '

Las observaciones ajustadas ( estimaciones de los mínimos cuadrados) son:

 
 1   1  v1  41º33'52'

 2   2  v 2  78º58'05'

 3   3  v 2  59 º 28'03'
Sum=180º00'00, que comprueba

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 

2 0.666  0.562  0.187 

Wc  Qc  (1 / 3.56)   
0.666 2   0.187 0.562 
De la Eq (4-52) los multiplicadores de Lagrange son
0.562  0.187   24   16.9
k  Wc f   
 0.187 0.562  18  14.6 
Y de la Eq (4-48) las residuales son
 1 
 0.333  1 0  17 ' '
  1 0  5' ' 
 0.333   
  1 1   16.9  1' ' 
v  QAt k    1   
1  14.6   1' ' 
0.333
 0.333 
  0 1 5' ' 
 0.333    
0 1 15' ' 

 1 

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

La elevación de A se fija en 281.130 m.

Con el procedimiento del ajuste de los mínimos cuadrados de observaciones
solamente, calcule las elevaciones de los puntos B, C, y D para dos casos:
1. Cuando las diferencias medidas en la elevación no tienen correlación y tienen el
mismo peso.
2. Cuando las medidas no tienen correlación pero tienen pesos inversamente
proporcionales a las distancias niveladas respectivas.

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

Cambiando estas ecuaciones en la matriz de Av=f tenemos

v1 
 1 1  1 0 0 0    l1  l 2  l3  0.019 
0 1 0 1  1 0  v 2    l  l  l    0.089 
     2 4 5   
0 0 1 0  1 1    l3  l5  l 6   0.024 
v 6 
(1) en este caso, la matriz de cofactores es Q=W -1=I. Así.
 1 0 0 
  1 0  1
  1  1 0  1 0 0    3 1  1
   0 0  1 
Qc  AQA   0
A
0 0  1  1  1   1 3 1
  1  1 0 
 0  1  1 0  1 0   1 3
 0  1  1 
1
 
 0  1 0 
  8 4 4   0.50  0.25 0.25 
Wc  Qc1 
 (1 / 16)  4 8  4   0.25 0.50  0.25
 4  4 8   0.25  0.25 0.50 

 0.50  0.25 0.25  0.019  0.0258 

k  Wc f   0.25 0.50  0.25  0.089    0.0433 
 0.25  0.25 0.50   0.024  0.0150 

 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 

1.67 1.00  1.25 0 0 0 

 0 1.00 0 2.33  1.67 0 
0 0 1.25 0  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 

 3.92 1.00  1.25 

  1.00 5.00 1.67 
 1.25 1.67 5.09 
Y entonces
  0.3158  0.1000 0.1104 
Wc  Qc1   0.1000 0.2563  0.1087 
 0.1104  0.1087 0.2592 

 0.3158  0.1000 0.1104  0.019  0.01225 

k  Wc f   0.1000 0.2563  0.1087   0.089    0.02210 
 0.1104  0.1087 0.2592   0.024  0.00555 

 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 

Las observaciones ajustadas de los mínimos cuadrados son


l 1  l1  v1  11.9949 m

l 2  l 2  v 2  10.930 m

l 3  l3  v3  22.924 m

l 4  l 4  v 4  20.988 m

l 5  l5  v5  31.919 m

l 6  l 6  v6  8.995 m
Las elevaciones de los tres puntos son

B  A  l 1  281.130  11.994  269.136 m

C  A  l 6  281.130  8.995  290.125m

D  A  l 3  281.130  22.924  258.206 m

Estos valores se diferencian por no más de 0.001 m. de los obtenidos en el

ejemplo 4-7, estas diferencias pequeñas se atribuyen a los errores de
redondeo. Un resumen de los símbolos y de las ecuaciones usadas para
mínimos cuadrados que es el ajuste de observaciones solamente, lo9
encontrara en la sección 9.5, capítulo 9.
PROBLEMAS
4-1.En la Fig. 4-3, AOB es una línea recta y se muestran todas las medidas del
ángulo, l1, con l. Dé los elementos del modelo matemático (n, n0, r, u, y c) para
el ajuste de los ángulos por el método de observaciones indirectas, y escriba
las ecuaciones apropiadas de condición en la forma v+BΔ= f.

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.

(b) Haga lo mismo para el método de ajuste de observaciones solamente, es

decir, escriba las ecuaciones de condición en la forma Av=f.
4-5 Una distancia se mide seis veces. Los valores observados son 572.182m,
572,140m, 572.103m, 572.160m, 572.125m y todas las medidas 572.155m. y
todas las medidas no tienen correlación y sus desviaciones estándar son
0.030m, 0.030m, 0.030m, 0.020, 0.020m, y 0.010m, respectivamente.
Encuentre la estimación de los mínimos cuadrados para la distancia.
4-6 los siguientes ángulos se miden sobre una estación de examen (fig. 4-7): .
α=110º15’20”, β= 130º40’08”, γ= 119º04’42”, y δ = 240º55’43” Todas las
observaciones no tienen correlación y tienen la misma precisión. Encuentre
estimaciones de los mínimos cuadrados para los ángulos usando el método de
ajuste de observaciones indirectas.
4-7 Si los ángulos medidos α, β, γ, y δ en el problema 4-6 tienen pesos 1, 1, 1,
y 3, respectivamente, vuelva a trabajar la solución de los mínimos cuadrados y
compare las residuales con las obtenidas en el problema 4-6.
4.8 Las diferencias observadas de la elevación y las longitudes de línea para
la red llana en la fig. 4-8 son:
LINEA DIFERENCIA OBSERVADA EN LA LONGITUD
ELEVACION (m) (km)
A to B -12.386 18
B to C -11.740 12
C to A 24.101 20
C to D -8.150 8
D to A 32.296 22

La elevación del punto de referencia en B es fija en 192.320m sobre nivel del

mar. El peso de cada diferencia de elevación es inversamente proporcional a
la longitud de la línea.

Traducido por: Angélica Maria Rodríguez Lamus

Sep-08-2006 Ing.Catastral y Geodesia
Utilice el método de ajuste de observaciones indirectas, encuentre las
estimaciones de los mínimos cuadrados para las elevaciones de A, C, y D.
4-9 la posición de P (x, y) en la fig. 4-9 debe ser determinada de la correlación
de las medidas s, b, y θ. Los valores observados y sus desviaciones estándar
son:
VALORES OBSERVADOS DESVIACION ESTANDAR
s 352.140m 0.030 m
b 236.765m 0.020 m
θ 42º15’20’’ 15’’

Compute los mínimos cuadrados para x y y usando el método de ajuste de

observaciones indirectas.
4-10 Aplique el método de ajuste de observaciones solamente a los datos
dados en el problema 4-6 para encontrar las estimaciones de los mínimos
cuadrados para los ángulos. Compare los resultados con los del problema 4-6.
4-11 aplique el método de ajuste de observaciones solamente a los datos
dados en el problema 4-8 halle las estimaciones de los mínimos cuadrados
para las elevaciones de A, C, y D. Compare los resultados con los del
problema 4-8. ¿Qué método implica menos cómputo ?
4.12 Aplique el método de ajuste de observaciones solamente a los datos
dados en el problema 4-9, a los valores ajustados hágalo para s, b, y θ y
aplique mínimos cuadrados estimados para x y y. compare los resultados
con los del problema 4-9.
4-13 ajuste la red llana del problema 4-4, si se asume que las observaciones no
tienen correlación y tienen la misma precisión.
4-14 una técnica de línea traviesa usada en un examen hidrográfico de un río
para determinar la distancia entre dos estaciones A y B (fig. 4-10). La suma S
de las dos distancias S1, y S2 se observa en intervalos de un minuto mientras
que navega el barco contra la corriente. Los valores observados de S en
metros, son: 6137. 6075, 6020, 6015, 6029, 6072, y 6143. Las observaciones
no tienen correlación y tienen la misma precisión. S puede ser aproximada
por una función parabólica del tiempo transcurrido,

Fig 4-9

Fig. 4-10

Encuentre : las estimaciones de los mínimos cuadrados para los parámetros

de la parábola y del mismo modo obtenga la estimación de los mínimos
cuadrados para la distancia entre A y B.
4-15 para el triángulo en la fig. 4-11 se hacen las siguientes observaciones:
Angulo A: 45º02’13”
Angulo B: 85º01’48”
Angulo C: 49º56’19”
Lado a: 241.555 m
Lado b: 340.097 m

La desviación estándar de cada medida de ángulo es 10’ ‘ , la desviación

estándar de cada lado es 0.020m. Las medidas no tienen n correlación.
 (a) Escriba las ecuaciones apropiadas de condición para el ajuste
de los mínimos cuadrados de las observaciones. (b) Compute las
estimaciones de los mínimos cuadrados para los ángulos y los lados
del triángulo.

Fig. 4-11
 5
Teoría Elemental de las probabilidades
5.1. ACONTECIMIENTOS Y PROBABILIDAD AL AZAR

En el capítulo 1, los conceptos de variable al azar y probabilidad fueron

introducidos. En este capítulo, nosotros tomamos un cierre: mire al azar las
variables y la teoría de la probabilidad. Una de las nociones básicas de la teoría
de las probabilidades es la de un acontecimiento al azar. Un acontecimiento al
azar es uno en que la frecuencia relativa de su ocurrencia se acerca a un
límite estable mientras que el número de observaciones o de repeticiones de
un experimento se aumenta al infinito. El límite de la frecuencia relativa de la
ocurrencia de un acontecimiento al azar se conoce como la probabilidad del
acontecimiento.
La probabilidad de un acontecimiento ( *1) al azar es un número que esta en
alguna parte entre cero y uno. Si la probabilidad de un acontecimiento al azar
es cero, el acontecimiento nunca ocurrirá; si la probabilidad del acontecimiento
es uno, ocurrirá siempre (un evento cierto). Si la probabilidad no es ni cero ni
uno, pero es un cierto número entre cero y uno, el acontecimiento puede o no
puede ocurrir, su ocasión de ser dado ocurre por el valor específico de la
probabilidad.
En lenguaje matemático, si E representa un acontecimiento al azar, y P[E ] la
probabilidad del evento que ocurre, entonces
0 ≤ P[E] ≤ 1 (5-1)
Se mide una distancia varias veces s usando una cinta de acero de carbón.
Con mucha diligencia y paciencia, 5000 medidas se hacen a 0.001 m. Las
medidas se corrigen para el error sistemático y los valores corregidos que
resultan se redondean aproximados al centímetro más cercano. Para cada
valor que resulta, la frecuencia relativa de ocurrencia se ha calculado y
registrado (véase la tabla 5-1).

107 análisis y ajustes de las medidas de examen

ROUNDED-OFF NUMBER OF RELATIVE
VALUE MEASUREMENT FREQUENCY
OF DISTANCE S OF OCCURRENCE.
MEASUREMENT OCCURRING
489.51 or(m)
less 0 a 0 a/5000
489.52 206 0.0412
489.53 3633 0.7256
489,54 1161 0.2322
489.55 or more 0 0
Total 5000 1.0000

Basándonos en el número de medidas hecho, e cálculo de las frecuencias son aceptadas

como los valores límite, es decir, se acepta como probabilidad.
Permita que 4 sea un evento redondeado de alguna distancia medida, que sea 489.51m
o menos, B el evento de que la medida sea 489.52, C el evento de que la medida sea
489.53, D el vento de que la medida sea 489.54m, E el evento que la medida sea 489.55
o mas. Aceptando las frecuencias relativas de ocurrencia de la tabal 5-1 como
probabilidades, nosotros tenemos:

P[A] = 0
P[B]=0.0412
P[C]=0.7266
P[D] =0.2322
P[E] = 0

Un termino muy importante de la teoria de la probabilidad es la independencia.

Dos eentos son independientes si la ocurrencia de unono afecta l aocurrencia
de otro. Si dos eventos son independientes , la probabilidad de que los dos
eventos ocurran es igual al producto de las probabilidades de laocurrencia de
los eventos individuales . En lenguaje matematico :

P[A∩B] = P[A] . P[B] (5-2)*

5-2 VARIABLES ALEATORIAS

En teoría básica de probabilidad, la probabilidad de un evento aleatorio se describe con

referencia a una muestra o un espacio, en algunas aplicaciones de teoría de probabilidad
incluyendo las medidas de examen, es más conveniente describir la probabilidad de un
evento aleatorio en función de una variable aleatoria.

*El símbolo ∩ denota intersección en teoría. A ∩ B (léase como A intersección

B) puede ser interpretado como A y B ocurriendo al tiempo.
108 análisis y ajustes de las medidas de examen

EJEMPLO 5-2:

Una distancia conocida de 297.500m es medida con una cinta.

MEASUR ERROR IN NUMBER OF RELATIVE

ED MEASURED MEASUREME FREQUEN P (x)
DISTANC DISTANCE NTS CY
297.50
E 0 X (cm) 223’ n 0.0446
n/5000 0.04
(m) 50
297.51 1613 0.3226 0.32
297.52 2 1705 0.34:0 24
0.34
297.53 3 901 0.1302 03
0.18
297.54 4 367 0.0734 0.07
05
297.55 3 131 0.0262 33
0.02
297.56 6 42 0.0034 60
0.00
297.57 15 0.0030 84
0.00
297.53 8 3 0.0006 0.00
26
Sum 5000 1.0000 08
1.00
00

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)*

Donde x es el error en el centímetro.

Los valores de p (x) se enumeran en la tabla 5-2 al lado de las frecuencias
relativas; la función se traza en la fig. 5-1. No es necesario que esta función
sea teóricamente derivable; lo que es importante es que caben los datos
observados.
En vista de lo qué se ha discutido previamente en la sección 5.1, el
acontecimiento del error en la toma de la distancia en un valor particular x es,
de hecho, un acontecimiento al azar, y el valor de p (x) representa la
probabilidad de ocurrencia al azar de este. Por ejemplo, el acontecimiento : el
error es 2 centímetros es un acontecimiento al azar, y la probabilidad de que
ocurra este acontecimiento al azar es 0.3408.
Referente al ejemplo 5-2, deje que X represente el error en distancia. El
acontecimiento al azar de que X adquiera el valor numérico específico x es
Representado matemáticamente por la expresión X=x. y la probabilidad de este
evento es P(X)=x.
*e = 2.71828, base del sistema natural de logaritmos

110 análisis y ajustes de las medidas del examen

La ocurrencia del acontecimiento (*1), representado matemáticamente por P [

X=x ], esta dada por la función p (x), es decir,
p(x) = [X = x] (5-4)
Aquí, X es una variable aleatoria , y p(x) es su función de la probabilidad. La
variable aleatoria y su función de probabilidad constituyen lo que se conoce
como modelo de probabilidad, un modelo matemático que describe la
asignación o la distribución de probabilidades a una clase particular de
(*1) algunos autores prefieren utilizar evento en vez de acontecimientos
acontecimientos al azar. En el ejemplo actual, la probabilidad del
acontecimiento al azar es que X adquiera el valor a 0 centímetros es
p(0)=P[X=0]=0.0450; la probabilidad que X adquiera el valor de 1 centímetro es
p (1) P[X=1 ] = 03224; etcétera.
De la tabla 5-2, debe ser claro que los valores de F (x) son simplemente
acumulaciones corrientes de los valores de p (x). Por ejemplo,
F(1) = p (0) / p (1) 0,0450+0.3224 = 0.3674
F(2) =p (0) +p (1) +p (2) = 0,0450 + 0.3224 + 0,3408 = 0.7082

etcétera. Ahora, si a=2 centímetros y b = 4 centímetros, la probabilidad de que

el error X sea mayor de 2 centímetros pero menor que o igual a 4 centímetros
esta dada por Eq. (5-6), es decir,
P [ 2 < X ≤ 4 ] = F ( 4 ) – F ( 2 ) = 0.9622 – 0.7082 = 0.2540
La ecuación (5-7) indica que todos los valores de F (x) deben estar entre cero y
uno, incluido. Esto debe ser porque los valores de F (x) son probabilidades de
acontecimientos al azar, y todas las probabilidades son números entre cero y
uno. Por ejemplo, F(3)=0.8887 es la probabilidad del acontecimiento de que X
sea 3 centímetros, o de menos; F(5) = 0.9882 es la probabilidad que X sea 5
centímetros, o menos.
La ecuación (5-8) indica que la función de distribución es no decresiente, es
decir, F(x) no puede disminuir en valor mientras que x aumenta. Esta
característica debe ser evidente en la tabla 5-3, o de la fig. 5-2.
ERROR INDISTRIBUTION
MEASURED FUNCTION
DISTANCE x
0 0.0450 =0.045
cm F (x) = P[X ≤ -x]
1 0.0450 =0.367
0
2 0.3574
0.3224 -=0.708
4
3 0.7082
0.3408 -=0.888
2
4 0.1805
0.8887 +7=
2
5 0.0735
0.96 2 +0.9622
=
6 0.0260
0.9882 +=0.9882
7 0.0084
0.9966 0.9966
-=0.999
8 0.0026
0.9992 +2=1.000
9 0.0008
1.0000 - 0 0
=
1.0000

112 Analisis y ajustes de las medidas de examen

Las ecuaciones (5-9) y (5-10) dan los dos valores extremos para F (x). En el
caso actual, F (x) = 0 para cualquier valor de x menor que cero, y F (x) = 1
para cualquier valor de x mayor que 8.
La ecuación (5-11) indica que la función de distribución es continua a la
derecha. Referir a la pareja. 5-2. esto significa que F(2) = 0.7082, no 0.3674, y
F(3)=0.8887, no 0.7082, el más alto de los dos valores posibles es tomado.
Se ha indicado ya que una variable al azar y su funcion de probabilidad
constituyen un modelo de probabilidad. El modelo de la probabilidad se puede
dar también por la variable al azar y su función de distribución. En cualquier
caso, el modelo se conoce como distribución de probabilidad.

113 analisis y ajustes de las medidas de examen

El modelo particular ilustrado en el ejemplo 5-2 es el de una distribución
discreta de probabilidad. La característica de una distribucion discreta de
probabilidad es que la función p (x) es distinta a cero solamente para un
conjunto de valores de x, para el resto de los valores de x, p (x) es cero. En el
ejemplo 5-2, p (x) es distinto a cero solamente para x=0, 1, 2, 3, 4, 5, 6, 7, y 8.
La función de distribución F (x) de una distribución discreta de probabilidad
debe ser una función de paso; es decir, una función que aumenta solamente en
saltos finitos. El cuadro 5-2 muestra esta característica absolutamente
claramente. De hecho, p (x) es exacto el salto en F (x) en cada valor de x para
el cual p (x) es distinto a cero.
Es importante observar que aunque p (x) puede ser cero en un valor particular
de x, F (x) no es necesariamente cero. En el ejemplo 5-2, p (1.5) = 0,
solamente F(1.5) = 0.3674; y p (9) = 0, pero F(9) = 1.0000.
5.3. DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Las medidas en el ejemplo 5-2 fueron redondeadas al centímetro más

cercano, obteniendose nueve valores distintos para el error en distancia. Esto
condujo a describir el comportamiento del error en términos de una distribucion
discreta de de probabilidad i (0n). Sin embargo, si debemos mirar medidas y
sus errores de una manera más general, no debemos reducir por redondeo, es
más conveniente utilizar las distribuciones de probabilidad que son continuas.
Una distribución continua de probabilidad es un modelo de probabilidad que
tiene una función de distribución continua; es decir, una función que no tiene
ningún salto.
Si una función de distribución F(x) no tiene ningún salto, la función cor-
respondiente de probabilidad p (x) es cero por todas partes, y así que no tiene
sentido utilizarla . En lugar de está se utiliza otra función - f(x) que es la
función densidad de probabilidad. Esta función fue mencionada brevemente en
el capítulo 1.
La función densidad se define matemáticamente con la primera derivada de la
función de distribución, es decir,
f(
x)
F'(
x F
) (x
)
x (5-12)
Puesto que F(x) no es decreciente, su curva debe ser no negativa. Por lo tanto
F(x) ≥ 0 (5-13)
Del teorema fundamental del cálculo integral, tenemos

f(x)dFba
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

114 análisis y ajustes de las medidas de examen

Traducido por : Angelica Maria Rodriguez Lamus

Ing. Catastral y Geodesia
b
P
[
a
X
b
]F(
b
)F(
a
)f
(x
)dx
,
a
(5-15)
Cuál proporciona los medios para evaluar la probabilidad de que la variable
aleatoria X adquiere un valor entre a y b.
Note que (a ≤ b) es un acontecimiento al azar y la probabilidad de este
acontecimiento al azar es una integral definida de la función densidad. Por lo
tanto, la probabilidad de este acontecimiento es representada por el área bajo
la función densidad entre a y b.
Es absolutamente importante reconocer la evaluación de una función es decir,
la de densidad, no produce ninguna probabilidad, la función de densidad f (x)
no da la probabilidad de que X adquiera el valor x, como lo hace p (x). Para
repetir, la probabilidad esta se representada por el área bajo la curva de la
función de la densidad, no por el valor de la ordenada.
El cuadro 5-3 ilustra la relación entre una función de distribución continua y su
función correspondiente de densidad. Note con cuidado como P[a < X ≤ b]
es representada en cada caso. en la Fig. 5-3 (a), P [un <X • la b] es
representado por una diferencia en los valores ordenados, F (b)-F (a); en la
Fig. 5-3 (b), P[a < X ≤ b] es representada por el área incubada. Note
también que la F (x) no es de verdad continua (es decir, no tiene saltos) y
esta contenida completamente entre cero y uno, y f (x) es no negativa.

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)

que declara que t , el área en la función de densidad debe igualar la unidad.

Segundo, haciendo a =-∞ y b=x, y recodando otra vez la característica
(propiedad) expresada por la Eq. (5-9), y reconociendo que el acontecimiento
(X ≤ x ) es equivalente al acontecimiento (-∞ <X ≤ x) tenemos.


x
F
(
x
)
P[
X
x
]
P
[
X
x
]
F
(
x
)
F
(
) f
(
u)
du
. (5-17)



*Note que es necesario cambiar la variable de integración (a u, en este caso ),

ya que x es uno de los límites de integración.
115 análisis y ajustes de las medidas de examen
116 análisis y ajustes de las medidas de examen
Así. Si nosotros conocemos la función de densidad nosotros podemos obtener
la función de distribución y viceversa. El modelo de probabilidad es
especificado por cualquiera de las dos funciones.
El ejemplo más simple de una distribución continua de probabilidad puede ser
la distribución uniforme. Una variable al azar X tiene una distribución uniforme
si la porción no cero de su función de la densidad es constante.
Específicamente,
1
f (x)  para a < x < b
ba
(5-18)
=0 e.o.c*
Los números a y b se llaman parámetros de la distribución. La función de
distribución correspondiente es
F(x) = 0 para x ≤
a
1 xa

a
du  para a < x <b (5-19)
c ba ba

=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
82 6
=0 en otro caso
 e.o.c.en otro caso

Traducido por : Angelica Maria Rodriguez Lamus

Ing. Catastral y Geodesia 2006
La función de distribución de x es:
F (x) = 0 para x ≤ 2

x2
 para x<2<8
6

=1 para x≥8

117 análisis y ajustes de las medidas de examen

Evalúe la probabilidad de que: (a) X es menor o igual a 3; (b) X es mayor que
4; (c) X esta entre 5 y 7; (d) X esta entre 6 y 10; (e) X es igual a 4.
Solución
(a) La probabilidad de que X sea menor o igual a 3 es:

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

63

118 análisis y ajustes de las medidas de examen

© La probabilidad de que X este entre 5 y 7 es

7

2
5

253
1

P
[
5X

7
]F
(
7
)F
(
5
)



6
6663

(d) La probabilidad de que X sea menor que 6 y mayor que 10 es:



6241

P
[
6X
10
]F(
10
)F
(
6
)
1
1


6 63

(e) La probabilidad de que x sea igual a 4 es:

P
[
X
4
]P[
4
X
4
]F(
4
)F
(
4
)0
.

5.3 LA DISTRIBUCION NORMAL

De todas las distribuciones de probabilidad existentes, ninguna es más
importante que la distribución normal. La distribución normal tiene uso extenso
en ciencia, tecnología, e industria; se utiliza como el modelo básico para todas
las medidas físicas, incluyendo las medidas de examen. La función de la
densidad de la distribución normal es:


1  
x
2
 2
 
F
(
x) 

exp
2 2 
para-∞<x<∞.
 (5-20)

Las cantidades μ y σ son los parámetros de la distribución, y se llaman la

media y la desviación estándar, respectivamente (véase el capítulo 1). Serán
discutidos más detalladamente en la sección 5.5.
La función de distribución de la Distribución Normal es:

u
2


x
 

F
(
x)


exp
2
2
du

. (5-21)

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.

119 análisis y ajustes de las medidas en examen

EJEMPLO 5-4
Si X es una variable al azar normalmente distribuida con parámetros μ = 12 y
σ = 2. es decir, la función de densidad de X es





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*.

120 análisis y ajustes de las medidas en examen

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.

Traducido por : Angelica Maria Rodriguez Lamus

Ing. Catastral y Geodesia 2006

121 análisis y ajustes de lasa medidas en examen

122 análisis y ajustes de las medidas de examen
© La probabilidad de que X sea mayor que 16 es P[X> 16]= P[16 <X<∞] = F
(∞) - F(16) = 1- 0.9772 = 0.0228. Esta probabilidad es representada por el área
bajo la curva de la figura 5-6(c )
(d) La probabilidad que X sea exactamente 10 es, por supuesto, cero, puesto
que esta es representada por el área cero bajo función de la densidad. Si, sin
embargo, interpretamos 10 como el intervalo entre 9.5 y 10.5, es entonces
posible evaluar una probabilidad que sea distinta a cero:
P [9.5 < X < 10.5]= F(10.5) – F(9.5) = 0.2266 – 0.1056 = 0.1210
Una variable aleatoria Z tiene una distribución normal estándar si su función
de densidad es
1 2
z
f(
z)  

exp 
2
 
 

2

para-∞<z<∞,

(5-22)

Esta función es obtenida de la función de densidad normal siendo μ = 0 y σ =

1; esto se muestra en la figura 5-7
La distribución normal estándar es un caso especial importante de la
distribución normal porque proporciona una manera conveniente de evaluar las
probabilidades asociadas a cualquier distribución normal. Puesto que la función
de densidad de la distribución normal no puede ser integrada directamente,
presenta un problema siempre que las probabilidades tengan que ser
evaluadas para los valores específicos de μ y σ. Afortunadamente, el problema
puede ser evitado si se hace una transformación primero a la variable normal
aleatoria X en la variable aleatoria normal estándar Z y las probabilidades de
evaluación para Z. La transformación, conocida como estandardización, es
dada por:

123 análisis y ajustes de las medidas en examen

 X 
Z (5-23)

Aunque es difícil integrar f (z) directamente, tanto como lo es f (x) para la
distribución normal hay solamente una f (z) a integrar. La función que resulta es
1

z 2
 
P
[
Z
z
](
z
)
2



exp
2

du
 
para-∞<z<∞. (5-24)

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

Y de la tabla I del apéndice B, P [Z ≤ 1] = Ф (–1) = 0.1587.

124 análisis y ajustes de las medidas de examen

(b) La probabilidad de que X este entre 11 y 15 se evalúa de manera similar, es
decir,


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

La conveniencia de la distribución normal como el modelo de probabilidad

para las medidas se basa firmemente sobre el comportamiento de
observaciones reales. En efecto, el modelo se elige para el dato observado t.
La opción de la distribución normal tiene una base teórica también. Sin
embargo si el error que resulta en una medida es la suma de sus componentes
orales, cada uno de los cuales tiene su propia distribución de la probabilidad,
se pueden demostrar que el error total tiene aproximadamente una distribución
normal sea que o no los errores de los componentes se distribuyan
normalmente.
Para ilustrar esta interesante característica consideremos tres variables
aleatorias independientes, uniformemente distribuidas (los errores en los
componentes). cada uno con parámetros a = -1 y b = 1. La función densidad
para cada una de las variables al azar se traza en la Fig. 5-8 (a). La suma de
cualesquiera dos variables al azar tendrá la función de la densidad trazada en
fig. 5-8 (b). (La derivada de la función de densidad está más allá del alcance
de este libro de texto). La suma de las tres variables al azar tendrá la función
densidad trazada en fig. 5-8 (c). Observe la forma de la curva, en la Fig. 5-8 (c)
particularmente su semejanza a la de la función densidad de la distribución
normal. La suma de cuatro variables al azar uniformemente distribuidas tendrá
una distribución uniforme que es más cercana a la distribución normal. De
hecho, como el número de las de variables al azar (componentes del error)
aumentan, la distribución de su suma consigue estar cada vez más cerca de la
distribución normal. (La prueba teórica de esto esta dada por el teorema de
límite central, su discusión se encuentra en la mayoría de los libros de texto
de la teoría de las probabilidades). Así, es razonable en todos utilizar la
distribución normal como el modelo de probabilidad para un error que se
asuma para muchos componentes.
125 análisis y ajustes de las medidas en examen
5.4 ESPERANZA MATEMATICA

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
)
ix
p
1
x
1
x
2
p
x
2
 
...
x
np
x
n(5-25)

i
1

126 análisis y ajustes de las medidas en examen

E[X ] es también la media de X, representada comúnmente por el símbolo μ,
como fue indicado anteriormente en el capítulo I y en la sección 5.4:
  EX. (5-26)
E[X ], o µ, se localiza en el centro de figura de la distribución de la
probabilidad. Puede ser positivo, cero, o negativo.
Si ahora consideramos una función de X, g (x), la esperanza de esta función
esta dada por
 n
EgXxip.
n
Eg  X    g xi  pxi . (5-27)
i1 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

E [(X- µ)² ] es llamada varianza de x , y esto es comúnmente representado por

el símbolo var(X), o por σ ² (ver capitulo 1)

vXar2E.
2

var  X    2  E  X    .
2
 (5-29)
La varianza es una medida de la extensión o de la dispersión de la distribución
de probabilidad. Es análoga al momento de inercia en mecánica y nunca es
negativa.
La raíz cuadrada positiva de la variación, denotada por a, se llama desviación
estándar, como lo indicado en el capítulo anterior y en la sección 5.4. La
desviación estándar también es una medida de extensión o de la dispersión
de la distribución de probabilidad.
EJEMPLO 5-6
Considere una vez más la distancia que fue medida en el ejemplo 5-2. Los
valores del error que resultaban causados por el desalineamiento de la cinta y
de sus probabilidades correspondientes fueron enumeradas en la tabla 5-2; por
conveniencia, se repiten en las primeras dos columnas de la tabla 5-5. Evalúe
la media, la varianza y la desviación estándar de la distribución de
probabilidad de las medidas.
Solución
La media es

127 análisis y ajustes de las medidas de examen

  E  X   x1 px1   x2 px2   ...  xn pxn 

 00.0450   10.3224   ...  80.0008 
 2.0445
El calculo se obtiene de la tercera columna de la tabla 5-5. La cuarta columna
de la tabla lista la desviacion de la media , para usar en el calculo de la
varianza. La varianza es :
 2

 2  E  X     x1     px1   x2     px2   ...  xn     pxn 
2 2 2

  2.0445  0.0450    1.0445  0.3224   ...  5.9555  0.0008 

2 2 2

 1.4371cm 2 .

  1.4371  1.1988 cm.

  EX    xf x dx (5-30)





Traducido por : Angelica Maria Rodriguez Lamus

Ing. Catastral y Geodesia 2006


 2  E  X   2    


x   2 f xdx. (5-31)

128 Analisis y ajustes de las medidas de examen

Para las distribuciones simétricas, tales como la distribución normal, la media

es el valor central sobre el cual la simetria existe.
El parámetro µ encontrado en la función densidad de la distribución normal
es de hecho la media de la distribución; es decir, si X se distribuye
normalmente,

  

   2


1 x
E
X


 
x

2
2
exp

 2 

dx
.

(5-32)

Además, el parámetro σ se encuentra en la función densidad de la distribución

normal y es exactamente la desviación estándar, es decir, su cuadrado es la
varianza,


    
 
1 2


2
2 2

E
X




x 

x
exp2 
dx.(5-33)
22 
Las expectativas tienen ciertas características, entre las cuales estan:
Ek K1, donde K es una constante (5-33)
Kg
E X
 g
KEX (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:
X2
2E

E
X2
2
X 2

 EX2
2
EX
 2

 EX2
2
EX
 2

EX 
2 2
(5-37)
Si X es una variable al azar, y a y b son constantes, entonces
Y aXb (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  ax  b (5-39)
y
2ya22x, (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.

129 analisis y ajustes de las medidas de examen

5.5 MEDIDAS DE PRECISION Y EXACTITUD

Bajo la asunción de que la distribución normal es el modelo de probabilidad
aceptado para una medida de examen, podemos representar la medida de X,
como una variable al azar con la función densidad dada por la Eq. (5-20). Si
fijamos la media μ igual a cero, la Eq. (5-20) se reduce a
 x2 
f x  
1
exp  2 
. (5-41)
 2  2 
En esta forma, la distribucion normal es el modelo de probabilidad para la
componente del error variable de una medida de examen. Esta funcion de
densidad es mostrada en la figura 5-9.
La precisión de una medida, según lo definido en el capítulo 1, es el grado de
proximidad o de conformidad de medidas repetidas de la misma cantidad. Por
consiguiente, la propagacion de la distribución de probabilidad de una medida,
o de su componente aleatoria del error, es una indicación de la precisión de la
medida. Una propagacion pequeña indica alta precisión; una precisión baja
equivale a una propagacion grande, según lo ilustrado por la funcion densidad
en la fig. 5-10. Observe que el área bajo cada función de densidad debe ser
uno, la curva de alta precisión debe estar en el punto maximo, sobre la curva
de baja precisión.
Para los propósitos del análisis, se requiere un gravamen cuantitativo de la
precisión de una medida. Una medida obvia de precisión es la desviación de
estándar en sí misma. Cuanto más pequeña es la desviación estándar, más
alta es la precisión. En la fig. 5-10, por ejemplo σ1 < σ2, donde σ1 es la
desviacion estandar de

Fig 5-9 Modelo de Probabilidad para el error aleatorio de una medida de

examen
130 analisis y ajustes de las medidas de examen

la medida de alta precisión, y σ2,, es la desviación estándar de la medida de

baja precisión.
Aplicando la Eq(5-15), la probabilidad de que la medida X este entre μ - σ y
μ + σ es dada por




1 

 

2
 
 x
P
X


2

exp
22

dx
.
(5-42)

Para evaluar esta probabilidad, es mejor estandarizar X según la Eq. (5-23), y

 


entonces utilizar la Tabla I del apéndice B. asi




P
x 

X
x



P



X

 

 
P1Z1
 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 

Xk
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

Las probabilidades para k=0.674, 1.645, y 1.960 se representan en fig. 5-12

La cantidad ±0.674 σ se ha llamado el error probable. Este término es obsoleto
y no debe ser utilizado mas. Un término más apropiado es el de incertidumbre
del 50%.
La cantidad ±1.645 σ es llamada la incertidumbre del 90% , la incertidumbre
de la probabilidad de que una medida este dentro de ±1.645 σ es el valor de
su media µ es 0.900. Igualmente, ±1.960 σ se llama la incertidumbre de 95 %,
y ±2.576 σ se llama la incertidumbre de 99%.
EJEMPLO 5-7
Una medida de examen es asumida al tener una distribución normal con
media 394.625m y desviación estándar 0.023 m evalúadas las
incertidumbres del 90% y del 95% para la medida, haga las sentencias
apropiadas de la probabilidad.
Solucion
90% incertidumbre = ±1.645 (0.023) = ± 0.038 m.
95% incertidumbre = ± 1.960 (0.023) = ±0.045 m
133 analisis y ajustes de las medidas de examen

La probabilidad de que la medida este dentro de ±0.038 m de 394.625 m, es

0.90, es decir, entre 394.587 m y 394.663 m. La probabilidad de que la medida
este dentro de ±0.045 m de 394.625 m es 0.95, es decir, entre 394.580 m y
394.670m.
La exactitud de una medida que se ha definido en el capítulo 1 como su grado
de libertad o de proximidad al valor verdadero. La exactitud es influenciada, no
solamente por el componente aleatorio del error de la medida, sino también
por la diagonal creada por el error sistemático sin corregir.
El error medio cuadratico M^2 se define mediante la siguiente expresion:
M2
E 
X , 2
 (5-47)
Donde  es el valor verdadero. El error medio cuadratico es una medida de
exactitud
La diagonal se define como
    (5-48)
Aplicando las características de la esperanza, esto puede ser demostrado
fácilmente
M2
2 2. (5-49)
Mientras que un aumento en o indica una disminución de la precisión, un
aumento en M indica una disminución de la exactitud
Debe ser obvio de la Eq. (5-49) que una alta precisión necesariamente no
implica alta exactitud. Si o es pequeño y 3 es grande, la medida en cuestion
tiene alta precisión, pero baja exactitud.
Si β = 0 (es decir, no hay diagonal en la medida), el error medio cuadratico es
idéntico a la varianaza, y cualquier medida de precisión es también una medida
de exactitud. Es por lo tanto importante reducir el efecto del error sistemático al
un nivel insignificante, las medidas de precisión también pueden ser
utilizadas como medidas de exactitud.
5.6 COVARIANZA Y CORRELACION

Si dos variables aleatorias X y Y son incluidas en el mismo modelo de

probabilidad, serían comunmente distribuidas , su coyuntura comúnmente
distribuida es

Fx
,y 
PX
x,
Y 
y
, (550)
Lo cuál debe ser interpretado como la probabilidad de que el evento X es
menor

134 análisis y ajustes de las medidas de examen

• igual a algun valor especifico x , y al mismo tiempo, Y es menor o igual
que a y.

Las funciones de distribución de las variables aleatorias individuales se puden

obtener de la función de distribución común asi:


F
x
P
X

xP
Xx
,
Y

F
x
, (5-51)
Y


F
y
P
Y

yP
X
,
Y

yF
,
y (5-52)
Cuando F (x) y F (y) se derivan de la función de distribución común de esta
manera, se llaman las funciones de distribución marginales de X y de Y,
respectivamente. Si X y Y son variables aleatroias continuas, su función común
de densidad se obtiene de

 F
2
f
x,y x
,y(5-53)

xy
Y su funcion de distribucion comun puede ser expresada de la siguiente forma :
 xy
x
F,yfu
,vdudv
(5-54)



Donde f (u, v) es la función común de densidad.

Puede ser demostrado también que las funciones marginales de densidad de
X y de Y son respectivamente

f
x  fx,ydy(5-55)



Y

f
y  fx,ydx
(5-56)



En la sección 5.1 fue indicado que dos acontecimientos son independientes si

la ocurrencia de uno no tiene ninguna influencia en la ocurrencia del otro. De
una manera similar,
135 análisis y ajustes de las medidas de examen
Dos variables aleatorias son independientes si el valor tomado por una no
tiene ninguna influencia en el valor tomado en la otra. La relación para los
acontecimientos independientes, expresada por la Eq. (5-2), puede ser
extendido a las funciones del distribución simplemente reconociendo que (X Y
,y) son eventos. Así

P
Xx
,
Y 
y
P
X
x
P
Y
y (5-57)
O alternativamente,
x,yF
F 
xF
y (5-58)
para las varaiables independientes aleatorias X e Y
Si X y Y tienen una distribución continua común y son independientes,
derivamos a ambos lados de la Eq.( 5-58) se produce
fx
,yf
xf
y (5-59)
Esta relación del producto de la independencia puede ser extendido ademas a
las esperanzas. Puede ser demostrado en detalle, que

E
XY
E
XEY 
x
y (5-60)
Para la independencia X y Y.
Ahora las distribuciones marginales de X y de Y tienen sus propias medias y
varianzas separadas; éstas son μx y µy respectivamente, σ²x y σ²y,
respectivamente. Además de estos cuatro parámetros, existe un quinto
parámetro que mide el grado de correlación entre las dos variables aleatorias.
Este parámetro se conoce como la covarianza, es señalado por símbolo cov
(X, Y), o por σxy, y esta se define como la siguiente esperanza.

cov
X,
Y 
E
xy 
X  

x
Y
y. (5-61)
Puede ser positiva, cero, o negativa. Cuando es σxy es positivo, las variables
aleatorias X y Y estan correlacionadas positivamente; cuando es σxy es cero,
las variables aleatorias no tienen correlación, o son libres de correlacion; y
cuando son σxy son negativas, estan correlacionadas negativamente.
Para el caso continuo,

  




xy



x



y
fx,
ydxdy
xs(5-62) y



136 analisis y ajustes de las medidas de examen

Si la esperanza en el lado derecho de la Eq. (5-61) se amplía y se simplifica

usando las características de la esperanza expresadas por las Eqs. (5-34), (5-
35), y (5-36), la siguiente relación resulta útil:

E
X
xy
 

Y 
 
 x y


E 
XYY
x  

X y
xy

E
XY
 E
x

YE
Xyxy 


E
XY
 xyxyxy 


EXY
xy (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.

Si las variables al azar son estandardizadas por la transformación esta dada

por la Eq. (5-23), la esperanza del producto de las variables estandardizadas
es un número sin dimensiones conocido como el coeficiente de correlación,
señalado así

 
 Y
 


E

X
 
xy

 

 
, x y
(5-65)


 
 

 x y

simplificando
 
xy  xy . (5-66)
xy

Mientras que σx Y σy sean siempre positivas ςxy tomando la muestra de

σxy, Puede ser demostrado que el valor absoluto de ςxy nunca excede la
unidad, es decir,
1xy 1. (5-67)

137 analisis y ajustes de las mediciones

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

x1 
.721
.31
cm


y1 
.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,
xy 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

xX
y Y
 , 
xy
2
(5-70)
Lo cual se reduce a

138 analisis y ajustes de las mediciones


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

x22
xyy2.
(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

Para terminar esta sección, observamos que si X y Y son independientes, σxy=

0 y la Eq. (5-71) se reduce a
x2y x2y2, (5-72)
Lo cuál es una relacion muy importante y útil.

5.8. COVARIACIÓN, COFACTOR, Y MATRICES DEL PESO

En la sección 5.7, dos variables aleatorias comunmente distribuidas fueron

discutida y el término covarianza fue introducido. La covarianza es
básicamente una relacion entre dos variables aleatorias solamente. Si tres o
más variables aleatorias estan comunmente distribuidas, debemos considerar
las covariaciones para todos los pares posibles. Así, cuando hablamos de la
covariación de tres variables al azar comunmente distribuidas, X, Y, y Z, nos
estamos refiriendo específicamente a tres covarianzas ___ σxy para X y Y, a
σyz para Y y Z, y σxz para X y Z.
Ocuparse de variables aleatorias comúnmente distribuidas de m, es
conveniente recogerlas en un solo vector. Un vector de componentes en
común

139 analisis y ajustes de las medidas de examen

Las variables aleatorias distribuidas se conocen como vector al azar. Así, si

X1, X2..., Xm. son variables aleatorias comunmente distribuidas de m, el
vector

 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




X22
X
1 
1 
X22
2

...
X
2 
2
Xm 
m
.
 ..........
.........
..........
..........
...... . 
.............
..........
 2 


Xmm
X
1  

1 Xmm
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.

140 analisis y ajustes de las medidas de examen

12 12 ... 1m

 
12 2 ... 2m
2

 
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

141 analisis y ajustes de las medidas de examen

Las varianzas de X1 y de X2 son σ²1 y σ²2; respectivamente; la covarianza de

X1 y de X2 es σ12, y el coeficiente de correlación es ς12.
(a) Para una referencia seleccionada de la varianza derive la matriz de peso
de x en términos de los parámetros dados. (b) Demuestre que los pesos
calculados en la Eq. (4-16), en el capítulo 4, es idéntico a los elementos
diagonales de la matriz de peso solamente cuando ς12=0.
Solución
(a) Según la Eq. (5-77), la matriz de peso de x es:


 




1
   
2
 2 2



1 2
W 2
  1 12
 
. 0 2 12


xx
0xx0 2 222 2
  
122 1212121

De la Eq. (5-66), vemos que σ12 = ς12 σ1 σ2 y entonces σ²1σ²2 - σ²12 =

σ²1σ²2 (1 - ς²12). Así,

 
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

Obviamente, los elementos de la diagonal de Wxx son σ²o/σ²1 de y σ²o/σ²3

solamente cuando ς12=0. Cuando ς12≠0, los pesos w1 y w2 no pueden ser
usados como elementos de la diagonal de Wxx.
Cada elemento de Σxx se puede dividir por σ²o para que se de una versión
escalada de, esta nueva matriz se designa por Qxx y se conoce como la matriz
de cofactores de x. Así,
12 12 1m
 2
02 
...
0 02
2

1 12 2 2m
Qxx  2 xx 2 2 ... 2 
0  0 0 0  (5-78)
 ... ... ... ...
1m 2m 2 
... m
2 2 02 
 0 0 
142 analisis y ajustes de las medidas de examen
O, equivalentemente,
xx02Qxx. (5-79)
El término matriz de cofactores fue introducido en el capítulo 4 solamente con
respecto a observaciones sin correlación. En este capítulo, se toma mas
general, considerando las covarianzas y varianzas, específicamente sus
magnitudes relativas. Como tal, Qxx a veces se llama la matriz relativa de la
covarianza, sólo cuando Qxx es multiplicado por a1 da Σxx que es una escala
absoluta proporcionada.
EJEMPLO 5.11
La posición y la elevación de una estación de examen son dadas por el vector
al azar

 X 1
x   X 2 
 X 3 

En el qué X1 y X2 son los coordenadas planimétricas, y X3 es la elevación. Las

desviaciones estándar de X1, de X2, y de X3 m, 0.050 m, y 0.015
respectivamente. El coeficiente de correlación entre X1 y X2 es -0.50. No hay
correlación entre X1 y X3, o entre X2 y X3.
(a) Evalúe la matriz de covarianza de x.

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

13230

Asi
0
. 
000625
0. 0
000625

0.
000625
0
.
0025000
m2
xx 

 0 0 0
. 

000225

(b) Si una referencia de la varianza de x de 0.000625 m ‘ se elige, evalúe la

solución de la Eq. (5-78), la matriz de cofactores es

143 analisis y ajustes de las mediciones

 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.
04
10
m2
1
.
8
7
10
m 
rad

 
xx
 7
 
9 2
.

1
.810m rad
2
.010
rad

(a)Si una referencia de la varianza de 1.0  10 4 m 2 se elige, evalue Qxx

SOLUCION
1  1.0  10 4 m 2 1.8  10 7 m  rad 
Q xx   .
1.0  10  4 m 2 1.8  10 7 m  rad 2.0  10 9 rad 2 

 1.0 1.8  10 3 rad / m 

 3 5 2 2
.
1.8  10 rad / m 2.0  10 rad m 
En este caso, solamente el primer elemento no tiene dimensiones.
(b) Si se elige una referencia de la varianza de 2.0 x 10ˉ9 rad² se elige, evalúe
Qxx.

144 analisis y ajustes de las medidas de examen

Solucion

5.
042
10
m / 2
rad90
m
/ 
rad
Q

xx 
 90m/rad 1
.
0 

En este caso, solamente el ultimo elemento es adimensional

(c) Si una referencia de la varianza de 1.0  10 2 (sin unidades) se elige,
evaluateQxx

Solución

 1000 m 2 1.8m  rad 

Qxx   2 
.
1.8m  rad 0.02 rad 

En el ejemplo 5-12 se demuestra que los elementos de Qxx pueden variar

dependiendo de la opción de las unidades para la referencia de la varianza.
Puesto que es imposible seleccionar una varianza haga que Qxx de
totalmente adimensional cuando las unidades de los componentes de x se
mezclan, hay mérito en seleccionar una varianza sin dimensiones como fue
hecho en la parte © del ejemplo 5-12, de modo que los elementos de Qxx sean
las mismas unidades que sus contrapartes en Σxx
Ahora, invirtiendo ambos lados de la Eq. (5-78), conseguimos

xx 
1 2 1
Q oxx. (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,

5.9. INTRODUCCIÓN AL MUESTREO

Hemos visto que si la distribución de probabilidad de una variable aleatoria se

conoce podemos hacer declaraciones de la probabilidad sobre el variable al
aleatoria, según lo demostrado en el ejemplo 5-3, 5-4, y 5-5. Podemos también
calcular la media y la varianza de la variable aleatoria, según lo demostrado en
el ejemplo 5-6. Decir que una distribución de probabilidad es conocida implica
que el tipo de distribución (uniforme, normal, etc.) se conoce y que los
parámetros de la distribución están completamente especificados.
145 analisis y ajustes de las medidas de examen
En algunos casos, es posible construir una distribución de probabilidad útil que
tenga consideraciones teóricas haciendo sentencias apropiadas. Las
distribuciones de Probabilidad para los juegos de azar pueden ser resueltas de
esta manera más a menudo, sin embargo, no es posible determinar una
distribución de probabilidad basada solamente en teoría. La aproximacion
alternativa que debe ser tomada es determinar la distribución empírica; es
decir, haciendo observaciones. Ésto es lo que se hará para la distribución de
probabilidad de una medida de examen.
Decir que una distribución de probabilidad se puede determinar de las
observaciones no es absolutamente correcto, si por el término « determínese »
nosotros entendemos que significa la evaluación exacta. Es más apropiado
decir que la distribución de probabilidad es un estimado estadístico.
La técnica de observación más común usada como base para el estimado
estadistico de la distribución de probabilidad de una medida de examen es
repetir la medida varias veces. Si las medidas repetidas son independentes una
de otra y si se hacen bajo las mismas condiciones, a este grupo de mediciones
se le conoce como muestra escogida al azar. El número de medidas en la
muestra se conoce como el tamaño de muestra.
Por conveniencia, la noción de población se introduce. La población es la
colección total de los objetos o de los valores de los cuales una muestra puede
ser obenida. En muchos casos, la población es finita y bien definida, por
ejemplo : la gente en una ciudad, una baraja de cartas, o una colección de
virutas en un tazón. Para una medida de examen, sin embargo, debemos
imaginar a la población como la colección infinita de todos los valores posibles
de la medida.
El tamaño de una muestra desempeña un papel importante en la valoración de
una distnbucion de probabilidad. Generalmente hablando, entre más grande
es el tamaño de muestra mejor es la estimación. Más adelante, en el capítulo 8
seran discutidos los tamaños que deben tomar las muestras.. Una muestra de
tamaño infinito es equivalente a la población entera. Aunque es imposible en la
práctica obtener una muestra de tamaño infinito, nosotros, sin embargo,
concebimos a una muestra tal como el sistema completo de las medidas que
permitiran la determinación exacta de la distribución de probabilidad,
PROBLEMAS
5-1 Una variable aleatoria X tiene la siguiente función de probabilidad:


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].

146 analisis y ajustes de las medidas de examen

5-2 una variable aleatoria continua X tiene la siguiente función de densidad:

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].

5-4 La función de densidad de una variable aleatoria X es

fx
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.

147 analisis y ajustes de las medidas de examen

5-14 Si una medida se distribuye normalmente con media 110.156 m. y

desviación estandar del 95.7% de 0.022 . (a) evalúe la incertidumbre del 50%,
la incertidumbre del 90%, la incertidumbre del 95% y la incertidumbre del 97%
de la medida. (b) Evalúe la probabilidad de que la medida este entre 110.150m
y 110.170 m.
5-15 Si el error residual en una medida que se compone de una diagonal de
+0.08 y de un componente aleatorio tiene la siguiente funcion de densidad:
1  2


fx
 exp

x


1
m.
0
.
15
0. 
0072
(a) Evalúe la precisión de la medida, según lo expresado por la desviación
estándar, la incertidumbre del 50%, y la incertidumbre del 90%. (b) Evalúe la
exactitud de la medida, según lo expresado por el error medio cuadratico.
5-16 Si X y Y son dos variables aleatorias normales independientes
comunmente distribuidas. La media y la varianza de X son 10 y 16,
respectivamente; la media y la varianza de Y son 15 y 9, respectivamente. (a)
Evalúe P [X ≤ 5, Y ≤ 16.5]. (b) Escriba la función de densidad de Z, donde Z =
Z= X+ Y. (c) evalúe P [25 ≤ Z ≤ 30].
5-17 Las cordenadas de X y Y de un punto de examen tienen desviaciones
estándar 0.040 m y 0.030 m, respectivamente. (a) Evalúe el coeficiente de
correlación de X y de Y si la covarianza de X y de Y es 0.0009 m². (b) Evalúe
la covarianza de X y de Y si el coeficiente de correlación es -0.30.
5-18 Dos medidas se distribuyen normalmente con desviaciones estándar 0.52
m y 0.38 m, respectivamente. Evalúe la desviación estándar de la suma de las
dos medidas si es el coeficiente de correlación de las dos medidas es: (a) 0.5:
(b) 0; (c) -0.5; (d) 1.0.
5-19 Seleccione una referencia de la varianza de 0.0009 m² y evalúe las
matrices de cofactores y de peso de las cordenadas en el problema 5-17 para
cada caso, (a) y (b).
5.20 La posición de una estación de examen es dada por un ángulo θ y una
distancia S. Las desviaciones estándar de θ y S son 20 » y 0.10 m,
respectivamente, y el coeficiente de correlacion es 0.50. (a) Evalúe la matriz de
covarianza para θ y S, usando radianes como la unidad para θ. (b) Seleccione
una refereencia de la varianza de 0.0010 m² y evalúe las matrices de cofactor
y de peso para θ y S. Asignando unidades apropiadas a todos los elementos.

148 analisis y ajustes de las medidas de examen

 6
PROPAGACION DE LA VARIANZA Y DE LA COVARIANZA
6.1. INTRODUCCIÓN

En el capítulo 2 la técnica básica de la propagación de errores fue introducida.

Dado los errores en un sistema de medidas, la técnica de la propagación de
errores se utiliza para evaluar los errores que resultan en las cantidades que
se calculan de las medidas.
Aunque la propagación de errores, según lo visto en el capítulo 2, es muy útil
para estudiar las influencias combinadas de errores en las medidas y en las
cantidades computadas de estas medidas, sin embargo se basa sobre la
asunción de que los errores de la medida son conocidos y dados en primer
lugar. En la práctica, si se conocen los errores, son eliminados inminentemente
aplicando las correcciones apropiadas, no dejando propagar nada. Tal es el
caso cuando hemos visto errores sistemáticos, es decir, las medidas se
corrigen para el error conocido. El error se conoce antes de que se utilice para
calcular las cantidades deseadas. Sin embargo,si se consideran los errores
aleatorios, los valores específicos de los errores no se saben, y es imposible
corregirlos o aplicar la técnica de propagación de error dada en el capitulo 2.
Aunque los valores específicos de los errores aleatorios no se conocen, sigue
siendo posible estudiar, los efectos de su propagación. Sin embargo, en vez del
trabajo con los valores reales de error, al igual que el caso del capítulo 2,
debemos ahora trabajar con las distribuciones de probabilidad de los errores,
o, en forma equivalente, con las distribuciones de probabilidad de las medidas
correspondientes de las cantidades computadas.
Si el vector aleatorio x representa el sistema de medidas, y el vector aleatorio y
representa el sistema de cantidades calculadas tales que
y  f x, (6-1)

149 analisis y ajustes de las medidas de examen

Entonces el problema de la propagación consiste básicamente en encontrar
la distribución asociada de probabilidad de y, dada la distribución asociada de
probabilidad de x. No obstante la derivada de la distribución asociada de y y de
la función de distribución asocidada de x se puede obtener absolutamente de
forma matemática, incluso cuando y es una función relativamente simple de x,
y ,no está dentro del alcance de este texto hacer tal derivación.
Afortunadamente, para nuestros propósitos, hay una alternativa eficaz si
limitamos la consideración a las funciones lineales de x, o a las funciones no
lineales linealizadas de x. Esta alternativa implica la propagación de varianzas
y covarianzas solamente.
6.2. DERIVACIÓN DE LAS LEYES DE PROPAGACIÓN

Desde las varianzas y covarianzas como esperanzas, generalmente el

procedimiento que deriva sus leyes de propagación consiste en utilizar las
características de la espreanza , otra aproximacion se utiliza aquí, con la
esperanza se proporciona una penetración mejor en la propagación de la
varianza-covarianza. Esta aproximacion que define varianzas y covarianzas
en términos de sumas se calculaba de una muestra de tamaño infinito.
El concepto de una muestra fue introducido en el capítulo 5. Deje que x sea
una rata, vector integrado por dos variables aleatorias comúnmente
distribuidas X1 y X2. Y deje que


X 
11 X  
12
X1
q
 ,  
,...,

X 
21 X  
22
X2
q

Sea una muestra del tamaño tomada de la distribución de probabilidad de x.

Si?x1 y µx2 son los valores medios de X1 y de X2, respectivamente, la
desviación del componente del vector de la muestra de su valor medio es

X1kXk
1 x
1

Y

X2kXk
2 x2,k = 1, 2..., q.

Ahora definamos las varianzas de X1 y de X2 como

q

2
x1
lim

q
1
 
X2
1
k
q
k1

150 analisis y ajustes de las mediciones

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)

La definición de la varianza expresada por las Eqs. (6-3) y (6-4) es consistente

con la definición dada por la Eq. (5-28) si nosotros soportamos el propositortar
de que la probabilidad de cualquier valor Xi que ocurre se refleja en la muestra
por la frecuencia de ocurrencia de este valor , de hecho, si la muestra es de
tamaño infinito (q→∞), la frecuencia relativa de ocurrencia de un valor
particular es exactamente su probabilidad (véase la sección 5.1). Igualmente, la
definición de la covarianza expresada por la Eq. (6-5) es consistente con el
equivalente discreto de la definición dada por la Eq. (5-62).
Después consideremos un vector aleatorio compuesto por dos variables
aleatorias normalmente distribuidas Y1 y Y2 tales que
y  Axb, (6-6)
Donde A es una matriz de coeficientes de 2 x 2 , y b es un vector compuesto
por dos constantes. Sustituyendo en la Eq. (6-6) tenemos
1
Y aX
111
a X
122
b1

2
Y aX
211aX
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

Y1kYk
1 y1
Y

Y2kY2ky2,K = 1, 2..., q (6-9)
Esto puede ser demostrado.

151 analisis y ajustes de las medidas de examen


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)

Definiendo la varianza y la covarianza de Y1 y de Y2, de la misma manera que

se definieron la varianza y la covarianza de X1 y de X2 en la Eqs. (6-3), (6-4),
y (6-5), tenemos
 q

2
y1
lim

q
1
 
Y2
1
k (6-11)
q
k1

 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
YY. 
q

k1
1
k 2
k (6-13)

Sustituyendo al lado derecho de la Eq. (6-10) para ΔY1k en la Eq. (6-11),

encontrando el limite y despues aplicando las reglas básicas de la adición,
conseguimos
1 q
 y21  lim q   (a11X1k  a12X 2k )2
q k 1

1 q
 lim q    (a112 X12k  2a11a12X1k 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

 a   2a11a12 x1x 2  a122  x22 .

2
11
2
x1 (6-14)

152 análisis y ajustes de las medidas de examen

Similarmente puede ser demostrado que


a
22
a
y
2
a 
a 22
21
x
1 21
22
x1
x
2
22
22
x
2 (6-15)
Y que

a
a
y
1
y
aa
a

a
2 11
2
21
x
a
a 2
. (6-16)
1 11
22
12
21
x
1
x212
22
x
2

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
yyAxxA
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

153 analisis y ajustes de las mediciones

yyJyx
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 1a
2X2 
...
a
nXn

en qué X1, X2...,Xn son independientes (sin correlación), se produce la

aplicacion (6-19)
 
 2
x
1 0 ... 0
 
0

2

y
2
a
1,a
2 
,...,
an
 2 ....
x 0
,

... ..........
 2
0 0 ...
 

xn

De lo cual los resultados son


a
2
y
a
22
...
a
1x
1. 22
2x
2
22
nxn

Para la función no lineal representada por

Yf
X ,X
1 2 
,...,
Xn

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

Y2Y 
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

Las ecuaciones (6-22) y (6-24) representan los casos lineales y no lineales,

respectivamente, de lo qué se conoce como la ley especial de la propagación
de varianzas. En el Capítulo 5, la Eq. (5-79) dio la relación entre Σxx matriz de
covarianza y Qxx matriz de cofactores de un vector aleatorio x.
Esta relación es
xx 02Qxx (6-25)
En la cuál  02 es elsimbolo de la varianza.
Para el vector aleatorio y, hay una relación similar entre la matriz de covarianza
Σyy y la matriz de cofactores Qyy , es decir,
yy02Qyy. (6-26)
Sustituyendo el lado derecho de las Eqs. (6-25) y (6-26) para Σxx y Σyy,
respectivamente, en las Eqs. (6-19) y (6-20), y dividiendo por  02
conseguimos
 yyAQ
t
Q xxApara el caso lineal (6-27)

yyJ
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
YX
1X
2X
3X
4,
con = 0.021 m, = 0.017 m, = 0.010 m, y = 0.025 m.

155 analisis y ajuste de las medidias de examen

Puesto que las medidas son independientes, se aplica la ley especial de

propagación de varianzas. Obviamente, Y es una función lineal de x, con
coeficientes a1 = a2 = a3 = a4 = 1. Así, aplicando la Eq. (6-22), conseguimos

a
2
y
a
a
a
1x
22 22
1 2x
22 22
2 3x
3 4x
4




1
0
. 


2
021
1
0
. 


017
1
0
. 


010
1
0
. 
22
025
22 22 2

0.001455

Y la desviación estándar de la distancia total medida es

0
.
y 
001455
0.
038
m
.

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

.

Y21
1
X20
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

Note que la desviación de la suma y la diferencia tienen la misma varianza.

Así, el estándar de la suma y de la diferencia es

0
y
1. 
0625
0.
25m
y
2

156 analisis y ajustes de las medidas de examen

Para encontrar la correlación entre Y1 y Y2, debemos utilizar la ley general de

la propagación de la covarianza, la Eq. (6-19). Así,
yyAxxA
t



11
2

1 011
 
0
1 21
 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.
150
.
0175
.
2 2

Así, el coeficiente de correlación de y1 y de Y2 es



 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.

ww  w...

 
Xn

Ahora,

157 analisis y ajustes de las medidas de examen

1 
W 0 ... 0 
 1 
 1
1 0 ... 0 
Qxx Wxx  W2 .
 ... ... ... ...
 1
 ... ... ... 

 Wn 

Asi,
yyAxxA
t

1 W
W 0 ... 0 1

1  w
W
... 0 2
1
W W W0
 1 , 2 ,...,n  W  
w w  w .. ... ... ... ...
2

w

 1W
0 0 ...  n

 W n
 w
WW 
...
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

158 analisis y ajustes de las medicines


__



w
Xw
X


1 
321
. 



643
4 
321
.
618

X
ww
w
1122

1
4
321
.
623
m
1
2

Ahora, según el ejemplo 6-3, el peso de la media de los pesos es w1 + w2 = 1

+ 4 = 5, así, la varianza de la media de los pesos es

 
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

Nota: La varianza puede ser evaluada tambien asi:


___
w  w2 14


X

1

X

 
X 
X X
.
 
1 2 1 2
w
1w
2 w
1w 55
2

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.

159 analisis y ajustes de las medidas de examen

Solución.
Las funciones que expresan c y β en términos de a y b es

c a2 b2

1b
sin  
a

Usando estas funciones para evaluar c y β, conseguimos


c416
. 
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 
ba 
bb
 
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
cab
  1.
144 0. 
556
J
yx



a


b



c c
b1
 


1
. 
3363
102. 
750 

3

10
.

a
bac
c

Ahora,



0. 
2
020 0
 
 0  
xx 2
0
.
012

160 analisis y ajustes de las medidas de examen

Por lo tanto, aplicando la ley general de la propagación de varianzas y de

covarianzas, conseguimos

yy J 
yx J
xx 
yx



1
.
1440
. 


556
0
.2
020
0 

1
. 
144
1
.

3
336
10
 
 
 


1
.
336
3
102
.
3
750
10
00
.
2



0
012.
556
2
.
3

750
10

5
.
680
4
10 
8. 
315
10
7

  .

8. 
3157
10 1
.
8039
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
.


6.4. PROPAGACIÓN DISCRETA POR PASO

En general, las medidas en el terreno se consideran independientes o sin
correlación. Así, cuando el vector aleatorio x representa medidas en el terreno,
la ley especial de propagación de varianzas, dada por las Eqs. (6-22) y (6-24),
se aplica.
Como las cantidades derivadas se calculan directamente de las medidas sin
correlación del terreno, la aplicacion de la ley especial no presenta ningún
problema. Sin embargo, muchos examenes calculados se hacen en más de un
paso. Esto significa que las cantidades intermedias están calculadas como
pasos en el proceso total de evaluar las cantidades finales, y es muy probable
que estas cantidades intermedias estén correlacionadas. Si la ley especial de
propagación de la varianza se aplica tambien de forma discreta, y se
correlacionan las cantidades intermedias, los valores incorrectos para las
varianzas de las cantidades finales serán obtenidos, este punto es ilustrado por
el siguiente ejemplo.
EJEMPLO 6-6.
Deje que X1 y X2 representen dos medidas en el terreno. La cantidad Z se
calcula de X1 y de X2 en dos pasos usando dos cantidades intermedias, Y1 y
Y2. Los calculos son:

161 analisis y ajustes de las medidas de examen.

1
Paso 1: Y 3X1X22

2
Y X12X23

Si X1 y X2 son independientes (sin correlación), y sus desviaciones estándar

son 5.0 centímetros y 3.0 centímetros, respectivamente, evalúe la desviación
estándar de Z.
Solución I
Expresando Z directamente en términos de X, y X2, y aplicando la ley especial
de propagación de la varianza en el paso uno.

Z
Y
1Y
23
X
1
X
22

X
12
X
23
4X13X25.
Así,


4
2
z
5.
0 

3

2
3
.0
481
cm
2 2 2 2

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 3X1X22



3

2
y
15
.0
1
3
2
.
0 
234
cm
2 2 2 2

2
Y X12X23



2
1
y
2
5.
0 

2
2
3.
0 
61
2
cm
2 2 2

Paso 2.
ZY
1Y2

y2 y21y22
 
234
61 2
295
cm

y295
17
.2
cm.

Esta solución es incorrecta; vea la siguiente discusión del ejemplo. La solución

III aplica la ley general de propagación de la varianza y de la covarianza a
cada paso del cálculo,

162 analisis y ajustes de las medidas de examen

Paso 1


Y 31
X 
2

1
 

1
 


Y212
X
2 
3



3




15
.
0 0 

31

 
234
93 2

 
 
  
.
yy

1 
2
0 
3.
0
2

1
2
93
61

Paso2.

Z1 1 1
Y
 
Y
2
  

234
93
1

zz
1 

1 

 
481
93

61
1
z2 481
cm2


z 481
21
.9
cm

Las soluciones I y III convienen, y son correctas. La solución II es incorrecta

porque no considera la correlación entre Y1 y Y2. Los elementos de la
diagonal principal de Σyy en la solución III (cm² 93) son la covarianza de Y1 y
Y2. El coeficiente de correlación calculada de esta covarianza es

 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.

163 analisis y ajustes de las medidas de examen.

Las medidas y sus desviaciones estándar son:
B=127,552m σb=0.008m
α=82°41’13 » σα= 10” =4.85 x (10exp -5) radians
γ= 80°20‘42” σγ = 10” =4.85 x (10exp -5) radians

δ=12°15’37 » σδ = 15” =7.27 x (10exp -5) radians

ε=12°20’23 » σε= 15 » =7.27 x (10exp -5) radians.
Evalúe la altura h, y la desviación estándar de h usando: (a) cómputo en un
paso; (b) cómputo en dos pasos.
Solución
(a) Cómputo en un paso. Refiriendonos a la fig. 6-2, los lados a y c puede ser
calculados de la base b y los ángulos α y γ:


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

164 analisis y ajustes de las medidas de examen

h
1 h
/2 1h2


=1
/2
a 
tan
c 
tan
b
 .

2sin

Esta función es la base para el cómputo de un solo paso de h; así


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.

La función es la base o también la aplicacion de la ley especial de

propagación de la varianza. Puesto que es una función no lineal de b α, γ, δ,
and ε, es primero necesario evaluar las derivados parciales de h con respecto a
las cinco cantidades medidas. Así,


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

Aplicando la ley especial de propagación de la varianza, nosotros tenemos


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

10227
2
7 
.27
10
52
   2
  2

=0.00105.
Asi 
k 0.0105 0
.
0032
m
.

165 analisis y ajustes de las medidas de examen

(b) Cómputo en dos pasos. La altura h se puede computar en los siguientes

dos pasos :
Paso 1:
  
 
  

b
sin127
.
552
sin
82
4́1
13
"

a  433
.
508
m

sin sin

163
0́1
55
"

  


bsin
127
.
552
sin
80
2́0
42
"
 
c
 
 sin
sin 163 
0́1
55
"
430
.
873
m 
Paso 2:

h1
/2
a 
tan
c 
tan


1
/
2
433
.
508

tan
12
1́5
37
"430
.
873
tan
12
2́0
23
"    

94.232
m.

En este cómputo, a y c son las cantidades intermedias y es muy probable que

esten correlacionadas porque son funcion de las mismas cantidades medidas
b, α, y γ. Así, si σ²k va a ser evaluado en pasos, la ley general de
propagación de la varianza y de la covarianza debe ser utilizada.
Deje que x sea el vector de las medidas en el terreno, y sea el vector de
cantidades intermedias, y h el vector de la altura con un solo elemento h. Así,
b 
 a
  c 
x   , y   , andh=[h ].
 
   
   
   

Aplicando la ley general de propagación de varianzas y de covarianzas,

tenemos:

Paso 1: yyJyx t
Jyx
xx ;

Paso 2: 
kkJky t
Jky
yy ;

Donde

a a a a a
b     
 
 c c c c c
Jyx   b     
     
 
b     
     

b     


166 analisis y ajustes de las medidas de examen

Y
 
hhhh
J  , , , 
.
ky 

ac

Los elementos distintos a cero de Jyx son:

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

167 analisis y ajustes de las medidas de examen


h a 2
227
 sec
 2

 
h c 2
226
 sec
 2


Así Jky = [ 0.1087, 0.1094, 227, 226 ].

Ahora, la matriz de covarianza que produce las medidas es

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.

1.2. PROPAGACIÓN PARA EL AJUSTE POR MINIMOS CUADRADOS DE

OBSERVACIONES INDIRECTAS

En el capítulo 4, el modelo de condición para el ajuste de observaciónes

indirectas fue dado por la ecuación matriz.
v  B  f
(6-29)

168 analisis y ajustes de las medidas de examen

En este modelo, v es el vector de residuales, Δ es el vector de parametros
desconocidos, B es la matriz de coeficientes numéricos de los parámetros
desconocidos, y
f  d l, (6-30)

Donde está l el vector de las observaciones y de d es un vector de constantes

numéricas. Asociado con el vector de las observaciones l, esta una matriz de
covarianza Σll,así como una matriz de cofactores Qll y una matriz de peso Wll.
Al tratar la propagacion en una solución por minimos cuadrados, es
conveniente trabajar con la matriz de cofactores. Por consiguiente, la
propagación en esta sección se presenta con respecto a la matriz de
cofactores.
En armonía con los símbolos usados en el capítulo 4, el suscrito « ll « se baja
de Qll, y de Wll, es decir, para el vector de las observaciones l, Q representa la
matriz de cofactores, y W (la inversa de Q), representa la matriz de pesos.
Ahora, para la función lineal y = Ax+ b, la ley de propagación de cofactores,
según lo dado por la Eq. (6-27), es

yyAQ
t
Q A
xx .

Expresando la Eq. (6-30) en y= Ax + b tenemos

f Ild. (6-31)
Aplicando la ley de propagación de cofactores a la Eq. (6-31) conseguimos
Q 
ff I
Q I
Q.
t
(6-32)
Así la matriz de cofactores de l es también la matriz del cofactores de f. Los
pasos del ajuste por minimos cuadrados de observaciones indirectas, de la
manera prevista en el capítulo 4, son
N  BtWB (6-33)
t  BtWf (6-34)
  N l t (6-35)
v  f B (6-36)

Y
^

l l v (6-37)

169 analisis y ajustes de las medidas de examen

Aquí N es la matriz de coeficientes de las ecuaciones normales, y ^l es el
vector de observaciones ajustadas.
Sustituyendo (6-34) en (6-37) y escribiendolo de la forma y = Ax + b, tenemos
 
t  BtW f (6-38)
  N t
l
(6-39)
v  f B
l
FBN t

FBN
l t
BWf

I 
l t
BNBW f  (6-40)
Y
^

l l v

l  f B

Bd.
(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^^ QQvv
ll (6-46)

Las matrices de covarianza para t, Δ, v, y ^l son obtenidas multiplicando las

matrices correspondientes de cofactor por la varianza simbolizada por σ²o.

170 analisis y ajustes de las medidas de examen

EJEMPLO 6-8
Para la red de nivel en el ejemplo 4-7, calcule la matriz de covarianza para las
elevaciones ajustadas de los puntos B, C, y D, para el caso de observaciones
con peso, dada una varianza de 0.0016 m². También calcule las desviaciones
estándar en las elevaciones ajustadas de B, de C, y de D.
Solución
Según la Eq. (6-43), y con los datos del ejemplo 4-7, tenemos:

0
.337902
0
. 
171085
0
.
183543
Q
N 

1
0
. 
406418
0
.
172880
.
 

 

symmetric
0
.
298256

La matriz requerida de covarianza es,


5
.406
2
.
738
2
. 
936

2

0
0
. 
0016
N 10
 6
.
502
2
. 
766
m

2 
1
 
4


 4
. 

773

Las desviaciones estándar en las elevaciones ajustadas son .



10
B5
. 
406
0.
2
023
m



10
C6
. 
502
0.
2
025
m



10
D4
. 
773
0.
2
022
m

Un resumen de los símbolos y de las ecuaciones usadas en la propagación

para el ajuste de minimos cuadrados de observaciones indirectas será
encontrado en la sección 9.5, capítulo 9.
6.6. PROPAGACIÓN PARA El AJUSTE POR MINIMOS CUADRADOS DE
OBSERVACIONES SOLAMENTE

El modelo de condición para el ajuste de observaciones solamente también fue

dado en el capítulo 4. En la notación de matriz, este modelo es
Av  f . (6-47)
En este modelo, v es el vector de residuales, A es la matriz numerica de co-
eficientes las residuales, y
f d Al, (6-48)

171 Analisis y ajustes de las medidas de examen

Donde l es un vector de observaciones y d es un vector de constantes
numéricas. Observe que el vector de f definido por la Eq. (6-48) es diferente
del vector de f definido por el eq. (6-30).
La propagación sera presentada con respecto a las matrices de cofactor
solamente, con Q y W representando las matrices de cofactor y de peso,
respectivamente, de l. Expresando la Eq. (6-48) en la forma y= Ax+ b,
tenemos
f Ald (6-49)

Aplicando la ley de propagación de cofactores a la Eq. (6-49), conseguimos

Q
ff 
A
QA t
AQA.
t
(6-50)
Los pasos del ajuste por minimos cuadrados de observaciones solamente,
según lo dado en el capítulo 4, son

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)

Aplicando la ley de la propagación de cofactores a las Eqs. (6-53) y (6-54),

conseguimos
Q
kk 
W c
Q 
ffWc
Wc(6-57)
t

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

función lineal. Así, de las Eqs. (6-55), (6-54), (6-53), y (6-48),

respectivamente, nosotros obtenemos

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^^ QQvv
,
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

Entonces, de la Eq. (6-61), conseguimos

Así, la matriz de covarianza de los ángulos ajustados es

Y las desviaciones estándar de los ángulos ajustados son

1 78
8.8
"

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.

174 analisis y ajustes de las medidas de examen

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:

Compute la distancia y determine la desviación estándar de la distancia

computada si la desviación estándar de una medida de 100 m es 0.010 y la
varianza de cada medida es directamente proporcional a su magnitud.
6-4 se mide una distancia usando tres métodos diferentes. Los valores
observados y sus desviaciones estándar (todos en metros) se muestran abajo:

Determine la media de los pesos de las distancias observadas y la desviación

estándar de la media de los pesos, si se asume que las tres observaciones son
independentes.
6-5. Seis determinaciones independientes de la elevación de un punto se
hacen. Estos valores y sus pesos correspondientes se muestran abajo.

Compute la media del peso de las seis elevaciones y evalúe la desviación

estándar de esta media del peso, si un peso de 2 corresponde a una
desviación estándar de 0.030 m.
6-6 el área de una porcion trapezoidal de tierra se computa como se muestra a
continuacion:

175 analisis y ajustes de las medidas de examen

a a
 1 2
Area b1
 2 

donde a1, a2, y b son dimensiones independientemente medidas. Si los

valores medidos para a1, a2, y b son 319.414 m, 481.112 m, y no 502.307,
respectivamente; y sus desviaciones estándar de arco 0.030 m, 0.042 m, y
0.020 m, respectivamente, compute el área de la porcion y la desviación
estándar de esta área computada.
6.7 El cuadro 6-3 muestra un esquema de triangulación pequeño en el cual la
lateral m se calcula de medidas independientes de la base b y de ángulos α, β,
γ, como se ve a continuacion .
sin
sin 
mb
sin
sin 
Si las medidas y sus desviaciones estándar son
6-8 cálcule estas desviaciónes estándar.
Los dos componentes del vector x se relacionan con los tres componentes del
vector u como se muestra a continuacion:
1
x 2
u13
u2u
3y x2 u
1u2u3

Si la matriz de covarianza de u es

1 1 0
xx  
1 2 1

0 1 2


176 analisis y ajustes de las medidas de examen

Evalúe la matriz de covarianza de x.

6-9 La posición de una estación de examen, P (x, y) en la fig. 6-4, se calcula
de las medidas independientes de la distancia r y del angulo a. Si los valores
medidos son r=250.000 m y α =30º00’00 « y sus desviaciones estándar son
0.050 m y 20 », respectivamente, cálcule x y y y sus desviaciones estándar.
Determine también el coeficiente de correlación para x y y.

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"
s2000
.
00m 0
.
08m. s
177 analisis y ajustes de las medidas de examen

La posición de C es x = 4000.00 m, y = 5000.00 m; y σx= σy = 0.10 m.

Asumiendo que todos los datos dados no tienen correlación, determine la
posición (x, y) de D y la matriz de covarianza asociada a esta posición.
6-12. X1, X2, y X3 son medidas independientes con desviaciones estándar
2.0 centímetros, 4.0 centímetros, y 2.0 centímetros, respectivamente. Y1 y Y2
se calculan de X1, de X2, y de X 3 como se muestra a continuacion :
1
Y X1X22
X 3

Y2 X1 2X2
Y Z1 y Z2 se calculan de Y1 y de Y2 asi:

Z1 0.5
Y1 Y2
Z2 Y10.5
Y 2

Evalúe las matrices de covarianza para los vectores aleatorios

Y  Z 
Y   1 y Z   1
Y2  Z 2 
6 – 13. Las cordenadas de P1 en la fig. 6-6 son x1 = 1000.00 m, y1 = 1000.00
m; las cordenadas de P2 son x2 = 1100.00 m, y2 = 1600.00 m. La matriz de
covarianza para el vector (x1, y1, x2, y2) es

178 analisis y ajustes de las medidas de examen

Evalúe la matriz de covarianza para Δx y Δy, donde Δx=x2 - x1 y Δy= y2 -
y1. Entonces evalúe la matriz de covarianza para la longitud s y el acimut α de
P1 P2 y determine la matriz de desviaciones estándar y el coeficiente de
correlación.
6-14. El error R en el centro de un teodolito A sobre la estación A en la Fig 6.7
produce un error ε = ε2 - ε1 en el angulo θ medido entre T1 y T2. Las
distancias A a T1 y t2 son D1 y D2 respectivamente; la distancia entre el T1 y
T2 es D3. Deje que X y Y sean componentes rectangulares de R, según lo
mostrado. Si X y Y son las variables aleatorias independientes, cada una con
desviación estándar σ, demuestre que el resultado de la desviacion estandar
en ε es
D
t  3
 radianes.
D1D2

(1) derive y utilice la relación U= Y cos θ - X sin θ, donde U es el

desplazamiento de A ‘ de AT según lo mostrado. (2) los errores ε1 y ε2,
en radianes, se pueden aproximar por U/D1 y Y/D2, respectivamente.

6-15. Determine las desviaciones estándar de â y ^b calculadas en el ejemplo

4-6, caso (2). Capítulo 4.
6-16 Determine las desviaciones estándar de la estimación por minimos
cuadrados para x en el ejemplo 4-9, capítulo 4.
6-17. Con referencia al ejemplo 4-11, en el capítulo 4, determine la desviación
estándar de cada ángulo ajustado en referencia con la desviación estándar
σ0, de 12 ».
6-18 referente al ejemplo 4-8, evalúe las desviaciones de estándar para los
valores computados de Tmax y del hmax si la desviación de estándar en la
observación de altitud con el teodolito es el 10 ».

179 analisis y ajustes de las medidas de examen

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.

180 analisis y ajustes de las medidas de examen

 7
PREANALISIS DE LAS MEDIDAS
DE EXAMEN

7.1 PROCEDIMIENTO DEL PREANÁLISIS

El preanálisis de las medidas de examen es un análisis de las medidas de los
componentes de un proyecto del examen antes de que el proyecto se
emprenda realmente. Preanalisis es el diseño total y muy provechoso del
proyecto de examen porque proporciona una base para la evaluación de las
exactitudes de las medidas de examen, para el conjunto de tolerancias que se
pueden imponer ante estas medidas, y para la selección de los procedimientos
convenientes de instrumentación y de medida.
En esta introducción al preanálisis, asumiremos que todos los componentes de
una medida de examen están libres del sesgo causado por el error sistemático.
Esto significa que las varianzas, o las desviaciones estándar, o los múltiplos de
las deviaciones estándar se pueden utilizar como medidas de exactitud, tam_
bien como medidas de precisión, y que las leyes de propagación del capítulo 6
pueden ser aplicadas. Asumiremos más adelante que todos los componentes
de medida son independientes, de modo que la ley especial de la propagación
de varianzas, según lo expresado por las Eqs. (6-22) y (6-24) en el capítulo 6,
pueden ser utilizadas. Por conveniencia, la ley especial de la propagación de
varianzas se expresa una vez más adelante.
Funciones lineales. Si Y es una función lineal de las medidas independientes
X1, X2..., Xn, es decir,

YaX
1 1a
2X2 
...
a
nXn

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)

donde Y es el valor absoluto de Y X i .

X i
Cuando cada medida de la entrada contribuye igualmente a la exactitud del
resultado final, se dice que las medidas han balanceado las exactitudes.

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

182 analisis y ajustes de las medidas de examen

Estandar de 0.6 m², evalúe las desviaciones estándar requeridas de las

medidas de las dimensiones del depósito, asumiendo que las medidas tienen
balanceadas las exactitudes.
Solución
El área de la base del depósito es
A  LW,
donde L es la longitud y W es la anchura de la base, respectivamente.
Obviamente, n = 2, y para los propósitos del análisis L = 85 y W = 60 .
Ahora A = W y A  L .y. y de la Eq. (7-6), tenemos
L w
Y

Así, para las exactitudes balanceadas, la longitud y la anchura de la base del

depósito se deben medir con desviaciones estándar de 7 milímetros y de 5
milímetros, respectivamente, si una desviación estándar de 0.6 m2 en el área
es alcanzada.
No es posible a menudo tener un sistema de medidas de entrada con
exactitudes exactamente balanceadas, debido a limitaciones en los
instrumentos y/o los procedimientos usados en la toma de las medidas. En
tales casos, se hacen las compensaciones en las cuales las desviaciones
estándar de uno o más componentes necesariamente se aumentan para
reflejar las limitaciones impuestas de instrumentos/procedimientos, mientras
que las desviaciones estándar en los componentes restantes son disminuidas.
EJEMPLO 7-2
La altura h de una estación de examen A (fig. 7-1) sobre el centro del
instrumento en B debe ser determinada con una desviación estándar de 0.010
m de las medidas de las distancias de la pendiente del ángulo vertical a. y de la
altura t . La función usada es
h =s sin α – t.
Para proposito del preanálisis, los valores estimados para s y α son 400 y
30°, respectivamente.
(a)Evalúe las desviaciones estándar en las medidas s, α y t, asumiendo que
hay balanceo de las

183 analisis y ajustes de las medidas de examen

exactitudes. (b) Si la desviación estándar de la medida α es limitada por
5.0 », reevalúe las desviaciones estándar de la medidas s y t para
acomodando esta limitación en α.
Solución
(a) Puesto que h es una función no lineal de tres medidas de entrada, se usa la
Eq. (7-6), con n = 3 para s=400 m y α =30°, las derivadas parciales son h
s
=sin α = 0.500; h = s cos α = 346 m; h = -1. Si σ1 =0.010 m y se
 t
requieren las exactitudes equilibrados, tenemos

(b) De la Eq. (7-2),

Si σα= 5.0 » =2.4 x 10 5 radianes, y σk debe ser 0.010 m, entonces

184 analisis y ajustes de las medidas de examen

Balanceando las exactitudes de las dos medidas restantes, s y t, obtenemos

Es conveniente resumir los resultados del preanálisis en forma tabular, así se

proporciona un presupuesto de exactitud para las medidas. Un presupuesto de
exactitud para la parte (b) del ejemplo 7-2 se presenta en la tabla 7 1

En el trabajo de campo se examinan las principales cantidades medidas que

son ángulos, distancias, y diferencias en la elevación. En el ajuste posterior y
el análisis de un proyecto de examen, es necesario conocer con anterioridad
las exactitudes, o las exactitudes relativas, de las medidas principales para
poder construir las matrices apropiadas de covarianza o de cofactor. Para
conseguir los valores reales para las exactitudes, un preanálisis de las
medidas m, tiene que ser hecho.
Si la medida del ángulo, de la distancia, o de la diferencia de la elevación se
analiza por partes, encontramos que muchas cosas contribuyen a la exactitud
total de la medida, esto es ilustrado en cada una de las tres secciones que
siguen,
7.2. MEDIDA HORIZONTAL DEL ÁNGULO CON UN TEODOLITO

La medida de un ángulo horizontal con un teodolito es influenciada por muchas

fuentes de error. Éstos incluyen: errores axiales del instrumento, errores

185 analisis y ajustes de las medidas de examen

en el centro y la nivelación del teodolito sobre la estación de examen, errores

en alinear el centro en el blanco del examen, errores en señalar en las
blancos del examen, y errores en la lectura del círculo horizontal. La exactitud
total del ángulo medido, por lo tanto, depende de las magnitudes de los errores
de estas componentes, así como otras influencias importantes, tales como
inestabilidad del trípode y la refracción atmosférica.
Los errores axiales del teodolito son esencialmente eliminados después de
haber ejecutado el procedimiento estándar de la observación en pares fijos
una vez que con el telescopio en posición directa (cara izquierda), y una vez
con el telescopio en posición reversa (cara derecha) y tomando una media. Se
asume que este procedimiento es seguido de este modo sin excepción.
El error en el centro del teodolito sobre la estación de examen es básicamente
un error de dos dimensiones de la posición que se asume para tener una
distribución normal bivariada (véase el capítulo 8 para la discusión de la
distribución normal bivariada), los componentes de las cordenadas que son
independientes y tienen la misma desviación estándar σc. Puede ser
demostrado (véase el problema 6-14) que la desviación estándar del error en
el ángulo medido θ es causado por el error en el centrado.

(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

es la distancia entre T1 y T2, D1, D2, D3, y σc utilizado en la Eq. (7-7)

exprésado en las mismas unidades. Para el tripode σc se extiende
tipicamente a partir de 0.5 a 3 milímetros. En general, el error en la nivelación
del teodolito tiene un efecto insignificante en la medida del ángulo, siempre y
cuando el instrumento se nivele cuidadosamente y las inclinaciones de las
líneas vistas no sean excesivas.
Esto se ve fácilmente en la (fig. 7-3) el error ε en el ángulo medido es causado
por
un error en la alineación del blanco

(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)

187 analisis y ajustes de las medidas de examen

El rango de los valores para σp es típicamente de 1 »a 4 ».

El error en la lectura del círculo horizontal introduce solamente dos tiempos en
2n observaciones del ángulo, si se utiliza una repeticion del instrumento se
usan 4n tiempos para un instrumento de dirección. Por consiguiente, si σr es
la desviación estándar en la lectura del círculo horizontal, las siguientes
fórmulas para la desviación estándar σop del error en el ángulo medido
causado por error de lectura se derivan fácilmente de la Eq. (7-1)

Para repeticion de teodolitos (7-12)

Para la dirección de los teodolitos; (7-13)

El rango de los valores para σr es típicamente de 1 »a 10 dependiendo del

instrumento usado.
Desde los errores en el centrado de los instrumentos, apuntando a los blancos,
señalados, hasta la lectura del círculo son aditivos, la desviación estándar
combinada en la medida del ángulo horizontal θ puede ser expresada como se
muestra a continuacion , de acuerdo con la Eq. (7-1):
 (7-14)
Se debe tener cuidado de expresar todos los términos en las mismas
unidades, generalmente segundos del arco.
EJEMPLO 7-3
Un teodolito de repetición debe ser utilizado para medir los ángulos de una
travesía, de la cual los lados están esencialmente en una línea recta. La
longitud de cada uno de los lados de la travesía es aproximadamente 800.m.
las desviaciones estándar en el instrumento centrado con el blanco t señalado
y la lectura del círculo son respectivamente σc = 2. 0 milímetros; σt = 4.0
milímetros, σp = 2.0 »; y σr =6.0 « . Evalúe la desviación estándar en la
medida de cada ángulo de la travesía si: (a) un sistema de observaciones se
toma; (b) se toman cuatro sistemas.
Solución
Puesto que la travesía está en una línea recta y cada lado mide 800 m en
longitud, D1 = D2 = 800 m, y D3 = 1600 m.
(a) Para un sistema de observaciones (n = 1),

188 analisis y ajustes de las medidas de examen

Así
(b) Para cuatro sistemas de observacion (n = 4),

como antes, y

Así,

7.3. MEDIDA DE LA DISTANCIA POR EDM

La distancia S de la cuesta entre un metro electro -optico (EDM) y su reflector

es dada por la función

(7-15)
Donde λ. es la longitud de onda de la modulación;

189 analisis y ajustes de las medidas de examen

m es el número entero de longitudes de onda en la medida (minimo error

asumido); u es la parte fraccionaria de media-longitud de onda (~/2)
obtenida midiendo la diferencia de fase;
k es la corrección cero, que incluye las constantes del instrumento y del
reflector.
La longitud de onda de modulación, puede ser expresada como sigue:

(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)

190 analisis y ajustes de las medidas de examen

Dejando

Y tomando la raíz cuadrada de ambos lados de la Eq. (7 -21),

conseguimos

(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

y desde σn/n=2 ppm, y σf/f=1.0

También, σm = 5.0 milímetros, y σk = 2.5 milímetros. Por lo tanto,

Para S=2 km=2.0x 10 milímetros

7.4. DIFERENCIA EN LA ELEVACIÓN POR NIVELACION DIRECTA

El procedimiento de nivelación directa implica observar una barra
verticalmente sostenida con un nivel topógrafico que « se ha nivelado
convenientemente » antes de cada observación,

191 analisis y ajustes de las medidas de examen

Centrando una burbuja de alcohol o usando un péndulo en
compensacion. La operación de nivelación del instrumento pone el eje de
colimación del instrumento en una posición horizontal (si el instrumento
se ajusta perfectamente) o en una posición que tiene una inclinación muy
pequeña ( situacion usual).
La figura 7-4 ilustra la geometría de la nivelación. Las distancias de la
mira son representadas por Dα (distancia detras de la mira) y DB
(distancia) de la pre-visión, las lecturas de la barra por rα (detras de la
mira) y rb (pre-visión), y las inclinaciones pequeñas ( debido al ajuste
imperfecto) del eje de colimación por σα y σb. Si es apropiado se
continua con el proceso de nivelación αα y αb deben ser iguales a la
exactitud de la burbuja de alcohol o del péndulo compensatorio.
Además, las distancias de la mira Dα y Db debe ser relativamente
cortas y aproximadamente iguales, así eliminando los efectos de la
curvatura de la tierra y de la refracción atmosférica.
Referente a la fig. 7-4, la diferencia en la elevación entre A y B es

(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)

192 analisis y ajsutes de las medidas de examen

Sin embargo, para los propósitos del análisis αα y αb se deben tratar
como cantidades independientemente observadas, si son iguales o no, y
entonces la Eq. (7-24) debe ser utilizada.
Si se tiene el mismo cuidado cada vez que se hace la nivelación del
instrumento, podemos asumir que αα y αb tienen la misma exactitud,
representada por la desviación de estándar σα. Se asume más a fondo
que las lecturas rα y rb se hacen con la misma exactitud, representada
por la desviación estándar σr y que σr es proporcional para la distancia
de la mira, es decir,

(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.

193 analisis y ajustes de las medidas de examen

Solución
Así, de la Eq. (7-31),

7.5. TOLERANCIAS DEL EXAMEN

La tolerancia de una medida es su maximo error aceptable. Para indicar

de forma razonable que el error de una medida será menos que su
tolerancia especifica, es necesario comparar la tolerancia con un rango
de incertidumbre que tenga un nivel muy alto de probabilidad. Lo usado
más comúnmente para este propósito es la incertidumbre ±3σ, bajo la
asuncion de que si la medida está distribuida normalmente, refleja una
probabilidad de 0.997. Por consiguiente, se dice que una medida puede
resolver su tolerancia especifica t si su desviación estándar a es tal que
3  t. (7-32)
Obviamente, si una medida es aceptable, el procedimiento para hacer la
medida debe ser acorde con la medida especifica a la tolerancia. Esto
significa que la exactitud de cada componente de la medida y de otros
parámetros relevantes debe ser especifica. El siguiente ejemplo ilustra
este punto.

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.

194 analisis y ajustes de las medidas de examen

Solución
Desde tΔA= ±10 mm, la desviación estándar máxima permitida en Δh es,
según la Eq. (7-32),

Ahora S = 1500, y del ejemplo 7-5,

Así, según la Eq. (7-31),

Por lo tanto, la distancia maxima permitida de la mira es 30 m.

PROBLEMAS
7-1 El lado a del triangulo plano ABC, en la fig. 7-5, se calcula de
medidas independientes como el lado b y los ángulos α y β, usando la
ley del seno

Si ABC es esencialmente un triángulo equilátero con cada lado

aproximadamente igual a 100 metros en longitud, determine las
desviaciones estándar con las cuales b, α, y β, deben ser medidas para
obtener una desviación estándar de 0.020 m en el valor calculado de a.
asumiendo exactitudes equilibradas.

195 analisis y ajustes de las medidas de examen

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

Y determine las desviaciones estándar con las cuales b α y β deben ser

medidas para obtener una desviación estándar de 1.0 m² en el área
calculada. Explique el resultado inusual obtenido para σα. (indirecta:
¿pase un círculo a través de los puntos A, B, y C y note qué sucede
cuando b y β se mantienen fijos y α se varía). ¿Cuál es el valor práctico
de asignar σo.
7-4 la altura h en la (fig. 7-6), es calculada de medidas independientes de
los ángulos horizontales α y β, el ángulo vertical δ, y la distancia
horizontal c. El ángulo vertical se puede medir con una desviación
estándar no menor de 15 ». Si h se debe determinar con una desviación
estándar no máyor de 0.040 m, determine los valores convenientes para
las desviaciones estándar de las medidas, dadas α = β = 85°, δ=15°, y
c=50. Resuma los resultados en forma tabular similar a la tabla 7-1.
7-5 un teodolito de dirección debe ser utilizado para medir los ángulos de una
travesía. La longitud de cada uno lado de la travesía es aproximadamente
5DO. Las desviaciones estándar en el centrado del instrumento, la alineación
del blanco, su señalamiento y la lectura del círculo son, respectivamente : σc=
1.5 mm; σt= 2.5 mm; σp=2.5‘; y σr=2.0. Evalue la desviación estándar
esperada al medir el ángulo θ del recorrido con n par del sistema para: (a) θ
= 45 °, n = 2; (b) 6θ = 45 °, n = 6; (c) θ = 135’, n = 2; (d) θ =135 °, n = 6.
7-6 Los ángulos esquineros de una porcion rectangular de la tierra, 100
m por 200 m, deben ser medidos con un teodolito de repetición. Para el
instrumento usado en particular,

196 analisis y ajustes de las medidas de examen

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:

Dónde b es la longitud de la barra y θ es el ángulo subtendido (Fig. 7-7). Si b

y θ no tienen correlación, demuestre que la desviación estándar en el valor
calculado de D es

197 análisis y ajustes de las medidas de examen

Asuma que cot (θ/2) ≈ csc (θ/2) para θ pequeño.
7-11 Usando la relación en el problema 7-10 evalue las desviaciones estándar
en las distancias medidas 50 m, 100 m, 200 m, y 400 m, con una barra de 2
m y un teodolito de precisión, dados σb=0.1 mm y σo= 1.0”. Haga un
comentario respecto a los efectos relativos de σb y σo para cortas y para las
largas distancias.

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

Dónde n es el número de longitudes de cinta en ( donde la distancia medida

σm es la desviación estándar marcando cada extremo de este tipo, y σΔ es la
desviación estándar en la calibración de la longitud de la cinta.
7-14 Referente al problema 7-13, una distancia de 2 kilómetros se mide con
una cinta de acero de 50 m; σm =3.0 mm and σΔ =0.5 mm. Evalúe la
desviación estándar en la distancia corregida.
7-15 Otra fuente de error en medir, es el error en medir la temperatura de la
cinta. Al medir una distancia con una cinta de acero, la corrección de la
temperatura para una sola longitud de cinta consiste: ct= Cl (T- T,) donde C
es el coeficiente de expansion termal (11.6 x 10 6 m/m/°C para el acero
carbón), l es la longitud nominal de la cinta, T es la temperatura del campo, y T,
es la estandarización de la temperatura (mínimos error asumido). Si se asume
que la desviación estándar en la temperatura del campo que se mide es de
1.0°C, calcule la desviación estándar en la corrección de la temperatura para
una distancia de 2km medida con una cinta de acero de 50 m: (a) si la
temperatura del campo se observa una vez solamente para la distancia cabal;
(b) si la temperatura del campo se observa una vez cada cuatro longitudes de
cinta.
7-16 El error en la aplicación de tirón a la cinta también afecta una distancia
medida. Al medir una distancia con una cinta de acero apoyada en sus
extremos solamente, la corrección combinada de la longitud de la cinta para la
tensión y la holgura es
Donde P es el tirón aplicado a la cinta en el campo, P es el tirón aplicado
durante la estandarización de la cinta, A es el área de la sección trasversal de
la cinta, E es el módulo de elasticidad del material de la cinta

198 análisis y ajustes de las medidas de examen

La distancia de 2 kilómetros se mide con una cinta de acero de 50 m que se

apoya solamente en sus extremos. El área de la sección transversal y la
masa de la cinta son 3.8 mm² y 6.030 kg/m, respectivamente, P1 = 10.0
kilogramos (error mínimo asumido) y P = 8.0 kilogramos. Calcule la tensión
combinada y corrección del encorvamiento para la distancia cabal de 2
kilómetros y determine la desviación estándar de esta corrección si la
desviación estándar en P es 0.5 kilogramos. (nota: Cada longitud de cinta tiene
su propio tirón independiente.)
7-17 Una cinta de acero de 50 m debe ser utilizada para medir una distancia
de 800 m. Los parámetros de la cinta (C, E, A, y w) son dados en los
problemas 7-15 y 7-16. La cinta debe ser apoyada solamente en sus
extremos con un peso de 10.0 kilogramos, la temperatura de la cinta debe ser
observada una vez cada cuatro longitudes de cinta. Si las desviaciones
estándar son señaladas por los extremos de la cinta, la cinta estandarizada
midiendo la temperatura de la cinta y la aplicando un tirón es 3.0 milímetros,
0.5 milímetros, 1.0°C, y 0.5 kilogramo, respectivamente, evalúe la desviación
estándar de la distancia de la cinta corregida para la longitud de la cinta, tem-
peratura, tensión, y holgura. Resuma el análisis en la forma presupuesto de
exactitud, según lo mostrado en la tabla 7-1.
7-18 Si la distancia de 800 m en el problema 7-17 se debe medir con un
desviación estándar de 0.010 m, evalúe las desviaciones estándar requeridas
en la señalización , estandarización, medida de la temperatura , si se asume
que es un sistema equilibrado (es decir, las cuatro fuentes de error contribuyen
igualmente).
7-19 Los ángulos interiores de un trazo cerrado de 16 lados se miden
independientemente. Si la tolerancia (máximo error angular aceptable de
cierre) para la suma de los ángulos interiores se fija en 60”, determine la
desviación estándar con la cual cada ángulo debe ser medido.
7-20. Si la desviación estándar en la longitud de una barra subtendida de 2
m es 0.20 milímetros, determine la desviación estándar requerida en la
medida del ángulo subtendido θ para medir una distancia de 100 m en pies si
la tolerancia en la distancia medida es 0.10 m. (Véase El Problema 7-10.)

199 análisis y ajustes de las medidas de examen

 8
Introducción al
Análisis Estadístico

8.1. MUESTRAS Y ESTADÍSTICA

El concepto de muestreo fue introducido en el capítulo S. La referencia

particular fue hecha a la muestra escogida al azar que consistía en n
observaciones independientes igualmente distribuidas. La noción de población
fue introducida también. Cuando las n medidas independientes de una
cantidad se hacen bajo mismas condiciones, se consideran colectivamente
como muestra escogida al azar de tamaño n, esto dibujada de una población
de tamaño infinito.
Se puede dibujar más de una muestra de una población. En general, las
muestras no serán idénticas, es decir, los datos observados variarán de
muestra a muestra.
Es posible construir nuevas cantidades que son funciones de los
observaciones (variables aleatorias) X1, X2..., Xn que forman la muestra
aleatoria escogida de tamaño n. Puesto que estas nuevas cantidades son
funciones de variables aleatorias, ellas son variables aleatorias , teniendo sus
propias distribuciones de probabilidad. Estas cantidades se conocen como
estadística.
Quizás el ejemplo más simple de una estadística es la media de una muestra,

(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 ___

depende de la distribución de la población de quien se toman las

observaciones; si la población esta normalmente distribuida, X estara ___

normalmente distribuida. Puesto que las observaciones varían de muestra a

muestra, los valores de X varían
___

200 análisis y ajustes de las medidas de examen

muestra a muestra según la distribución de la probabilidad de X . Bajo la

___

presunción de que la distribución normal es el modelo básico de probabilidad

para todas las medidas de examen, confinaremos la discusión adicional en este
capítulo al muestreo de una población normal.
Aunque, la media de la muestra, se distribuye normalmente cuando la
población se distribuye normalmente, no puede ser asumido que el resto de la
estadística construida de una muestra escogida al azar dibujada de una
población normal también está distribuida normalmente.
Otras distribuciones desempeñan papeles importantes en tratar de las
muestras dibujadas de poblaciones normales. Estas distribuciones se conocen
como distribuciones del muestreo, el más común de cuáles son el Chi-
cuadrado y los distribución del estudiante (t). Estas dos distribuciones se
discuten brevemente en las secciones que siguen.
8.2. LA DISTRIBUCIÓN CHI-CUADRADO

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

y se evalúa usando las siguientes relaciones derivadas de la integral:

para cualquier entero positivo p (es decir, p = 1, 2, 3...).

201 análisis y ajustes de las medidas de examen

 (8-4) Y

(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

Otras evaluaciones de (y) se dan en la tabla 8-1, y la función de densidad se

traza en la fig. 8-1. La media y la desviación estándar de Y son

202 análisis y ajustes de las medidas de examen

Las funciones de densidad de Chi-cuadrado para varios valores se trazan en la
figura.
8-2. Para pequeños valores de n, las funciones de densidad son asimétricas
con las colas largas a la derecha. Para valores más grandes de n, hay un
acercamiento de las curvas a la forma simétrica de la función de densidad de
la distribución normal con media y varianza 2n. Si Y tiene una distribución
Chi-cuadrado con n grados de libertad, su función de distribución, según la
Eq. (5-17), es

(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

203 análisis y ajustes de las medidas de examen

De libertad, el porcentaje del pth es representado por el símbolo X p2,n valores
de X p2,n se da en la tabla II del apéndice B

8-3 LA DISTRIBUCIÓN T (STUDENT) *

Si Z es una variable aleatoria que tiene una distribución normal estándar, y Y
es una variable aleatoria independiente que tiene una distribución Chi-
cuadrado con n grados de libertad, entonces la variable aleatoria

(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

204 análisis y ajustes de las medidas de examen

El parámetro de la distribución es n, donde n es un número entero positivo.

La media y la varianza de T son

(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,

Así, de la Eq. (3-8), la función de densidad es

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

Es obvio de la fig. 8-3 que la forma de la función de densidad de la

distribución t se asemeja a la de la distribución normal. Sin embargo, las dos
distribuciones no son iguales, particularmente para los valores pequeños de n.
Mientras que n aumenta, la distribución t se acerca a la distribución normal
estándar. De hecho, entre más grande es, la distribución normal estándar se
puede utilizar para aproximar la distribución t.

205 análisis y ajustes de las medidas de examen

La función de distribución 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

8-4. ESTADÍSTICA COMÚN DE LA MUESTRA

En la sección 8.1 fue indicado que es posible construir las nuevas variables al
azar que son funciones de las variables al azar X1, X2...,Xn, que hacen una
muestra escogida al azar de tamaño n, y que estas nuevas variables al azar
son llamadas estadística.
La estadística común que se utiliza para localizar el “centro” de una muestra
incluye lo siguiente.
Media de la Muestra. La media de la muestra, se ha definido en la Eq. (8-1),
él valor de X se define como el promedio simple de todos los valores en la
___

muestra. Si los valores en la muestra escogida al azar se arreglan en orden

de magnitud, el valor del punto medio de la muestra es el valor en el centro del
sistema si n es impar, o es el promedio de los dos valores medios si n es par.
Alcance medio de la muestra. El alcance medio de la muestra es el promedio
de los valores más grandes y más pequeños de la muestra.
EJEMPLO 8-3
Los siguientes son los resultados de 20 medidas independientes de una
distancia, hechas bajo las mismas condiciones:
En lenguaje estadístico, los 20 números antedichos son los valores de una
muestra escogida al azar de tamaño 20. Evalúe la media de la muestra, el
punto medio de la muestra y el alcance medio de la muestra.
Solución
Media de la muestra, *

Arregle los valores en orden de magnitud (dos cifras significativas

solamente): 55. 56, 58, 59, 59, 60, 60, 61, 61, 61, 61, 62, 62, 62, 63, 64, 64, 65,
68, 69.
* X representa un valor numérico específico para la variable al azar X
___

207 análisis y ajustes de las medidas de examen

Donde los valores promedio son el décimo y undécimo valor en orden de

magnitud

La estadística común que se utiliza para medir la extensión o la dispersión de

una muestra incluye lo siguiente.
El rango de la muestra , el rango de la muestra es la diferencia entre el valor
más grande y el valor mas pequeño de la muestra, es decir, esta es la
extensión total de la muestra.
La desviación media de una observación XI, se define como la diferencia Xi-
¯X, donde ¯X es la media de la muestra. La desviación media de la muestra
es el promedio de los valores absolutos de las desviaciones de todos los
componentes de una muestra escogida al azar, es decir,

(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

Las desviaciones y sus cuadrados se enumeran en la tabla 8-3

Varianza de la muestra,

208 análisis y ajustes de las medidas de examen

Desviación estándar de la muestra,

Covarianza de muestra. Si de una población de dos dimensiones se dibuja la

muestra escogida al azar tal que los pares de observaciones son obtenidos, es
posible evaluar una covarianza de la muestra. Le: la muestra escogida al azar
consiste en las observaciones apareadas (X1, Y1), Yn). La covarianza de la
muestra se define entonces como

(8-14)
209 análisis y ajustes de las medidas de examen

Donde ¯ X es la media de la muestra X1, X2..., El Xn, y ¯Y es la media de la

muestra Y1, Y2..., Yn.
8.5. ESTIMACION DE LA MEDIA
Una estadística que se utiliza para estimar el valor de un parámetro de una
distribución de probabilidad es llamada punto de estimación del parámetro, o
simplemente un estimado. Puesto que un estimado es una estadística, este es
una variable al azar. El valor numérico del estimado resultante de una muestra
específica se llama una estimación.
En general, si el parámetro se representa por θ, el estimado se representa por
θ. Así, si el parámetro en cuestión es la media µ de la distribución, el
estimado es ^ µ.
Una variable estadística, tal como la media de la muestra, el punto medio de
la muestra y el alcance medio de la muestra, se pueden utilizar como
estimados de la media de la distribución. La selección de una estadística
particular se basa sobre ciertas características deseables, tales como
imparcialidad, consistencia, eficacia, y suficiencia, así como facilidad en el
cálculo. La discusión amplia de las características de estimados están más
allá del alcance de este texto.
Sin embargo, dos de las características, la imparcialidad y la consistencia,
serán vistas a continuación.
Imparcialidad. Si ^θ es un estimado de un parámetro θ de una distribución,
tales que la esperanza de θ es θ, es decir,

(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.

El estimador más común de la media μ de la distribución es la media de la

muestra X .
___
Para probar esta estadística para la imparcialidad y la
consistencia, se hace uso de las siguientes dos relaciones importantes.
(1) Si Y=a1X1+a2X2+... +anXn, donde X1, X2, ...,Xn son variables al azar (no
necesariamente independientes) y a1, a2, ..., an , son constantes, entonces la
esperanza o la media de Y es dada por

(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)

210 análisis y ajustes de las medidas de examen

La ecuación (8-16) es fácilmente derivada de las características básicas de la
esperanza dadas por las Eqs. (5-35) y (5-36). La ecuación (8-17) es
simplemente una nueva exposición de la ley especial de propagación de la
varianza para las funciones lineales, dada ya por la Eq. (6-22), ahora, la
media de la muestra, según lo definido por la Eq. (3-1), se expresa de forma
equivalente como

(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
___ ___

estimado constante de µ. Por lo tanto, una base de imparcialidad y de

consistencia , X es un buen estimado de μ .
___

Si la muestra escogida al azar se dibuja de una población normal, se

encontrara que X está distribuida normalmente. Incluso si la población no es
___

normal, todavía se distribuye aproximadamente normalmente en virtud del

teorema del límite central.
8.6. ESTIMACION DE LA VARIANZA

El estimado más común de la varianza σ² de una distribución, es la varianza

S² de la muestra, dada por la Eq. (8-13). Para demostrar que S² es un
estimado imparcial de σ², debe ser primero demostrado que.

(8-21)
 Introducción al análisis estadístico

211 análisis y ajustes de las medidas de examen

La demostracion de la Eq. (8-21) se deja al lector

   
[indirecta: Xi  X  Xi    X   ]. Tomando la esperanza de la Eq. (8-21) de
acuerdo con la Eq. (8-16), conseguimos
n

 i1
2

n

E  X i  X    X i  X  nE X  
 i1
2
 2
  (8-22)

Notando de la Eq. (5-29) que X    2 , y de las Eqs. (8-19), (8-20), y (5-

2

 2 2

29) que X     , conseguimos
n
n
 2

E  X i  X   n 2  n 
 i1 
2

n
 
 n  1 2 (8-23)

Por lo tanto

 
E S2  E 
 1 n
 
2
Xi  X   2  (8-24)
 n  1 i1 
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

Si una muestra escogida al azar de tamaño n se dibuja de una población

2
normalmente distribuida con media  y varianza  , la media de la
muestra X tiene una distribución normal con media y varianza 2 . Así,
n
según la Eq. (5-23), la cantidad
X
Z (8-26)

n
tiene una distribución normal estándar con media cero y varianza 1, y se
tiene que

212 análisis y ajustes de las medidas de examen

 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 
 2Z   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

  se conocen como límites de confianza, el intervalo entre ellos se

n

X  z
n

conoce como intervalo de confianza, y 2 z   1 se conoce como el grado

de confianza, o nivel de confianza, indicado a menudo como un
porcentaje. La construcción de un intervalo de confianza para un
parámetro de una distribution particular, tal como u, se conoce como de
estimacion.

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.

Introducción al análisis estadístico

213 análisis y ajustes de las medidas de examen

En el ejemplo 8-5 la desviación estándar de la población se conocía. Sin

embargo más a menudo, es desconocida y se debe estimar,
Generalmente la desviación estándar de la muestra S. Así, en vez de usar la
Eq. (8-26), debemos utilizar
X
T (8-29)
S n
Se demuestra fácilmente de las Eqs. (8-7), (8-25), (8-26), y (8-29) que T
tiene una distribución t con n -1 grados de libertad. Así, en vez de la Eq.
(8-28), tenemos
tS tS
P X X 2F( t ) 1 (8-30)
n n
Cuando los valores numéricos específicos x se proporcionan para X y S,
obtenemos un intervalo de confianza con limites de confianza X  tS n
y X  tS n y grados de confianza 2( t )  1 .

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.

214 análisis y ajustes de las medidas de examen

8.8. INTERVALO DE CONFIANZA PARA LA VARIANZA

Cuando una muestra escogida al azar de tamaño n se dibuja de una

población normal, la relación dada por la Eq. (8-25), que tiene un distribution
chi-cuadrado con n-1 grados de libertad, se puede utilizar para construir un
intervalo de confianza para la varianza de la población. Así,
(n 1)S2
P X2a , n 1 2
X2b , n1 b a (8-31)

Donde X a2, n 1 y X 2b , n 1 son el th y el b:h percentiles , respectivamente, de la

distribución chi-cuadrado con n-1 grados de libertad. De la Eq. (8-31) se
tiene que :
( n 1)S2 2 ( n 1)S2
P b a (8-32)
X2b, n 1 X2a , n 1
 y cuando un valor numérico específico se proporciona para obtener un
intervalo de confianza con límites ( n  1)S2 X 2b, n  1 y ( n  1)S2 X a2, n  1 , y b  a.
grados de confianza .
Construir un intervalo apropiado de confianza para  2 , se acostumbra hacer
los dos percentiles complementarios, es decir b+a=1.
Si se desea un intervalo de confianza para la desviación estándar, las
raíces cuadradas positivas de los límites de confianza para  2 es tomado.

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

Por lo tanto los límites de confianza son

(n 1)s 2 (19 )( 0.00121 )
0.00071 m2
X20.975,19 32 .9
Y
(n 1)s 2 (19 )( 0.00121 )
0.00258 m 2 .
X 20.025,19 8.91

215 análisis y ajustes de las medidas de examen

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.

8.9. ESTADÍSTICA DE PRUEBA

Es a menudo deseable comprobar si de una muestra si una población tiene

o no una distribución particular de la probabilidad. La línea de accion que
generalmente se tome es formular una sentencia sobre la distribución de
probabilidad de la poblacion , y después hacer una prueba para considerar
si la muestra dibujada de la población es consistente con la declaración. La
declaración que se hace sobre la distribución de probabilidad de la
 poblacion se llama hipótesis estadística. Si la hipótesis especifica totalmente
la distribución de probabilidad se conoce como hipótesis simple; o si no, se
conoce como hipótesis compuesta.
Para cada hipótesis H 0 hay una alternativa complementaria H1 . H 0 y H1 , , a
menudo se llaman hipótesis nula e hipótesis l alternativa, respectivamente.
Una hipótesis se prueba dibujando una muestra de la población en cuestion,
calculando el valor de una estadística específica de la muestra, y después
tomando la decisión de aceptar o de rechazar la hipótesis en base al valor
de la estadística. La estadística usada para hacer la prueba es llamada
estadística de prueba.
La prueba de una hipótesis estadística H 0 no es infalible, puesto que se
basa mas bien en una muestra dibujada de una población que sobre la
población entera en si misma . Puden ocurrir cuatro resultados posibles :
1. H0 se acepta, cuando H0 , es verdad.
2. H0 se rechaza, cuando H 0 es verdad.

3. H 0 se acepta, cuando H 0 es falsa.

4. H 0 se rechaza, cuando H 0 , es falsa.

Si ocurre el resultado (1) o el resultado (4), no se tiene ningún error en la línea

de acción que se tomo. Cuando el resultado (2) ocurre se conoce como tipo
de error I; cuando ocurre el resultado (3) se conoce como tipo de error II.
El tamaño del error tipo I, señalado por  , se define como la probabilidad de
rechazar H 0 cuando H 0 es verdad, es decir,
216 análisis y ajustes de las medidas de examen

  PRe jet H 0 when H 0 is true . (8-33)

Cuando  se fija en un cierto nivel para H 0 , y se expresa como porcentaje,

este se conoce como el nivel de significación de la prueba. Aunque la opción
del nivel de significación es arbitrario, la práctica común indica un nivel de
significación del 5% como « significativo », y el 1% como « altamente
significativo ».
8.10. PRUEBA DE LA MEDIA De UNA DISTRIBUCIÓN DE
PROBABILIDAD

Bajo ciertas condiciones podemos contar con la media  de una distribución

de probabilidad que tiene un valor específico  . La hipótesis que    ,
0 0
puede ser probada dibujando una muestra de tamaño n y usando la media de
la muestra X como la estadística de prueba. Específicamente tenemos
H0 :   0
H0 :   0

X se asume como normalmente distribuida, o por lo menos aproximadamente

normalmente distribuida.
Bajo la hipótesis que    0 , la siguiente sentencia de probabilidad se puede
derivar de la Eq. (8-27), asumiendo que  se conoce:
 
P ( 0  c)  X  ( 0  c)  2(z)  1, (8-34)

Donde c  z n.

Si  es desconocido, la siguiente sentencia de probabilidad se puede derivar

de la Eq. (8-30):
 
P (0  c)  X  (0  c)  2F( t )  1, (8-35)

Donde c  ts n. ,
H0 se acepta si x , el valor específico calculado de la muestra, esta entre 0  c

y  0  c ; si no H 0 , se rechaza. Las regiones de aceptación y de rechazo se

muestran en la fig. 8-4. si  es la probabilidad que H 0 se rechace cuando es
verdad, entonces 1   debe ser la probabilidad de que H 0 sea aceptado
cuando es verdad. A continuación, entonces, tenemos que
1    2(z)  1 Para  conocido (8-36a)

= 2F(t)-1 para  conocido (8-36b)

 217 analisis y ajustes de las medidas de examen

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,

218 análisis y ajustes de las medidas de examen

 p F(t ) 1 0.975 ,
2
Grados de libertad
de la tabla III del apéndice B. t  t 0.975, 9  2.26 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´´

Desde que x  4212'14.6" este entre  0  c y  0  c , la hipótesis que µ=42°12’16.01 es

aceptada en el nivel del 5% de significación.
8.11. PRUEBA DE LA VARIANZA DE UNA DISTRIBUCIÓN DE
PROBABILIDAD

Bajo la asunción de que la poblacion esta distribuida normalmente,

2
podemos probar el hipotesis nula H 0 que la varianza de la población es 0 ;
2 2
contra el alternativa de que no es 0 , con la varianza de la muestra S como
estadística de prueba.
Note que ( n  1)S2 2
0
se distribuye como chi-cuadrado con n-1 grados de
libertad, nosotros podemos hacer la siguiente sentencia de probabilidad:
 
P x a2,n 1  (n  1)S2  02  x 2b,n 1  b  a , (8-38)

De lo que conseguimos
 x a2,n 102 x 2b,n 102 
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 ab 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´´.

220 análisis y ajustes de las medidas de examen

Del ejemplo 8-8, la desviación estándar de la muestra es s  3.7´´ . Ahora a  0.05 .

Así a  a 2  0.025 , y b = I - (a/2) = 0.975. Grados de la libertad = n -1=9. De la
tabla II, apéndice B X 02.025,9  2.70 y X 02.975,9  19.0 . Así ,
 X 02.025,9 (2.70)( 2.0´´ ) 2
  1.20 (segundos de arco ) 2
n 1 9
y

X 02.975,9 (19.0)( 2.0´´ ) 2

  8.44 (segundos de arco ) 2
n 1 9
Ahora s 2  (3.7) 2  13.7 (segundos de arco)^2. Desde s 2 no esta entre 1.20 y 8.44,
la hipótesis que   2.0´´ se rechace en el nivel de significación.

8.12. DISTRIBUCIÓN NORMAL BIVARIADA

La distribución de probabilidad de dos variables aleatorias comúnmente

distribuidas fue discutida en términos generales en el capítulo 5. Ahora
miraremos una distribución común particular de la distribución normal bivariada
de dos variables aleatorias. Esta distribución es muy útil al tratar planimetría
con (x, y) posiciones a examinar.
La función común de densidad de dos variables al azar X y Y que tengan una
distribución normal bivariada es

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)


En la cuál  ,y  son las desviaciones media y estándar, respectivamente,

x x
de X;  ,y  es la desviación media y estándar, respectivamente, de Y; y
y y

 es el coeficiente de correlación de X y de Y según lo definido por la Eq. (5-

55),
esta función de la densidad tiene la forma de una superficie acampanada sobre
el x, plano de la coordinada Y, centrado, según lo demostrado en fig. 8-6. Las
funciones marginales de la densidad para X y Y son, respectivamente,
1 2

f (x) 
x
1
2
{
 exp   x  
 x


} (8-44)
2

221 análisis y ajustes de las medidas de examen

 Fig. 8-6.
Y

 
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.
 

222 análisis y ajustes de las medidas de examen

EJEMPLO 8-10
Los parámetros de una distribución normal bivariada son   4 ,  5,  4 ,  4 ,y
x y

  0 .5 . Un plano intersecta la función de la densidad en k=0.1 sobre el plano

xy

coordenado x, y . Evalúe y trace la elipse de intersección.

Solución
1
c2  ln 42 (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

Así, la ecuación de la elipse de intersección es

 x 4  x  4  y  5   y  5 
2 2

   2(0.5)     1.95,

 1   1  0.5   0.5 
Simplificando , conseguimos
( x  4) 2  2( x  4)( y  5)  4( y  5) 2  1.95.
Dejando que u  x  4 , y v  y  5 , tenemos

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

Los valores para x y y se enumeran en la tabla 8-4, y la elipse se traza en la

fig. 8-7 .
Puede ser demostrado con la derivación apropiada de la Eq. (8-46) que los
puntos extremos de la elipse (A, B, C, y D en la fig. 8-7), tienen las siguientes
coordenadas:
X Y
  c   c
A x x y y

  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 .

224 análisis y ajustes de las medidas de examen

Igualmente , los puntos F y H en la (fig. 8-7) son situados fijando y en la Eq-

(8-46) igual a cero y solucionando para x:

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)

La cuál es la ecuación de un círculo con radio c .

8.13. ERROR EN LAS ELIPSES

En la sección anterior, el caso general de la distribución normal bivariada fue

considerado. Éste esgeneralmente el modelo que se aplica a las medidas
de examen. Si deseamos centrarnos solamente en los componentes
aleatorios de error , podemos hacer  x , y  y , igual a cero y conseguir que
la distribución de probabilidad se centre en el origen de x y y , en el sistema
cordenado. Cuando, la Eq. (8-43) se reduce a
  x  2  x  y   y   
2
1  1    2        (8-48)
f ( x , y) 
2 x  y 1  2
exp 

 2 1  
2
   x 

        
 x  y   y   

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.

225 análisis y ajustes de las medidas de examen

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

Y por el vector  , la transformación (rotatoria) ortogonal del vector aleatorio,

Y

X´
Y´

que relaciona los dos vectores es

 Fig. 8-8.

226 análisis y ajustes de las medidas de examen

 Fig. 8-9.
X´  cos  sin   X 
Y´   sin  cos  Y , (8-50)
    
Donde  es el ángulo de rotación.
Ahora las matrices de covarianza para los vectores aleatorios
X  X´
 Y  y Y´
   
son
  2x  xy    2x 0  
 2 
y  2 
,
 xy  y    0  y  
Respectivamente . Los términos en la diagonal principal de la matriz de
covarianza para   son cero porque X’ y Y ‘ no tienen correlación ( x’ y y ‘ son
X´
Y´

los ejes principales de la elipse).

Aplicando la ley general de propagación de la varianza y de la covarianza, la
Eq. (6-19), a la relación del vector dada por la Eq. (8-50), conseguimos:
2x´ 0    cos sin    2x xy  cos  sin 
 2 
  2  . (8-51)
 0  y´    sin  cos xy  y   sin  cos 

227 análisis y ajustes de las medidas de examen

Multiplicando las matrices y comparando los elementos correspondientes
obtenemos

2x´  2x cos2   2 xy sin  cos  2y sin 2  (8-52)

   cos   2 xy sin  cos    sin 
2
y´
2
x
2 2
y
2
(8-53)
0  (   ) sin  cos    xy (cos   sin ).
2
y
2
x
2 2
(8-54)
Substituyendo 1 2sin 2 para sin  cos  , y cos 2 por cos2   sin 2  en la Eq. (8-54),
obtenemos
 1 2
2
 
y  2x sin 2  xy cos 2  0
De lo cual se obtiene

2 xy
tan 2  , (8-55)
 2x   2y

Del cuadrante 2 se determina generalmente de la manera de la muestra del

numerador 2 xy , y del denominador  2x   2y  .

Eliminando  de la s Eqs. (8-52) y (de 8-53) resultan las siguientes expresiones

para las varianzas de X’ y de Y ‘:

 
12
2x  2y  2x  2y 
2

 x´ 
2
  2xy  (8-56)
2  4 

 
12
2  2y  2x  2y 
2

2y´  x   2xy  . (8-57)

2  4 

La desviación estándar x y y , son el eje semimayor y el eje semimenor,

respectivamente, del error estándar de la elipse. Puede ser demostrado que
2
las varianzas  y  2 son los eigenvalores propios de la matriz de covarianza

 .
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.

228 análisis y ajustes de las medidas de examen

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 .

Para determinar la probabilidad asociada al error de la elipse, es más

conveniente considerar los errores al azar X y Y (sin correlación)
independientes. (Si los errores se correlacionan , pueden ser transformados
siempre en errores sin correlación por la rotación con el ángulo  .)

229 análisis y ajustes de las medidas de examen

Para los errores al azar sin correlación, p = 0 y la Eq. (8-49) se reduce a

x 2 y2
  c2 . (8-58)
 2x 2y
Ahora considere la posición de un punto definido por dos errores al azar X y Y.
Este punto estará conteniendo el error de la elipse si
x 2 y2
  c2 . (8-59)
 2x 2y
Desde que X y Y sean dos variables al azar normales independientes con
media cero, la variable al azar
 X2 Y2
U  (8-60)
2x  2y
Tiene una distribución chi-cuadrado con dos grados de libertad. La función de
densidad de probabilidad de U se puede derivar fácilmente de la función
general de densidad chi-cuadrado, en la Eq. (8-3), note que para dos grados
de libertad n 2   1 .
Así, la función de densidad de probabilidad de U es
1
f (u )  e u 2 para u  0. (8-61)
2
La probabilidad de que la posición dada por valores de X y de Y dentro del
error de la elipse es
 x 2 y2 

P  2  2  c2   P U  c2 
 x  y 
21
  e u 2du
0 2
u 2
1 e . (8-62)
Las probabilidades PU  c 2  representadas por el volumen bajo superficie
normal bivariada de la densidad dentro de la región definida por el error de la
elipse PU  c 2  para varios valores de c se dan en la tabla 8-5. Puesto que para el
error estándar de la elipse c  1 , vemos de la tabla 8-5 que la probabilidad de
que la posición de un punto trazado de los dos errores al azar esté en o dentro
del error estándar de la elipse es 0.394.

230 análisis y ajustes de las medidas de examen

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 PU  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
cx´  2.146(0.25)  0.54m,
Y el eje semimenor del error de la elipse es
cy´  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.

230 análisis y ajustes de las medidas de examen

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 

232 análisis y ajustes de las medidas de examen

S 
  .
S S
8-6 El problema 8-5 los ángulos  y  se suman para formar un nuevo ángulo
 . Calcule una muestra de 20 valores para  directa de los 20 pares de los

valores  y  en el problema 8-5. Entonces calcule de estos datos la varianza

de la muestra s 2 , la covarianza de la muestra s 
2
y el coeficiente de
2 2
correlación de la muestra   . Compruebe los valores calculados para s y s  ,
aplicando la propagación varianza-covarianza a la función del vector
 1 0  
    0 1     ,
    
usando las varianzas u las covarianzas de la muestra para  y  , calculadas
en el problema 8-5, como elementos de la matriz de covariación para  .



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 ‘’

Las medidas se asumen como normalmente distribuidas normalmente e

independientes. Construya los intervalos de confianza del 90% y del 99% para
la media de la población, la varianza, y la desviación estándar.
8-10 un ángulo se mide 16 veces con un teodolito. Los valores medidos son:
1. 52°35’24 9. 52°35’2
2. 52°35’28
» 10 52°35’2
4»
3. 52º35’22
» . 52°35’3
11 9»
4, 52°35’20
» . 52°35’3
12 5»
5. 52°35’25
» . 52°35’2
13 1»
6. 52°35’29
» . 52°35’2
14 9»
7. 52°35’18
» . 52°35’3
15 6»
3. 52°35’26
» . 52°35’3
16 0»
» . 1»

233 analisis y ajustes de las medidas de examen

Se sospecha que el teodolito fue afectado por un disturbio entre la octava y

novena medida. Construya intervalos de confianza del 90% para las medias
de los primeros ocho y las siguientes ocho medidas. ¿Hay evidencia de que el
teodolito fue afectado por un disturbio?
8-11 un ángulo se mide independientemente 10 veces con la misma precisión.
Los valores observados son 90°00’05 ‘’ , 90°00’10’’, 90°00’00’’ , 90°00’07 ‘’,
89°59’54’’ , 89°59’58’’, 90°00’06 ‘’, 90°00’03 ‘’ 89°59’57’’ , 90°00’10’’.
(a) Pruebe la hipótesis nula de que la media es la medida igual a 90°00’00’’
contra la alternativa de que la media no es igual a 90°00’00’’. Utilice un nivel
de significación del 5%.
( b) Pruebe la hipótesis de que la desviación estándar es la medida es 4’’
contra la alternativa de que no es 4’’. Utilice un nivel de la significación del
5%.
8-12 una mira de nivel se observa 15 veces con un nivel exacto equipado de
un micrómetro. Las siguientes son las lecturas de la mira (asumidas para una
muestra escogida al azar de una población normal):
1412.80 1412.85 1412.87
1413.09
mm 1412.50
mm 1412.80
mm mm
1412.86
mm 1412.84
mm 1412.66
mm
1412.80
mm 1412.84
mm 1412.84
mm
1412.78
mm 1413.02
mm 1412.72
mm
mm mm mm
Pruebe las siguientes hipótesis en el nivel de significación del 5%:
(a) H 0 :   1413.00 mm against
H1 :   1413.00 mm
(b) H 0 :   1412.75 mm against
H1 :   1412.75 mm

© H0 :   0.08 mm against H1 :   0.08

mm
(d) H 0 :   0.20 mm against H1 :  
0.20 mm

8-13 dos calibraciones independientes de 50 m de una cinta de acero

producen diversos valores de longitud de la cinta: 50.0026 m, y 50.0008 m.
La desviación estándar de una sola calibración de la cinta se conoce y es 0.7
milímetros.
(a)Pruebe el nivel de significancia del 2% para cualquier diferencia significativa
entre los dos valores de la calibración.
b)Asuma que no hay ninguna diferencia significativa entre los dos valores de la
calibración, construya un intervalo de confianza del 99% para la longitud de
la cinta basada sobre la media de los dos valores de la calibración.

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.

235 análisis y ajustes de las medidas de examen

(a) Demuestre que

02  2x cos2   2ysen 2.

(indirecta : Coloque el eje x’ en la dirección de DE OP. SYS)

(b)Entonces demuestre que la ecuación de la curva de pedal en el sistema de
cordenadas x, y es
x 2
 
2

 y 2  2x x 2  2y y 2  0.

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 .

(a) Demuestre que V   2 2  Y , donde Y tiene una distribucion chi- cuadrado

con n grados de libertad. (b) Derive la expresion para la media y la
desviación estándar de V. (c) si una cinta de 50 m se utiliza para medir una
distancia de 800 m, y   0.50m , evalúe v tal que.

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)

237 análisis y ajustes de las medidas de examen

no se incluye ningún parámetro en las condiciones. Por lo tanto, para el caso

actual, hay necesidad de una técnica más general de mínimos cuadrados que
pueda manejar observaciones y parámetros combinados en las ecuaciones de
condición sin la restricción de tener solamente una observación en cada
ecuación. Tal técnica es el tema de este capítulo.
Para permitir tanta generalidad como sea posible, la técnica no pondrá ninguna
restricción en la estructura de la covarianza, de cofactor, o de peso de las
matrices de observaciones, es decir, aceptará las medidas que se pueden
correlacionar y/o de precisión desigual.
Antes de proceder con la derivación general de la técnica de los mínimos
cuadrados, volveremos a trabajar el problema línea recta de los ejemplos 3-5
y 4-6, ahora tomando la coordenada x y la coordenada y también como
observaciones.
EJEMPLO 9-1
Una línea recta y  ax  b , se debe pasar r a través de tres puntos. Se dan los
siguientes datos :
POINT x(cm) y(cm) 2 2
 x ( cm )
2 2
 y ( cm )

1 2.00 3.20 0.04 0.10

2 4.00 4.00 0.04 0.08
3 6.00 5.00 0.04 0.08

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

 a 0 vx  1vy   x a   1b   y  a 0x  b0 ,

Donde a 0 , b 0 , son los valores aproximados para los dos parámetros

desconocidos. Combinando los términos en las residuales a la vez , y éstos en
las correcciones del parámetro a la vez , y expresando los resultados en
notación matricial , tenemos
v x  a 
 a 0 1    x  1    y  a 0 x  b 0 .
v y  b
 Las ecuaciones linealizadas para los tres puntos pueden ser escritas en esta
forma y ser combinadas como se muestra a continuación :
 v x1 
v 
 a 0 1 0 0 0 0   x 2    x1  1   y1  a 0 x1  b 0  
 0 v  a  
 0  a0 1 0 0  x 3    x 2  1     y 2  a 0 x 2  b 0 .

b
 1     y3  a 0 x 3  b 0 
v
 0 0 0 0  a0 1  x 4    x 3
vx5 
 
 v x 6 

Lo cuál se puede escribir como

Av  B  f .

Los valores para las aproximaciones a 0 , , y, b 0 pueden ser obtenidos

encontrando la ecuación de una línea recta que pase por cualesquiera dos de
los tres puntos. Tomando los puntos 2 y 3, por ejemplo, tenemos:

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

b0  y2  a 0 x 2  4.00  0.500(4.00)  2.00.

Así

 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

  3.20  0.5(2.00)  2.00   0.20

f   4.00  0.5(4.00)  2.00   0 .
  5.00  0.5(6.00)  2.00   0 

Puesto que las coordinadas x y y se tratan como las variables observadas, y

puesto que hay seis valores de coordenadas en total, la matriz de covarianza
es de 6x6. Además, puesto que todas las observaciones no tienen
correlación, la matriz de covarianza es diagonal, es decir,
 2x 1   0.04 
   
 2y1   0.10 
  2x2   0.04  2
   cm ,
  2
y2   0.08 
  2   0.04 
 x3
  
 2y3   0.08 

El vector de observaciones l y el vector residual v son

 x1   v x1 
y  v 
 1  y1 
x  v x 2 
   2 and v   .
 y2  v y 2 
 x3  vx3 
   
 y3  v y 3 

El termino constante del vector f puede ser escrito como

 x1 
y 
 a 0 1 0 0 0 0  1   b 0 
x 
f    0 0  a0 1 0 0  2   b 0 ,
y
 0 0 0 0  a0 1  2  b 0 
x3 
 
 y3 
Lo cual simbólicamente es
f  A  d,

b0 
Donde d es obviamente el vector de constantes  b 0 
 b 0 

Ahora, el vector de observaciones se puede transformar en un vector de

observaciones equivalentes  , como sigue:
c

 c  A.

240 análisis y ajustes de las medidas de examen

La misma transformación se aplica al vector de residuales, v, es decir,

 v 0  Av.

Así,
f   c  d

Y las ecuaciones de condición lineal izadas se convierten

v0Bcd, v0  B   c  d,
La cuál es de la forma de la Eq. (4-7) para la técnica del ajuste de
observaciones indirectas. De la ley general de propagación de varianzas y de
covarianzas , expresada por la Eq. (6 19), podemos obtener la matriz de la
covarianza de  c .

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

a1  a 0  a  0.5  0.0482  0.4518

b1  b0  b  2.0  0.2571  2.2571 .
241 análisis y ajustes de las medidas de examen

 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 
N11   
 0.5729 2.7219 
 0.00005 
1  N11t1   .
 0.00026 

Puesto que los valores en 1 , son suficientemente pequeños, se termina el

procedimiento iterativo, y las estimaciones finales de los parámetros forman
arcos
â  0.452, b̂  2.257 cm.

Hemos visto en el ejemplo anterior que en algunos problemas las ecuaciones

de condición se escriben más fácilmente en la forma Av  B  f que en
cualquiera de las dos formas más simples que se discutieron en el capítulo 4.
Mientras que es posible en principio solucionar cualquier problema por
cualquier técnica de minimos cuadrados, está es absolutamente a menudo

242 análisis y ajustes de las medidas de examen

más conveniente , es más eficiente solucionar un problema dado por una
técnica particular. Entre otros, los problemas del ajuste de la curva y los
problemas de transormacion de cordenadas son solucionados lo mejor posible
por la técnica general de este capítulo cuando todas las cordenadas en las
ecuaciones de condición son variables observadas.

9.2. DERIVACIÓN

Dado un modelo matemático, el número mínimo de observaciones necesarias

para su determinación única es n 0 . Cuando se adquieren n medidas que son
constantes con el modelo, tales que n  n 0 , la redundancia es
r  n  n 0 . (9-4)

Esto significa que entre las n variables de observación existen r ecuaciones

independientes de condición (véase las secciones 3.3, 4.1, y 4.4). Si
deseamos llevar los parámetros desconocidos en el ajuste, después debemos
escribir una ecuación adicional de condición para cada parámetro. Por lo tanto,
si se llevan los parámetros u, el número de ecuaciones de la condición será
c  r  u. (9-5)

El límite más bajo para el valor de u es obviamente cero, en cuyo caso no se

llevan ningunos parameters y allí c  r son las condiciones entre las
observaciones solamente. Por otra parte, el límite superior para el valor de u es
n 0 , para el cual c  r  n 0  n , de modo que no se puede escribir más condiciones

que el número total de observaciones. Así,

0  u  n 0 (9-6)
r  c  n , (9-7)
Los límites más bajos de los cuales se define el caso para el ajuste de
observaciones solamente, y los límites superiores definen el caso para el ajuste
de los observaciones indirectas, lo s dos casos especiales tratados en el
capítulo 4 (véase la sección 9.4). En muchos problemas, el número de
parámetros que se llevan dentro del ajuste no son ni cero ni n 0 . En tales
casos, ni una ni otra de las dos técnicas especiales del capítulo 4 serían
directamente convenientes. Las c ecuaciones de condición existen, cuando
son originalmente lineales tomadas de la forma
A  v  B  d, (9-8)
Donde

243 analisis y ajustes de las medidas de examen

A es una matriz rectangular c  n de coeficientes c  n  ;

B es una matriz rectangular c  u de coeficientes c  n  ;
 Es un vector n  1 tomado de las observaciones ;
v es el correspondiente vector de residuales n 1 ;
 Es el vector de parámetros u  1 ;

d es un vector de constantes c  1 .

La precisión de las n observaciones dadas se puede expresar por una matriz

de covarianza  , una matriz de cofactores Q , o una matriz de peso W. En la
derivación subsecuente, la matriz de cofactores será utilizada.

Hay dos procedimientos posibles para derivar la estimación de los minimos

cuadrados del vector de parámetros  . El primero fue esencialmente seguido
en el ejemplo 9-1 en el cual las ecuaciones de condición que combinan
observaciones y parámetros se transforman en forma de ajuste indirecto de la
observación. Para completar este procedimiento se resume aquí.
Permita que
 c  A (9-9)
Represente un vector de c observaciones equivalentes , cada una de las
cuales es una combinación lineal de las n observaciones originales; y deje que
vc  Av (9-10)
Sea las c residuales correspondientes. Si Q es la matriz de cofactores de las
observaciones dadas, entonces, Q c la matriz de cofactores de las
observaciones equivalentes, es, según la Eq. (6-27), dada por
Qc  A  Q  A t
(9-11)
c, c c, n n , n n , c
En términos de las observaciones equivalentes, las ecuaciones de condición
dadas por la Eq. (9-8) se convirten en
 c  vc  B  d
O
vc  B  d   c  f . (9-12)
Si la matriz de peso de las observaciones equivalentes es

Wc  Qc1  AQA t 
1
(9-13)

244 analisis y ajustes de las medidas de examen

Entonces las matrices de las ecuaciones normales para las condiciones

expresadas por la Eq. (9-12) son, según las Eqs. (4-28) y (4-29),

N  Bt Wc B  Bt AQA t  1
B (9-14)
Y
 
1
t  Bt Wc f  Bt AQA t f (9-15)
Y las estimaciones de los minimos cuadrados de los parámetros son, de la
Eq. (4-38),
  N 1t. (9-16)
 El lector debe reconocer que la Eq. (9-13) es idéntica a la Eq. (4-53) en el
capítulo 4, y debe entender que el uso de los simbolos Q c y Wc del capítulo 4
fueron justificados puesto que ellos, representan las matrices de cofactro y
peso respectivamente, del sistema de observaciones equivalentes.
En el segundo procedimiento de derivación aplicaremos el criterio mínimo
directamente. Recuerde del capítulo 4 que es el criterio mínimo para las
observaciones con una matriz de peso W
  v t Wv  min imun . (9-17)

Aunque en el capítulo 4 nos restringimos a las observaciones sin correlación

por motivo de simplicidad, esta expresión se aplica a todos los casos sin
importar la estructura de la matriz de peso. Así, W puede ser una matriz
completa, para el caso que las observaciones se correlacionan con precisión
igual o desigual; o puede ser una matriz diagonal para las observaciones sin
correlación con precision desigual; o puede ser un escalar o una matriz
identidad que refleja observaciones sin correlación con precisión igual.
Lineal o linealizado, las ecuaciones de condición son
Av  B  f . (9-18)
Cuando forman arcos originalmente lineales, entonces de la Eq. (9-8)
f  d  A. (9-19)
El caso más común debe tener las condiciones no lineales con c funciones de
forma general
F  F, x   0 (9-20)
En la cual  es el vector de n observaciones y x es el vector de los
parámetros de u. Así, la linealización de la Eq. (9-20) conduce a la Eq. (9-18),
con
F

F
 
A  , B  , f  F , x 0 , (9-21)
x

245 analisis y ajustes de las medidas de examen

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.

De manera similar a la técnica del ajuste de observaciones solamente (véase

la sección 4.4), un vector k de c multiplicadores de Lagrange se utiliza. El
criterio mínimo entonces se convierte en
'  v t Wv  2k t Av  B  f   min imun . (9-22)
Para alcanzar un mínimo, la derivada parcial de  ' con respecto a ambos v y 
se iguala a cero, o
 '
 2v t W  2k t A  0
v
 '
 2k t B  0,

Lo cuál después de que se transpone y se rearregla se convierte en
Wv  A t k (9-23)
Bt k  0. (9-24)
Solucionando la Eq. (9-23) para v, conseguimos

v  W 1A t k  QAt k, (9-25)

Y substituyendo en la Eq. (9-18) conseguimos

AQA k  B  f ,
t

Lo que en vista de la Eq. (9-11), se convierte en

Qc k  f  B. (9-26)
Solucionando la Eq. (9-26) para k se produce
k  Qc1 f  B  Wc f  B, (9-27)
Finalmente, sustituyendo en la Eq. (9-24) da

246 análisis y ajustes de las medidas de examen

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

247 analisis y ajustes de las medidas de examen

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 

Los valores para la iteración final son

  0.4518 1 0 0 0 0
A   0 0  0.4518 1 0 0
 0 0 0 0  0.4518 1
 2  1  0.0393 
B   4  1, f   0.0643 
 6  1   0.0321
0.8151 0 0 0
Wc   0 1 0,   0
 0 0 1 0

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

248 análisis y ajustes de las medidas de examen

Punto x(cm) y(cm)

1 2.01 3.16
2 3.99 4.06
3 6.01 4.97

El lector puede verificar que estas posiciones ajustadas estan en la línea

y  0.452x  2.26. .
Además de las estimaciones ellas mismas, son igualmente importantes al
calcular la precisión de las estimaciones. Esto se discute en la siguiente
seccion.

9.3. ESTIMACION DE LA PRECISIÓN

La derivada Q  de la matriz de cofactor del parámetro estimado  , primero

substituimos la Eq. (9-15) en la Eq. (9-16) y conseguimos
  N1Bt Wcf . (9-33)
El vector f entonces se substituye por d  A ,, según la Eq. (9-19), y da
  N1Bt Wc d  A. (9-34)
El único vector aleatorio en la Eq. (9-34) es  . Su matriz de cofactores Q. Así,
el Jacobiano de  con respecto a  es

J     N 1Bt Wc A (9-35)

y de la ley de propagación expresada por la Eq. (6-28), conseguimos
Q  J QJt 
 
  N 1Bt Wc A Q  N 1Bt Wc A 
t

 N1Bt Wc (AQAt )WcBN1

 N 1 , (9-36)
1 t
Puesto que Wc , y N son simétricas y, de las Eqs. (9-13) y (9-14), Wc  AQA ,y
t
,, respectivamente. Si las ecuaciones de condición no son
N  B Wc B

originalmente lineales, entonces  es el vector de parámetros estimados , y,

Q  dados por la Eq. (9-36), es la matriz correspondiente de cofactores. Si, sin

embargo, las ecuaciones de condición son no lineales, son linealizadas por

una expansion de la serie

249 analisis y ajustes de las medidas de examen

(véase el capítulo 2), y  es un vector de correcciones del parámetro que se

agregarán a las aproximaciones x 0 . Es importante, entonces, derivar la matriz
de cofactores Q xx para el vector final de estimaciones x. La Eq (9-30) indica
que la estimación final es la suma de x 0 , y  . Si x 0 , se toma como la
aproximación del parámetro al principio de la anterior iteración de la solución
de los minimos cuadrados y  es la corrección final, entonces
Q xx  Q   N 1 , (9-37)
Porque x 0 , puede ser mirado como un vector de constantes numéricas de los
componentes de la cual han sido determinadas todas las iteraciones del
procedimiento anterior. .
La ecuación (9-37) demuestra que la matriz de cofactores de los parámetros
estimados por minimos cuadrados resulta ser simplemente lo contrario de la
matriz normal N de coeficientes de las ecuaciones. Así, la precisión de las
estimaciones del parámetro es un subproducto del cálculo del parámetro que
se estima.

Mientras que la Eq. (9-37) da la matriz de cofactores, o la matriz relativa de la

covarianza, de los parámetros estimados, más a menudo es necesario
encontrar la precisión absoluta de las estimaciones del parámetro, es decir, su
matriz de covarianza   , si la varianza referida por  02 , se conoce de
antemano (a priori), después es cuestión directa calcular   o  xx :
 xx     02Q  02 N 1. (9-38)
EJEMPLO 9-3

Referente al ejemplo 9-1, calcule la matriz de covarianza para los

paramentros estimados â y b̂

Solución
Del ejemplo 9-1, la matriz de cofactores de las estimaciones del parámetro es
 0.1387  0.5729 
Q xx Q   N11   .
 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

Sin embargo,  02 no se conoce de antemano, una estimación para 2

0 , puede
ser calculada a posteriori de los resultados del ajuste:
v t Wv v t Wv
ˆ 02   , (9-39)
cu r

250 análisis y ajustes de las medidas de examen

Donde

v es el vector de residuales de observación;

W es la matriz a priori de peso de las observaciones;
c es el número de las ecuaciones de condición;
u es el número de parámetros;
r es la redundancia (grados de libertad) que es igual a n  n 0 , n 0 , siendo el
número total de observaciones requieridas para definir unicamente el modelo
subyacente. *
La matriz de covarianza a posteriori de los parametros estimados entonces
son
 xx     ˆ 02Q  ˆ 02 N 1. (9-40)
2
El valor a priori de 0 , si está dado, se puede probar estadísticamente usando
2 2
̂ 0 en lugar de S y r en lugar de n 1 , en la sección 8.11, capítulo 8 . Cuando
2 2
̂ 0 es consistente con 0 , el último se debe utilizar siempre para calcular
matrices de covarianza tal como  xx . Esto es porque el valor de ̂ 02 ; es
solamente una estimación a partir de un modelo con redundancia limitada,
mientras que  02 se presume que esta lejos de ser conocido. Si ̂ 02 se vuelve
inconsistente con  02 , entonces se toman varios pasos para determinar el
porque . [este asunto está fuera del alcance de este libro; para los
interesados, vean a Mikhail (1976) ].

Para evaluar la forma cuadrática t

v Wv , utilizamos la relacion t

v  QA Wc f  B  de la
Eq. (9-31). Asi,
v t
Wv
QA t
W c f  B W QA t
W c
fB
 
t

Lo cuál se reduce a
vt Wv  f t Wcf  f t  (9-41)
1
Si observamos que Q y Wc son simétricas, que Q W , y que
1 t t t 1
Wc  AQA , N  B Wc B , t  B Wc f , y   N t , de la Eq. (9-13) a través de la eq. (9-16),
respectivamente.
Cuando las ecuaciones de condición son no lineales, el procedimiento iterativo
se realiza generalmente hasta los valores finales de  tan pequeños hasta ser
esencialmente cero. Por lo tanto, para el caso no lineal, la Eq. (9-41) se reduce
a
vt Wv  f t Wcf . (9-42)
* Es interesante observar que cuando n 0  1 n, = 1 y W  1 , la Eq (9-39) se
reduce a
t 2
2 v v v
ˆ
0
n 1 n 1
 t 2
2 v v v
ˆ
0
n 1 n 1

251 analisis y ajustes de las medidas de examen

La expresión familiar para la varianza de la muestra.

Ot ras dos matrices de cofactor son de interés — Q vv , la matriz de cofactor de

las residuales; y, la más importante, la matriz de cofactor de las observaciones
ajustadas Q ˆ ˆ .
Al dervar Qˆˆ

nosotros notamos de las Eqs. (9-27), (9-15), y (9-19) que
k  Wc f  BN 1t  

 Wc f  BN 1Bt Wcf 

 Wc I  BN B Wc d  A, (9-43)
1 t

Y de la Eq. (9-25) que
v  QA t k.
Aplicación de la ley general de propagación de cofactores a la Eq. (9-43), y
observando que d es un vector de constantes, obtenemos
 
Q kk   Wc I  BN 1Bt Wc A Q  Wc I  BN 1Bt Wc A     t

Lo cuál se reduce a

QkWcIBN1t 
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

Para derivar Q ˆ ˆ , observamos de las Eqs. (9-32), (9-25) y (9-43) que

ˆ    v

   QAt Wc I  BN 1Bt Wc d  A 
 
 I  QA Wc I  BN B Wc   c, (9-46)
t 1 t

Donde  t
 , un vector de constantes. Aplicando la ley general
1 t
c  QA Wc I  BN B Wc d

de propagación de cofactores a la Eq. (9-46)

   
Qˆ ˆ  I  QAt Wc I  BN 1Bt Wc A Q I  QAt Wc I  BN 1Bt Wc A ,   
t

Lo cuál se reduce a
Qˆ ˆ  Q  QA t Wc I  BN 1Bt Wc AQ (9-47)

* Una matriz identica tiene la característica que es igual a su cuadrado.

252 análisis y ajustes de las medidas de examen

Es importante reconocer de las Eqs. (9-45) y (9-47) que

Q ˆ ˆ  Q  Q vv , (9-48)
Lo cuál es la misma relación dada por las Eqs. (6-46) y (6-61).

EJEMPLO 9-4

Referente a los problemas de los ejemplos 9-1 y 9-2, calcule la matriz de

covarianza para las cordenadas ajustadas.

Solución

De los ejemplos 9-1 y 9-2

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

 0.1605 0.3217 0.8403 

Y

 0.1970  0.3941 0.1969 

I  BN B Wc   0.3212 0.6421  0.3217 
1 t

 0.1605  0.3217 0.1597 

 253 analisis y ajustes de las medidas de examen

 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 

Usando la Eq. (9-45), la matriz de cofactores del vector de residuales v puede

ser calculada:

Qvv  QAt Wc I  BN 1Bt Wc AQ 
 0.006  0.036  0.013 0.057 0.006  0.029 
 0.198 0.071  0.317  0.036 0.159 

 0.026  0.114  0.013 0.057 
 .
 0.507 0.057 0.254 
 0.006  0.028 
 
Symmetric 0.126 

De la Eq . (9-48) podemos conseguir la matriz de cofactores de las

cordenadas ajustadas ̂ :
Q ˆ ˆ  Q  Q vv ,
Qˆv,
 0.438 0.036 0.013  0.057  0.006 0.029 
 0.913  0.071 0.317 0.036  0.159 

 0.418 0.114 0.013  0.057 
 .
 0.382  0.057 0.254 
 0.438 0.028 
 
Symmetric 0.763 
2 2
Finalmente, puesto que  0  0.09 cm es la matriz de la covarianza de las
cordenadas ajustadas
 0.0394 0.0032 0.0012  0.0051  0.0005 0.0026 
 0.0822  0.0064 0.0285 0.0082  0.0143 

 0.0376 0.0103 0.0012  0.0051
 ˆ ˆ
 02Qˆ ˆ  
0.0344  0.0051 0.0229 
2
 cm .

 0.0394 0.0025 
 
 0.0687 

254 análisis y ajustes de las medidas de examen

9.4 CASOS ESPECIALES

En el capítulo 4, dos técnicas específicas de ajuste por minimos cuadrados

fueron presentadas . Estas técnicas son:
1. Ajuste de observaciones indirectas.
2. Ajuste de observaciones solamente.

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.

Ajuste de observaciones indirectas

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  Qc1  Q1  W (9-52)
N  Bt Wc B  Bt WB (9-53)

255 analisis y ajustes de las medidas de examen

Y
t  Bt Wcf  Bt Wf . (9-54)
Las ecuaciones (9-53) y (9-54) son idénticas a las Eqs. (4-28) y (4-29), respec-
tivamente, desarrolladas en el capítulo 4.
Cuando A  I y Wc  Q 1 , como están en este caso especial, la Eq. (9-31) se
reduce a
v  f  B, (9-55)
Lo cuál es idéntico a la Eq. (4-32), un cambio obvio de la ecuación de
condición.
Si se calcula N usando la Eq. (9-53), Q   N 1 como es dado por la Eq. (9-
36), es idéntica a la matriz de cofactores para  obtenida en la Eq. (6-43).
Finalmente,con A  I y Wc  Q 1 , la Eq. (9-45) se reduce a
Qvv  Q  BN 1Bt (9-56)
Lo cuál es idéntico a la Eq. (6-44); y la Eq. (9-47) se reduce a
Qˆ ˆ  BN 1Bt (9-57)
Lo cuál es idéntico a Eq. (6-45).

Así, cada método de ajuste por minimos cuadrados de observaciones

indirectas es un caso especial del procedimiento general.

Ajuste de observaciones solamente

Referente una vez más a la sección 9.2, este caso especial se alcanza cuando
u es igual a su límite más bajo, cero, haciendo c igual a su límite más bajo, r (la
redundancia). Sin los parámetros llevados dentro del ajuste, B en la Eq. (9-
18) desaparece, dejando
Av  f , (9-58)
Lo cuál es idéntico a la Eq. (9-3), la forma de las ecuaciones de condición
para el ajuste de observaciones solamente.
Para hacer que el termino B desapareza nosotros podemos fijar B  0
simplemente. Si se hace esto, la Eq. (9-27) se reduce a
k  Wcf (9-59)
Lo cuál es idéntico a la Eq. (4-52). La ecuación (9-25), que es
v  QAt k

256 analisis y ajustes de las medidas de examen

no necesita ninguna reducción puesto que es idéntica a la Eq. (4-48). En

cuanto a las matrices de cofactor, cuando B  0 , la Eq. (9-45) se reduce a
Qvv  QAt Wc AQ (9-60)
Lo cuál es idéntico a la Eq. (6-58), y la Eq. (9-47) se reduce a
Qˆ ˆ  Q  QAt Wc AQ (9-61)

Lo cuál es idéntico a la Eq. (6-60). Obviamente, la relación expresada por la

Eq. (9-48).
Qˆ ˆ  Q  Qvv ,
Es consistente con las Eqs. (9-60) y (9-61).
Esto debe hacerle claro que la técnica de ajuste de observaciones solamente
es también un caso especial del procedimiento general. En principio, un
problema que se puede solucionar por el método general de ajustes puede
también ser solucionado usando los procedimientos especiales, con tal que se
hagan las transformaciones apropiadas. Las transformaciones necesarias
pueden ser relativamente complicadas . En su lugar, se sugiere que la más
apropiada de las tres técnicas disponibles sea seleccionada para solucionar un
problema específico de ajuste. La selección de la técnica más apropiada se
basa en la experiencia.

9.5. RESUMEN DE SÍMBOLOS Y DE ECUACIONES

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,

 es el vector de los parámetros estimados (caso lineal) o de las correcciones

de los parámetros (caso no lineal).
x̂ es el vector de los parametros estimados (caso no lineal),
d es un vector de constantes.
f es el vector constante de los términos de las ecuaciones de la condición.

257 analisis y ajustes de ls medidas de examen

c es el vector de observaciones equivalentes.

n es el número de medidas dadas, y así el número de elementos en  , ̂ , y
v.
n 0 es el número de observaciones necesarias para especificar únicamente el

modelo que es la base del problema del ajuste.

r es la redundancia, o el número de grados de libertad estadísticos.
u es el número de parámetros llevados en el ajuste, y así el número de
elementos en  A, x, x 0 , y x̂ .
c es el número de las ecuaciones independientes de condición, y el número
de elementos en d, f, y  c .
A es la matriz c  n de coeficientes para las observaciones.
B es la matriz c  u de coeficientes para los parámetros.
Q es la matriz n  n de cofactores a priori de  .
W es la matriz de peso n  n a priori de  .
Q c es la matriz de cofactores c  c de  c .

Wc es la matriz de peso c  c de  c .

N es matriz de coeficientes u  u de las ecuaciones normales.

t es el vector de "constantes" u  1 en las ecuaciones normales.
k es el vector c  1 de los multiplicadores de Lagrange,
Q  , Q xx , Q vv y Q ˆ ˆ son las matrices de cofactor de  , x, v, y ̂ ,

respectivamente.
2
 0 es la referencia de la varianza (valor a priori).
2
̂ 0 es la estimación de los minimos cuadrados de la referencia de la varianza (
valor a posteriori ). ,


,  xx ,  vv y  ˆ ˆ son las matrices de covarianza de,  , x, v, y  ,
respectivamente.

Ecuaciones, Caso General

 r  n  n 0 (9-4)
c  r  u (9-5)
0  u  n 0 (9-6)
r  c  n (9-7)

La forma general lineal o linealizada de las ecuaciones de condición es

Av  B  f . (9-18)
Donde para el caso lineal
f  d  A. (9-19)

258 analisis y ajustes de las medidas de examen

Y para el caso no lineal

A
F

F
 
, B  , f  F , x 0 , (9-21)
x
En la que
F  F, x   0 (9-20)
La solución por minimos cuadrados es
Qc  AQAt (9-11)

Wc  Qc1  AQA t 1
(9-13)
  B (9-14)
N  Bt Wc B  Bt AQA t
1

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)

Las matrices de cofactor son

Q   N 1 (9-36)
Q xx  N 1 (9-37)
Qˆ ˆ  Q  QA t Wc I  BN 1Bt Wc AQ (9-47)
Qˆ ˆ  Q  Qvv. (9-48)

La estimación de la referencia de la varianza es

v t Wv v t Wv
ˆ 02   , (9-39)
cu r
Donde
vt Wv  f t Wcf  f t . (9-41)
Las matrices de covarianza son ,
259 analisis y ajustes de las medidas de examen

 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
 02Qˆ ˆ si 2
0 se conoce a priori,
 ̂02Qˆ ˆ si 2
0 se conoce a priori. (9-40)

Ecuaciones de caso especial del Ajuste de observaciones indirectas

u  n 0 Límite superior (9-6)

c  n. límite superior (9-7)
Entonces las ecuaciones de la condición son de la forma
v  B  f , (9-50)
La solución por minimos cuadrados es
Wc  Qc1  Q1  W (9-52)
N  Bt Wc B  Bt WB (9-53)
t  Bt Wcf  Bt Wf (9-54)
  N 1t. (9-16)
x̂  x 0  . (nonlinear case) (9-30)
v  f  B, (9-55)
ˆ    v (9-32)
Las matrices de cofactor son
Q   N 1 (9-36)
1
Qxx  Q  N , (9-37)
Qvv  Q  BN 1Bt (9-56)
Qˆ ˆ  BN 1Bt (9-57)

Ecuaciones del caso Especial del Ajuste de observaciones solamente

260 analisis y ajustes de las medidas de examen

u  0 límite más bajo (9-6)

c  r. límite mas bajo (9-7)
 Las ecuaciones de condición r son de la forma
Av  f . (9-58)
La solución por minimos cuadrados es
Wc  Qc1 (9-13)
k  Wcf (9-59)
v  QAt k, (9-25)
ˆ    v. (9-32)

Las matrices de cofactor son

Qvv  QAt Wc AQ (9-60)

Qˆ ˆ  Q  Qvv. (9-48)

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

261 análisis y ajustes de las medidas de examen

( n , n 0 , r , u , y c) y escriba las ecuaciones de condición en forma linealizada
Av  B  f .
9-2 En la fig. 9-2, se observan las distancias OA, AB, BC, y CO. Los
valores observados son,  1 ,  2 ,  3 , y  4 ,, respectivamente. Todos los ángulos
están fijos. Se requiere encontrar las estimaciones de los mínimos
cuadrados para las coordenadas de C ( x 0 y y 0 ) . (a) Escriba las ecuaciones
convenientes de condición para este problema de la forma Av  f . (b) Escriba
las ecuaciones de condición de la forma Av  B  f , tomando x y y, como los
parámetros.

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.

9-4 Si en el problema 9-1, 1  1000.00 m ,  2  1000.10 m y  3  800.25 m , no tienen

correlación y son de igual precisión, encuentre la estimación por mínimos
cuadrados para x

Fig. 9-2.

Fig. 9-3.
262 análisis y ajustes de las medidas de examen

9-5 Si en el problema 9-2 1  1000.20 m , 2 ,

 500.55 m  3  707.75 m ,y  4  1118.60 m , y la
matriz de covarianza para 1 2 3 4 t es
200 100 0 0 
100 200 0 0  2
 cm ,
 0 0 100 50 
 
 0 0 50 100 

Encuentre la estimación de los mínimos cuadrados para x 0 y y 0 . También

determine las dimensiones y la orientación principales del error estándar de
La elipse para la posición computada de C.

9-6 Tomando como referencia el triángulo en el problema 9-3, 1  4000'00" ,

 2  9500'00",  3  4500'30", 1  1000.00 m y  2  1550.00 m . Las observaciones no presentan

correlación , la desviación estándar de cada ángulo observado es 15", y la

desviación estándar de cada lado observado es 0.10m. Encuentre las
estimaciones de los mínimos cuadrados para x y h, también evalúe la matriz
de covarianza para x y h, y construya los intervalos de confianza del 95%
para x y h.

9-7 Tomando como referencia la fig. 9-4, se miden los siguientes ángulos:
 3  ANGLE AOC  1800'07"
 4  ANGLE COD  500'00"
 5  ANGLE DOC  1200'00"
 6  ANGLE BOE  2500'12" *

(* angle en español ángulo).

Fig. 9-4.
263 análisis y ajustes de las medidas de examen

La matriz de covarianza para el vector de observación  es

4 2 0 0 0 0
 4 2 0 0 0
 
 4 2 0 0
 sec onds of arc  .
2

 4 2 0 *
 4 2
 
 4
Symmetric

*(symmetric en español simétrica,

seconds of arc en español segundos de arco)

Encuentre la estimación de los mínimos cuadrados para el ángulo COD.

También construya un intervalo de confianza del 99% para el ángulo COD.

9-8 Los siguientes datos fueron observados:

x(m) y(m)

1.00 2.95
2.05 3.05
4.10 3.60
4.85 4.30
8.00 4.80
9.10 5.25

Todas las observaciones (x y y) son independientes y tienen la misma

precisión. Encuentre las estimaciones de mínimos cuadrados para los
parámetros de la línea recta y  ax  b  que atraviesa a los datos. Encuentre
también a posteriori la estimación para la varianza de referencia y utilice este
valor para estimar la desviación estándar de cada observación y las
desviaciones estándar de las estimaciones para a y b. En un nivel de
significancia del 2% pruebe la hipótesis que b = 2.70 m.

9-9 Reanude el ejemplo 48, capítulo 4, use el tiempo como variable

observada así como la altitud, con desviaciones estándar de 1.0s y 20 ",
respectivamente.

9-10 Calcule la matriz de covarianza para las estimaciones de los mínimos

cuadrados de la altura máxima y del tiempo en los cuales la altura máxima
ocurre, según lo determinado en el problema 9-9. Evalúe también las
desviaciones estándar y el coeficiente de correlación para estas estimaciones
de mínimos cuadrados.
 9-11 Los ángulos mostrados en la fig. 9-5 se miden con un teodolito. Los
valores observados y sus pesos son
ANGULO VALOR PESO
OBSERVADO

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

264 análisis y ajustes de las medidas de examen

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.

265 análisis y ajustes de las medidas de examen

La elevación de A se fija en 324.120 m sobre nivel del mar. La varianza de

cada diferencia de elevación es directamente proporcional a la distancia.
(a) Determine las estimaciones de los mínimos cuadrados para las
elevaciones de B, de C, y de D y evalúe la matriz de cofactores para estas
estimaciones. (b) Evalúe a posteriori la varianza de referencia y construya los
intervalos de confianza del 95% para las elevaciones de B, de C, y de D.
 Aplicaciones de examen
en el plano coordenado

10.1. INTRODUCCIÓN

Muchos proyectos de examen se basan en la colocación de dos dimensiones

dentro de un sistema coordenado rectangular del plano. Este capítulo trata el
uso del ajuste de los mínimos cuadrados en tales aplicaciones sobre el plano
coordenado. Incluye la formulación y la linealización de las tres ecuaciones
básicas de condición (distancia, acimut, y ángulo) encontradas en el ajuste del
plano coordenado por el método de observaciones indirectas (también
conocidas como el método de variación de coordenadas), de menos ajuste de
posición de los cuadrados para un procedimiento típico empleado en la
encuesta sobre coordinada el plano, y de menos transformación de los
cuadrados de coordenadas a partir de un sistema rectangular plano a otro _

10.2. LA CONDICIÓN DE LA DISTANCIA Y SU LINEALIZACIÓN

La distancia ajustada, Ŝij , entre dos puntos i y j se da por

 2 2 1 2
  
Ŝ   X j  Xi    Y j  Yi   , (10-1)
ij     


donde ( Xi , Yi ) y ( X j , Yj ) son las coordenadas planas rectangulares de i y de j,

respectivamente. Ésta es la condición de la distancia.

Linealización de Eq. (10-1) según Eq. (2-18) es

 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     

267 análisis y ajustes de las medidas de examen

0 0 0 0
Note que (X , Y ) y (X , Y ) son los valores aproximados para los coordenadas de
i i j j

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     

Note que ( X j , Yj ) son las coordenadas conocidas del punto de control j, y

0 0
(X , Y ) son los valores aproximados para los coordenadas o del punto
i i
desconocido i. Para el resto de esta sección consideraremos el caso general
del tener cuatro coordenadas como desconocido.
Ahora, según Eq. (9-32), la distancia ajustada es
Ŝij  Sij  vij , (10-6)
donde S
ij
es el valor observado de la distancia y v es la residual
ij

correspondiente. Así, esto viene de las Eqs. (10-2) y (10-6) que

 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

Denotando las derivadas parciales por

S S S S
b1   ij , b 2   ij ,b3   ij , b 4   ij ,
X ij Yi X j Yj
y dejando
f ij  Sij0  Sij (10-8)

Obtenemos

268 análisis y ajustes de las medidas de examen

v  b X  b Y  b X  b Y  f . (10-9)
ij 1 i 2 i 3 j 4 j ij

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)

De la ecuación de condición para el ajuste de observaciones indirectas.

El primer clemente de la matriz de B es
b 
1

X
 
X j  X i   Yj  Yi 
2 2 12

i
1
2

  X j  Xi   Yj  Yi 
2 2 1 2

2X j  Xi  1
X  X   X  X  (10-11)
   
  j i

j i
.
 2 2 1 2 S
ij
 X  X 
 
 Y Y 
 

 j i  j i 


Desde b, se deben evaluar antes de que los coordenadas (ajustados) finales de

i y de j se sepan, los 'aproximados deben ser utilizados. Así.

X0  X0
j i
b  . (10-12)
1 S0
ij

Similarmente, los elementos restantes de la matriz de B son

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

269 análisis y ajustes de las medidas de examen

Usos de examen en el plano coordenado
10.3. LA CONDICIÓN DEL ACIMUT Y SU LINEALIZACIÓN
El azimut  ij de una línea desde un punto i hasta un punto j (en esa dirección
específica) se define como el ángulo horizontal midió a la derecha del
meridiano de la referencia a la línea. Puesto que es práctica común para las
encuestas sobre el coordenada del plano en Norteamérica medir acimut a la
derecha del norte, adoptaremos esta convención y trabajo con él
constantemente para evitar la confusión.
La figura 10-1 muestra un sistema coordenado plano con el norte positivo del
y-eje y el este positivo del x-eje. También se demuestra una línea entre dos
puntos i y j que tienen coordenadas en el plano, ( Xi , Yi ) y ( X j , Yj )
respectivamente. El acimut ajustado de esta línea se da por
X j  Xi
ˆ  arctan (10-16)
ij Y j  Yi

Ésta es la condición del acimut.

El acimut, por supuesto, puede tener un valor dondequiera entre 0° y 360°. Es

importante, entonces, cerciorarse de que los ofis del cuadrante determined
correctamente. Esto significa que las muestras de ambos el numerador X X y
j i

el denominador Y Y de la función de la tangente deben considerarse. Si una

j i

ayuda de cómputo, tal como una calculadora de la mano o una computadora,

se utiliza y rinde solamente un ángulo agudo positivo o negativo  ij , una
constante apropiada se debe agregar a  ij , para obtener el acimut. La tabla 10-
1 proporciona

Fig 1.
270 análisis y ajustes de las medidas de examen

TABLA 10-1

.X j  X i Yj  Yi CUADRANTE AZIMUTH
̂ ij

Positive Positive I 0º-90º  ij

Positive Negative II 90º-180º  ij  180º

Negative Negative III 180º-270º  ij  180º

Negative Positive IV 270º-360º  ij  180º

La información necesaria para asegurarse de que el valor correcto de ̂ ij se

obtuvo. Vea también la fig. 10-2.
La linealización de la Eq. ( 10-16) produce
 ˆ ij   ˆ ij   ˆ ij   ˆ ij 
0
ˆ  ˆ    X    Y    X   Y (10-17)
ij  Xi  i  Yi  i  X j  j  Y j  j
ij        
Donde

X0  X0
j i
ˆ 0  arctan . (10-18)
ij Y 0  Y 0
j i
 Fig. 10-2.

271 análisis y ajustes de las medidas de examen

Aplicaciones de examen en el plano coordenado
Ahora el acimut ajustado es

ˆ ij  ij  vij , (10-19)

Donde  ij el valor observado del acimut y v ij es la residual correspondiente.

Así, de las Eqs. (10-17) y (10-19), conseguimos
 ij          
v  X   ij Y   ij X   ij Y  0   . (10-20)
ij  X  i  Y  i  X  j  Y  j ij ij
 i  i  j  j
Que denotan las derivadas parciales
ij ij ij ij
b1   , b2   ,b 3   , b4   ,
Xij Yi X j Yj
y dejano

fij  0ij  ij (10-21)

Obtenemos
v  b X  b Y  b X  b Y  f . (10-22)
ij 1 i 2 i 3 j 4 j ij
Lo cuál se puede también expresar en la forma general de matriz según lo
dado por Eq. (10-10). Para evaluar las derivadas parciales, b1 , b 2 , b 3 , y b 4 y, nos
recuerda el cálculo diferencial que

arctan t   1 2 t , (10-23)
x 1  t x
para el cuál se asume que t es una función de x.
X j  Xi
t and x  X
Y j  Yi i
tenemos
 
 
  1   X X 
b1   ij     j i

Xi   X j  Xi   Xi  Yj  Yi 

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

272 análisis y ajustes de las medidas de examen

Usando los valores aproximados de las coordenadas a evaluar b1 , tenemos

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.

10.4. LA CONDICIÓN DE ÁNGULO Y SU LINEALIZACIÓN

Al examinar, los ángulos horizontales se pueden dar vuelta a la derecha (a la
derecha) o a la izquierda (a la izquierda). Puesto que se ha definido el acimut
pues un ángulo a la derecha, nosotros considerará aquí los ángulos que son a
la derecha solamente.

En la fig. 10-3,  ijk es el ángulo horizontal ajustado en el punto í a la derecha

de la línea ij para alinear el ik. Es obvio que
ˆ  ˆ  ˆ , ( 10-29)
jik ik ij
donde ̂ik es el acimut ajustado de la línea ik, y es el acimut ajustado de la
línea ij. Si las coordenadas rectangulares del plano i, j y k, son Xi , Yi  , X j , Yj 
y X k , Yk  , respectivamente, se tiene que
X  Xi X j  Xi
ˆ  arctan k  arctan , (10-30)
jik Yk  Yi Y j  Yi

273 análisis y ajustes de las medidas de examen

Aplicaciones en el plano coordenado de examen

Ésta es la condición de ángulo.

 Fig. 10-3.

De una manera similar a la presentación de Eq. (10-22) para la condición del

acimut, la forma linealizada de la condición del ángulo se puede escribir como
v  b X  b Y  b X  b Y  b X  b Y  f . (10-31)
jik 1 i 2 i 3 j 4 j 5 k 6 k jik .
note que
ˆ  v , (10-32)
jik jik jik
donde  ijk es el valor observado del ángulo y v ijk es la residual
correspondiente. Observe también que

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

274 análisis y ajustes de las medidas de examen

  0 0
jik X 0  X 0 X j  Xi
b2     k i  (10-36)
Y
i S 0
ik
2
   S 
0
 ij 
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)

La información proporcionada por la Tabla 10-1 es aplicable también a las

Eqs. (10-30) y (10-34).
Para ser generales, los coordenadas de los tres puntos, i, j, y k, se llevan como
variables desconocidas en Eq. (10-31). En la práctica, uno o dos de los tres
puntos puede ser los puntos de control, en que caso la corrección
correspondiente llama en Eq. (10-31) sea caído.

10.5. POSICION FIJA POR DISTANCIA

La posición que fija por distancia es un procedimiento típico de la encuesta
sobre el coordenada del plano. En este procedimiento, las medidas son las
distancias entre un sistema de puntos de control sabidos y un punto que
posición sea desconocida. Puesto que necesitamos determinar dos
coordenadas para el punto desconocido, por lo menos dos distancias deben
ser medidas. Siempre que se midan más de dos distancias, el menos
procedimiento de los cuadrados se utiliza para calcular la posición ajustada del
punto desconocido.

275 análisis y ajustes de las medidas de examen

Aplicaciones en el plano coordenado de examen

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

y de las Eqs. (10-12) y (10-13),

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     

Puesto que la Eq. (10-43) es la forma linealizada de la ecuación de condición

para el ajuste de observaciones indirectas, este menos cuadrados que el
procedimiento de ajuste se puede utilizar para solucionar para la posición de i.
En principio, la menos solución de los cuadrados se debe iterar para
compensar para los términos de una orden más alta que se caen en la
linealización. Sin embargo, si el aproximaciones iniciales X i0 y Yi0 están cerca
del valor final, mientras que normalmente deben estar, una iteración es
generalmente suficiente. El ejemplo siguiente muestra el procedimiento.
EJEMPLO 10-1
Referente a la fig. 10-4, la posición de un punto desconocido P debe ser
determinada midiendo distancias con un instrumento de EDM de P a cinco
puntos de control A, B, C, D, y E. Las posiciones sabidas de los puntos de
control y de las distancias observadas son
CONTROL OBSERV
PUNTO x(m) y(m) DISTANC
ED
E (m)
A 698.41 1005.07 4122.109
B 580.14 2207.37 3444.530
C 5482.77 8503.22 4897.717
D 6191.16 7160.26 4129.233
E 6095.81 4920.30 2739.177

La desviación estándar a priori de cada medida de la distancia se da (en

metros) por

0  0.020 2  0.040 2 S2

276 análisis y ajustes de las medidas de examen

Fig 10-4

Donde S es la distancia en kilómetros. [ Vea la Eq. (7-22). ] Todas las

medidas se asumen para ser independientes.
2
La varianza de referencia se toma como 0 para S  1 km , es decir ,
2
  
2
 0  0.020  0.0402
 .
 1.Compute una posición aproximada para P usando las distancias observadas
a C y a E.
2.Determine la menos posición de los cuadrados (ajustados) de P que usaba
los cinco observó distancias.
3.Determine los valores ajustados de las distancias.
4.Evalué la matriz de la covariación de la posición ajustada de P basada sobre
la varianza a priori referida.
5.Evalue a posteriori la estimación de la variación de la referencia, y prueban
este valor contra la variación dada de la referencia en el nivel del 5% de
significancia.
6.Evalue el eje del semimayor, eje del semimenor, y orientación de la elipse del
error de estándar para P usando la matriz de la covariación evaluada en la
parte 4.
7.Trace el diagrama de la región de la confianza del 95% para la posición de
P. Solución 1. El cálculo de la posición aproximada de P. Figure 10-4
representa la disposición general del problema.

Solución

1.calcule la posición aproximada de P, Fig 10-4 describa la ley general del

problema.

277 análisis y ajustes de las medidas de examen

Aplicaciones en e plano coordenado de examen

X EC  X C  X E  5482 .77  6095 .81  613.04m.

YEC  YC  YE  8503 .22  4920 .30  3582 .92m.

Así,

EC   613.04 2  3582 .922  3634 .987 m.

De la ley del coseno,

cos(PEC) 
EC   PE   PC
2 2 2

2EC 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

Así, las coordenadas aproximadas de P son

X0P  X E  X EP  6095 .81  2587 .37  3508 .44 m

YP0  YE  YEP  4920 .30  899.23  4021 .07 m.

1. La determinación de los mínimos cuadrados de la posición P. Para cada

línea medida, los valores para, X j  X i0 , Yj  Yi0 , Sij0 y fij son calculados y
enumerados en la tabla 10-2, de esta tabla los b-coeficientes pueden ser
calculados:
LINE 0 0 Y
0
Y
0
X X
j i
j i b  ,
b  , 2
S
0
1 0 ij
S
ij

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

278 análisis y ajustes de las medidas de examen

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)

PA 698.41 1005.0 - - 4122.19 4122.10 0.090

7 2810.0 3016.0 9 9
3 0
PB 580.14 2207.3 - - 3444.48 3444.53 -0.049
7 2928.3 1813.7 1 0
0 0
PC 5482.7 8503.2 1974.3 4482.1 4897.71 4897.71 0.002
7 2 3 5 9 7
PD 6191.1 7160.2 2682.7 3139.1 4129.34 4129.23 0.113
6 6 2 9 6 3
PE 6095.8 4920.3 2587.3 899.23 2639.17 2739.17 0.001
1 0 7 8 7

    
1 2
2 2

 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

Así, según la Eq. (10-43), las ecuaciones linealizadas de condición son:

 v1   0.68168  0.73165   0.090 
 v   0.85014  0.52655   
 2   X p   0.049 
 v3    0.40311 0.91515      0.002 ,
     Yp   
 v 4   0.64967 0.76021   0.113 
 v5   0.94458 0.32828   0.001 

Lo cuál es de la forma v  B  f .

Los pesos de las distancias observadas se obtienen de las funciones dadas

para,  0 , y la relación w 0  02  2 note que 02  0.0020 m 2 . Así el siguiente resultado


2
0
 0.0202  0.0402 S2
2 2
LINE S(Km) ( m2 ) w 0  0 

PA 4.12 0.0276 0.07

PB 3.44 0.0193 25
0.10
PC 4.90 0.0388 0.05
36
PD 4.13 0.0277 0.07
15
PE 2.74 0.0124 0.16
22
13

Puesto que las observaciones son independientes, la matriz del peso es

 0.0725 
 0.1036 
 
W 0.0515 .
 
 0.0722 
 0.1613 

Así,

 0.04942  0.08807 0.02076 0.04691 0.15236 

Bt W  
 0.05304  0.05455 0.04713 0.05489 0.05295 

279 análisis y ajustes de las medidas de examen

Aplicaciones en el plano coordenado de examen

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 

y los mínimos cuadrados de la posición P son

YP  YP0  YEP  4021 .07  0.02  4021 .09 m.
X P  X 0P  X EP  3508 .44  0.01  3508 .45 m
Las correcciones X P y YP , son tan pequeñas que la solución no necesita ser
iterada.
3. Distancias ajustadas. Las residuales son
 0.090   0.68168  0.73165   0.107 
 0.049   0.85014  0.52655   
    0.008   0.034 
v  f  B   0.002    0.40311 0.91515      0.016  m
    0.016   
 0.113   0.64967 0.76021   0.096 
 0.001   0.94458 0.32828   0.012 

y las distancias ajustadas son

4122 .109   0.107  4122 .216 
3444 .530   0.034  3444 .496 
     
ˆ    v.  4897 .717    0.016    4897 .701 m.
4129 .233   0.096  4129 .329 
     
2739 .177   0.012  2739 .165 

4. La evaluación de la matriz de covarianza de la posición ajustada de P.

 11.781  12.992 
Q XX  Q   N 1   
 12.992 20.217 
 11.781  12.992   0.0236  0.0260  2
  02Q xx  0.0020   m .
 12.992 20.217   0.0260 0.0404 
xx

5. La evaluación y prueba a posteriori de la estimación de la variación de

referencia.
vt Wv  0.07250.107   0.1036 0.034   0.0515 0.016 
2 2 2

280 análisis y ajustes de las medidas de examen

+0.0722(0.096)¨2 + 0.1613(-0.012)¨2 =0.00165m¨2

r  n  n0  5  2  3 (grados de libertad).

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

B, x 02.025.3  0.216 , y x 02.975.  9.35 . Así

x 02.025 .302 0.216 0.0020   0.00014 m 2


r 3
y

x02.975 .3 02 9.350.0020 

  0.00623 m2.
r 3
2 2 2 2
Ahora ˆ 0  0.00055 m . Así, 0.00014  ˆ 02  0.00623 , y la hipótesis que  0  0.0020 m es
aceptada, es decir, que ., ̂ 02 es consistente con 2
0 el nivel del 5% de
significancia (refiere a la sección 8.11).
6. La evaluación del eje del semimayor, del eje semimenor, y la orientación
de la elipse del error estandar para de la parte 4,
 0.0236  0.0260  2
  m .
 0.0260 0.0404 
xx

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,

2x  0.0320  0.0273  0.0593 m 2 [ Eq. (8-56) ]

2y  0.0320  0.0273  0.0047 m 2 [ Eq. (8-57) ]

El eje semimayor es

281 análisis y ajustes de las medidas de examen

Aplicaciones en el plano coordenado de examen
x  0.0593  0.244 m2 .
El eje semimenor es
y  0.0047  0.069 m.
Ahora,
2 xy 2 0.0260   0.0520
tan 2     3.095 [ Eq. (8-55) ]
 x   y 0.0236  0.0404  0.0168
2 2

Así, 2  252º , y la orientación de la elipse es   126º .

7. Diagrama de la región de la confianza del 95% para la posición de P. Para
una probabilidad de 0.95, , c 2.447 (Tabla 8-5). Así, el eje del semimayor de la
elipse de la confianza del 95% es 2.4470.244  0.579 m ,, y el eje del semimenor es .
2.4470.069  0.169 m . Una vez más la orientación de la elipse es   126º . La
confianza del 95% de la elipse se traza en fig. 10-5.

10.6. TRANSFORMACIÓN SIMILAR DE DOS-PARAMETROS

El cuadro 10-6 representa la relación entre dos sistemas coordenados
rectangulares planos x , y  y s, t  , que tienen un origen común pero se rota uno

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 cosi (10-44)
yi  ri sin i (10-45)
si  ri cosi    (10-46)
Y
t i  ri sin i  . (10-47)
Así
 xi cos  yi sin  (10-48)
Y

t i  ri sin  cos  ri cos sin 

 yi cos  xi sin . (10-49)

Fig. 10-6

283 análisis y ajustes de las medidas de examen

Aplicaciones en el plano coordenado de examen
 En este desarrollo, la escala del sistema (s,t) es idéntica a la escala del (x, y)
sistema. Si, sin embargo, introducimos otro sistema x ' , y'  coordenado
rectangular plano tal que para el punto i
x i'  si (10-50)
y
yi'  t i , (10-51)
Donde  es un factor de posicionamiento, entonces x ' , y' pueden tener una
escala de la cual sea diferente de el (x, y). Así,
x i'  x i cos  yi sin 
  cosxi   sin yi (10-52)
y
yi'  yi cos  x i sin 
   sin xi   cosyi (10-53)

Puesto que hay dos parámetros, y, implicados en Eqs. (10-52) y (10-53), y

puesto que es más conveniente no trabajar con funciones trigonométricas, esta
transformación del (x, y) sistema x ' , y'  al ser simplificado introduciendo dos
nuevos parámetros:
a   cos (10-54)
Y
b   sin  . (10-55)
La transformación en su forma simplificada entonces es
x i'  ax i  byi (10-56)

yi'  bxi  ayi . (10-57)

En tal transformación, x i , y i , pueden representar coordenadas del examen en
un sistema rectangular local mientras que sean los coordenadas en un sistema
cambiado de puesto de UTM (Universal Mercator transversal). El sistema local
se orienta en un respecto del ángulo con el sistema de UTM, y los factores de
la escala que de la proyección de UTM .

284 análisis y ajustes de las medidas de examen

Cuando se encuentran los parámetros a y b, es fácil al calcular  y  como
sigue:

  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.

Aplicación general de ajuste por mínimos cuadrados

Las dos ecuaciones de la transformación, Eqs. (10-56) y (10-57), son rescritas

f1i  ax i  byi  x i'  0 (10-56)

f 2i  bxi  ayi  yi'  0. (10-57)

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)

En las ecuaciones (10-62) y (10-63) a 0 , y b 0 , son los parámetros aproximados y

a y a son sus correcciones correspondientes.

Las derivadas parciales son evaluadas como se muestra a continuación:

 v xi 
 
 a0 b0  1 0   v yi   x i yi  a   x i'  a 0 x i  b0 yi 
 b   , (10-64)
 0 a0 0  1  v xj   yi  x i  b  yi'  b0 x i  a 0 yi 
 
 v yj 
Lo cual tiene la forma Av  B  f .
Para n puntos las matrices son
 a0 b0 1 0 
 b a0 0 1 
 0 
 a0 b0 1 0 
 
A  b0 a0 0 1 ,
  
 
 a0 b0 1 0 
  b0 0  1
 a0

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

286 análisis y ajustes de las medidas de examen

 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

Se hacen tres formulaciones :

 1. todas las coordenadas no presentan correlación
2. Todas las coordenadas x y y tienen igual desviación estándar 1
3. Todas las coordenadas x y y tiene igual desviación estándar 2

Sobre estas formulaciones, la matriz de covarianza de las coordenadas es:

  diag  ,  ,  ,  ,,  ,  ,  ,  
2
1
2
1
2
2
2
2
2
1
2
1
2
2
2
2 4 n4 n (10-65)*

y la matriz de cofactores es
Q  diag Q1 , Q1 , Q 2 , Q 2 ,Q1 , Q1 , Q 2 , Q 2 4 n4 n (10-66)

donde Q1  12 02 y Q1   22 02 note que 2

0 es la varianza de referencia. Entonces
obtenemos de la ecuación (9-11) que
a 20 Q1  b 20 Q1  Q 2 0  0 
 
0 a 0 Q1  b 0 Q1  Q 2 
2 2
0
Qc  AQA  
t 
     
 
 0 0  a 0 Q1  b 0 Q1  Q 2 
2 2

  
 a 20  b 20 Q1  Q 2 I 2 n  2 n (una matriz escalar) (10-67)

Así, de la ecuación (9-13)

Wc  Qc1  w c I2n2n (matriz escalar) (10-68)

El símbolo diag a11, a 22 ,  , a mm  " representa la matriz diagonal , en la diagonal

principal los elementos son a11, a 22 ,  , a mm , Todos los demás elementos de la
matiz son por supuesto cero.

287 análisis y ajustes de las medidas de examen

Aplicaciones en el plano coordenado de examen

Ahora de la ecuación (9-14) la matriz de coeficientes de la ecuación normal es

 n 
  ( x i2  y i2 ) 0 
N  B t Wc B  w c B t B  w c   i 1 n , (10-70)
 2 

0 
i 1
(x i  y i )
2


y de la eq.(9-15) el vector de constantes es

 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

Las ecuaciones normales se convierten

p 0 a  q  a 0 p 
wc      wc  , (10-75)
0 p  b   q 'b 0 p 
Y según la ecuación (9-16), la solución de las ecuaciones normales es
1  q 
0  a0 
1 p q  a 0 p  
 w c 
p
  N 1t.     , (10-76)
wc  0 1  q'b 0 p   q '  b 0 
 p   p 

288 análisis y ajustes de las medidas de examen

Note que wc nunca debe ser cero. Así

q q'
a   a 0 y, b   b0 , (10-77)
p p
Y los valores corregidos para a y b son

q
â  a 0  a  (10-78)
p
y
q'
b̂  b0  b  , (10-79)
p

Lo cuál indica que â y b̂ se puede computar directamente de funciones de

valores coordinados solamente, sin requerir aproximaciones iniciales a 0 y b 0 .
Es importante reconocer que en este desarrollo particular cae
convenientemente hacia fuera. Esto es posible, por supuesto, sólo si es una
matriz escalar, que depende de las asunciones básicas hizo con respecto a la
creación de la matriz de la covariación. Si se imponen otras condiciones (por
ejemplo, se correlacionan x y, o la desviación de estándar de x diferencia de la
desviación de estándar de y), será probablemente una matriz no escalar, en
que caso la solución para y no es tan simple como que dado por Eqs. (10-78) y
(10-79).

Con w c cayendo fuera de la solución, encontramos que las desviaciones de

estándar y o los cofactores y no tenemos ninguna influencia en todos en el
cómputo de las estimaciones del parámetro y. El único requisito es ése y no

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.

Aunque 1 y  2 no puede tener ninguna influencia en la evaluación de y ellos

mismos, afectan la evaluación de la matriz de la covariación de y, que es

1 
0
 p
2

   02Q   02 N 1  0

wc  0 1
, (10-80)
 p 

289 análisis y ajustes de las medidas de examen

Aplicaciones en el plano coordenado de examen
 En la determinación de la redundancia de esta menos solución de los
cuadrados en la cual los cuatro coordenadas de cada de los puntos de n
implicados son observaciones, debemos realizar que es el número mínimo de
las observaciones necesitadas

n 0  4  2n  1, (10-81)

Es decir, los cuatro coordenadas de un punto son necesarios encontrar y, y
dos coordenadas son necesarios especificar la posición de cada de los puntos
restantes n  1 . La redundancia es así
r  4n  n 0  2n  2. (10-82)

EJEMPLO 10-2

Las siguientes son las coordenadas de tres puntos en dos sistemas

coordinados del examen plano que tengan un origen común:

POINT x(m) y(m) x’(m) y’(m)

1 1314.31 2540.26 2102.35 1936
2 2078.70 3511.23 3152.60 .44
2587
3 4900.60 5000.39 631 l.60 3021
.35
.20

Cada una de las coordinadas de x y Y tiene una desviación de estándar de

0.20 m, y cada del x' y coordenadas de y de los ' tiene una desviación de
estándar de 0.05 m. Todas los coordenadas se asumen sin correlación.

Calcule las menos estimaciones de los cuadrados para los parámetros a y b

que se utilizan en la transformación del x, coordinadas Y en el x', coordenadas
de la transformación de y '. También, calcule la matriz de la covariación y las
desviaciones de estándar de y, y las estimaciones del parámetro de la escala y
de la rotación, ̂ y ̂ .

Solución

De Eqs. (10-72), (10-73), y (10-74),

 
3
p   x i2  yi2  73849842 m 2
i 1

 
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

290 análisis y ajustes de las medidas de examen

 De Eqs. (10-77) y (10-78), las estimaciones de los mínimos cuadrados de los
parámetros de la transformación son:

q 69358096
aˆ    0.939177
p 73849842

q' 25241381
b̂    0.341793 .
p 73849842

Ahora, 12  2  0.0400m 2 , y

 0.20
2
 
 2  0.05
2
 0.0025m
2
. Seleccionando 2
 0  0.0100m
2
.
Entonces
12 0.0400
Q1  2   4,
0 0.0100

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,

y por eso, de Eq. (10-82), la matriz de covarianza de â y b̂ es

1 
2  0
0 p 0.0100 1.35  10 8 0 
   w  1   0.2355  0 8 
1.35  10 
c 0  
 p 

5.73  10 10 0 
 10 
.
 0 5.73  10 
Las desviaciones estándar de â y b̂ y son

â  b̂  5.73  10 3  2.39  10 5.

De Eqs. (10-58) y (10-59), la escala y las estimaciones del parámetro de la

rotación son
ˆ  â 2  b̂ 2  0.998876  0.999438 ,
y
291 análisis y ajustes de las medidas de examen
Aplicaciones de examen en el plano coordenado
 b̂ 0.341793
ˆ  arctan  arctan
â 0.939177

 19.99787 º  19º59'52".

Aplicación del ajuste de mínimos cuadrados de observaciones indirectas

Si el número de las ecuaciones de condición es igual al número de
observaciones, y hay solamente una observación en cada ecuación de la
condición, la técnica especial de menos ajuste de los cuadrados de
observaciones indirectas puede ser aplicada. Tal es el caso cuando las
ecuaciones de la condición son Eqs. (10-56) y (10-57) y el coordinatesandare
que el withand de las observaciones fijó. Si, sin embargo, y son las
observaciones y y son fijas, Eqs. (10-56) y (10-57) no esté en la forma.

apropiada porque cada ecuación contiene dos observaciones. Sin embargo,

podemos utilizar un par equivalente de las ecuaciones de la condición que
están en la forma apropiada. Estas ecuaciones son obtenidas por primer Eqs
que expresa. (10-56) y (10-57) en la forma matricial
 '
 xi    a b xi  (10-83)
 '   b a   y 
 yi   i

y después premultiplicar ambos lados de Eq. (10-83) por lo contrario de la

matriz de coeficientes se produce
1  ' 
a  b  x i 
 xi   a b x '
 i  1
y    
 i   b a  
 y'  a 2  b 2
 i  b a   '  (10-84)
   yi 

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

292 análisis y ajustes de las medidas de examen

Es absolutamente esencial al cambiar parámetros que el número de
parámetros independiente sigue siendo igual. Con este cambio, las ecuaciones
de la condición se convierten
x i  cxi'  dyi' (10-89)

yi  dxi'  cyi' (10-90)

Los cuáles son lineares en c y d.
La solución de los minimos cuadrados para las estimaciones de c y de d
ahora sigue. Puesto que los coordenadas y las estimaciones ajustados del
parámetro deben satisfacer las ecuaciones de la condición, tenemos
xi  vxi  ĉxi'  d̂yi' (10-91)

yi  v yi  d̂x i'  ĉyi' , (10-92)

Lo cuál de forma de la forma matrcial v  B  f es
 v xi   x i'  yi'   ĉ   x i 
v    '      . (10-93)
 yi    yi  x i'  d̂   yi 
Para n puntos , las matrices son

 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

bajo asunciones que los allandcoordinates son sin correlación y tienen la

misma desviación de estándar, la matriz W del peso se puede fijar igual a una
matriz I de la identidad. Así, según Eq. (9-53), la matriz del coeficiente de las
ecuaciones normales es

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


293 analisis y ajustes de las medidas de examen

aplicaciones en el plano coordenado de examen
y, según Eq. (9-54), el vector de constantes es
n
  x i x i'  yi yi'  
t  Bt Wf  Bt f   i n1 . (10-95)
 y x '  x y'
 i i i i  

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

las ecuaciones normales son

p' 0   ĉ   q 
 0 p' d̂   q ' (10-97)
    
y la solución a las ecuaciones normales es
q
 ĉ   p' 
d̂    q ' . (10-98)
   
 p' 
Las estimaciones de los minimos cuadrados para los parámetros originales a y
b se pueden entonces obtener con la inversión de Eqs. (10-87) y (10-88), es de
cir, (10-99) (10-100)

ĉ
â  (10-99)
ĉ2  d̂ 2
d̂
b̂  (10-100)
ĉ  d̂ 2
2

294 analisis y ajustes de las medidas de examen

La matriz de covarianza de ĉ y d̂ es por supuesto,
1 
 p' 0
2
 c ,d  02Q c,d  02 N 1  02    0 I. (10-101)
1  p'
0
 p' 

Para conseguir la matriz de covarianza de ĉ y d̂ primero obtenga la matriz

Jacobiana

 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

aplicaciones de examen en el plano coordenado

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'

Ahora desde W=I I, 0   x   y  0.20m. .Also, â 2  b̂ 2  0.939177  0.341793  0.998876,

2 2

usando las estimaciones de los minimos cuadrados para a y b. Así

â  b̂ 
0.200.998876   2.33  105.
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

Así, de Eq. (10-82.), las desviaciones estándar de â y b̂ son

 â  b̂  02 w c p  0 w cp

296 analisis y ajustes de las medidas de examen

0.20
  2.33  10 5 ,
1.001125 73849842 

Lo cuál conviene con el valor obtenido usando la técnica del ajuste de

observaciones indirectas.

Ajuste de observaciones solamente

Las estimaciones de los minimos cuadrados para los parámetros a y b de la

transformación se pueden también calcular usando la técnica especial del
ajuste de observaciones solamente. Deje el coordinatesandbe tomado como
las variables observadas mientras que el coordinatesandare consideraba fijo.

Según lo mencionado ya, un punto con coordenadas sabidos en ambos

sistemas coordinados (x,y, y x i' , y i' ) es suficiente determinar a y b. Desde el
observationsandare dos implicado. si los puntos de n se utilizan para encontrar
menos estimaciones de los cuadrados para a y b, el número total de las
observaciones implicadas es 2n y la redundancia es. Entonces sigue eso para
el ajuste de observaciones solamente, las ecuaciones de la condición 2n  2 
debe ser escrita.
Puesto que las ecuaciones de la transformación contienen los parámetros a y
b, está claro que una cierta manipulación preliminar es necesaria obtener
ecuaciones de la condición con observaciones solamente (es decir, ningunos
parámetros). Seguimos de la forma siguiente. Para el primer punto, el par de
ecuaciones de la transformación es
x1'  ax1  by1 (10-104)

y1'  bx1  ay1 , (10-105)

Lo cuál se puede expresar en forma matricial :
 x1'   x1 y1  a 
 '
 x1  b 
. (10-106)
 y1   y1
' '
Resolviendo para a y b en términos de x1 , y1, x
1
y y
1
conseguimos
1 1
a  x1 y1  x1'  1  x1  y1  x1' 
b   y  x   '    x 2  y 2
   y   ' , (10-107)
   1 1   y1  1 1  1 x1   y1 
de lo cuál
x1x1'  y1y1'
a (10-108)
x12  y12
y
y1x1'  x1y1'
b . (10-109)
x12  y12

297 analisis y ajustes de las medias de examen

aplicaciones al palno coordenado de examen

Para el segundo punto, el par de ecuaciones de transformación es

x '2  ax 2  by2 (10-110)
y'2  bx2  ay 2 , (10-111)
que, después de la substitución para a y b, se convierten en

     
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.

10.7. TRANSFORMACIÓN SIMILARES DE CUATRO-PARAMETROS

En la discusión en la sección 10.6, fue asumido que los dos sistemas

coordinados tienen un origen común. Esto simplificó la transformación
reduciendo.

298 analisis y ajustes de las medidas de examen

El número de parámetros a dos, a y b. Los dos sistemas coordinados tienen

más a menudo en la práctica diversos orígenes y la transformación de dos
dimensiones general de la semejanza implica cuatro parámetros, o
x '  ax  by  k1
(10-116)
y '   bx  ay  k 2 ,
en las cuales k1 , k 2 son dos representaciones de las coordenadas del origen
del x, sistema de la coordinada Y en thesystem (véase fig. 10-7).
De una manera similar a ésa seguida en el desarrollo en la sección 10.6, y bajo
las mismas asunciones estochastic, la matriz N del coeficiente y vector de las
constantes t se encuentran para

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 


299 anallisis y ajustes de las medidas de examen

aplicaciones del palno coordenado de examen

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.

Usando los auxiliares

     
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

300 analisis y ajustes de las medidas de examen

conseguimos
N  w 0diag p, p, n, n 

t  w 0 q  pa 0 , q'pb0 , r  nk10 , r 'nk 20  .

t

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

k̂1  k1  k10 

1
r  nk10   k10  r n (10-123)
n

kˆ2  k2  k20  r 'nk20   k20  r ' n . (10-124)

1
n
El aviso, que bajo asunción que todo x i , y i (y por lo tanto) u i , v i estan sin
correlación y tiene variación igual, andare sin correlación y tiene variación igual
2
1 , y x i , y i , el parámetro estimado â , b̂ , k̂1 , k̂ 2 , se calcula otra vez sin la necesidad

de la aproximación. Dado, y el coordinatesof cualquier punto P, su

coordinatesare transformado calculado por el primer computingandand
entonces x 'p  âu p  b̂v p  k̂1 y y 'p   b̂u p  âv p  k̂ 2 ..

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

301 analisis y ajustes de las medidas de examen

aplicaciones en el plano coordenado de examen

fig 10-8

se hacen las observaciones siguientes:

   17º11'15"   10"


  119º 09'39"   10"



  43º 38'54"   10"



b  1404.615 m   0.080 m
b

c  1110.082 m   0.040 m
c

Todas las observaciones son independientes.

(a) Determine menos cuadrados que las estimaciones para los coordenadas de
la estación A.
(b) evalúan la matriz de la covariación para la posición de A encontrada en (a).
(c) Compute los ángulos y las distancias ajustadas y su matriz de la
covariación.
10-2 las posiciones de las estaciones A y C y los acimutes del AA ‘ y del cc ‘ en
fig. 10-9 se saben y están fijados.
ESTATION X(cm) Y(cm) LINEA AZIMUTH

A 421.420 352.115 AA' 327º32'50"

C 1862.977 195.987 CC' 16º32'09"

Se hacen las observaciones siguientes:

1  91º 03' 29" d1  890.455 m

1  253º 41' 47" d 2  921.300 m

 3  64º14' 23".

302 analisis y ajustes de las medidas de examen

 Fig. 10-9.

Todas las observaciones son independientes la desviación de estándar de

cada observation del ángulo son los 10 »; la desviación de estándar de cada
observación de la distancia es 0.050 m.

(a) Determine los minimos cuadrados de las estimaciones para los

coordenadas de B.
(b) determinan la elipse del error de estándar para la posición del cálculo del B.
(c) los intervalos de la confianza del 90% y del 99% para las distancias
ajustadas, y
(d) el cálculo el coeficiente de correlación en medio, y.
10-3 los ángulos, fig. 10-10 se observan en P con un teodolito. Los
observaciones son independientes y tienen desviación de estándar. Las
posiciones de A, de B, de C, y de D se saben y están fijadas. Los datos dados
son:
ANGLE OBSERVED POINT X (m) Y(m)
 35°16'00" A 5000.000 5371.180
 16°52'33" B 5266.841 5330.315
  32°24'51" C 5256.564 5191.664
D 5236.650 4979.677

(a) Utilice el valor observado para  y  de los valores un procedimiento

apropiado de la resección para obtener los coordenadas aproximados para P.
(b) determinan la menos posición de los cuadrados para P. (c) evalúan la
matriz de la covariación para la posición se determinó en (b) y computan las
dimensiones y la orientación principales de la elipse del error de estándar. (d)
Evalúe a posteriori la variación de la referencia y utilícela para probar el ofat
dado del valor el nivel del 5% de la significación.
10-4 de las siguientes s coordenadas para cuatro puntos en dos sistemas
coordinados planos el tener un origen común:

303 aplicaciones de examen en le plano coordenado

Fig. 10-10.

Punto x(m) y(m) x' (m) y'(m)

1 779.94 250.15 317.15 191.71
2 2045.66 1743.46 718.23 981.58
3 902.51 1789.47 210.07 882.31
4 1548.31 -135.24 695.82 102.40

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:

Punto x(m) Y(m) x' (m) y' (m)

1 1018.7 104.33 1221.04 3633.22
2 7
1016.6 935.85 2010.36 3597.72
3 2002.3
0 128.62 1195.02 2701.71
4 2000.9
5 1043.5 2061.10 2658.20
5 2994.2
9 99.42
8 1118.30 1765.28
6 2979.0
4 1050.8 2018.98 1732.26
3 7
 APÉNDICE A
Una introducción
Al álgebra de matrices

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)

Cada matriz tiene un número específico de filas y un número de columnas

especifico. Así la matriz (1), arriba, tiene 2 filas y 3 columnas y se dice que es
una matriz. Similarmente (2) es una matriz, (3) es una matriz y (4) es una
matriz. Los dos números que representan las filas y las columnas se refieren a
las dimensiones de la matriz m  n .
Una matriz es señalada por una letra romana capital de la negrilla. Así, una
matriz se puede escribir simbólicamente como:

 a11 a12  a1n 

 a 21 a 22  a 2n .
A 
m, n     
a m1 a m2  a mn 

Una letra minúscula con un subíndice doble señala un elemento en una matriz.
a ij Así se representa un elemento típico de la matriz A. El primer subíndice, i,

refiere al número de la fila a ij , comenzando con 1 en la posición superior

izquierda y m posiciones hacia abajo. El segundo subíndice, j, se refiere al
número de la columna que contiene, comenzando con 1 en la izquierda y
procediendo a n posiciones hacia la derecha. Así, mentiras en la intersección
de la fila de ith y de la columna de jth. Por ejemplo, a 23 en la matriz (1) arriba
es 3, mientras que en la matriz (3) es 9. La dimensión más pequeña de la
matriz.es 1  1 .

A.2. TIPOS DE MATRICES

Una matriz cuadrada es una matriz en la cual el número de filas igual al número
de columnas. En

306 análisis y ajustes de las medidas de examen

Este caso, A
es una matriz cuadrada de orden m. la diagonal de una matriz
m,n

cuadrada m*m se compone de todo elemento a ij para cada i  j . Los

siguientes ejemplos representan matrices cuadradas:
a b c 
1 2
A  , B  d e f .
3 4 g h k 

La diagonal principal de A se compone de los elementos 1 y 4, mientras que la

de B contiene los elementos a, e, y k,
La matriz fila A, o vector fila, es la matriz integrada solamente por una fila. Es
designada por una letra romana de la negrilla minúscula.
a  a1 , a 2 ,, a n  Y c  1,2,4.
1, n 1, 3

La matriz columna A, o el vector de columna, es una matriz integrada

solamente por una columna. Por ejemplo,
 b1 
b 
 2  1
b     Y d   3 .
m ,1 2 ,1  
 
b m 
Y una matriz diagonal es una matriz cuadrada en la cual todos los elementos
excepto los de la diagonal principal son cero. Por ejemplo,
d11 0  0 
 0 d  0 
D  22 ,
    
 
 0 0  d mm 
Donde
dij  0 Para todo i  j
dij  0 Para todo i  j.

Los siguientes son ejemplos de matrices diagonales

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

Un escalar se define como solo número.

Una matriz escalar es una matriz diagonal que elementos diagonales
principales todos iguales al mismo escalar. Por ejemplo,
a 0  0
0 a  0 a ij  0 for all i  j
A  *
    a ij  a for all i  j
 
0 0  a 
*for all en español para todo

y
2 0 0
H  0 2 0
0 0 2

Son matrices escalares.

Una matriz unidad o identidad es una matriz diagonal de elementos

diagonales principales iguales a 1. Una matriz unidad será siempre
simbolizada por I,
1 0  0
0 1  0 a ij  0 for all i  j
I 
    a ij  1 for all i  j
 
0 0  1

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

a11 a11  a1n 

0 a  a 2 n 
A 22
, con a ij  0 for i  j.
   
 
0 0  a mn 
La matriz

  1 3 4
A   0 1 0
 0 0 7

Es un ejemplo de una matriz triangular superior de la orden 3. Una matriz

triangular baja es de la forma
 a11 0  0 
a a 22  0 
A   21 donde a ij  0 para i  j.
   
 
a m1 a m 2  a mm 

308 análisis y ajustes de las medidas de examen,

La matriz es una matriz triangular baja de orden 2. A.3.

 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

A.3 IGUALDAD DE MATRICES

Dos matrices A y B de las mismas dimensiones son iguales si cada elemento

a  b para i y j es el mismo en ambas. Matrices de diversas dimensiones no
ij ij
pueden ser comparadas. Algunas relaciones que se aplican a la igualdad de
la matriz incluyen
Si A = B, entonces B=A para toda la A y B. (A-1)
Si A = B y B=C, entonces A=C para toda A, B y C. (A-2)
Por ejemplo, deje que
1 2  b11 b12 
A  Y B .
3 4 b 21 b 22 

Si A=B (note que ambas matrices son de 22 ), entonces

b11  1, b12  2, b21  3, and b22  4.

A.4. SUMA DE MATRICES

La suma de dos matrices A y B, de las mismas dimensiones, es una matriz C

de las mismas dimensiones, cij  a ij  bij son los elementos que se obtienen para
todo i y j. Matrices de diferentes dimensiones no pueden ser sumadas. Las
siguientes propiedades se aplican a la adición de matrices:
A  B  B  A (Ley conmutativa (A-3)
A  B  C  A  B  C  A  B  C (Ley asociativa) (A-4)
La matriz nula o cero se opera:

A00A  A (A-5)
A  (A)  0, (A-6)

309 análisis y ajustes de las medidas de examen

Apéndice A 309

Donde - A es la matriz integrada por - a ij como elemento. Por ejemplo, si

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 .

A.5. MULTIPLICACIÓN DE UN ESCALAR POR UNA MATRIZ

La multiplicación de una matriz por un escalar da por resultado otros

elementos de la matriz B  A cuyos elementos son bij  a ij , para todo i y j. (en
general, un escalar es denotado por una letra griega minúscula). Por ejemplo,
para,   3 y
7 2 
A ,
 3  4

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  AB  AB (A-9)
A  A. (A-10)

A.6.MULTIPLICACION DE MATRICES

310 análisis y ajustes de las medidas de examen

 El producto de dos matrices es otra matriz, las dos matrices debe ser conforme
para la multiplicación, es decir, el número de columnas de la primera matriz
debe ser igual al número de filas de la segunda matriz. Así, si A es una matriz
m  k y B es una matriz k  m , el producto AB es otra matriz C con m filas
(como en A) y n columnas (como en B). Cada elemento C es obtenido
multiplicando cada uno de los elementos de k de la fila de ith en A por el
elemento correspondiente en la columna jth en B y sumando.
Algebraicamente, esto se escribe como
cij  a i1b1 j  a i 2b2 j    a ik bkj. (A-11)
Este proceso se puede demostrar esquemáticamente como sigue

 a11 a12  a1k 

    b   b
  11 11   b11 
     b   b   b11 

 ai1 ai 2 aik   11 11

    
      
  b   b   b11 
     11 11

am1 am 2  am k 

Para ilustrar la multiplicación de matrices, deje

1 2 1 0 1
1 1
A  , B  0 1, C  0 1 2.
 
 2 0 1 0 1 0 1

Entonces

1 2
  1 1
B A  D  0 1 2 0
1 0  
3, 2 2, 2 3, 2

311 análisis y ajustes de las medidas de examen

Apéndice A 311
 11  22 11  20 5 1
 01  12 01  10  2 1
11  02 11  00 1 1

1 0 1 1 2
C B  E  0 1 2 0 1
1 0 1 1 0
3, 3 3, 2 3, 2

 11  00  11 12  01  10 2 2

 01  10  21 02  11  20  2 1.
 11  00  11 12  01  10 2 2

La multiplicación de matrices no es conmutativa; es decir, en general TS  ST

si ambas matrices son cuadradas. Por ejemplo, si
1 2
T 
5 0
Y
3 4
S ,
0 2 
Entonces
1 2 3 4  3 8 
TS     
5 0 0 2 15 20 
Mientras

3 4 1 2 23 6
ST     ,
0 2 5 0 10 0

Con el resultado obvio que TS  ST .

Las siguientes relaciones se dan con respecto a la multiplicación de matrices:

AI  IA  A, En la cuál I es la matriz unidad o identidad (A-13)
ABC  ABC  ABC (Ley asociativa) (A-14)
 AB  C   AB  AC 
A  BC  AC  BC 
(Ley distributiva). (A-15)

(A-16)

312 análisis y ajustes de las medidas de examen

Traducido por: Angélica Maria Rodríguez Lamus

Sep-08-2006 Ing.Catastral y Geodesia

Una característica importante de la multiplicación de matrices que la distingue

de la multiplicación escalar es que el producto de dos matrices puede ser la
matriz cero. Los siguientes son tres ejemplos de esta característica:
1 1  2 3  0 0 
1.     .
0 0  2  3 0 0
 3  5
1 2 3    0 0.
2.    3  5  
1  1 0  3 5  0 0
 
1 2 1
3. 2 2  20  2 1  0 0 0.
1 0 2

A.7. TRANSPUESTA DE UNA MATRIZ

La transpuesta de una matriz A es una matriz formada de A intercambiando

filas y columnas tales que la fila del ith de A se convierte en la columna del ith
de la matriz transpuesta. Denotamos la transpuesta de A por A t . Para todo i y
j. Por ejemplo,
 3 2 3  1
Si A    , entonces A t   ;
 1 1  2 1 
  1 6
  1 0 5
Si B   0 4, entonces Bt  
6 4 0
;
 5 0 
 a 
Si C  a b c, entonces C t  b .
 
 c 

Traducido por: Angélica Maria Rodríguez Lamus

Sep-08-2006 Ing.Catastral y Geodesia

Las siguientes relaciones se aplican a la transpuesta de una matriz:

A  Bt  At  Bt (A-17)

ABt  At Bt A-18)
At  At . (A-19)

313 Apéndice

La Eq. (A-17) puede ser verificada fácilmente recordando que la adición de la

matriz se hace elemento a elemento. Así, la transpuesta sigue la adición, o
adición sigue a la transpuesta, los resultados son iguales . La ecuación (A-18)
es absolutamente importante, puesto que demuestra que la transpuesta de
un producto de una matriz conduce a la transpuesta de cada matriz ,
entonces se invierte la secuencia antes de realizar la multiplicación. Puesto
que el AB es una matriz m*n la matriz  AB  , es, por definición, de n*m, lo
T

cual es igual que las dimensiones de t t

B A
. Para ilustrar la Eq. (A-18), deje
n,k n,k

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 21 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 

314 análisis y ajustes de las medidas de examen

En los otros ejemplos x t x es una matriz simétrica cuadrada, según lo

explicado en la siguiente sección

. A.8. MATRICES SIMÉTRICAS

Una matriz cuadrada es simétrica si es igual a su transpuesta, es decir, A es

simétrica si A t  A . Puesto que la transpuesta de una matriz no cambia los
elementos de la diagonal principal, los elementos sobre la diagonal principal de
una matriz simétrica son « imágenes del espejo » de los elementos debajo de
la diagonal.
Por ejemplo,
 6 3 0 1
3 2 1  3
2 5 6, a b,  7 2 0
y
  c d  0 0
1 6 4   2 4
 
1 0 0 5

Son matrices simétricas.

Para cualquier matriz A (no necesariamente cuadrada), A t A y AA t es

simétrica. La prueba es directa; por ejemplo, si C = AA ‘, entonces
C
t
    
 AA t
t t t
,
es decir, C es simétrica. Si B es una matriz simétrica de
 At A  C

dimensiones convenientes, entonces para cualquier matriz A, ambas ABA t y

t
A BA son simétricas. Por ejemplo, deje

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

Lo cuál es obviamente simétrico.

A.9. LA INVERSA DE UNA MATRIZ

La división de matrices no esta definida. De hecho nosotros podemos tener
ab=ac sin tener b=c. Esto implica que la operación de « dividir » por A, no es
posible. Como ejemplo, deje
 2 0  2  2  2  2
A  , B  , C ,
 4 0 5 3  1 4 
Donde B es diferente de C obviamente.
4  4
AB     AC.
8  8 
Apéndice A 315

En lugar de la división, se utiliza el concepto de la inversión de matriz. La

inversa de una matriz cuadrada A, si existe, es la matriz única A 1 con esta
característica:

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:
AB1  B1A1 (A-22)
A   A (A-23)
1 1

A   A  (A-24)
t 1 1 t

A1  1 A1. (A-25)


La matriz cuadrada que no tiene inversa se llama singular, mientras que la
matriz que tiene inversa se llama no singular.
Fue demostrado previamente que AB puede ser igual a 0 A0 or B  0 . Si, sin
embargo, A o B son no singulares , el resultado debe ser una matriz nula. Por
lo tanto, el producto de dos matrices no singulares no puede ser la matriz cero
. Para presentar un método para computar la inversa de una matriz, el
concepto y las propiedades de determinantes se introducirán primero.

A.10. DETERMINANTES, MENORES, Y COFACTORES

Se asocia a cada matriz cuadrada A un valor escalar único llamado el
determinante de A. Es denotado por det A o por A . Así, para, A    se
3 1
1 2

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

suprimen, la matriz que resulta es una submatriz de A. El determinante de tal

submatriz se llama un menor de A, y se señala por mij donde i y j
corresponden a la fila y a la columna suprimidas, respectivamente. Más
específicamente, se conoce como el menor del elemento en A. Por ejemplo,
considere

a11 a12 a13 

A  a 21 a 22 a 23 .
a 31 a 32 a 33 

Cada elemento de A tiene un menor . El menor de a11, por ejemplo, se

obtiene suprimiendo la primera fila y la primera columna de A y se toma el
determinante de la submatriz 2*2 es decir,
a 22 a 23
m11  .
a 32 a 33

De manera similar, los menores de a12 y a13 son

a 21 a 23 a 21 a 22
m12  y m13  ,
a 31 a 33 a 31 a 32
el cofactor c ij de un elemento a ij es definido como

 i  j mij , (A-26)
c ij   1

Obviamente, cuando la suma de la fila número i y el número j de la columna es

uniforme, cij  mij ; y donde i  j son impares, cij   mij .
El determinante de una matriz A de n*n puede ahora ser definido como
A  a11c11  a12c12   a1n c1n , (A-27)

Apéndice A 317

el determinante de A es la suma de los productos de los elementos de la

primera fila de A y de sus cofactores correspondientes. (es igualmente posible
a definir A de cualquier otra fila o columna, pero para simplicidad, se utiliza la
primera fila solamente.) En base de esta definición, la matriz 2*2
a a 
A   11 12 
a 21 a 22 
tiene cofactores c11  a 22  a 22 , y, c12   a 21   a 21 y el determinante de A es

A  a11c11  a12c12  a11a 22  a12c 21.

Así, si

3 1
A ,
1 2
entonces

A  32  11  5.
para una matriz de 3*3

a11 a12 a13 

A  a 21 a 22 a 23 .
a 31 a 32 a 33 

Los cofactores de la primera fila son

 a 22 a 23
c11   a 22a 33  a 23a 32
a 32 a 33

a 21 a 23
c12    a 21a 33  a 23a 31 
a 31 a 33

a21 a22
c13   a21a32  a22a31
a31 a32

y, entonces el determinante de A esta dado por la Eq (3-27) si

A  a11a 22a 33  a 23a 32   a12 a 21a 33  a 23a 31   a13 a 21a 32  a 22a 31 .

Por ejemplo si

 1 0 1
A   0 2 3,
 1 0 1

318 análisis y ajustes de las medidas de examen

Entonces

A  12  0  00  3  10  2  4.

A.11. COFACTOR Y ADJUNTA DE MATRICES

El cofactor C de una matriz A es la matriz cuadrada del mismo orden que A
en la cual cada elemento a ij se substituye por su cofactor c ij , por ejemplo, la
matriz de cofactor de
 1 2
A 
  3 4

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
Aadj A   adj A A  A I. (A-29)

Así, para,
 1 2
A 
  3 4
Tenemos
A  14  2 3  10

 4  2
adj A  C t   
3 1 

319 Apendice A

Y
 1 2 4  2 10 0 
Aadj 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

Lo cual demuestra la relación expresada por la Eq. (A-29).

A.12. INVERSA DE UNA MATRIZ USANDO LA MATRIZ ADJUNTA

La comparación de las Eqs. (A-21) y (A-29) conduce directamente a un

procedimiento para evaluar la inversa de la matriz adjunta, a saber,

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 
.

Como otro ejemplo, vamos a evaluar la inversa de

3  1 1 
A  2 1 0 .
1 2  1

Primero, el determinante de A es
A  3 1  0   1 2  0  14  1  2.

y los elementos de la matriz de cofactor son

C11   1, C12   2, C13  3
C21   1, C22   4, C23  7 
C31   1, C32   2, C33   5.
Así,
 1 2 3  1 1  1
C   1  4  7, adj A  C   2  4 2 .
  t

 1 2 5   3  7 5 
320 análisis y ajustes de las medidas de examen

 1 1  1  0.5  0.5 0.5 

1 
2  4 2    1.0 2.0  1.0 
1adj A
A  
A  2 
 3  7 5   1.5 3.5  2.5

Se deja como un ejercicio para que el lector demuestre que AA 1  A 1A  I . De la

Eq. (A-30) debe ser claro que el determinante de una matriz no debe ser cero
en ese orden para que exista la inversa. Por lo tanto, las matrices no
singulares tienen determinantes distintos a cero, mientras que las matrices
singulares tienen determinantes cero.

A.13. ECUACIONES LINEALES

Las ecuaciones lineales se encuentran con frecuencia en problemas del ajuste
de examen. De interés particular están los sistemas de las ecuaciones en las
cuales el número de ecuaciones es igual a un número desconocido, como, por
ejemplo, el siguiente sistema de n ecuaciones en n incógnitas:

a11x1  a12x 2    a1n x n  b1

a 21x1  a 22x 2    a 2 n x n  b2
(A-31)

a n1x1  a n 2 x 2    a nn x n  bn .
En la Eq. (A-31), los aij son coeficientes numéricos , los bi son constantes y,
xj son lo desconocido. La ecuación (A-31) se puede expresar en forma de
matriz
Ax  b (A-32)
en la cuál
  a11 a12  a1n   x1   b1 
a a 22  a 2 n  x  b 
A   21 , x   2 , y b   2 .
     
     
 a n1 a n 2  a nn  x n  b n 

Si el determinante de A es distinto a cero, la solución a la Eq, (A-31), o a Eq, (A-32), es

un sistema único de n valores numéricos para que xj satisfaga todas las ecuaciones
simultáneamente. Esta solución es obtenida premultiplicando ambos lados de Eq. (A-
32) por A 1 (que exista porque A  0 ) para obtener.

A 1Ax  A 1b

O
x  A 1b. (A-33)

Apéndice A 321

Puesto que A 1A  I por definición. Así, la solución es equivalente a encontrar la

inversa del ejemplo, considera el sistema siguiente de tres ecuaciones en tres
desconocido:
3x1  x 2  x 3  2
2 x1  x 2 1
x1  2 x 2  x 3  3
o
3  1 1   x1  2
2 1 0  x   1.
  3   
1 2  1 x 3  3

Lo inversa de la matriz de coeficientes se ha computado ya en la sección A-12.

Así, por Eq. (A-33),
  0.5  0.5 0.5  2  2 
x  A 1b   1.0 2.0  1.0  1    3
 1.5 3.5  2.5 3  7

es la solución al sistema dado de ecuaciones. Se ve fácilmente que cuando,

x  2, x  3 y x 3  7 las tres ecuaciones están satisfechas.
1 2

Computar la inversa por el método de matriz adjunta llega a ser

absolutamente aburrido y se desperdicia tiempo cuando n es mayor de 3. En
tales casos , hay procedimientos más eficientes que se emplean
generalmente para encontrar la inversa y solucionar las ecuaciones. Estos
procedimientos no están dentro del alcance de este apéndice.

A.14. FORMAS BILINEAL Y CUADRÁTICA

Si x es un vector de m variables , y es un vector de n variables , y A es una
matriz m*n la función escalar
u  x t Ay (A-34)
se conoce como forma bilineal. Por ejemplo, si
 x1 
y 
x   x 2 , y   1 ,
 x 3   y2 

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

322 análisis y ajustes de las medidas de examen

 3x1y1  2x 2 y1  x 3 y1  x1y 2  x 2 y 2  2x 2 y 2
es una forma bilineal.
Si x es un vector de las variables de n, y A es una matriz simétrica cuadrada de
orden n, la función escalar
q  x t Ax (A-35)
Se conoce como forma cuadrática. Por ejemplo si
x   3 2
x   1 , Y A 
x 2  2 1 
Entonces
 3 2   x1 
q  x1 x 2    x   3x1  4x1x 2  x 2
2 2

 2 1  1

Es una forma cuadrática.

Un buen ejemplo de una forma cuadrática es la suma de las residuales
ajustadas

  v t Wv (A-36)

Se reduce al mínimo por el método de los mínimos cuadrados. En esta forma

cuadrática particular, v es el vector de residuales de observación y W es la
matriz simétrica del peso de las observaciones.

A.15. DIFERENCIACIÓN DE VECTORES, DE FORMA BILINEAL Y DE

FORMA CUADRÁTICA
Si un vector y se compone de m funciones o de alguno o de todos los
componentes de otro vector x, la derivada parcial de y con respecto a x es
una matriz, llamada la matriz jacobiana, que se compone de los elementos que
son las derivados parciales de los componentes individuales de y con respecto
a los componentes individuales de x, es decir,
 y1 y1 y1 
 x 
x 2 x n 
y  1 
J yx       . (A-37)
x  y m y m y m 
 
 x1 x 2 x n 
 

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 

La derivada parcial con respecto a x es la derivada fija Ay  b ,, un vector

columna de m constantes y después se expresa u como sigue
u  x t Ay  x t b  x1b1  x 2 b 2   x m b m .
Entonces fácilmente se ve que
u  u u u 
 ,,  b1 , b 2 , , b m   b t  y t A t
x m 
,
x  x1 x 2

La derivada parcial con respecto a y es de manera similar derivada por fijar, un

vector columna de n constantes , y después de expresar u como sigue:

  t
u  x t Ay  A t x y  ct y  c1y1  c2 y2  cn yn .

Esto es entonces fácil viendo que

u  u u u 
 , ,  c1 , c 2 , , c n   c t  x t A t .
y m 
,
y  y1 y 2
t
La derivada parcial con respecto a la forma cuadrática q  x Ax con respecto a
x es
u  u u u 
 , ,  2 x t A, (A-40)
x  x1 
,
x 2 x n 

Donde A es simétrica e independiente de x.

u  u u u 
 , ,  2 x t A,
x  x1 x n 
,
x 2

Esta derivada parcial es derivada observando que

 a11 a12  a1n   x1 
 
q  x t Ax  x1 , x1 , , x n a 21 a 22  a 2n   x 2 
     
 
a n1 a n 2  a nn 
 x n 
Symmetric

 a11x12  a 22x 22    a nn x 2n  2a12x1x 2  

 2a1n x1x n    2a 2 n x 2 x n  .

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.

Traducido por: Angélica Maria Rodríguez Lamus

Sep-08-2006 Ing.Catastral y Geodesia

APENDICE B
Tablas
326 análisis y ajustes de las medidas de examen
TablaI.
Valores de la Distribucion Normal Estandar
t
du  PZ  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

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 Biometrika
328 Analisis y ajustes de las medidas de examen
 Tabla II. Perceniles de la Distribución Chi-Cuadrado

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

1 .000 .000 .001 .004 .016 .064 .148

2 .010 .020 .051 .103 .211 .446 .713
3 .072 .115 .216 .352 .584 1.00 1.42
4 .207 .297 .484 .711 1.06 1.65 2.20
5 .412 .554 .831 1.15 1.61 2.34 3.00
6 .676 .872 1.24 1.64 2.20 3.07 3.83
7 .989 1.24 1.69 2.17 2.83 3.82 4.67
8 1.34 1.65 2.18 2.73 3.49 4.59 5.53
9 1.73 2.09 2.70 3.33 4.17 5.38 6.39
10 2.16 2.56 3.25 3.94 4.87 6.18 7.27
11 2.60 3.05 3.32 4.57 5.58 .
6.99 8.15
12 3.07 3.57 4.40 5.23 6.30 7.81 9.03
13 3.57 4.11 5.01 5.89 7.04 8.63 9.93
14 4.07 4.66 5.63 6.57 7.79 9.47 10.8
15 4.60 5.23 6.26 7.26 8.55 10.3 11.7
16 5.14 5.81 6.91 7.96 9.31 11.2 12.6
17 5.70 6.41 7.56 8.67 10.1 12.0 13.5
18 6.26 7.01 8.23 9.39 10.9 12.9 14.4
19 6.83 7.63 8.91 10.1 11.7 13.7 15.4
20 7.43 8.26 9.59 10.9 12.4 14.6 16.3
21 8.03 8.90 10.3 11.6 13.2 15.4 17.2
22 8.64 9.54 11.0 12.3 14.0 16.3 18.1
23 9.26 10.2 11.7 13.1 14.8 17.2 19.0
24 9.89 10.9 12.4 13.8 15.7 18.1 19.9
25 10.5 11.5 13.1 14.6 16.5 18.9 20.9
26 11.2 12.2 13.8 15.4 17.3 19.8 21.8
27 11.8 12.9 14.6 16.2 18.1 20.7 22.7
28 12.5 13.6 15.3 16.9 18.9 21.6 23.6
29 13.1 14.3 16.0 17.7 19.8 22.5 24.6
30 13.3 15.0 16.8 18.5 20.6 23.4 25.5
40 20.7 22.1 24.4 26.5 29.0 32.3 34.9
50 28.0 29.7 32.3 34.8 37.7 41.4 44.3
60 35.5 37.5 40.5 43.2 46.5 50.6 53.8

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 Biometrika
Este libro fue traducido por : Angelica Maria Rodriguez Lamus
Para la materia Ajustes Geodesicos 09/12/06
Universidad Distrital
Francisco Jose de Caldas