CURSO

REDUCCIÓN Y AJUSTE AUTOMATIZADOS DE DATOS GEODÉSICOS

(F-304)

COMPUTOS PARA EL AJUSTE

LECCIONES PRÁCTICAS DE MÍNIMOS CUADRADOS PARA AGRIMENSORES

AGENCIA CARTOGRÁFICA DE DEFENSA

SERVICIO INTERAMERICANO

ESCUELA DE CARTOGRAFÍA

DEPARTAMENTO DE GEODESIA

LEVANTAMIENTOS DE CAMPO
 INDICE

1. INTRODUCCION A LAS MATRICES

Introducción. Definición de una matriz. Tamaño o dimensiones de una matriz.

Tipos de matrices. Igualdad de matrices. Suma o resta matricial. Multiplicación de
una matriz por un escalar. Multiplicación de una matriz por otra. Tarea
autodidáctica.

2. SOLUCION DE ECUACIONES POR METODOS MATRICIALES

Introducción. La inversa de una matriz. Inversa de una matriz de 2x2. Inversas por
adjuntos. Inversas por transformaciones de fi1as. Ejemplos de problemas. Tarea
autodidáctica.

3. ELIMINACION GAUSIANA; TEOREMA DE TAYLOR

Eliminación gausiana: Introducción; Explicación del procedimiento; Ejemplo

numérico. Linearización de ecuaciones no lineales de la serie de Taylor:
Introducción; Aproximaciones de la serie de. Taylor; Ejemplo numérico.
Linearización de ecuaciones de la observación de distancias. Linearización de
ecuaciones de la observación de ángulos. Tarea autodidáctica.

4. TEORIA GENERAL DE ERRORES

Clasificación de errores. Definición de términos. Teoría de la probabilidad.

Representación grafica de distribuciones de los errores randomizados/al azar.
Ejemplo numérico del histograma. Polígono de frecuencia. Propiedades de la
curva de distribución normal. Mediciones de precisión. El error probable de 50 por
ciento. El error probable de 90 por ciento. Ejemplo numérico de cálculos de
precisión. Trazado de una curva de distribución normal. Tarea autodidáctica.

5. PROPAGACION DE ERRORES FORTUITOS

Derivación de la ecuación básica. Funciones específicas frecuentemente

encontradas. Ejemplos numéricos. Tarea autodidáctica.

6. PESOS DE LAS OBSERVACIONES

Generalidades. Media ponderada (peso promedio). Relación entre el peso y el

error estándar. Pesos en la nivelación y medición de ángulos. Ejemplo numérico.
Errores estándar de las observaciones ponderadas. Ejemplos numéricos. Tarea
autodidáctica.
7. PRINCIPIOS DE LOS MINIMOS CUADRADOS

Principio fundamental de los mínimos cuadrados no ponderados. Principio

fundamental de los mínimos cuadrados ponderados. Ecuaciones de observación.
Ejemplo elemental del ajuste de 1a ecuación de observación. Formulación
sistemática de ecuaciones normales. Formación tabular de ecuaciones normales.
Tarea autodidáctica.

8. AJUSTE DE REDES DE NIVEL

Introducción. Ejemplo considerando pesos iguales. Ejemplo considerando pesos.

Formación tabular de ecuaciones normales para el ejemplo de la red de nivel
ponderada. Tarea autodidáctica.

9. METODOS MATRICIALES EN EL AJUSTE DE MINIMOS CUADRADOS

Ecuaciones matriciales para las ecuaciones de observación no ponderadas.

Ejemplo numérico de ecuaciones de observación no ponderadas. Métodos
matriciales para las ecuaciones de observación ponderadas. Ejemplo numérico de
ecuaciones de observación ponderadas. Derivación matricial de la ecuación para
los mínimos cuadrados ponderados. Programa de computadora. Tarea
autodidáctica.

10. PRECISIONES DE CANTIDADES INDIRECTAMENTE DETERMINADAS

Desviación estándar del peso unitario. Desarrollo de la matriz de covariación

/covariancia. Ejemplos numéricos. Calculo matricial de desviaciones estándar de
funciones lineales de observaciones independientes. Correlación entre cantidades
ajustadas. Desviaciones estándar de funciones de cantidades correlacionadas que
son funciones de observaciones independientes. Tarea autodidáctica.

11. AJUSTE DE TRILATERACION

Introducción. La ecuación de observación de distancia básica. Ajuste de

trilateración. Ejemplo numérico. Mantener fijas las coordenadas de estación en un
ajuste de trilateración. Mantener fijas las direcciones en un ajuste de trilateración.
Ejemplo de 1a formulación de una matriz de coeficientes generalizada para una
red compleja. Programa general de computadoras para el ajuste de la trilateración
por mínimos cuadrados. Solución computarizada de un ejemplo de cuadrilátero
trilaterizado. Solución computarizada de un complejo problema de trilateración.
Tarea autodidáctica.
12. AJUSTE DE TRIANGULACION
Introducción. La ecuación básica de observación de ángulos. Ajuste de
intersecciones. Ejemplo numérico del ajuste de intersecciones. Ajuste de
resecciones. Ajuste de la triangulación tradicional. Programa de computadoras
para el ajuste del cuadrilátero triangulizado. Ejemplo del problema. Tarea
autodidáctica.

13. AJUSTE DE POLIGONALES

Introducción. Las ecuaciones de observación. Numero de ecuaciones

redundantes. Ejemplo numérico. Tarea autodidáctica.

14. AJUSTE POR CONDICIONES

Introducción. Forma matricial de las ecuaciones de condición. Solución matricial

de mínimos cuadrados. Ajuste de los ángulos de un triangulo piano. Ecuación de
condición para el ajuste de redes de nivel. Ajuste de poligonales por el método de
ecuaciones condicionales (método Crandall). Ajuste de un Cuadrilátero triangulado
por el método de la ecuación de condición. Deducción de la ecuación para
resolver ecuaciones condicionales por los mínimos cuadrados. Programa de
computadora para la solución de ecuaciones condicionales. Tarea autodidáctica.

15. AJUSTE DE POLIGONALES TOR CONDICIONES

Introducción. Las condiciones de partida y latitud. La condición acimutal. Ejemplo

del problema del ajuste poligonal. Poligonal de polígono cerrado. Tarea
autodidáctica.

16. TRANSFORMACION CONFORME DE COORDENADAS BIDIMENSIONALES

Introducción. Desarropo de las ecuaciones. Aplicación de los mínimos cuadrados.

Programa de computadoras y ejemplo numérico. Tarea autodidáctica.

17. ELIPSES DE ERRORES

Introducción. Compute de orientación y semiejes de la elipse. Ejemplo del

problema de los cálculos de la elipse de error estándar. La elipse de error de 95
por ciento. Ejemplo de problemas del cálculo de la elipse de error de 95 por ciento.
Ventajas de las elipses de errores. Diseño de la red del levantamiento. Tarea
autodidáctica.

18. ENCAJE DE CURVAS POR MINIMOS CUADRADOS

Introducción. Encajado de una línea recta a los datos. Encajado de una parábola a
los datos. Encajado de un polinomio a los datos. Tarea autodidáctica.

APENDICES

LA CURVA DE DISTRIBUCION NORMAL DEL ERROR

PROGRAMA GENERAL PARA EL AJUSTE DE MINIMOS CUADRADOS

MEDIANTE ECUACIONES DE OBSERVACION

Introducción Al programa. Nombres y descripciones de las variables de entrada.

Preparación de los "lotes de datos para la entrada. Salida. Listado del programa.

PROGRAMA PARA EL AJUSTE POR MÍNIMOS CUADRADOS DE REDES DE

TRILATERACION

Introducción al programa. Nombres y descripciones de las variables de entrada.

Preparación del lote de datos para la entrada. Discusión del procedimiento de
entrada. Dibujo de la red. Numeración de estación y cálculo de las coordenadas
iniciales. Procedimiento de entrada. Listado del programa.

PROGRAMA PARA EL AJUSTE TOR MINIMDS CUADRADOS DE UN

CUADRILATERO TRIANGULADO

Introducción al programa. Sistema del eje provisional del ajuste. Nombres y

descripciones de las variables de entrada. Preparación del lote de datos para la
entrada. Listado del programa.

PROGRAMA PARA EL AJUSTE DE MINIMOS CUADRADOS TOR

ECUACIONES DE CONDICION

Introducción al programa. Nombres y descripciones de las variables de entrada.

Preparación del lote de datos para la entrada. Salida. Listado del programa.
PROGRAMA PARA LA TRANSFORMACION CONFORME DE COORDENADAS

BIDIMENSIONALES

Introducción al programa. Nombres y descripciones de las variables de entrada.

Preparación del lote de datos para la entrada. Salida. Listado del programa.

REFERENCIAS
 CAPITULO 1
INTRODUCCION A LAS MATRICES

1.1 Introducción

El uso del álgebra matricial brinda por lo menos dos importantes ventajas al
matemático, ingeniero o agrimensor modernos: (1) proporciona los medios para
reducir sistemas complicados de ecuaciones a expresiones sencillas que pueden
más fácilmente visualizarse y manejarse, y (2) proporciona un método sistemático
de tratamiento matemático que esta muy bien adaptado para las actuales
computadoras digitales electrónicas de alta velocidad. Hoy día se tienen más
y más problemas en agrimensura, geodesia y fotogrametría que requieren la
solución de .grandes sistemas de ecuaciones. En este texto estudiaremos en
especial los cómputos de ajustes que involucran observaciones redundantes y
satisfacción de ciertas condiciones. Tales observaciones y condición
frecuentemente resultan en enormes sistemas de ecuaciones.

Cuando esas ecuaciones se resuelven conforme al método de mínimos la solución

rinde los mejores cálculos para las observaciones ajustadas y los parámetros
desconocidos. La anotación matricial es la más adecuada para los cómputos de
mínimos cuadrados y, por ende se emplea a fin de facilitar el manejo implicado
en el análisis y solución de esos sistemas ecuaciones.

1.2 Definición de una Matriz

Una matriz es un juego de números o símbolos arreglado en una ordenación

cuadrada o rectangular de filas "m" y columnas "n". El arreglo es tal que se
pueden efectuar ciertas operaciones matemáticas definidas de una manera
sistemática y eficaz.

Como ejemplo de una representación matricial, considérese el siguiente sistema

de tres ecuaciones "lineales involucrando a tres incógnitas:

a 11 x 1 + a 12 x 2 + a 13 x 3 = c1
a 21 x 1 + a 22 x 2 + a 23 x 3 = c 2
a 31 x 1 + a 32 x 2 + a 33 x 3 = c 3

El sistema anterior de ecuaciones lineares puede representarse en forma matricial

como:
  a 11 a 12 a 13   x1   c1 
     
 a 21 a 22 a 23  2 =  2
 x c
 a 31 a 32 a 33   x 3   c 3 
Esto a su vez puede representarse en la notación matricial compacta como:

A X = C . . . . . . . . . . . . (Lc)

Se usan letras mayúsculas (algunas veces subrayadas) como (A, X,C) para indicar
una matriz o una ordenación de números o símbolos.
Hablamos de la posición de un elemento de matriz con subscritos ij, jk, etc., en
donde la primera letra representa la fila y la segunda letra representa la columna.

1.4 Tipo de matrices (se puede usar una variedad de símbolos para designar
las matrices abajo ilustradas).

1.4.1 Matriz columnar (el numero de filas puede ser cualquier entero, mas
el numero de columnas es uno (1)).

3 
 
A = [A] = (A) =  2 
3X1 3X1 3X1 5 
 
3X1

1.4.2 Matriz por filas (El numero de columnas puede ser cualquier entero de filas
es uno (1))

A  <A>   A   A    -6 4 2 
3X1 1X3
1X 3 1X 3 1X 3

1.4.3 Matriz rectangular (el numero de filas es m y el número de

columnas es n)

A   A
3
3 2 6 
= 
2X 3 2 
5 4 1 
2X 3

1.4.4 Matriz cuadrada (el numero de filas es igual al numero de columnas)

 3
 4 2 -5 
A   A =  -7 3 4 
 
 
3X 3
3 
3X 3 6 -1 9

1.4.5 Matriz simétrica

3
 2 -4 6 
=  -4 7 3 
A  
 
3X3
3 
6 3 5

1.4.6 Matriz diagonal

3
7 0 0 
=  0 -3 0 
A  
 
3X3
3 
0 0 6

1.4.7 Matriz unitaria

4
1 0 0 0 
0 1 0 0 
[I] =  
4X4
0 0 1 0 
 
4 
0 0 0 1

Restarse término por término. Si dos matrices son de igual dimensión. Se dice que
son conformes para la suma o resta.

A +B = C
2X 3 2X3 2X3

 7 3 -1  1 5 6  8 8 5 
 2 -5 6  +  -4 -2 8  =  -2 -7 9 
     

Suponiendo que las dos matrices A y B sean conformes para la suma y la resta,
entonces lo siguiente sera verdad:

a) A + B = B + A (Ley conmutativa)

b) A + (B+C) = (A+B) + C (Ley asociativa)

1.7 Multiplicación de una matriz por un escalar.

Permítase que K sea cualquier escalar (un elemento único); luego:

Cada elemento de la matriz A

se multiplica por el escalar K
KA +AK = C
4X 2 4X2 4X2
para obtener la respuesta C.

3 -1 12 -4 
2 6 8 24 
4   =  
4 7 16 28 
   
5 3  20 12 

4
Nótese que 4 [A] = [A] + [A] + [A] + [A] = [A]
1.8 Multiplicación de una matriz por otra matriz

1.8.1 Un requisito básico que debe satisfacer para efectuar la multiplicación

matricial, es que si la matriz A a de ser “pos multiplicada” por la matriz B entonces
el número de columnas de la matriz A debe ser igual al número de filas en la
matriz B. Cuando existe esta condición se dice que A y B son conformes para la
multiplicación. El producto C tendrá el mismo número de filas que A y el mismo
numero de columnas como B. Así que son posibles las siguientes multiplicaciones:

A
4X 2
B = C
2X3 4X3

A
1X 3
B = C
3X1 1X1

A
3X 3
B = C
3X1 3X1

Las siguientes multiplicaciones no son posibles.

A
2X 3
B
4X2

A
6X 2
B
6X3
1.8.2 La multiplicación se efectúa como sigue:

A
2X 3
B = C
3X2 2X2

 b 11 b 12 
 a 11 a 12 a 13     c11 c12 
   b 21 b 22  =  
 a 21 a 22 a 23   b 31 b 32   c 21 c 22 

Los elementos Cij de la matriz C son totales obtenidas al multiplicar

sucesivamente los elementos en la fila i de la matriz A por los elementos en la
columna j de la matriz B, y luego sumándolas. Algunas veces esto se llama
“multiplicación fila por columna”. Por ende:

C11  A11 B12  A12 B22  A13 B32

El proceso anterior puede verse más fácilmente con un ejemplo numérico

4 4 
1 2 3     c 11 c 12   31 21 
4 2 7  6 2

=
  =
 63 57 
   c 21 c 22   
2X 3  5 3  2X 2 2X 2

3X 2

C11 = 1X4 + 2X6 + 3X5 = 31

C12 = 1X8 + 2X2 + 3X3 = 21
C12 = 4X4 + 2X6 + 7X5 = 63
C 22 = 4X8 + 2X2 + 7X3 = 57

Ahora el estudiante deberá verificar la representación matricial de las ecuaciones

(1ª) y (1b).

Nótese que el producto de una matriz unitaria I, y de una matriz cuadrada A del
mismo tamaño, son iguales a la matriz original A.

I
2X 2
A = A
2X2 2X2
 1 0  5 6  5 6 
 0 1 7 8 = 7 8
     

1.8.3 Suponiendo que las matices A,B y C sean conformes para la multiplicación,
y en el orden indicado, luego lo que sigue es verdadero:

a) A(B +C) = AB + AC (Primera ley distributiva)

b) (A + B) C = AC + BC (Segunda ley distributiva)
c) A(BC) = (AB) C (ley asociativa)

También se declaran las siguientes advertencias:

d) AB no es generalmente igual a BA y BA quizá no sea conforme.

e) Si AB = 0, ni A ni B necesariamente = 0
f) Si AB = AC, B ni es necesariamente = c

Permítase que:
 2 1  -1 -1 1 1
A=   B=   C=  
1 2  2 2  1 1

Ejemplo de (a):
A (B + C)
 2 1 0 0  3 3 
1 2  3 3  = 6 6 
     
AB AC
0 0  3 3  3 3 
3 3  + 3 3  = 6 6 
     

Ejemplo de (b): (A + B) C
1 0  1 1 1 1 
3 4  1 1 = 7 7 
     
AB AC
3 3   -2 -2  1 1 
3 3  + 4 4  = 7 7 
     

Ejemplo de (C): A BC
  2 1  -2 -2  0 0 
1 2  4 4  = 6 6 
     
AB C

0 0  1 1 0 0 
3 3  + 1 1 = 6 6 
     

Ejemplo de (d): AB ≠ BA
0 0   -3 -3 
3 3  6 6 
   

Ejemplo de (e):

Permita que
2 2   -1 -2 
A=   y B= 
1 1  1  2 

Luego AB = 0, pero ni A ni B = 0

Ejemplo de (f):

2 2  1 2   4 10 
Permita que A =   ; B=  y C= 
1 1  1  3   -2 -5 

AB = AC pero B ≠C
 4 10   4 10 
 -2 -5   -2 -5 
   

1.8.4 Es aparente que la multiplicación de matrices de gran tamaño involucra

muchas operaciones aritméticas que, si hechas a mano, son muy aburridas, pero
pueden efectuarse rápido y sencillamente mediante una computadora digital.

Vamos ahora a desarrollar una expresión matemática general para multiplicar dos
matrices.

Considérese dos matrices A y B que estén gráficamente representadas como

mxn nxp
sigue:
(Nótese que son conformes para la multiplicación)

A
mxn
X
mxn
B = C mxn
j n
k p k p
     
i   X j   = j  
     
m n m

Encuentre el producto A y B y colóquelo en C

Paso 1.

Sumar el producto (A fila i=1) X (B columna k=1) con los elementos de A y B

aumentándose sucesivamente de j=1 a j=n. colocar el resultado en C IK o C 11 para
este primer paso.

Matemáticamente este paso se representa como:

n
C IK = A ij X B JK ; i=1 k=1
j 1

Paso 2.

Aumentar k sucesivamente por 1 colocando el resultado en C IK continuar aumento

de k y repetir paso 2 hasta k=p.

Paso 3.

Aumentar i de una a dos y repetir paso 1 y 2 en su totalidad. Al terminar con i=2,

aumentar I a 3 y repetir paso 1 y 2 en su totalidad. Continuar este proceso hasta
i=m. Esto completa la multiplicación matricial.

En FORTRAN, todo lo anterior se puede expresar sencillamente como:

 Do100, I  1, m
Do100, k  1, p
C (I , K )  0
Do100, J  1, N
100
C ( I , K )  C ( I , K )  A( I , J ) * B ( J , K )

Una nota final sobre multiplicación: es muy importante especificar el orden como
han de multiplicarse las matrices.

Tarea autodidáctica No. 1

1) Supóngase que el siguiente sistema de ecuaciones lineal ha de ser

representado en forma matricial como AX=B. formúlense las tres matrices.

2 X 1 X 2  5X 3 X 4  5
X 1  X 2 3 X 3 4 X 4  1
3 X 1 6 X 2 2 X 3  X 4  8
2 X 1 2 X 2 2 X 3 3 X 4  2

2) Haga las siguientes operaciones matriciales

1 2 -1 0  3 -4 1 2 
a)  4 0 2 1   1 5 0 3  =
 2 -5 1 2   2 -2 3 1

1 2 -1 0   3 -4 1 2 
b)  4 0 2 1   1 5 0 3  =
 2 -5 1 2   2 -2 3 1

1 2 -1 0 
c) 3  4 0 2 1  =
 2 -5 1 2 
  3 -4 
1 2 1  1 5  
d)  X  
4 0 2  -2 2 

T
3. para el problema 1 anterior, halle el producto A A.
 CAPITULO 2
SOLUCION DE ECUACIONES POR METODO MATRICIAL

2.1 Introducción.

Como antes se menciono, una de las ventajas ofrecidas por el algebra matricial es
que se adapta extremadamente bien para su uso en computadoras digitales. Los
sistemas de ecuaciones lineales simultáneas de cualquier tamaño hasta los más
grandes pueden programarse para la solución general de computadoras usando
solo unos cuantos pasos sistemáticos. La sencillez de la programación de
multiplicaciones matriciales, por ejemplo se presento en la sección 1.8.4.

Para resolver el sistema de ecuaciones usando métodos matriciales, primero es

necesario definir y computar la inversa de una matriz.

2.2 La inversa de una matriz

2.2.1 Si una matriz cuadrada no es singular (no singular), entonces posee una
matriz inversa. (Nótese que si un sistema de m ecuaciones lineales simultaneas
conteniendo m ecuaciones y m incógnitas se expresa como: CX=B, C la matriz de
coeficientes es una matriz cuadrada de mxm dimensiones).

Considere este referido sistema de ecuaciones lineales:

C X = B . . . . . . . . . . . . . . . (2a)

1 1
Definimos C de manera tal que C C=I, en donde I es la matriz identidad.
1
Si pre multiplicamos ambos lados de la matriz (2a) por C , luego
1 1
C C X = C B
1
I X = C B
1
X = C B . . . . . . . . . . . . . . . . . (2b)

Las incógnitas (matriz x) pueden hallarse calculando la formula (2b), la matriz

1
C se llama la inversa de C.
2.2.2 Deben recalcarse ciertos puntos referentes a las inversiones matriciales:

a. Las matrices cuadradas tienen inversas con la excepción notada en b.,

abajo.
 b. Si la determinante obtenida usándolos elementos de la matriz A es cero, se
dice que la matriz A es singular y no puede encontrarse ninguna inversa.

c. Aun la inversión de una matriz relativamente pequeña es una operación

aburrida y lenta al hacer a mano, más cuando se efectúa por una
computadora digital es sencilla y rápida. A continuación se resume un
método para invertir matrices pequeñas.

2.3 Inversa de una matriz de 2x2

2.3.1 Se dispone de varios métodos generales para hallar las inversas de

matrices.

Consideraremos dos de ellas. Pero antes de proceder con los casos generales.
Consideremos primero el caso específico para hallar la inversa de una matriz de
2x2 utilizando simples operaciones matriciales que ya hemos estudiado.

1
Por definición: A A = I . . . . . . . . . . . . . . . (2c)

2 2
a b  1 w x 
Permítase que A = c d  y A =
y z 
2  2 
1
Ahora calculemos w, x, y, z, en términos de a, b, c y d. sustituyendo A, A e I
dentro (2c)

a b   w x  1 0 
 c d  X  y z    0 1
     
a. Por multiplicación de matriz:

aw+by=1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (2d)
ax+bz=0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (2e)
cw+dy=0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (2f)
cx+dz=1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (2g)

Nótese que la determinante de A se simboliza como:

 A y es igual a ad – bc

1  aw  cw
De (2d) y = ; De (2F) y =
b b
1  aw  cw d d
Luego = Reduciendo: w = =
b b da  bc A

ax 1  cw
De (2e) z = ; De (2g) z =
b b
 ax 1  cx b b
Luego = Reduciendo: x = =
b d  da  bc A

1  by  dy
De (2d) w = ; De (2f) w =
a c
1  by  dy c c
Luego = Reduciendo: y = =
a c  ad  cb A

 bz 1  dz
De (2e) x = ; De (2g) x =
a c
 bz 1  dz a a
Luego = Reduciendo: z = =
a c ad  bc A

b. Entonces para cualquier matriz 2x2 compuesta de los elementos:

a b 
c d 
 

Su inversa sencillamente es:

  d -b 
 A 

A
 1  d -b 
 a 
=  -c a 
-c A  
 
 A A 

c. Ejemplo numérico:

 2 3 1
Si: A =  4 1 , A
 
1 1 1 -3 
A =  
10  -4 1

1 1 -3   2 3  1 0 
Comprobar:    
10  -4 1  4 1   0 1

2.3.2 Inversas por adjuntas

a) La inversa de A puede hallarse por el método de adjuntas satisfaciendo la

siguiente ecuación:
1
A = Adjunto de A = Adjunto de A
Determinante de A A

b) El adjunto de A se obtiene reemplazando primero cada elemento de la matriz

por su cofactor y luego transponiendo la matriz resultante. El cofactor del
i j
elemento a ij es igual a (1) multiplicado por el valor numérico de la
determinante sobrante después de eliminar la fila i y la columna j de la matriz.

Para ilustrar el procedimiento, hallemos la inversa de la matriz siguiente. Por el

método de las adjuntas.

 a 11 a 12 a 13  4 3 2
  3 4 1 
A =
 a 21 a 22 a 23  =
 
 a 31 a 32 a 33   2 3 4 
 Co-factor de a 11 = (-1)² (4x4 – 1x3) = 13
Co-factor de a 21 = (-1)³ (3x4 – 2x3) = -6
Co-factor de a 31 = (-1)4 (3x1 – 2x4) = -5
Co-factor de a 12 = (-1)³ (3x4 – 1x2) = -10
etc.

13 -10 1
 -6 12 6 
Matriz de cofactores =  
 -5 2 7 
Transponiendo esta matriz

13 -6 -5 
 -10 12 2 
Adjunto de A =  
 1 -6 7 

c) La determinante de A puede hallarse de la manera usual. Nótese que los

cofactores ya obtenidos en el paso previo simplifican este paso.

A = 4 (13) + 3 (-6) + 2 (-5) = 24

d) Ahora puede calcularse la inversa de A.

 13 -1 -5 
 
13 -6 -5   24 4 24 
1 
-10 12 2   -5
1 1 1 
A =
  =
 12
24 2 12 
 1 -6 7   
 1 -1 7 
 24 4 24 

e) Puede obtenerse una verificación del trabajo aritmético puesto que:

-1
A A = I
3X3 3X3
3X 3
  13 -1 -5 
 
 24 4 24  4 3 2 1 0 0 
 -5 1 1  3 4 1  0 1 0 
 12  
=  
2 12 
   2 3 4   0 0 1 
 1 -1 7 
 24 4 24 

2.3.3 Inversas por transformaciones de filas

Pueden emplearse elementales transformaciones de filas para hallar las inversas

matriciales; algunas transformaciones de utilidad son:

a. La multiplicación de todo elemento en cualquier fila por un escalar sin cero.

b. La suma (o resta) de los elementos en cualquier fila a los elementos de

cualquier otra fila.

c. Combinación de (a) y (b).

Si las transformaciones de filas se efectúan sucesivamente en A, de manera tal

que A se transforma en I, y si por todo el procedimiento también llevamos a cabo
exactamente la misma transformación de filas en las filas equivalentes de I,
1
transformamos I en A . Se ilustra el procedimiento usando la matriz que usamos
para demostrar el método de adjuntas.

Inicialmente, la matriz original y la idéntica se listan juntas como:

4 3 2 1 0 0 
3 4 1  0 1 0 
A =  
I =  
 2 3 4   0 0 1 

Con las siguientes tres transformaciones de filas hechas en A e I, las matrices A e

I se transforman en matrices en matrices A1 e I 1 , respectivamente:

1 1
1. Multipliquese la fila 1 de las matrices A e I por o , y colóquese en la fila 1
a11 4
de A1
e I 1
, respectivamente. Esto convierte a11 de la matriz A
1
a uno (1).
2. Multiplíquese la fila 1 de las matrices A 1
e I 1
por a 21 o 3, réstese de la fila 2
de las matrices A e I y colóquese en la fila 2 de A 1
e I 1
, respectivamente. Esto
convierte a 21 de A
1
a cero.

3. Multiplíquese la fila 1 de las matrices A 1

e I 1
por a31 o 3, réstese de la fila 3 de
las matrices A e I y colóquese en la fila 3 de A 1
e I 1
, respectivamente. Esto
convierte a31 de A
1
a cero.

Después de realizar estas operaciones, las matrices transformadas A1

e I 1
son:

 3 1  1 
1 4 2  4 0 0 
   
= 0 7 -1 
=  -3 1 0 
A 1  4 2 I 1 4 
   
3 -1
0 3  0 1
 2   2 

Nótese la primera columna de A

1
ha sido hecha equivalente a la primera columna
de una matriz idéntica de 3x3, como resultado de esas 3 transformaciones de filas.

Luego las tres siguientes transformaciones elementales de las filas se efectúan en

las matrices A1 e I 1 para transformarlas en matrices A 2 e I 2 :

1 4
1. Multipliquese la fila 2 de A 1
e I 1
, por o , y colóquese en la fila 2 de A 2
a 22 7
e I 2
.

3
2. Multipliquese la fila 2 de A e I por a o 4 , réstese de la fila 1 de A
2 2 12 1
e I 1
,

y colóquese en la fila 1 de A e I , respectivamente.

2 2

2
3. Multipliquese la fila 2 de A e I por a o 2 , réstese de la fila 3 de A
2 2 32 1
e I 1
,

y colóquese en la fila 3 de A e I , respectivamente.

2 2
Después de realizar estas operaciones, las matrices transformadas A 2
e I 2
son:
 5  4 -3 
1 0 7  7 0
7 
   
=  0 1 -2  =  -3 4 
0
A 2  7  I 2 7 7 
   
 0 0 24  1 -6 
1
 7   7 7 

Nótese que como resultado de esta segunda serie de tres pasos, la segunda columna de
A 2
ha sido hecha para concordar con la segunda de una matriz idéntica de 3x3.

Finalmente, las siguientes tres transformaciones de filas se aplican a las matrices

A 2 e I 2 para transformarlas en las matrices A 3 e I 3 , respectivamente.
1 7
1. Multipliquese la fila 3 de A 2
e I 2
, por o , y colóquese en la fila 3 de
a 33 24
A 3
e I 3
, respectivamente.

5
2. Multipliquese la fila 3 de A e I por a o 7 , réstese de la fila 1 de A
3 3 13 2
e I 2
,

y colóquese en la fila 1 de A e I , respectivamente.

3 3

-2
3. Multipliquese la fila 3 de A e I por 3 3
a 23 o , réstese de la fila 2 de A 2
e
7
I , y colóquese en la fila 2 de A e I .
2 3 3

Después de estas operaciones, las matrices transformadas A 3

e I 3
son:

 23 -1 -5 
 24 4 24 
1 0 0   
= I =  0 1 0   -5
-1 1 1
A I = A =
3 3  12 2 12 
 0 0 1   
1 -2 7
 
 24 4 24 

Nótese que como resultado de esas nueve transformaciones de filas, la matriz

origina A ha sido transformada en una matriz idéntica y la matriz original I ha sido
 -1 -1
transformada en A . Nótese también que A obtenida por este segundo método
concuerda exactamente con la inversa obtenida por el método de adjuntos.

Es obvio que la cantidad de trabajo implicado al invertir matrices aumenta

enormemente cuando incrementa el tamaño de la matriz, puesto que el número
necesitado de transformaciones elementales de filas es igual al cuadrado del
número de filas o columnas. En general, no se considera factible invertir matrices
a mano, más bien debiera hacerse usando la computadora. Este procedimiento de
transformaciones es muy sistemático y ordinariamente así se programan las
computadoras para hallar inversas.

A continuación un simple programa FORTRAN para calcular la inversa de una

matriz nxn [Qxx] y almacenar el resultado en [Qxx].

El estudiante debe repasar este programa para familiarizarse con los

procedimientos computacionales.

DO 307 K= 1,N
DO 302 K= 1,N
IF (1-K) 304, 302,304
304 QXX (K,J) = QXX (K,J) / QXX (K,K)
302 CONTINUE
QXX (K,K) = 1, / QXX (K,K)
DO 307 I = 1,N
IF (I-K) 305, 307, 305
305 DO 303 J = 1,N
IF (J-K) 306, 303, 306
306 QXX (I,J) = QXX (I,J) - QXX (I,K) * QXX (K,J)
303 CONTINUE
QXX (I,K) = - QXX (I,K) * QXX (K,K)
307 CONTINUE

2.3.4 Ejemplo del problema:

Supóngase que se coloca un EDME (equipo electrónico para medir distancias) en

el punto A de la figura 2.1 y con el reflector sucesivamente en B, C y D,
mostrándose en la figura los valores observados. Calcular las incógnitas mediante
métodos matriciales.
 Fig. 2.1

Valores medidos:

X 1
= 125.127
X X
1 2
= 259.60
X X
1 2
 X 3
= 395.85

a) Formular las ecuaciones básicas

1 X 1  0 X 2  0 X 3  125.27
1 X 1  1 X 2  0 X 3  259.60
1 X 1  1 X 2  1 X 3  395.85

Representadas en la notación matricial, tales ecuaciones son:

A X = L

En la ecuación anterior, las matrices son como sigue:

3 1
1 0 0   X1  125.27 
1 1 0     259.60 
A =  
X = X 2  y L =  
   X 3   
3  3 
1 1 1 395.85

La solución en notación de matriz es:

-1
X = A L

b) Hallase la inversa por transformación de filas:

A I
 1 1 0 0 1 0 0  1 0 0 1 0 0 
1 1 0 0 1 0    0 1 0 -1 1 0 
 2    
 3 1 1 1 0 0 1   0 0 1 0 -1 1 

c) Revuélvase para las incógnitas:

1 0 0 125.27  125.27 
-1  -1 1 0   259.60  134.33 
X = A L =    
=
 
 0 -1 1  395.85  136.25 

X 1
= 125.27
X 2
= 134.33
X 3
= 136.25

Tarea autodidáctica No.2

1) Hallase la inversa de la matriz siguiente

 3 -1 -1
 -1 3 -1 
A =  
 -1 -1 3 

2) Resuelva el siguiente sistema de ecuaciones lineales usando métodos

matriciales:

X + 5Y = -8
-X - 2Y = -1

3) Resuelva el siguiente sistema de ecuaciones lineales usando métodos

matriciales:

X + Y - Z = -8
3X - Y + Z = -4
-X + 2Y + 2Z = 21
 CAPITULO 3
ELIMINACION GAUSIANA; TEOREMA DE TAYLOR

3.1 Eliminación Gausiana

3.1.1 Introducción

Como antes se indico los cómputos de ajustes con frecuencia vinculan la solución
de grande sistemas de ecuaciones lineales. Se han discutido los métodos
matriciales que reconocidamente son ideales para resolver ecuaciones con las
actuales computadoras digitales electrónicas de alta velocidad. Para solucionar
por calculadoras de mesa (escritorio), hay varios métodos aceptables, sin
embargo en mi opinión, no es factible intentar resolver grandes sistemas a mano
cuando se tiene la disponibilidad de usar una computadora digital. No obstante, se
presentaran situaciones en donde sistemas de tamaño moderado podrían requerir
soluciones manuales, por lo que es de desear un planteamiento sistemático. La
eliminación Gausiana es tal planteamiento.

3.1.2 Explicación de procedimiento

La eliminación Gausiana como su nombre lo implica, involucra sucesivas

eliminaciones de ecuaciones e incógnitas de un sistema de ecuaciones lineales.
Dicho procedimiento se ilustra considerando al siguiente sistema general de
ecuaciones lineales:

a 11 x 1 + a 12 x 2 + ........+a 1n x n +k 1 = 0 1  1

a 21 x 1 + a 22 x 2 + ........+a 2n x n +k 2 = 0 2  1

a n1 x 1 + a n2 x 2 + ........+a nn x n +k n = 0 n  1

El primer paso en la eliminación Gausiana es suprimir la incógnita X 1 y reducir a

(n – 1) el numero de ecuaciones. Esto puede lograrse multiplicando la ecuación

11 por
1
. Llamemos a la ecuación resultante 1
*
1 
luego se multiplica por
a 11

a 21
y se resta de la ecuación 2  ,
1
que elimina X 1
de 2  .
1
Llámenos a la
  2  . La ecuación 11  se multiplica sucesivamente por a
*
ecuación resultante 2 31

y se resta de  3  , multiplíquese por a

1 41
y se resta de  4  , etc., por todas las
1

ecuaciones. El resultado es un sistema de ecuaciones (n – 1) conteniendo

incógnitas (n – 1), o sea de X 2 a X n .

El procedimiento antes resumido se repite en las ecuaciones nuevas (n – 1) para

eliminar X 2 y llegar a las ecuaciones (n – 2). Este mismo procedimiento se
continúa hasta que el sistema se reduce a solo una ecuación y una incógnita, o
sea, X n de la cual se computa X n . Este procedimiento global que
sucesivamente y sistemáticamente reduce el numero de ecuaciones, con
frecuencia se llama la”solución delantera”.

El procedimiento de las incógnitas ahora sucesivamente calculada de las

ecuaciones reducidas, frecuentemente se llama “la solución trasera”. La incógnita
X n1 puede calcularse sustituyendo el valor ahora conocido de X n en una de las
dos ecuaciones conteniendo solo las incógnitas X n 1
y X n.

Luego puede calcularse X n2

sustituyendo los valores ahora conocidos para
X n 1
yX n
en una de las 3 ecuaciones conteniendo las incógnitas X n2
, X n 1
y
X n
. La repetición sucesiva de este procedimiento produce valores para todas las
incógnitas.

3.1.3 Ejemplo numérico.

El procedimiento quizá se ilustra mejor con un ejemplo numérico: considere el

siguiente sistema de 3 ecuaciones lineales:

No. ecuaciones y explicación

Sistema de n=3
2 y1 + 4y 2 + y 3 +11 = 0 1 1

 y1 + 3y 2  2y 3 +16 = 0 2  1

2 y1  3y 2 + 5y 3 +21 = 0 3  1

A. solución delantera
 y1 + 2y 2 +
1
2
y3 +
11
2
=0 1  X
1
1
2
= 1  *
1

 2   1
 X  1   2 
3 48 *
Sistema de 5y 2  y3 + =0 1 1 2
2 2
-7y + 4y  32 = 0  3   1  X 2   3 
(n-1)=2 *
2 3 1 1 2

y  0.3y +4.3=0  2  X = 2 
1 *

Sistema 2 3
5 2 2

1.9y +1.9=0  3    2  X   7    3 
de n-2=1 *
3 2 2 3

B. solución trasera

y 3 = 1.0 de la ecua. 3 
3

-7y 2  4(1)+32 = 0 de la ecua.  3 

2

2y1  3(  4)  5(1)  21=0 de la ecua.  3 

1

Varios autores han brindado refinamiento a esta eliminación gausiana básica,

dirigidos primordialmente para la sistematización de procedimientos ya sea para la
solución mediante computadoras digitales o calculadoras de mesa. Tales
refinamientos no se explicaran en este texto; sin embargo, debe mencionarse que
los procedimientos arriba bosquejados se facilitan enormemente a través de un
tipo de solución tabular.

3.2 Linealización de ecuaciones no lineales de la serie de Taylor

3.2.1 Introducción

En cómputos de ajuste con frecuencia es necesario tratar con ecuaciones no

lineales. Por ejemplo, las ecuaciones de observación a menudo relacionan las
cantidades medidas con parámetros desconocidos mediante la función del seno o
coseno. La tarea para resolver un sistema de ecuaciones no lineales es, en
verdad, formidable. Para facilitar su solución se usa una aproximación de la serie
de Taylor a fin de lineal izar las ecuaciones.

3.2.2 Aproximaciones de la serie de Taylor

Supóngase que la ecuación siguiente relaciona un valor medido L con los

parámetros desconocidos X y Y, a través de los coeficientes no lineales, como:
 L = F (x,y) ………………………….. (3a)

Por el teorema de Taylor la ecuación puede ser representada así:

F'  x , y  dx  F "  x , y  dx 2

En la L=F x , y = Fx , y   0
1! 0 2!
0 0 0 0
ecuación
F  x , y  dx F '  x , y  dy  F "  x , y  dy y
(3b), x 0
n n 2 y
0
0 0 0
son + .......... +  0 0 0

n! 1! 2!

+ .......... +
Fy n  x , y  dy
0 0
n

............................(3b )
n!

aproximaciones de los valores X y Y, F  x , y  es la función no lineal avaluada en

0 0

estas aproximaciones, F', F'',…… F son la primera, segunda, …………, enésima

n

derivadas parciales de F, y dX y dY son correcciones a las aproximaciones

iniciales, de manera tal que:

x  x 0  dx
…………………………. (3c)
y y  dy
0

Mientras más grande sea el valor de n en la ecuación (3b), más exacta será la
aproximación de la serie de Taylor. Si se abandonan todos los términos
conteniendo derivadas superiores a las primeras, se obtiene la siguiente expresión
lineal:

L=F  x , y  = F  x , y    Lx 

0 0
0
 L 
dx    dy...............(3 d )
 y  0

Una vez seleccionadas las aproximaciones iniciales, las únicas incógnitas en la

ecuación (3d) son las correcciones dx y dy.

Debido a que se han abandonado los términos de la serie de Taylor para obtener
(3d), la ecuación solo es una muy buena aproximación. Por ende, el método de las
solución general mente sigue estos pasos.

1. Seleccionar las aproximaciones iniciales para las incógnitas. Pueden obtenerse

por conjetura o por mediciones, pero mientras más cercanas sean las
aproximaciones iniciales, mas rápidamente se obtendrá la solución.
2. Sustituir estas aproximaciones iniciales en (3d) y resolver para las correcciones
desconocidas dx y dy.

De las dos ecuaciones anteriores, dx = 1.25 y dy = 1.75; de lo cual:

x  x 0  dx  1.00  1.25  2.25

y y  dy  1.00  1.75  2.75
0

Segunda iteración

F = 2.25 + 2.75 - 2(2.75)² + dx + [1 - 4(2.75)] dy = -4

G = (2.25) ² + (2.75)² + 2(2.25) dx + 2(2.75) dy = 8

De las dos soluciones anteriores, dx = -0.25 y dy = -0.64; de lo cual:

x  x 0  dx  2.25  0.25  2.00

y y  dy  2.75  0.64  2.11
0

Tercera iteración

F = 2 + 2.11- 2(2.11)² + dx + [1 - 4(2.11)] dy = -4

G = (2) ² + (2.11)² + 2(2) dx + 2(2.11) dy = 8

De las dos soluciones anteriores, dx = 0.0 y dy = -0.11; de lo cual:

x  x 0  dx  2.00  0.00  2.00

y y  dy  2.11  0.11  2.11
0

Cuarta iteración

F = 2 + 2 - 2(2)² + dx + [1 - 4(2)] dy = -4
G = (2) ² + (2)² + 2(2) dx + 2(2) dy = 8

De las dos ecuaciones anteriores, las correcciones dx y dy son cero al centésimo

más cercano. Por tanto, la serie ha convergido según la evidencia por las
correcciones cero y los valores X = 2.00 y Y = 2.00 son las incógnitas deseadas.

3.2.4 Linearizacion de ecuaciones de observación de distancias.

Los dos tipos de observaciones implícitas en levantamientos de control horizontal

son las mediciones angulares obtenidas usando teodolitos, y la medición de
distancias obtenidas por la medición con cinta o por medios electrónicos. Al ajustar
las posiciones horizontales por el método de la ecuación de observación de
mínimos cuadrados, las ecuaciones se escriben relacionando las cantidades
observadas y sus errores inherentes fortuitos con las coordenadas X y Y mas
probables de los puntos involucrados. Este procedimiento a menudo se conoce
como el método de la variación de coordenadas. Haciendo referencia a la Fig.
3.1, se puede escribir la siguiente ecuación de observación de distancias para
cualquier línea I-J:

X  X   Y  Y 
2 2
L V
IJ IJ
 J I J I
....................(3e)

En la ecuación (3e), L IJ es la longitud observada, y X I , X J , Y I y Y J son las

coordenadas mas probables de los puntos I y J. El lado derecho de la ecuación
(3e) es una función no lineal de las variables desconocidas X I , X J , Y I y Y J . Se
reescribe la ecuación como:

L V
IJ IJ
 F  X I,X J,Y I,Y J  .................................(3 f )

Donde F  X I,X J ,Y I,Y J   X  X   Y  Y 

2 2
J I J I
Como se dijo en el artículo anterior, la linearizacion de la serie de Taylor de la
función F, después de dejar como significantes a todos los términos de orden dos
o más altos, toma la forma siguiente:

 
 F  X ,X ,Y ,Y    F  X ,X ,Y ,Y    F 
I J I J I0 J0 I0 J0
dxi
 x   i 0
 F   F   
F 
  dyi    dx j   dy j ...................................(3 g )
 y   x j  y 
 i 0  0  j 0

xi  x i  dxi  F 
0
En la ecuación (3g),   es la derivada parcial de F con respecto a
yi  y i0
 dyi   x i  0

X I
avaluada en las aproximaciones iniciales, etc., X , X , Y ,Y
I0 J0 I0 J0
son
aproximaciones de las incógnitas X , X ,Y ,Y
I J I J
, y dX , dX , dY ,dY
I J I J
son
correcciones que han de aplicarse a las aproximaciones iniciales de tal manera
que:
xi  x i  dxi x j  x j  dx j
0 0

yi  y  dyi yj  y  dy j
i0 j0

Al evaluar las derivadas parciales de la función F, sustituyéndolas en la ecuación

(3g), y luego a su ves sustituyéndolas a la ecuación (3f) y reordenando, resulta
pues la siguiente ecuación de observación linearizada para mediciones de
distancias:

X i X  y y    
j0
 ( dxi )   0
i j0
 ( dyi )   X j0 X i0  ( dxi )
K LIJ V LIJ  0 ij 
+ =
  ij0    ij0  
  
 
0

y y 
 0  ( dyj ).............................(3 h)
j i0

  ij0  
 

Donde:
K Lij  L ij  ij0
 X   Y 
2 2
ij0  j
 Xi j0
 Yi
0 0 0

La evaluación de las derivadas parciales en el desarrollo previo es bastante

directa. No obstante, para ilustrar el procedimiento tomemos la parcial de F con
respecto a X I . Habiéndolo hecho, las parciales restantes se visualizan fácilmente
sin tener que efectuar en realidad los pasos necesarios.

X  X   Y  Y 
2 2
F J I J I
1/ 2
F
 
1
 X  X    Y  Y   2
X  X  X( 1) 
2 2 2

 x i 2  j i j i  j i 

F -X j  X i
 1/ 2
 xi 
   

2 2

 X j Xi  Y j  Y i 
Al evaluar esta derivada en las aproximaciones iniciales, se produce lo siguiente:
F -X j  X i
 0 0

 xi  ij0 

3.2.5 Linearización de ecuaciones de observación de ángulos con referencia

a la Fig. 3.2 puede escribirse la siguiente ecuación de observación de
ángulos:

 y y   y y 
 = tan    tan -1   ................(3i )
-1 j i k i
jik V  jik
+
 X X   X X 
 j i
  k i 

La ecuación (3i) relaciona  jik

, el ángulo observado y V jik
el error residual
inherente en la observación, con el ángulo más probable en términos de las
variables desconocidas X I,Y I,X J,Y J,X ,X k las coordenadas más probables de
k

los puntos involucrados. La ecuación (3i) es también una no lineal y puede

linealizarse usando la serie de Taylor; y se reescribe como:

 jik
+V   U
jik
 X ,Y ,X ,Y ,X ,X  ............................(3 j)
I I J J k k
  y y   y y 
Donde U  X ,Y ,X ,Y ,X ,X 
I I J J k k
 tan 
-1


j

X
i   tan -1 
 
k

X
i 

 X j i
  X k i 

La aproximación de la serie de Taylor para la funcion U, después de dejar como

significantes La aproximación de la serie de Taylor para la funcion U, después de
dejar como significantes a todos los términos de orden dos o más altos, es:
  U 
U  X ,Y ,X ,Y ,X ,X   U  X ,Y I0 ,X ,Y ,X ,Y
I I J J k k I0
J0
J0 k0 k0 +  dX i
   x i  0

 U   U     U   U 
 U 
  dyi    dX j  dy j    dX k    dy k ................(3 K )
 y   x j  y  
  x k    y 
 i 0  0  j 0 0  k 0

En la ecuación (3k), los términos se definen como en la ecuación (3g). Al evaluar

las derivadas parciales de la función U, sustituyéndolas en la ecuación (3K), y
luego a su vez sustituyéndolas en la ecuación (3j) y reordenando, resulta la
siguiente ecuación de observación linearizada para medición de ángulos:

 Yj Yi 0   Xj X i0 
K  jik  V jik   0 2  2 
dX i   0 2   dYi
 (IJ 0 ) (IK 0 )   (IJ 0 ) (IK 0 ) 2 
 Y j  Yi   X j0  X i0   Yk 0  Y i 0   X i0  X k 0 
 0 20  dX j   2  dY j   2  dX k   2  dYk
 (IJ 0 )   (IJ 0 )   (IK 0 )   (IK 0 ) 
…..(3m)1

Donde K  jik   ijk   o ijk

 Y j 0  Yi 0   Yk 0  Yi0 
 o  tan1  1
  tan  
 X j0  X i0   X k 0  X i0 
ijk

IJ 0  ( X j0  X i0 ) 2  (Y j0  Yi0 ) 2

IK 0  ( X k 0  X i0 ) 2  (Yk 0  Yi0 ) 2

Las ecuaciones (3h) y (3m) son de observación linealizada, y ahora se puede

manejar convenientemente un sistema de ellas por métodos matriciales o por
eliminación gausiana.

 Y j  Yi Yk  Yi   Xi  X j X i  X k0   Yi  Y j   X j  Xi   Yk  Yi   Xi  Xk 
K jik  V jik   0 20  0 2 
0
dxi   0 0
 0 2 
dyi   0 2 
0
dx j   0 2 0  dy j   0 2 
0
dxk   0 2 
0
dy k (3m ) *
  IJ 0   IK 0     IJ 0   IK 0     IJ 0     IJ 0     IK 0     IK 0  
2

1 En la ecuación (3m), V , K están medidos en radián. Puesto que es más común trabajar en el sistema sexagesimal en
 jik  jik

este país y, ya que las magnitudes de los residuales de ángulos generalmente están en la gama de segundo, pueden

convertirse las unidades de la ecuación (3m) a segundos multiplicando el lado derecho de la ecuación por p (Rho), el

número de segundos por radián , que es 206.265”

Donde
K  jik   jik   0 jik
 Y j0  Yi0   Yk0  Yi0 
 0  tan 1  1
  tan  
 X j0  X i0   X k0  X i0 
jik

 
2
IJ 0  ( X j0  X i0 ) 2  Y j0  Yi0

 
2
IK 0  ( X k0  X i0 ) 2  Yk0  Yi0

Las ecuaciones (3h) y (3m) son de observación linealizada, y ahora se puede

manejar convenientemente un sistema de ellas por métodos matriciales o por
eliminación gausiana.
*En la ecuación (3m) k K y V están medidos en radian. Puesto que es mas
común trabajar en el sistema sexagesimal en este país y, ya que las magnitudes
de los residuales de ángulos generalmente están en la gama de segundos,
pueden convertirse las unidades de la ecuación (3m) a segundos multiplicando el
lado derecho de la ecuación por p (Rho), el numero de segundos por radian, que
es 206,265.”

Tarea autodidáctica No. 3

1. Resolver las incógnitas X y Y en la siguientes ecuaciones no lineales usando el

teorema de Taylor. (Usar Xo=5 y Yo=5 para las primeras aproximaciones).

X 2Y  3 X 2  75
X 2  Y  19
2. Resolver los valores desconocidos de X, Y y Z en las siguientes tres
ecuaciones no lineales usando la serie de Taylor. (Usar Xo = Yo = Zo = 2 para las
primeras aproximaciones).

X 2  Y 2  2 XY  Z  4
X Y  Z3  4
2 X  Y  Z 3  23
CAPITULO 4
TEORIA GENERAL DE ERRORES
Clasificación de errores
Durante el proceso de medición de cualquiera cantidad física, ciertos factores tales
como limitaciones humanas, imperfecciones e inestabilidades instrumentales
harán inexactos los valores medidos. De hecho, puede declararse
incondicionalmente hablando que cada valor medido contiene errores.
Antes de proceder con un análisis de errores, será útil clasificar los tipos de
errores que puedan ocurrir en las siguientes categorías:

Equivocación: Un disparate por parte del observador como resultado de su

descuido o confusión. En general, las equivocaciones no se clasifican como
errores. Sólo pueden eliminarse mediante una cuidadosa verificación para aislar
el disparate y luego corregirlo por medio de nuevas mediciones. Ejemplos de
equivocaciones: 1) añadiendo un pie en una distancia medida cuando se usa una
extensión de cinta o al dejar de registrar una longitud de cinta; 2) equivocaciones
al leer escalas graduadas; y 3) disparates al registrar, escribir 27.55 por 25.75, etc.
Error sistemático: Error en un valor medido que sigue alguna ley física o que
puede expresarse como una función matemática. Si se miden las condiciones
causantes del error, puede calcularse una corrección y se elimina el error
sistemático. Como ejemplos: 1) la temperatura no es estándar al medir con cinta,
2) un error índice vernier al medir un ángulo vertical, 3) uso de una mira de nivel
que no tiene la longitud estándar.

Error fortuito / al azar Después de remover las equivocaciones y errores

sistemáticos de los valores medidos, quedan aun errores de pequeña magnitud
llamados errores fortuitos o al azar, que generalmente son pequeños y tienden a
ser mas bien negativos que positivos. Tales errores no siguen las leyes físicas
como lo hacen los sistemáticos y, por ende, deben tratarse conforme a las leyes
matemáticas de probabilidad. Como ejemplos tenemos: 1) un error pequeño al
clavar una clavija de la cinta, 2) no estar centrada la burbuja al instante de leer la
mira de nivel, y 3) errores menores al leer las escalas graduadas. Jamás podrán
evitarse totalmente los errores fortuitos en cualquiera medición. Dichos errores
con frecuencia se conocen como errores accidentales; sin embargo, su ocurrencia
no puede considerarse un accidente.

Definición de términos

Cantidades medidas: Cantidades directamente observadas que contienen errores

fortuitos.
Valor verdadero: El valor teóricamente correcto o exacto de una cantidad.
4.2.3 Error: La diferencia entre cualquiera cantidad medida y el valor verdadero
para esa cantidad. Puesto que el valor verdadero de una cantidad medida es
indeterminado, los errores también son indeterminados y, por ende, son
cantidades estrictamente teóricas.

Valor más probable (VMP): Aquel valor para una cantidad medida que, basándose
en las observaciones, tiene la más alta probabilidad. El VMP para una cantidad
que ha sido directa e independientemente medida varias veces, es sencillamente
la media aritmética. Esto se probará en el artículo 7.1. En general, el VMP es
aquel valor que minimiza la suma de los cuadrados de los residuales, lo que es el
principio fundamental de los mínimos cuadrados.
Residual: La diferencia entre cualquier cantidad medida y el VMP para esa
cantidad. Los cómputos de ajustes se ocupan del valor, ya que los errores son
indeterminados. Con frecuencia se usa el término error cuando de hecho se
quiere decir residual, y aunque son muy similares y se comportan de la misma
manera, hay una distinción teórica.
Grados de libertad: El número de observaciones en exceso del numero realmente
necesitado para calcular las incógnitas. En otras palabras, el numero de grados
de libertad es igual al número de observaciones redundantes, las cuales revelan
las discrepancias e inconsecuencias en

Los valores observados. Esto a su vez hace posible la práctica de los cómputos
de ajuste para obtener los mejores valores posibles basados en las cantidades
medidas.

4.2.7. Variación: Un valor por el cual se expresa la precisión de cualquier grupo

de mediciones. Se define como la media de los cuadrados de todos los errores.
La preescisión se expresa en términos de la media de los errores, ya que por la
naturaleza de los errores fortuitos, la media de los errores tiende a cero al
aumentar el número de observaciones. Por tanto, el error promedio produciría
muy poca información útil como una expresión de precisión.
4.2.8. Error estándar: La raíz cuadrada de la variación.

De las definiciones anteriores, pueden escribirse las siguientes ecuaciones para

la variación y error estándar de una cantidad que ha sido observada n veces:
 2 
x 2

...............(4 a )
n

 
x 2

Y n

Donde  = error estándar

 ² = variación
n = número de mediciones
Σ x ² = la suma de los cuadrados de los errores.

4.2.9. Desviación estándar: Un valor que expresa precisión que semejante al

error estándar. No obstante, las cantidades  y ² son cantidades teóricas porque
los valores verdaderos, y por ende los errores, son indeterminados. En
agrimensura, se trata con residuales en vez de errores, donde los residuales se
calculan de los VMP en lugar de los valores verdaderos. Luego se obtiene el
mejor cálculo de variación cambiando x a v, y cambiando el denominador a (n-1)
en la ecuación (4a). La desviación estándar usada en agrimensura es entonces la
raíz cuadrada de la variación. La variación y desviación estándar se calculan por
las expresiones siguientes:

S 2

v 2

n 1

S
v 2

n  1 ………………….. (4b)
Donde S = desviación estándar
S ² = variación
n – 1 = los grados de libertad
Σ V ² = la suma de los cuadrados de los residuales.

Teoría de la probabilidad

El ajuste de las cantidades medidas que contienen es uno de los problemas

principales en las ciencias exactas. Ciertamente, esto es de importancia global
para los agrimensores, geodesias y fotogrametristas. En los restantes artículos de
este texto, asumiremos que todas las equivocaciones y errores sistemáticos han
sido eliminados de los valores medidos, y que solo quedan errores fortuitos. Tales
errores fortuitos siguen las leyes de la probabilidad y, por ende, así serán tratados.

La probabilidad se define como la razón / relación del numero de veces que

debiera ocurrir un suceso o evento comparado al número total de posibilidades.
Por ejemplo, considérese el tiro de un dado, donde hay un sexto de probabilidad
que salga un dos, lo que sencillamente significa que hay seis posibilidades en total
y sólo una de estas es un dos. En general, si ocurriera un suceso en forma m, y
dejara de ocurrir en forma n, entonces la probabilidad de ocurrencia sería m /
(m+n) y la probabilidad de fracaso sería
n / (m+n).

La probabilidad se percibe como una fracción que se extiende en valor del cero al
uno, el cero indicando imposibilidad y el uno indicando certeza. Puesto que un
evento debe ocurrir o dejar de suceder, la suma de las probabilidades de cualquier
evento es uno. Por tanto, si 1 / 6 es la probabilidad de sacar un dos con un tiro de
un dado, entonces (1-1 / 6) ó 5 / 6 es la probabilidad de que no salga un 2.

En terminología de probabilidad, un evento compuesto es la ocurrencia simultánea

de dos o más eventos independientes. La ocurrencia compuesta de errores es el
caso más frecuente confrontado en la práctica de levantamientos; por ejemplo, la
ocurrencia de errores compuestos en un levantamiento de poligonales que impide
su cierre. La probabilidad de la ocurrencia simultánea de dos eventos
independientes es el producto de las probabilidades individuales de esos eventos
independientes.

Para ilustrar esta condición, considérese el simple ejemplo de dos cajas que
contienen una combinación de bolas rojas y blancas. Si la caja A contiene 4
bolas-una roja y 3 blancas- y si la caja B contiene 5 bolas-2 rojas y 3 blancas-
¿cuál sería la probabilidad de sacar 2 bolas rojas si una bola se saca de cada
caja? El número total de posibilidades de pares es 4*5 ó 20, por haber sacado
digamos la bola roja de caja A,
Cualquiera de las 5 bolas en la caja B podría haberse sacado para completar el
par. Habiendo sacado una cierta bola blanca de la caja A, entonces cualquiera de
las bolas en la caja B podría completar ese par, etc. El numero total de maneras
como podrían obtenerse 2 bolas rojas es 2; la bola roja de la caja A sólo puede
equiparse con cualquiera de las bolas rojas de la caja B. Luego, la probabilidad de
obtener simultáneamente dos bolas rojas es: ¼ x 2/5 ó 2/20, que es el producto de
las probabilidades individuales de sacar una bola roja de las cajas respectivas. La
probabilidad de sacar simultáneamente dos bolas blancas es ¾ x 3/5 ó 9/20, y la
probabilidad de obtener una roja y una blanca es entonces 1 – (2/20 + 9/20) ó
9/20. Esta ultima probabilidad de 9/20 puede verificarse considerando que si se
saca la bola roja de la caja A, cualquiera de las tres bolas blancas de la caja B
completaría exitosamente el par rojo-blanco, o para cualquiera de las bolas rojas
en la caja B, cada una de las tres bolas blancas de la caja A podría completar el
par. Por ende, hay un total de 9 combinaciones rojas-blancas de un total de 20
combinaciones, produciendo una probabilidad de 9/20.

En este sencillo ejemplo, se demostró que la probabilidad de la ocurrencia

simultánea de dos eventos independientes es el producto de dos

Eventos independientes. Este principio podría extenderse para incluir varios

eventos, tales como:

P  P1 * P2 *...........* Pn *.................(4 c )

En donde P es la probabilidad de la ocurrencia simultanea de eventos que tienen

P1 , P2 ......... Pn .
las probabilidades individuales

Para desarrollar el principio de cómo ocurren los errores fortuitos, consideremos

un sencillo ejemplo en el cual se toma una sola medición de cinta. Supongamos
que esta medición contiene un solo error fortuito pequeño de tamaño igual a
unidad. Debido a que el error resultante, o sea +1 ò -1. Para esta medición única
(t), el numero de posibilidades o la frecuencia de obtener +1 es uno y (T), el No.
Total de posibilidades es dos. La probabilidad de obtener +1 es, por tanto, t / T =
½. Si ahora dejamos a un valor que dependa de dos de estas mediciones únicas
combinadas, entonces las posibles combinaciones de error que producen el
resultante son -1 y -1, -1, +1, +1 y -1 y +1 y +1 ó T = 4. Los errores resultantes
son -2, 0 y -1 y sus valores t son 1,2, y1 respectivamente, produciendo
probabilidades de ¼, ½ y ¼ respectivamente. En general, al aumentarse (N) el
numero de mediciones únicas en combinación, T aumenta conforme a la función T
= 2**********. Por tanto, para 3 mediciones en la combinación T = 2³ = 8, para 4
mediciones T = 2************* = 16, etc.

El análisis del párrafo anterior podría continuarse para obtener los resultados de la
tabla siguiente:

Tabla 4.1 Ocurrencia de errores fortuitos

No. De mediciones Valor de error Frecuencia No. Total de Probabilidad

en combinación resultante (t) posibilidades (T) (5)
(1) (2) (3) (4)
1 +1 1 2 ½
-1 1 1/2

2 2 1 4 ¼
0 2 ½
-2 1 1/4
3 3 1 8 1/8
1 3 3/8
-1 3 3/8
-3 1 1/8

4 4 1 16 1/16
2 4 ¼
0 6 3/8
-2 4 ¼
-4 1 1/16
5 5 1 32 1/32
3 5 5/32
1 10 10/32
-1 10 10/32
-3 5 5/32
-5 1 1/32

Los resultados de la tabla 4.1 pueden trazarse en una grafica de barras según la
Fig. 4.1, de (a) a (e). El tamaño del error resultante se traza como la abscisa
versus sus probabilidades en las ordenadas que se trazan como los centros de
barras del ancho unitario.
Si el número de mediciones combinadotas (N) se incrementara progresivamente a
valores más y más grandes, los trazados del tamaño del error vs. la probabilidad
se aproximarían a una curva suave / regular, la forma típica de campana que es
característica de la curva de distribución normal del error (Fig. 4.2). Ya vemos por
ejemplo, en el caso de N = 5 ilustrado en la Fig. (e) arriba, que la línea quebrada
que conecta los puntos trazados comienza a tomar esa forma. Es importante
notar en este momento que cada uno de los trazos de (a) a (e) arriba, el área total
de las barras verticales es igual a uno. Esto es verdadero sin importar el valor de
N y, por tanto, puede decirse que el arrea bajo la curva regular de distribución
normal del error de la Fig. 4.2 es igual a uno. Si un evento tiene una probabilidad
de uno, ciertamente ocurrirá y, por ende, el área bajo la curva representa la suma
de todas las probabilidades de la ocurrencia de errores.
La ecuación de la curva de distribución normal del error es: (se da una deducción
de esta ecuación en el apéndice A).

h eh
2 2
x
y


Donde Y= la probabilidad de ocurrencia de un error entre el tamaño de x y x + dx.

e= la base de logaritmos naturales
h= una constante que depende del grado de refinamiento o precisión de las
mediciones.

Representación grafica de distribuciones de errores randomizados fortuitos.

Histograma. El histograma es una representación gráfica de la distribución de un
grupo de mediciones o de un grupo de residuales. Meramente es una gráfica de
barras de frecuencia de ocurrencia como ordenadas VS el tamaño del valor
medido o residual como abscisas. Los histogramas visualmente ilustran la
siguiente información para un grupo de mediciones:
si las mediciones o residuales están simétricamente distribuidos, alrededor de un
valor central.
La diseminación o dispersión total en los valores medidos o en los residuales.
La frecuencia de ocurrencia de los valores medidos o de los residuales.
La inclinación o lisura del histograma que es una indicación de la precisión de los
valores medidos.

Se obtienen histogramas de formas varias para distintas personas y para las

variaciones en el equipo usado. Por ejemplo, el histograma de muchas mediciones
de distancias por geodímetro, probablemente será una curva muy angosta,
inclinada en los lados con un alto valor en el centro. Un histograma de la misma
distancia medida por una barra subtensa y trazada a la misma escala
probablemente sería más ancha, con los lados no muy inclinados y el valor central
no tan grande.

Ejemplo numérico del histograma:

La tabla 4.2 lista 50 valores medidos de un ángulo. Se trazará un histograma de
residuales de esos valores para ilustrar detalladamente el procedimiento.

n ángulo v n ángulo v n ángulo v

1 53º26´56.7” 16.62 17 53º26´42.8” 2.72 33 53º26´37.7” -2.38

2 54.8 14.72 18 42.4 2.32 34 37.3 -2.78
3 51.1 11.02 19 42.1 2.02 35 36.9 -3.18
4 50.9 10.82 20 41.6 1.52 36 36.4 -3.68
5 49.8 9.72 21 41.1 1.02 37 36.0 -4.08
6 49.6 9.52 22 40.8 0.72 38 35.9 -4.18
7 48.9 8.82 23 40.3 0.22 39 35.6 -4.48
8 48.1 8.02 24 40.1 0.02 40 34.7 -5.38
9 47.6 7.52 25 39.8 -0.28 41 34.2 -5.88
10 46.2 6.12 26 39.8 -0.28 42 33.9 -6.18
11 45.7 5.62 27 39.3 -0.78 43 33.4 -6.68
12 45.0 4.92 28 39.3 -0.78 44 32.9 -7.18
13 44.9 4.82 29 39.0 -1.08 45 31.6 -8.48
14 44.3 4.22 30 38.8 -1.28 46 30.4 -9.68
15 43.9 3.82 31 38.6 -1.48 47 29.6 -10.48
16 43.2 3.12 32 38.5 -1.58 48 27.8 -12.28
49 24.7 -15.38
50 19.8 -20.28

Tabla 4.2
De los datos de la tabla 4.2, el VMP (la media) es:
VMP 
 ángulos  53 26 40.08
º ´ "

Aunque no se precisa para construir el histograma, meramente con propósitos

ilustrativos, calcularemos la desviación estándar en los valores medidos de la tabla
4.2.

S
v 2

 7."377
n 1

Los residuales se calculan restando el VMP de cada valor medido. Los residuales
se tabulan en la columna v de la tabla 4.2.
Luego se clasifican los residuales en grupos o clases seleccionando algún
“intervalo de clase” compatible con los datos. Es importante seleccionar un
intervalo de clase que sea del tamaño adecuado para exhibir correctamente la
distribución. Para los datos de la tabla 4.2, se seleccionan 3 segundos como “i”- el
intervalo de clase-. El primero se centra en cero pero para que se cuente el
número de residuales en el intervalo de 3 segundos entre -1”5 y +1”5. Igualmente
se sigue el mismo procedimiento para los residuales de los intervalos entre -1.5 y
+4.5, +1.5 y +4.5,-4.5 y -7.5, +4.5 y +7.5, etc. Finalmente, el histograma con el
tamaño de residual en la abscisa VS el número de residuales y las frecuencias de
ocurrencia como ordenada, se traza según la figura 4.3.
Polígono de frecuencia: Si se conectan con líneas rectas los puntos centrales
superiores adyacentes de las barras del histograma, se obtiene un polígono de
frecuencia de los datos de la Tabla 4.2 se sobrepone como una línea quebrada
(Fig. 4.3). Este polígono es una exhibición gráfica que indica esencialmente la
misma información que el histograma.

4.5 Propiedades de la curva de distribución normal

En la ecuación (4b), y es la probabilidad de ocurrencia de un error entre x y x + dx.
La probabilidad y es equivalente al área bajo la curva entre los limites de x y x +
dx, que se ilustra como área de líneas entrecruzadas en la Fig. 4.4. Según se
declaró antes, el área total bajo la curva de probabilidad representa la probabilidad
total o al entero uno (1):
por tanto:

h

x dx 1
2 2
eh
 h ………………………………………………….. (4e)
Si diferenciamos la ecuación (4d) obtenemos:
y h  h2 x2
 2 h 2 x[( )e ]
x h
Reconociendo el término en corchetes como y,
dy
 2 h 2 xy
dx ………………………………………………………………(4f)
d2y dy
 2 h 2 x  y ( 2 h 2 )
dx 2 dx
Sustituyendo la ecuación (4f)
d2y
2
 2 h 2 x ( 2 h 2 xy )  y ( 2 h 2 )
dx
d2y
 2 h 2 y (2 h 2 x 2  1)
dx 2 …...................................................................................(4g)
dy
En la ecuación (4f), dx = 0 cuando x = 0, y también cuando y = 0; por tanto, la
curva es paralela al eje x en x = 0. (Centro de la curva) y es asíntota a x cuando y
= 0, ó al hacerse muy grande x.
d2y
2 2 2
En la ecuación (4g) dx = 0 cuando 2h x = 1. El punto de inflexión de una curva
ocurre cuando la segunda derivada es igual a cero

(Proporción de cambio del declive = cero); de ahí que los puntos de inflexión de la
1

curva de distribución normal ocurren en x = 2h 2 .

h
0
Si se sustituye x = 0 en la ecuación (4d), entonces ya que e = 1, y = h
Que es igual a la ordenada central de la curva. La ordenada central es
proporcional a h, y el área total bajo la curva siempre es uno (1); por tanto, para un
grupo de mediciones que tenga un h grande, la ordenada central será grande y el
área se concentrará cerca de la ordenada central en donde los errores son
pequeños. Esto sólo significa que si h es grande, el grupo de mediciones es
preciso. Debido a que h guarda esta relación directa con la precisión de un grupo
de mediciones, se le llama el “modulo de precisión” por algunos autores.
 Medidas de precisión
La precisión es la medida de la consistencia o grado de refinamiento de un grupo
de mediciones. Esto difiere de exactitud que se define como la proximidad al valor
verdadero de cualquiera medición o grupo de mediciones. En agrimensura, los
términos mas comúnmente usados para expresar precisión son variación y error
estándar (ó desviación estándar).

Variación y error estándar

En el artículo 4.2 el término variación se definió como el promedio de los
cuadrados de todos los errores. El error estándar se definió como la raíz cuadrada
de la variación. En cómputos de ajuste, es útil relacionar la variación y el error
estándar con la curva de distribución normal.
Puede también definirse la variación de una variable fortuita como su momento de
segunda área, que puede expresarse como:
  x da
2

 2

………………………………………………………………(4h)
da
Esta expresión produce la media de los cuadrados de las distancias de todas las
partes elementales de una figura desde una línea central, que en el caso de la
curva de distribución normal, déjese que da = ydx, luego:
 
h
  eh
2 2
x 2 ydx x
x 2 dx

2  

 

he  h
2 2
x
x 2 dx
 ydx  
  ……………………………………………….. (4i)

Reconociendo el denominador de la ecuación (4i) como la ecuación (4e) e igual a

uno, la ecuación (4i) puede escribirse como:

h
   eh
2 2
x
x 2 dx
  ……………………………………………………………(4j)
De la ecuación (4d) para y, y reduciendo:
d 2 y 4h 5 x 2  h2 x2 2h 3  h2 x2
 e  e
dx 2  

 
d 2 y 4h5 2h 3
xe 
2  h2 x2
e  h x dx
2 2
 
dx 2     …………………….. (4k)
 
 dy 
2
d y
 dx 2
dx     0
 dx  
Pero 
4
Dividiendo a través de la ecuación (4k), por 4 h sustituyendo cero para

d2y
 dx 2 dx
 Y reordenando:
 
h 1
 
2  h2 x2
e  h x dx
2 2
x e dx 
  2 h  

……………………………………. (4l)

Reconociendo el lado izquierdo de (4l) como la ecuación (4j), y ya que


h

x dx 1
2 2
eh
 h
De la ecuación (4e), tenemos:
1
2 
2h 2 …………………………………………………………………(4m)

Sustituyendo la ecuación (4m) en (4d), resulta:

x2
1 
2 2
e
Y= 2 …………………………………………………………….. (4n)
Nótese que ya hemos establecido que el punto de inflexión de la curva de
1

distribución normal ocurre en  2h ; por tanto, el valor de x en el punto de

2

inflexión es la raíz cuadrada de la variación o del error estándar.

Para cualquier grupo de mediciones normalmente distribuidas, el área entre los
limites de –a y a se da por la expresión
a a a
h
 ydx  2  ydx  2  e  h x dx
2 2

a 0 0 
…………………………………………………(4p)
Usemos la ecuación anterior para determinar el área dentro de los limites de   .
1 dt
 
Permita que a = 2h . Deje también que t= hx. Luego dx = h . Sustituyendo
la ecuación (4p):
1 h 1
x t  hx  
2h 2h 2
h dt 2
 et  e  t dt
2
2 
x0  h  t 0

Área = ……………………………… (4q)

La expresión (4q) se conoce como la integral de probabilidades y ha sido evaluada

para límites de t desde cero hasta varios límites superiores.
Para el limite más alto de t= 1/2= 0.707, la integral de probabilidad es 0.683.
Esto significa que el área contenida entre los limites de  es aproximadamente
68% del área total. También significa que para cualquier grupo de mediciones:
hay un 68% de oportunidad que cualquier grupo de observación individual tenga
un error inferior a  ; ó
que el 68% de todos los errores yace entre  .

Este concepto se ilustra en la Fig. 4.5.

Para un grupo de observaciones, el error probable de 50% es uno de tal tamaño
que tantos más errores son más grandes como lo son más pequeños. En otras
palabras, para cualquiera observación única, la probabilidad es la mitad de que su
error sea más grande o más maqueño que el error probable del 50%. Puesto que
la probabilidad es una mitad, vamos a establecer

la ecuación (4q) igual a un área de 0.50 y encontrar que valor del límite superior
de t corresponde a esta área, como:
t
2
 e dt
t
2
0.50 
 0………………………………………………………………. (4r)
1
h
De la tabla de Rainsford, t = 0.477. Ahora ya que t =hx y h= 2 , luego t =
x
2 .
x50
Por lo tanto para el error probable del 50%, simbolizado como 50 , 0.477= 2 y
E

= 2(0.477)  0.6745 ………………………………………………… (4s)

x50 E 50
=
El error probable de 90 por ciento
E
Dicho error ó 90 , error tal que debiera caer teóricamente dentro del 90% de los
errores de un grupo de observaciones, es bastante popular con los agrimensores
como un medio para expresar la precisión.
Extendiendo el razonamiento usado para el error probable del 50%, se escribe una
ecuación semejante a (4r) para el error de 90%:
t
2
e
t2
0.90  dt
0.90=  0
…………………………………………………………… (4t)
Nuevamente de la tabla de Rainsford, el límite superior de t que corresponde a un
área de 0.90 es 1.163. Por tanto, el error probable del 90% es:
x90 E  2 (1.163)  1.6449
90 …………………………………………………………(4u)
Como previamente se indicó, la desviación estándar (S) y el error estándar (  )
son intercambiables en las anteriores ecuaciones.

Ejemplo numérico de cálculos de precisión

Supóngase que los valores siguientes se obtuvieron en 15 mediciones
independientes de una distancia: 212.22, 212.25, 212.23, 212.15, 212.23, 212.11,
212.29, 212.34, 212.22, 212.24, 21219, 212.25, 212.27, 212.20, 212.25.
E E
Calcular el VMP, S, 50, 90
Solución:
El VMP es sencillamente el promedio, ó:
sum 3183.44
  212.23
VMP= n 15
Para calcular S, debemos calcular los residuales y sus cuadrados. Ello se hace
con facilidad en forma tabular como sigue:
Dist. v v
2
Dist. v v
2

212.22 -.01 -.0001 22 -.01 .0001

212.25 .02 .0004 24 .01 .0001
212.23 0 0 19 .04 .0016
212.15 -.08 .0064 25 .02 .0004
212.23 0 0 27 .04 .0016
212.11 -.12 .0144 20 -.03 .0009
212.29 .06 .0036 25 .02 .0004
212.34 .11 .0121  3183.44  .0421
Al extraer el valor de v 2
de la tabla anterior, la ecuación (4b) se escribe y
resuelve como sigue:

S
v 2


.0421
 0.055
n 1 14 Pie
Por la ecuación (4s)
E50  0.6745 S  .6745( 0.055)  0.037
Pie

Por la ecuación (4u)

E90  1.6449 S  1.6449( 0.055)  0.090
ft.
Trazado de una curva de distribución normal (CDN)
Con frecuencia es menester trazar las CDN como un medio a fin de comparar
distribuciones de errores para grupos conocidos de mediciones. Generalmente se
prefiere superponer la CDN en el histograma usando las mismas ordenadas que
se usaron para el trazado del histograma. Para lograrlo, es necesario hacer el
área bajo la CDN igual al área del histograma, multiplicando por el intervalo de
clase. también se reemplazan x y  en (4n) por v y S, lo que produce:
 v2
 v2 2
50(3)  Ke 2 S K
y 
2
e 2S
7.377 2 v2
2
e 2s
Donde:
50(3)
K  8.1
7.377 2

Resolviendo en forma tabular

v v2 v2 v2 y
2S2
e
2S 2
0 0 0 1.0 8.1
5 25 .23 1.26 6.4
 10 100 .92 2.5 3.2
 15 225 2.07 7.9 1.0
 20 400 3.68 39.6 0.20
 25 625 5.75 314 0.03

Los resultados de este cómputo se trazan de la Fig. 4.6. Nótese 2que además de
trazar los valores y (ordenadas) vs. los valores v (abscisas), es útil dibujar la curva
para ubicar también los puntos de inflexión que ocurren en una abscisa igual a la
desviación estándar, o en el valor de 7.377.

Tarea autodidáctica No.4

Los datos abajo tabulados representan en realidad a 60 mediciones planimétricas

del área dentro de una poligonal trazada.

n value n value n value n value

1 1.677 16 1.663 31 1.664 46 1.664
2 1.676 17 1.665 32 1.690 47 1.685
3 1.657 18 1.670 33 1.649 48 1.667
4 1.667 19 1.671 34 1.671 49 1.655
5 1.673 20 1.651 35 1.675 50 1.679
6 1.671 21 1.665 36 1.653 51 1.682
7 1.673 22 1.677 37 1.654 52 1.663
8 1.670 23 1.662 38 1.665 53 1.662
9 1.675 24 1.660 39 1.683 54 1.672
10 1.664 25 1.667 40 1.668 55 1.667
11 1.664 26 1.660 41 1.658 56 1.667
12 1.668 27 1.660 42 1.657 57 1.663
13 1.671 28 1.667 43 1.690 58 1.670
14 1.664 29 1.667 44 1.666 59 1.667
15 1.651 30 1.652 45 1.671 60 1.669

Calcúlese lo siguiente:
El VMP del area medida.
La desviación estandar

Trazar el histograma (de residuales) para los datos anteriores usando un intervalo
de clase de 0.003. Superponer el polígono de frecuencia en el histograma.
Calcular y trazar la CDN.
E 50
Calcular .
E 90.
Calcular
 CAPITULO 5
PROPAGACION DE ERRORES FORTUITOS

5.1 Derivación de la ecuación básica

Una de las ecuaciones más importantes que desarrollaremos en nuestro estudio

de errores, es la ecuación que expresa la propagación de errores fortuitos en una
función.
z  y1  y 2
Para deducir la expresión, consideremos el caso simple en el cual ,
y1 y2
donde y son dos cantidades independientemente observadas con errores
 1 y 2 . 
estándar Vamos a desarrollar una expresión para z , el error estándar de
la función z.
y1 y2
Permítase que y sean cantidades independientemente observadas;
y1
Permítase también que los errores en la determinación n de sean:
i ii iii n
x , x , x ,..., x
1 1 1 1 ,y
y2
Permítase que los errores en la determinación n de sean:

x2i , x2ii , x2iii ,..., x2n

zT
Luego, el valor verdadero de z designado como para cada medición
independiente es:
zT  ( y1i  x1i )  ( y2i  x2i )  y1i  y2i  x1i  x2i  z i  x1i  x2i
zT  ( y1ii  x1ii )  ( y2ii  x2ii )  y1ii  y2ii  x1ii  x2ii  z ii  x1ii  x2ii
zT  ( y1iii  x1iii )  ( y2iii  x2iii )  y1iii  y2iii  x1iii  x2iii  z iii  x1iii  x2iii
, etc.

Por ende, el error en cada medición es:

zT  z i  x1i  x2i
zT  z ii  x1ii  x2ii
………………………………………………………………(5a)
zT  z  x  x
iii iii
1
iii
2

Por nuestra definición de variación:

2 
x 2

n 2   x 2
n
y
Luego para el caso bajo consideración:
x   x1i  x2i    x1ii  x2ii    x1iii  x2iii   ...  n z2
2 2 2
2

n z2   x1i   2 x1i x2i   x2i    x1ii   2 x1ii x2ii   x2ii   ...

2 2 2 2

i i ii
Para una muestra grande, la suma de los productos 2 x1 x2 , 2 x1 , etc. Se convierte en
cero, puesto que los errores fortuitos pueden ser tanto positivos como negativos.
Por tanto,
n z2   x1i    x2i    x1ii    x2ii   ...
2 2 2 2

 2

x 2
1

x 2
2
  y12   y22
z
n n
Finalmente:
 z   y2   y2
………………………………………………………………. (5b)
1 2

En general, si Z (un valor computado= es una función de y1, y2 … yp. (Valores


medidos), entonces z , el error estándar de la función, se da por la siguiente
expresión:

2
 dz   dz   dz 
z    y1     y2   ...    yp 
 dy1   dy 2   dy p 

PRUEBA

Supóngase que Z= f(y1, y2, … yp) en donde y1,y2, … , yp son cantidades dadas
i ii iii n
independientemente observadas. También deje que y1 , y1 , y1 ,..., y1 sean n
i ii iii n i ii iii n
mediciones de y1 conteniendo errores x1 , x1 , x1 ,..., x1 ; permita que y2 , y2 , y2 ,..., y2
x2i , x2ii , x2iii ,..., x2n
sean n mediciones de y2 conteniendo errores y permita que
i ii iii n
y p , y p , y p ,..., y p i ii
x , x , x iii ,..., x np
sean n mediciones de yp conteniendo errores p p p .
zT
Entonces el valor verdadero de Z, designado como , para cada dete4rminacion
independiente es:
zT  f ( y1i  x1i , y2i  x2i ,..., y ip  x ip )
zT  f ( y1ii  x1ii , y 2ii  x2ii ,... y iip  x iip )
zT  f ( y1iii  x1iii , y 2iii  x2iii ,..., y iiip  x iiip )
Etc.
Tratando las y como aproximaciones iniciales y las x como correcciones, estas
ecuaciones pueden sustituirse en una serie de Taylor y linealizarlas desistiendo de
las potencias de orden dos o más altas, como:
 dz  i  dz  i  dz  i
zT  z i    x1    x2  ...    x p
 dy1   dy 2   dy p 
 dz  ii  dz  ii  dz  ii
zT  z ii    x1    x2  ...    x p
 dy1   dy 2   dy p 
 dz  iii  dz  iii  dz  iii
zT  z iii    x1    x2  ...    x p
 dy1   dy 2   dy p 
Etc.

Luego el error en cada determinación es:

 dz  i  dz  i  i dz
zT  z    x1    x2  ...  
 x p
 dy1   dy 2    dy p
 dz  ii  dz  ii  dz  ii
zT  z `    x1    x2  ...    x p
 dy1   dy 2   dy p  …………………………………(5c)
 dz  iii  dz  iii  dz  iii
zT  z "    x1    x2  ...    x p
 dy1   dy 2   dy p 
Etc.
Reconociendo las ecuaciones (5c) como equivalentes a (5a) de la prueba anterior,
entonces siguiendo la misma manipulación general resulta:
2
 dz 
2 2
 dz   dz 
z    y1     y2   ...   yp 
 dy 
 dy1   dy2   p  …………………………(5d)*

* El error estándar y la desviación estándar pueden intercambiarse en todas estas

ecuaciones.

La ecuación (5d) en general la manera como se propagan los errores en una

función. Nótese que la ecuación (5b) es implícita en la ecuación (5d) como sigue:
Permítase que A = B + C
Luego por la ecuación (5d):

dA dA
 1y 1
dB dC
Sustituyendo:
A  1 B   1 C 
2 2

5.2 Funciones especificas frecuentemente confrontadas

Error estándar de una suma

Permita que A=B1+B2+…+Bn, en donde las B son cantidades

 B ,  B ,...,  B
Independientemente observadas n que tienen errores estándar 1 2 n .
Luego por la ecuación (5d):
       ……………………………………………….. (5e)*
2 2
A  B1 B2  ...   Bn

 ,  ,...,  B 
Si cada uno de los valores B B es igual a, digamos, B , entonces la
1 2 n

ecuación (5e) se convierte en:

 A  n B
……………………………………………………………………….. (5f)*
*el error estándar y la desviación pueden intercambiarse en todas estas
ecuaciones.

Error estándar de la media

Déjese que z sea la medida obtenida de las cantidades n independientemente

observadas

Z1, Z2,…, Zn, cada una de las cuales conteniendo el mismo error estándar z . La
media puede expresarse así:

z1  z 2  ...  z n
z 
n
z 
Se obtiene una ecuación para sustituyendo la expresión anterior en la
ecuación (5d) como sigue:
 n 2 
2 2 2
1  1  1 
z     z1     z2   ...    zn   
n  n  n 
2
n n …………………(5g)*
Ejemplos numéricos:

Midamos las mediciones de un tanque (véase la Fig.), y obtenemos:

l = 40.00, Sl = +/- 0.05 ft

w = 20.00, Sw = +/- 0.03 ft
h = 15.00, Sh = +/- 0.02 ft

Encontrar la desviación estándar del volumen del tanque con las dimensiones
anteriores.
V = lwh;
dV dV dV
dl = wh, dw = lh, dh = lw.
Sustituyendo en la ecuación (5d):
 2 2 2
 dv   dv   dv 
Sv   Sl    Sw    Sh 
 dl   dw   dh 

 wh   0.05    lh   0.03    lw   0.02 

2 2 2 2 2 2
Sv 

S v  300 2  0.0052  600 2  0.0009  800 2  0.0004

S v  225  324  256  805  28.3
cu.ft.

Ejemplo 2:
Supóngase que el ángulo vertical  de A al punto B se mide desde el punto A
como 300”, S  = +/- 1`; y que la distancia inclinada D, de A a B se mide como
SD
100.00 pies, =+/- 0.05 ft (pie).

Hallar la desviación estandar al calcular H, la distancia horizontal entre A y B (ver

la fig.)
 dH dH
H  D cos  ;  cos  ;  D   sin  
dD d
Sustituyendo en la ecuación (5d):

2 2
 dH  2  dH  2
SH    SD    S
 dD   d 

 D   sin    1
2 2

S H  cos   0.05  
2 2

[57.296  60 ]2
S H  0.0018  0.0002  0.045
pie

En el ejemplo anterior, nótese que la mayor fuente contributiva de error (el número
mas grande bajo el radical) es 0.0018, y que ese es el error asociado con la
medición de la distancia. Por tanto, si el error resultante de +/- 0.045 pies es
demasiado grande para tolerarse, es adoptar un método mas preciso a fin de
medir la distancia.
Los errores asociados con cualquier problema indirecto de mediciones pueden
analizarse de la misma manera, y así se podrán evaluar las fuentes individuales
que contribuyen a causar errores. Luego se tomaran las medidas pertinentes
para reducir tales fuentes contributivas. Este concepto generalmente se estudia
bajo el titulo Planeamiento o diseño del levantamiento; por el cual puede
analizarse el problema por adelantado y especificar niveles de precisión antes de
efectuar el trabajo de campo, para asegurarse de un adecuado nivel de exactitud
en el resultado final. Este tema se tratará con más detalles en el Capitulo 17.
Tarea autodidáctica No.5

1) Durante la preparación de una línea de nivelaciones, se requieren 10 puestas

en estación. Para cada puesta en estación, el error probable es +/- 0.005 de pie
debido a varias causas. El error probable de la diferencia medida en elevación
entre el origen y el término es:

2) Una línea se mide en secciones como sigue

sección Longitud medida (pies) Desviación estándar

AB 416.24 +/-0.06
BC 1044.16 +/-0.08
CD 590.03 +/-0.06
DE 714.28 +/-0.08

Hallar la desviación estándar de la longitud de AE.

2
El volumen de un cono se da por V=1/12 D h. La altura medida del cono es de
S SD
10 pulgadas. h =+/- 0.20 pulg. El diámetro medido es 6 pulg. =0.10 pulg. La
desviación estándar del volumen es:
 CAPITULO 6
PESOS DE LAS OBSERVACIONES

Generalidades
El peso de una observación es valía relativa de aquel valor observado según se
compara a cualquier otro valor. En otras palabras, los pesos son cálculos o
expresiones de la relativa confiabilidad de las observaciones.
Una alta precisión, indicada por un pequeño error estándar, implica una buena
observación y, de esto, un peso alto. A la inversa, una baja precisión, indicada por
un error estándar grande, implica una observación deficiente y, por tanto, un peso
pequeño. Es obvio que los pesos son inversamente proporcionales a alguna
potencia del error estándar. De ahí que el tamaño de la corrección también tendrá
una relación inversa con el peso.

Media ponderada (peso promedio)

Supóngase que tomamos M observaciones independientes (z1, z2, z3,…, zm) de
una cantidad z, y que cada una de estas observaciones tiene un error estándar s.
Luego la media de las observaciones tiene un error estándar s. Luego la media de
las observaciones es:

m
Z 
z    i 
i 1  m  …………………………………………………. (6a)

Si estas m observaciones se separan ahora en dos juegos, uno de observaciones

ma y el otro con mb, de tal manera que ma +mb = m, entonces los promedios de
esos juegos son:

ma
Z 
z a    i 
i 1  ma  ……………………………………………………………. (6b)

m
 Zi 
z b   m 
i  m 1  b 
………………………………………………………. (6b)

La z media puede obtenerse combinando los promedios de estos dos juegos
como:
ma m ma m

 zi   zi z i   zi
 i 1 i  ma 1
z  i 1 i  m 1

m m a  mb
Pero de (6b) y (6c):
 ma m

z a ma   zi zb mb   zi
i 1 i  ma 1
y
Luego:
z a ma  zb mb
z 
ma  mb

Dejando ma y mb igual a Pa y Pb, los respectivos pesos relativos de los valores

z a 
y zb , podemos escribir la ecuación general:
 pa z a  pb zb  pz
z  
pa  pb  p …………………………………………(6d)
La ecuación (6d) es una fórmula para calcular la media ponderada de un grupo de
observaciones que tiene pesos desiguales. Para ilustrar la validez de esta
ecuación general, supóngase que la distancia “d” se mide seis veces con los
resultados siguientes:
92.61, 92.60, 92.62, 92.60, 92.61 y 92.61. Podríamos calcular “d” de la manera
usual sumando sencillamente los valores y dividiendo por seis, de ahí que d=
92.608. Sin embargo, si reconocemos que hay un valor 92.62, dos valores 92.60 y
tres valores 92.61, podríamos asignar pesos de uno, dos y tres, respectivamente,
a esos valores y calcular la media usando la ecuación (6d):
92.62  2  92.60   3  92.61
d   92.608
1 2  3

Relación entre el peso y el error estándar


Aplicando la ecuación (5d), la variación de z a en la ecuación (6b)
2 2 2
 dz    dz    dz  
z 2
a   a   2   a   2  ...   a   2
 dz1   dz 2   dz ma  ………………. (6e)
Sustituyendo las derivadas parciales en (6e) tenemos:
2 2 2 2
 1  2  1   1  2  1  2 1 2
z 2
a       ...      ma     
 ma   ma   ma   ma  ma
Finalmente:
 1   1 
 z a 2   2    zb 2   2  
 ma  Similarmente:  mb  ……………………. (6f)

En las ecuaciones (6f)  es una constante, ma y mb se establecen los pesos

  
respectivamente de z a y zb de (6d), y puesto que los pesos relativos, tenemos
entonces de (6d):
1 1
pa  pb 
z 
2
z 
2
a y b ………………………………………………(6g)

Conclusión: los pesos son inversamente proporcionales a las variaciones.

6.4 Pesos en la nivelación y medición de ángulos

Pesos de nivelación
Supongamos que una red de nivel tiene con longitudes de l1, l2,…, ln, y que los
procedimientos observacionales fuero los mismos por toda la red. ¿Cuáles son
los pesos relativos para las líneas?
Solución:
Permítase que S = la desviación estándar por puesta en estación del instrumento,
y deje que d= el avance lineal por puesta en estacion. Luego hay l1/d,l2/d, … ln/d
puestas en los distintos cursos. Las variaciones de cada uno de los distintos lados
son, elevando al cuadrado la ecuación (5f):

S12   l1 / d  S 2
S 22   l2 / d  S 2
.
.
.
.
S n2   ln / d  S 2
Por la ecuación (6g), los pesos son inversamente proporcionales a las variaciones
y ya que son relativos, los pesos de la línea de nivel son:

1 d 1
p1  2
 2

S1 l1 S l1
 1 d 1
p2  2
 2

S 2 l2 S l2
.
.
.
.

1 d 1
pn  2
 2

S n ln S ln

Conclusión: los pesos son proporcionales a las variaciones.

6.4 Pesos en la nivelación y medición de ángulos

6.4.1 Pesos de nivelación

Supongamos que una red de nivel tiene líneas con longitudes de ℓ1, ℓ2. ..... ℓn, y
que los procedimientos observacionales fueron los mismos por toda la red.
¿Cuáles son los pesos relativos para las líneas?

Solución:

Permítase que S = la desviación estándar por puesta en estación del instrumento,

y deje que d = el avance lineal por puesta en estación. Luego hay ℓ1/d, ℓ2 /d,
.... ℓn/d puestas en los distintos cursos. Las variaciones de cada uno de los
distintos lados son, elevando al cuadrado la ecuación (5f):

s12  (  1 / d ) s 2
s22  (  2 / d ) s 2

sn2  (  n / d ) s 2

Por la ecuación (6g), los pesos son inversamente proporcionales a las variaciones
y ya que son relativos, los pesos de la línea de nivel son:

1 d 1
p1  2
 2

s1  1s 1
1 d 1
p2  2
 2

s2  1s 2

1 d 1
pn  2
 2

sn  ns n

Resumiendo, hemos probado que los pesos de las líneas de nivel son
inversamente proporcionales a sus longitudes, y puesto que la longitud es
proporcional al número de puestas en estación los pesos también se hallan
inversamente proporcionales al número de puestas en estación.

6.4.2 Pesos en la medición de ángulos

Digamos que los tres ángulos α1, α2 y α3 en un triángulo plano se miden n1, n2 y
n3 veces con el mismo instrumento. ¿Cuáles son los pesos relativos de los
ángulos?

Solución:
Permita que S sea la desviación estándar de una sola medición de ángulo. Las
medias de cada uno de los tres ángulos son:

1 
 1
; 2 
 2
; 3 
 3

n1 n2 n3

Y las variaciones de los promedios, según dadas al elevar al cuadrado la

ecuación (5g) son:

1 2 2 1 1
s21  ( ) s ; s 2  ( ) s 2 ; s2 3  ( ) s 2
n1 n2 n3

Una vez más, puesto que los pesos son inversamente proporcionales a las
variaciones y relativos, los pesos de los 3 ángulos son:
 1 n1
p1  2
  n1
( s 1 ) s2
1 n2
p2  2
  n2
( s 2 ) s2
1 n3
p3  2
  n3
( s 3 ) s2

Resumiendo, hemos probado que los pesos de ángulos son proporcionales al

número de veces que se midan los ángulos (asumiendo condiciones iguales).

6.5 Ejemplo numérico:

Digamos que para el croquis de un circuito de nivel, las longitudes de las líneas 1,
2 y 3, son 2, 3 y 4 millas, respectivamente. Si las diferencias observadas en
elevación son + 21.20, + 21.23 y + 21.29, respectivamente, para las líneas 1, 2 y
3, hállese la más probable (media ponderada) elevación para BMX.

BMA = 100.00

BMX

Circuito de nivel

Solución:

Del Artículo 6.4.1, los pesos de las líneas de nivel son inversamente
proporcionales a sus longitudes. Por tanto, los pesos de las líneas 1, 2 y 3 son
1/2, 1/3 y 1/4, respectivamente. Puesto que los pesos son relativos,
arbitrariamente multiplicamos estas fracciones por 12 para obtener pesos de 6, 4 y
3, respectivamente.

(Nótese que si se hubieran desatendido los pesos, el promedio simple sería

+21.240).

6.6 Errores estándar de las observaciones ponderadas

6.6.1 Error estándar del peso unitario

Por definición, se dice que una observación tiene un peso p, donde p es un entero,
cuando su precisión iguala la precisión de la media de observaciones p de peso
unitario. Déjese que σ0 sea el error estándar de una observación de peso unitario.
Si y1, y2, …… yn son observaciones que tienen errores estándar σ1, σ2, …… σn,
y pesos p1, p2, ...... pn, entonces conforme a la definición anterior, de la ecuación
(5g) tenemos:

0 0 0
1  ; 2  ;......,  n  (6h)
p1 p2 p n1

En el artículo 4.2, definimos el error estándar de una sola observación de un

grupo de observaciones de igual peso, como:

 
x 2

Ahora bien, en el caso cuando las observaciones no son de igual peso, debemos
modificar la ecuación anterior para calcular el error estándar del peso unitario, a
saber:

0 
p1 x1  p 2 x 2  .....  p n x n
2 2 2


 px 2

(6i)
n n
Y una vez modificada para la desviación estándar del peso unitario tenemos:

s0 
p1 v1  p 2 v 2  .....  p n x n
2 2 2


 pv 2

(6j)
n 1 n 1

6.6.2 Error estándar del peso p y error estándar de la media ponderada

La relación entre el error estándar del peso unitario y el error estándar del peso p
se dio en la ecuación (6h). Combinando esa ecuación con (6i), pueden obtenerse
ecuaciones para errores estándar del peso p en términos de S0 como sigue:

1 
0
; 1 
 px 2
 1 
*   px 2

p1 n  p  np 1
 1 

2 
0
; 2 
 px 2
 1 
*   px 2

p2 n  p  np 2 (6k)
 2 

n 
0
; n 
 px 2
 1 
*   px 2

p1 n  p  np n
 n 

Semejantemente, las desviaciones estándar del peso p pueden expresarse como:

s1 
 pv 2

;s 2 
 pv 2

....; s n 
 pv 2

(6l)
p1 ( n  1) p 2 ( n  1) p n ( n  1)

Finalmente, el error estándar de la media ponderada puede calcularse como:

M 
 px 2

(6m)
 pn

Y la desviación estándar de la media ponderada es:

sM 
 pv 2

(6n)
 p (n  1)

6.6.3 Ejemplos numéricos

Ejemplo 1:
Suponiendo que una distancia se midió como 625.79 pies por barra subtensa y se
le dio un peso de 1, Se midió otra vez como 625.71 pies usando una
cinta y se le asignó un peso de 2; la tercera medición fue + 625.69 pies por
EDME (equipo electrónico para medir distancias) y recibió un peso de 4. Calcular
el VMP de la longitud (media ponderada) y determinar desviación estándar de la
media ponderada.

a) Por la ecuación (6d) la media ponderada es:

M 
 pz  (625 .79 )  2(625 .71)  4(625 .69 )  625 .71
p 1 2  4

b) Por la ecuación (6n) la desviación estándar de la media ponderada es:

sM 
 pv 2


0.0080 
 0.024

 p ( n  1) 7 ( 2)

Donde:
v1  625 .71  625 .79  0.08; p1 v1  1( 0.08 ) 2  0.0064
2

v 2  625 .71  625 .71  0.00 ; p 2 v 2  2(  0.00 ) 2  0.0000

2

v 3  625 .71  625 .69  0.02 ; p 3 v 3  4(0.02 ) 2  0.0016

2

Ejemplo 2:
En la nivelación desde BMA hasta BMB, se tomaron cuatro diferentes rutas de
distintas longitudes. Se obtuvieron los datos siguientes:

Δ
Ruta Longitud(mi.) Elevación P
1 1 25,25 12
2 2 25,41 6
3 3 25,38 4
4 4 25,3 3
Σ=25
a. Hallar la media ponderada
(el VMP para la elevación Δ):
Por la ecuación (6d):

12 ( 25 .25 )  6( 25 .41  4( 25 .38 )  3( 25 .30 )

M 
25
M  25 .315

Hallar las desviaciones estándar de los pesos varios:

Tabulando los residuales de los datos anteriores, tenemos,

Ruta P v v2 pv2
1 12 -0,065 0,00422 0,0506
2 6 0,095 0,00902 0,0541
3 4 0,065 0,00422 0,0168
4 3 -0,015 0,00022 0,0007
0,1222
1. Desviación estándar de la media ponderada por la ecuación (6j)

0.1222 
s0   0.201
3 

2. Desviación estándar de la media ponderada por la ecuación (6n)

0.1222 
sM   0 .040
( 25 )3 

3. Desviaciones estándar de los pesos 12, 6, 4 y 3 por la ecuación (6l).

0 .1222
s12   0 .058
12 (3)
0 .1222
s6   0 .082
6 (3)
0 .1222
s4   0 .101
4 (3)
0 .1222
s3   0 .117
3(3)

Tarea autodidáctica No. 6

1) Se midió un ángulo dando 49º 27' 20", usando un transito y tenía una des-
viación estándar de + 15". Se midió otra vez usando un tránsito óptico repetidor
que dio 49º 27' 24" con una desviación estándar de +/- 6". Por tercera vez se
midió con un teodolito direccional dando 49º 7' 27" con una desviación estándar
de +/-2". Calcular el VMP (media ponderada) del ángulo y la desviación estándar
de la media ponderada. (Recuérdese que los son pesos inversamente
proporcionales a los cuadrados de las desviaciones estándar).

2) Los tres ángulos en un triángulo plano se miden como sigue:

 Angulo Numero de red Valor

A 2 14° 25' 20"

B 3 58° 16' 00"
C 6 107° 19' 10"

El mejor valor del ángulo A es:

3) Se efectúa un circuito de nivel de BM 10 a BM 11 con 5 puestas en estación;

luego desde BM 11 hasta BM 12 con 12 puestas; y de BM 12 a BM 13 con 3
puestas obteniendo los resultados siguientes:

BM Meas. Elev.

11 440.98 ft.
12 464.25 ft. La elevación fija
482.23 ft, de BM 13 es 482.10
13 pies

Hallar el valor corregido de la elevación de BM 12.

 CAPITULO 7
PRINCIPIOS DE LOS MÍNIMOS CUADRADOS

7.1 El principio fundamental de los mínimos cuadrados no ponderados.

En el Artículo 4.2.4, se declaró la condición fundamental de los mínimos

cuadrados; i. e., que el VMP era aquella cantidad, que hacía de la suma de los
cuadrados de los residuales un mínimo. Vamos a probar esta condición
considerando un caso específico. Supóngase que uno obtiene z1, z2 …., zn, como
n valores independientemente medidos de la misma cantidad. Vamos a designar
M como el VMP y luego por definición:

z1  M  V1
z 2  M  V2
(7a)

z n  M  Vn

Puesto que las v y x se comportan de la misma manera, pueden usarse

intercambiablemente en la ecuación (4d). Sustituyendo la v con la x en (4d),
resulta:

he  h
2 2
v
h2v2
y  Ke h ;

donde :
h
K 


Las probabilidades se representan por áreas bajo la curva de distribución normal

(CDN), según se discutió en el Artículo 4.3; por ende, las probabilidades
individuales de la ocurrencia de los residuales v1, v2 ....., vn, se obtienen
multiplicando sus respectivas ordenadas y1, y2, ….. yn, Por algún incremento
infinitesimal Δv, y así:
 p1  y1 v  Ke  h
2 2
v1
v
p2  y 2  v  Ke  h
2 2
v2
v

pn  y n v  Ke  h
2 2
v1 n
v

Por la ecuación (4c). La probabilidad P de Ia ocurrencia simultanea de todos los

residuales v1, v2…., es el producto de las probabilidades individuales; por eso:

P  ( Ke  h v1 v )( Ke  h v2 v )....( Ke  h vn v )
2 2 2 2 2 2

Reduciendo

P  K ( v ) n e  h ( v1  v 2  ... v n )
2 2 2 2
(7b)

M es la cantidad variable que ha de seleccionarse de tal manera que tenga la

mayor probabilidad; por tanto, el valor de P tiene que maximizarse. Para
maximizar la probabilidad P en la ecuación (7b), se ve que debido al exponente
negativo, la función se maximiza cuando la cantidad (v1 2 + v22 +….. vn2 v) se
minimiza. En otras palabras, para maximizar P, debemos minimizar la suma de los
cuadrados de los residuales. La ecuación siguiente expresa este principio
fundamental de los mínimos cuadrados:

v  (v1  v2  ....  vn )  min imo

2 2 2 2
(7c)

La condición declarada en la ecuación (7c) se refuerza tomando la mera derivada

de la función con respecto a la variable M, y estableciendo el resultado igual a
cero. Sustituyendo las (7a) en (7c), tenemos:

v 2
 ( z1  M ) 2  ( z 2  M ) 2  .....  ( z n  M ) 2 (7d)

Tomando la derivada d/dM de la (7d) y estableciéndola igual a cero, tenemos:

 d ( v 2 )
 0  2( z1  M )( 1)  2( z 2  M )( 1)  ....  2( z n  M )( 1)
dM

Reduciendo:

z1  M  z 2  M  ....  z n  M  0
nM  z1  z 2  ....  z n (7e)
M  ( z1  z 2  ....  z n ) / n

La ecuación (7e) indica que el VMP para una cantidad que ha sido
independientemente observada varias veces, es sencillamente la media aritmética.
En el proceso de esta prueba, se desarrolló el principio fundamental del ajuste de
mínimos cuadrados: que el VMP hace de la suma de los cuadrados de los
residuales un mínimo.

7.2 Principio fundamental de los mínimos cuadrados ponderados

En el Artículo 7.1, se desarrolló el principio fundamental del ajuste de los mínimos

cuadrados no ponderados para las observaciones de pesos iguales o unitarios.
El caso más general del ajuste de mínimos cuadrados toma en cuenta las
observaciones que tienen diferentes grados de precisión y por ende, pesos
diferentes. .
Supóngase que tenemos un juego de mediciones z1, z2, ...... zn, que tienen
pesos relativos p1, p2 …... pn, y residuales v1, v2, ...... vn. Vamos a denotar al
VMP como M. Como en el Artículo 7.1, los residuales están relacionados
con las observaciones a través de la ecuación (7a) y la probabilidad total P de la
ocurrencia simultánea de estos residuales se da en la ecuación (7b). No
obstante, nótese de la ecuación (4m) que h2 = l/2σ2, y puesto que los pesos son
inversamente proporcionales a las variaciones, ellos son directamente
proporcionales a h2. Por tanto, la (7b) puede reescribirse como:
2
 p 2 v 2  .... p n v n )
2 2
P  k n  v n e ( p1v1

Para maximizar P debemos minimizar el exponente negativo de e que está dentro

de los paréntesis. Dicho en palabras, la suma del producto de los pesos
multiplicada por sus respectivos residuales elevados al cuadrado tiene que
minimizarse, y esta es la condición que debe imponerse en el ajuste de mínimos
cuadrados ponderados. Esta condición del ajuste en forma ecuacional es:

p1v1  p2v2  ..... pn vn   pv2  min imo

2 2 2
(7f)

Sustituyendo en la (7f), los valores para los residuales dados en (7a), tenemos:

p1 ( z  M ) 2  p2 ( z 2  M ) 2  .... pn ( z n  M ) 2  Minimo

Se impone la condición mínima diferenciando la ecuación anterior y estableciendo

el resultado igual a cero, según:

0  2 p1 ( z  M ) 2 ( 1)  2 p2 ( z 2  M ) 2 ( 1)  .... 2 pn ( z n  M ) 2 ( 1)

Multiplicando a través de las ecuaciones anteriores por -1/2,

tenemos:

p1 ( z  M ) 2  p2 ( z 2  M ) 2  .... pn ( z n  M ) 2  0

 pz   pM ;

Y de la cual:

M 
 pz (7g)
p

La ecuación (7g) es una repetición de (6d) que da el me todo para computar la

media ponderada.

7.3 Ecuaciones de observación

Las ecuaciones que relacionan las cantidades medidas con sus errores
observacionales residuales y con parámetros independientes y desconocidos, se
llaman ecuaciones de observación. Una tal ecuación se escribe para cada
observación. Para una solución singular de las incógnitas, el número de
ecuaciones debe ser igual al número de incógnitas. En el caso normal hay más
ecuaciones que incógnitas, lo que permite la determinación de los VMP de las
incógnitas, basándose en los principios de mínimos cuadrados.

7.3.1 Ejemplo elemental del ajuste de la ecuación de observación.

Como ejemplo elemental del ajuste de mínimos cuadrados por el método de la
ecuación de observación, considérense las tres siguientes ecuaciones de
observación:

1) x  y  3.0
2 ) 2 x  y  1 .5 (7h)
3) x  y  0.2

Estas tres ecuaciones relacionan las dos incógnitas x y y, con las cantidades
observadas. Los valores para x y y podrían obtenerse de cualquiera de dos de
esas ecuaciones, para que la ecuación restante fuera redundante. Nótese que
si las dos primeras ecuaciones de (7h) se resuelven, x=1.5 y y=1.5. Sin embargo,
si se resuelven las dos últimas ecuaciones, x=1.3 y y=1.1 Además, si se
resuelven la primera y última ecuaciones, x. = 1,6 y y = 1,4. Estas tres ecuaciones
han sido escritas como resultado de mediciones y se hace aparente que de esas
discrepancias observadas, las mediciones contienen errores. Tales ecuaciones
pueden, reescribirse como sigue:

4 ) x  y  3 .0  v1
5) 2 x  y  1 .5  v 2 (7i)
6 ) x  y  0 . 2  v3

Las ecuaciones (7i) relacionan las incógnitas con las ecuacíones y con los errores
en las observaciones. Obviamente es posible seleccionar valores de v1, v2, y v3
que producirán los mismos valores y y, no importa el par de ecuaciones resuelto.
A fin de obtener estabilidades por todas las ecuaciones, podríamos dejar que v1 =
0, v2 = 0, y v3= -0.2. Luego x = 1.5 y y= 1.5, no importa el par de ecuaciones
resuelto. Esto parece ser una solución bastante buena.
Se pueden tener otros valores para las v, que harán suma de sus cuadrados un
valor más pequeño. De hecho, la solución que la suma de los cuadrados de
las v un mínimo, produce los valores x y probables y se llama la solución de
mínimos cuadrados.
Para llegar a la solución de mínimos cuadrados, se elevan cuadrado las
ecuaciones para los residuales y estas expresiones se suman juntas para dar una
función f(x,y) = Ev2, como sigue:

v1  ( x  y  3.0) 2
2

v 2  ( 2 x  y  1 . 5) 2
2
(7j)
v3  ( x  y  0 . 2 ) 2
2

Sumando estas ecuaciones para formar Σv2, obtenemos:

v 2
 ( x  y  3 . 0 ) 2  ( 2 x  y  1 . 5) 2 (7k)

Luego se toman las derivadas parciales de esta función con respecto a cada
incógnita, y se establecen igual a cero. Entonces resultará una ecuación para cada
incógnita, como:

 v2
 0  2 ( x  y  3 . 0 )  2 ( 2 x  y  1 . 5)  2 ( x  y  0 . 2 ) (7k)
x
Estas anteriores ecuaciones se llaman ecuaciones normales. Estableciendo los
diferenciales iguales a cero es el medio de minimizar una función, como
recordarán del cálculo elemental. Tales ecuaciones normales se resuelven
simultáneamente para cada incógnita. Las ecuaciones normales reducidas para
estas tres ecuaciones de observación son como sigue:

1) 6 x  2 y  6 .2  0
(7l)
2 )  2 x  3 y  1 .3  0

Resolviendo simultáneamente estas ecuaciones normales produce:

x = 1.514 y y = 1,442. Vamos a comparar los resultados de la solución
aproximada con esta solución de mínimos cuadrados.
Solución aproximada Solución por mínimos cuadrados

v1=0 v1=0 v1 = -0,44 v1 = 0,002

v2=0 v2=0 v2 = 0,086 v2 = 0,007
v3=0,2 v3=0,4 v3 = -0,128 v3 = 0,016
Σv2 = 0,4 Σv2 = 0,25

Una comparación de la suma de los cuadrados de los residuales les indica que la
solución de mínimos cuadrados produce el total más pequeño; por ende, esto
resultaría en un mejor ajuste; de hecho, es el mejor ajuste posible.

7.4 Formulación sistemática de las ecuaciones normales

En grandes sistemas de ecuaciones de observación, es muy útil emplear

procedimientos sistemáticos para formular las ecuaciones nórmale! A fin de
desarrollar tales procedimientos, consideremos el sistema siguiente de ecuaciones
lineales de observación de igual peso:

a1 A  b1 B  c1C  .....  n1 N  L1  v1
a2 A  b2 B  c2C  .....  n2 N  L2  v2
(7m)

am A  bm B  cm C  .....  nm N  Lm  vm

Los cuadrados de los residuales son:

v1  ( a1 A  b1 B  c1C  .....  n1 N  L1 )
2

v2  ( a2 A  b2 B  c2C  .....  n2 N  L2 )
2

(7n)

v1  ( am A  bm B  cm C  .....  nm N  Lm )
2

De lo cual la ecuación Σv2 que expresa la condición de mínimos grados de igual

peso, se forma como sigue:
v  a1 A  b1 B  c1C  ...n1 N  L1   a2 A  b2 B  c2C  ...n2 N  L2   ........
2 2 2

 am A  bm B  cm C  ...nm N  Lm 
2

(7p)

Las ecuaciones normales se forman como siempre tomando las derivadas

parciales:

 v2
 0  2a1 A  b1 B  c1C  ...n1 N  L1 a1  2a 2 A  b2 B  c2C  ...n2 N  L2 a 2  ........
A
 2am A  bm B  cm C  ...nm N  Lm a m
 v2
 0  2a1 A  b1 B  c1C  ...n1 N  L1 b1  2a 2 A  b2 B  c2C  ...n2 N  L2 b2  ........
B
 2am A  bm B  cm C  ...nm N  Lm bm
 v2
 0  2a1 A  b1 B  c1C  ...n1 N  L1 c1  2a 2 A  b2 B  c2C  ...n2 N  L2 c2  ........
C
 2am A  bm B  cm C  ...nm N  Lm cm


 v2
 0  2a1 A  b1 B  c1C  ...n1 N  L1 n1  2a2 A  b2 B  c2C  ...n2 N  L2 n2  ........
N
 2am A  bm B  cm C  ...nm N  Lm nm

(7q)

Multiplicando a través de cada una de las ecuaciones anteriores por 1/2, se

elimina de la constante 2. Las ecuaciones (7q ) son las normales. Vamos a
reordenar el orden de sus términos como sigue:
      
0  a1   a 2   .....  a m  A  a1b1   a 2 b2   .....  a m bm  B  a1 c1   a 2 c 2   .....  a m c m  C  ... 
2 2 2

a n   a n   .....  a n  N   a L   a L   .....  a L  

1 1 2 2 m m 1 1 2 2 m m

0  b a   b a   .....  b a A  b   b   .....  b  B  b c   b c   .....  b c C  ... 

2 2 2
1 1 2 2 m m 1 2 m 1 1 2 2 m m

b n   b n   .....  b n  N   b L   b L   .....  b L  

1 1 2 2 m m 1 1 2 2 m m

0  c a   c a   .....  c a A  c b   c b   .....  c b B  c   c   .....  c  çC  .... 
2 2 2
1 1 2 2 m m 1 1 2 2 m m 1 2 m

c n   c n   .....  c n  N   c L   c L   .....  c L  

1 1 2 2 m m 1 1 2 2 m m



    
0  n1 a1   n 2 a 2   .....  n m a m  A  n1b1   n 2 b2   .....  n m bm  B  n1 c1   n 2 c 2   .....  n m c m  C  ...  
n 
1
2 2 2
 
 n 2   .....  n m  N   n1 L1   n 2 L 2   .....  n m L m  
(7r)

Pueden ahora formularse ecuaciones generalizadas expresando las ecuaciones

normales (7r) como:

aa A  ab B  ac C  .......... .an N  aL 

ba A  bb B  bc C  .......... .bn N  bL 
ca A  cb B  cc C  .......... .cn N  cL 
(7s)


na A  nb B  nc C  .......... .nn N  nL 

En este sistema de ecuaciones (7s), las a, b, c, .... n, son los coeficientes de las
incógnitas A, B, C, .... N; L es el término constante y el símbolo ( β significa la
suma de los productos).
Asimismo, puede probarse matemáticamente que las ecuaciones normales se
pueden formar sistemáticamente de ecuaciones de observación ponderadas de la
manera siguiente:
 paa A   pab B   pac C  .......... . pan N   paL 
 pba A   pbb B   pbc C  .......... . pbn N   pbL 
 pca A   pcb B   pcc C  .......... . pcn N   pcL 
(7t)


 pna A   pnb B   pnc C  .......... . pnn N   pnL 
En las ecuaciones (7t) los términos son los mismos según descritos arriba para las
ecuaciones (7s), con la adición de las p que son los pesos relativos de las
observaciones.

7.5 Formación tabular de las ecuaciones normales

La formulación de las ecuaciones normales de las ecuaciones de observación

puede sistematizarse adicionalmente, mediante la manipulación de los sistemas
de las ecuaciones (7s) y (7t) en una solución tabular. De esta manera, se
maneja fácilmente la gran cantidad de números. Una ventaja de este enfoque
sistemático en la formulación de ecuaciones normales, es que se evita la toma
de derivadas parciales. Abajo se ilustra la formulación tabular sistemática de las
ecuaciones normales para el ejemplo previo del Artículo 7.3.1. Primeramente,
para hacer las ecuaciones (7j) compatibles con la forma generalizada de las
ecuaciones (7m), ellas se reescriben como sigue

x  y  3 .0  v
2 x  y  1 .5  v 2 (7u)
x  y  0.2  v3

En las ecuaciones (7u), hay dos incógnitas, A y B. Los términos a1, b1 y L1 en la

primera ecuación son +1, +1 y +3.0, respectivamente. Los términos a2, b2 y L2 en
la segunda ecuación son +2, -1 y +1.5, respectivamente, y los términos a3, b3 y L3
en la tercera ecuación son +1, -1 y +0.2,respectivamente. Colocando estos
términos en la siguiente forma tabular se obtienen sistemáticamente las
ecuaciones normales como sigue:

Tabla 7.1 Formación tabular de ecuaciones normales

Equn a b L aa ab bb aL bL
1 1 1 3 1 1 1 3 3
2 2 -1 1,5 4 -2 1 3 -1,5
3 1 -1 0,2 1 -1 1 0,2 -0,2
[aa] [ab] [bb] [aL] [bL]
6 -2 3 6,2 1,3
Sustituyendo los términos apropiados para [aa], [ab], [bb], [aL] y [bL] de la Tabla
7.1 en las ecuaciones (7s), se obtienen las siguientes ecuaciones normales:

6 x  2 y  6 .2
(7v)
 2 x  3 y  1 .3

Nótese que las ecuaciones (7v) son exactamente iguales a las (7l).
Se advierte basándose en estudios previos, que el número de ecuaciones
normales en un ajuste de mínimos cuadrados es igual al número de incógnitas que
han de ser ajustadas. Tratando con grandes sistemas de ajuste conteniendo
muchas incógnitas, resultara en un gran número de ecuaciones normales, por lo
que la solución simultánea de las ecuaciones plantea un problema bastante
formidable. Tales ecuaciones pueden resolverse por métodos matriciales según el
Capítulo 2, o por eliminación gaussiana según el Capítulo 3.

Tarea autodidáctica No. 7

1) Considerando que las siguientes observaciones son de igual peso, calcular
los VMP de A y B en las ecuaciones de observación a continuación, método de
mínimos cuadrados no ponderados: (Usar el método tabular para formar las
ecuaciones normales).

a ) A  2 B  16 .0  v
b ) 2 A  3 B  12 .5  v2
c ) 2 A  B  0.5  v3

2) Si las observaciones de las ecuaciones a, b y c en el problema No. 1

tienen pesos de 2, 3 y 1, respectivamente, resolver para los VMP de A y B
mediante el método de mínimos cuadrados ponderados. (Usar el método
tabular para formar las ecuaciones normales).

CAPITULO 8
 AJUSTE DE REDES DE NIVEL

8.1 Introducción
Ahora se considerará la aplicación del método de mínimos cuadrados por
ecuaciones de observación al problema del ajuste del circuito de nivel. En el
Artículo 7.1 , se desarrollo la condición de mínimos cuadrados para calcular el
VMP de un grupo de observaciones directas de la misma cantidad. En el ajuste de
circuitos de nivel , se trata con un grupo de observaciones directas que no es todo
de la misma cantidad, sino más bien cada observación representa la medición de
la diferencia en elevación de una línea separada del circuito de nivel. No obstante,
tales observaciones se tratan de la misma manera y las correcciones buscadas
son aquéllas que producen la más alta probabilidad de su ocurrencia simultánea
en el circuito de nivel.
8.2 Ejemplo considerando pesos iguales
Considérese ahora un ejemplo específico de un circuito de nivel, cuyo croquis y
datos del levantamiento se muestran en la Fig. 8.1. -En dicho ejemplo, se asumirá
que cada observación es de igual peso. Más tarde se considerará el concepto de
las observaciones de peso relativo. En la figura las flechas indican la dirección de
la nivelación. Por lo tanto para la línea No. 1, la nivelación procedió desde BMX
hasta A y la diferencia observada en elevación fue de 5,10 pies.

Diferencia
Línea No observada
en elevación

1 5,1
2 2,34
3 -1,25
4 -6,13
5 -0,68
6 -3
7 1,7

Fig. 8.1 Circuito de nivel entrelazado

Primero se escriben las ecuaciones de observación que relacionan cada
medición de la diferencia en elevación de una línea con los VMP para las
elevaciones desconocidas A, B y C, y con los errores residuales en las
mediciones, como:

A  BMX  5 .10  v1
BMY  A  2.34  v2
C  BMY  1 .25  v3
BMX  C  6 .13  v4 (8a)
B  A  0 .68  v5
B  BMY  3 .00  v6
C  B  1 .70  v7

Reordenando para colocar los residuales al lado izquierdo dé las ecuaciones,

sustituyendo los valores de BMX y BMY y elevando al cuadrado los residuales,
resulta:

v12  ( A  105 .10 ) 2

v 22  (105 .10  A) 2
v 32  (C  106 .25 ) 2 (8b)
v 42  (106 .13  C ) 2
v 52  ( B  A  0.68 ) 2
v 62  ( B  104 .50 ) 2
v 72  (C  B  1.70 ) 2

Ahora se escribe la función F(v) que expresa la condición de mínimos cuadrados:

F (v )  v12  v 22  ....v 72  min imo

Sustituyendo en la ecuación anterior los valores para los "residuales elevados al

cuadrado de las ecuaciones (8b), se obtiene la función siguiente:

F (v )  ( A  105 .10 ) 2  (105 .16  A) 2  (C  106 .25 ) 2  (106 .13  C ) 2  ( B  A  0.68 ) 2 

( B  104 .50 ) 2  (C  B  1.70 ) 2  min imo
Tomando las derivadas parciales de la función anterior con respeto a cada
incógnita y estableciendo los resultados igual a cero, resultan tres siguientes
ecuaciones normales, una para cada incógnita:

F
 2( A  105 .10 )  2(105 .16  A)  2( B  A  0.68 )  0
A
F
 2( B  A  0.68 )  2( B  104 .5)  2(C  B  1.70 )  0
B
F
 2(C  106 .25 )  2(106 .13  C )  2(C  B  1.70 )  0
C

Reduciendo las anteriores ecuaciones normales, se produce:

3 A  B  210 .94
 A  3 B  C  102 .12
 B  3C  214 .08

Al resolver simultáneamente las tres ecuaciones normales reducidas

anteriores, se producen las siguientes elevaciones ajustadas de las
Incógnitas:

A = 105.14
B = 104.48
C = 106.19

8.3 Ejemplo considerando los pesos

Ahora se introduce el concepto de las observaciones ponderadas. En el

Artículo 6.4, se dedujo que los pesos relativos de las líneas de nivel son
inversamente proporcionales a sus longitudes. El efecto de los pesos relativos
sobre las observaciones puede introducirse en el ajuste, multiplicando las
ecuaciones de observación por los correspondientes pesos relativos de las
observaciones respectivas.
La condición que debe ser satisfecha en el ajuste" por mínimos cuadrados de las
observaciones ponderadas, es que la suma de los pesos relativos multiplicada por
los residuales elevados al cuadrado, (Σpv2) sea un mínimo. Esta condición puede
escribirse en forma ecuacional como:
 p1 v1  p 2 v 2  .....  p m v m  min imo
2 2 2
(8c)

donde las p son los pesos relativos de las observaciones.

Se ilustra la aplicación del método del ajuste por mínimos cuadrados

ponderados de un circuito de nivel suponiendo longitudes variables para la
ilustración previa. Se dan en la Tabla 8.1 las siguientes longitudes para las
líneas del circuito de nivel, así como también los resultantes pesos relativos
correspondientes.

Tabla 8. 1

Peso
Línea Longitud
relativo

1 4 3
2 3 4
3 2 6
4 3 4
5 2 6
6 2 6
7 2 6

Los pesos relativos en la columna a la derecha se obtuvieron invirtiendo

todas las longitudes de línea en forma fraccional 1/longitud. Para mayor
conveniencia, esas fracciones pueden multiplicarse por cualquier constante {se
usó 12 en este ejemplo), para obtener pesos relativos más convenientes.
Ahora están formadas las ecuaciones de observación como en el
ejemplo previo de igual peso, excepto que en el caso ponderado cada
ecuación de observación se multiplica por su correspondiente peso relativo
como:
 p1 A  p1 ( BMX  5.10  v1 )
p 2 BMY  p 2 ( A  2.34  v 2 )
p 3 C  p 3 ( BMY  14 .25  v 3 )
p 4 BMX  p 4 (C  6.13  v 4 )
p 5 B  p 5 ( A  0.68  v 5 )
p 6 B  p 6 ( BMY  3.00  v 6 )
p 7 B  p 7 ( B  1.70  v 7 )

Reordenando para colocar las pv al lado Izquierdo de las ecuaciones,

sustituyendo los valores de BMX y BMY, y elevando al cuadrado los residuales,
resulta en:
p 1 v1  3( A  105 .10 ) 2
2

p 2 v 2  4(105 .16  A) 2
2

p 3 v 3  6(C  106 .25 ) 2

2

p 4 v 4  4(106 .13  C ) 2
2
(8d)
p 5 v 5  6( B  A  0.68 ) 2
2

p 6 v 6  6( B  104 .50 ) 2
2

p 7 v 7  6(C  B  1.70 ) 2
2

Ahora se escribe la función F(v) que expresa la condición de los mínimos

cuadrados ponderados como:

F (v )  p1 v1  p 2 v 2  ......  p 7 v 7  min imo

2 2 2
(8e)

Sustituyendo las ecuaciones (8d) en la (8e) y tomando las derivadas

parciales con respecto a cada una de las incógnitas A, B y C, resultan las tres
siguientes ecuaciones normales:
 F
 2 * 3( A  105 .10 )  2 * 4(105 .16  A)  2 * 6( B  A  0.68 )  0
A
F
 2 * 6( B  A  0.68 )  2 * 6( B  104 .50 )  2 * 6(C  B  1.70 )  0
B
F
 2 * 6(C  106 .25 )  2 * 4(106 .13  C )  2 * 6(C  B  1.70 )  0
C

Reduciendo las ecuaciones anteriores, tenernos:

13A - 6B = 740.02
-A + 3B - C = 102.12
-3B + 8C = 536.11

Resolviendo simultáneamente las tres anteriores ecuaciones normales reducidas,

produce las siguientes elevaciones ajustadas ponderadas de las incógnitas:

A = 105.15
B = 104.49
C = 106.20

Debe notarse que estos valores ajustados difieren ligeramente de los valores
ajustados obtenidos mediante el ajuste de igual peso. Esto ilustra el efecto de
los pesos relativos sobre los resultados del ajuste, y aunque la diferencia en
los valores ajustados por ambos procedimientos es sutil, se puede concluir que
para los circuitos precisos de nivel es tanto lógico como prudente efectuar el
ajuste ponderado.

8.4 Formación tabular de ecuaciones normales para el ejemplo de la red de

nivel ponderada.

La Tabla 8.2 ilustra el procedimiento de la formación de ecuaciones normales

para el ejemplo de la red ponderada, usando el enfoque tabular. Para concordar
con las ecuaciones (7m), las (8a) se reescriben como sigue:

1) A = 105.10 + v1
2) - A = -105.16 + v2
3) C = 106.25 + v3
4) -C = -106.13 + v4 (8f)
5) -A + B = -0.68 + v5
6) B = 104.50 + v6
7) -B + C = 1.70 + v7

En este ejemplo hay tres incógnitas. A. B y C. Cuando no aparece una incógnita

en una ecuación, su coeficiente es cero. Los datos anotados en la tabla se toman
de las ecuaciones (8f), excepto para los pesos que se toman de la Tabla (8,1). En
la primera ecuación los términos son a1=1, b1 y c 1 son ceros, p1 es 3 y L1 =
105.10. En la segunda ecuación a2 es = -1 , b2 y C2 son cero, p2 es 4, y L2 es
105.16, etc.
Las ecuaciones normales se forman colocando las sumas apropiadas de la Tabla
8.1 en las ecuaciones generalizadas (7m).

Tarea autodidáctica No 8

1) En el croquis del circuito de nivel, calcular as elevaciones más probables

para BM1 y BM2. Todas las líneas son de igual longitud y, por tanto, se aplica el
procedimiento de mínimos cuadrados de igual peso. Los valores observados se
dan en la tabla adjunta. Usar una solución tabular para formular las ecuaciones
normales.

A=100.00
A=101.00

(2)
Difer.
Línea
(1) elevación
BM1
1 1
2 0,08
(3)
3 0,92
4 -1
BM1 5 0,08
(4)
(5)
A=102.00
A=103.00

Difer.
Línea Longitud
elevación
 2) Para el croquis del circuito de nivel, calcular
1 4 +1.05 las elevaciones más probables para x1, x2 y x3.
2 4 -0.95 Se brindan en la tabla adjunta los valores
3 2 +2.10
observados y las longitudes de líneas. Aplicar
4 2 -1.95
los pesos apropiados en los cómputos. Usar de
5 1 +0.10
6 3 +0.05
nuevo el método tabular para formular las
ecuaciones normales. A=10
(5)
x3
(4) (2

x2 (6)

(3) (1

A=101.00
 CAPITULO 9
METODOS MATRICIALES PARA EL AJUSTE DE MINIMOS CUADRADOS

9.1 Ecuaciones matriciales para las ecuaciones de observación no

ponderadas

En el Artículo 7.4 se presentó un método sistemático para formar ecuaciones

normales de ecuaciones de observación. Ahora vamos a representar un juego de
ecuaciones de observación no ponderadas tal como (7m), en forma matricial:

m Am n X 1  n L 1  n V1 (9a)

donde:

 a1 b1 c1 . . n1   A
a b2 c2 . . n2  B
 2   
 .  C 
A=   X =  
 .  .
 .  .
   
 a m bm cm . . n m   N 

 L1   V1 
L  V 
 2  2
L  V 
L =  3 V =  3
 .   . 
 .   . 
   
 L m  V m 

Al estudiar la siguiente representación matricial, se notará que las ecuaciones

normales (7s) se obtienen como sigue:
AT A X = A T L (9b)

En la ecuación anterior, AT A es la matriz de los coeficientes de la ecuación normal

de las incógnitas.

Premultiplicando ambos lados de la ecuación (9b) por (ATA)-1 tenemos:

(AT A) -1 (AT A) X = (AT A) -1 AT L

I X = (AT A) -1 AT L
X = (AT A) -1 AT L (9c)

La ecuación (9c) es la ecuación matricial básica para el ajuste de mínimos

cuadrados no ponderados.

9.2 Ejemplo numérico de ecuaciones de observación no ponderadas

Para ilustrar el procedimiento matricial de mínimos cuadrados, vamos a calcular

el ejemplo no ponderado del Artículo 8.2.

A. Reescribiendo las ecuaciones de observación (8a) de forma compatible con

la (9a), tenemos:

A = 105.10 + v1
A = 105.16 + v2
C = 106.25 + v3
C = 106.13 + v4
A - B = 0.68 + v5
B = 104.5 + v6
B - C = -1.70 + v7
. . '
B. Estas ecuaciones de observación en forma matricial son:

7 A3 3 X 1  7 L1  7 V1

Donde:
 1 0 0 105 .10 
1 0 0 105 .16 
   
0 0 1  A 106 .25 
   
A = 0 0 1 ; X =  B  ; L = 106 .13  ;
1 1 0  C   0 .68 
   
0 1 0 104 .50 
0 1  1   1 .70 
  

 v1 
 
v
 2
v3 
 
V = v 4 
v5 
 
v 6 
v 
 7

C. La solución matricial para los VMP es:

1 0 0
1 0 0
 
1 1 0 0 1 0 0 0 0 1  3 1 0 
 
AT A = 0 0 0 0 1 1 1 
 * 
0 0

1  = 1 3 1



0 0 1 1 0 0  1 1 1 0   0  1 3 
 
0 1 0
0 1  1


Nótese que estos elementos matriciales son los coeficientes de las ecuaciones
normales. Véase el Artículo 8.2.
 8 3 1
1  3 9 3
(AT A)-1 =
21  
1 3 8

105 .10 
105 .16 
 
1 1 0 0 1 0 0 106 .25   210 .94 
 
AT L = 0 0 0 0 1 1 1 
 * 

106 .13  = 102 .12



0 0 1 1 0 0  1  0 .68   214 .08 
 
104 .50 
  1 .70 
 

Nótese que éstos son los términos constantes de las ecuaciones normales.

D. Finalmente, se calculan los VMP.

8 3 1  210 .94  105 .14 

1 
X= (AT A) -1 AT L= 
3 9 3 * 102 .12 = 104 .48 
 
21      
1 3 8  214 .08  106 .19 

Un resumen de elevaciones ajustadas de cota fija es:

A = 105.14
B = 104.48
C = 106.19

E. Solución para los residuales

Reordenando la ecuación (9a), V = AX - L

 1 0 0 105 .14 
1 0 0  105 .14 
   
0 0 1 105 .14  106 .19 
     
A X = 0 0 1  * 104 .48 = 106 .19 
 
1 1 0  106 .19   0 .66 
   
0 1 0 104 .48 
0 1  1   1 .71 
  

105 .14  105 .10   0 .04 

105 .14  105 .16    0 .02 
     
106 .19  106 .25    0 .06 
     
V = A X – L = 106 .19  - 106 .13  =  0.06 
 0 .66   0 .68    0 .02 
     
104 .48  104 .50    0 .02 
  1 .71    1 .70    0 .01 
     

9.3 Métodos matriciales para las ecuaciones de observación ponderadas

Vamos a considerar el siguiente sistema de ecuaciones de observación

ponderadas:

P1 ( a1 A  b1 B  ....  n1 N )  P1 ( L1  v1 )
P2 ( a 2 A  b2 B  ....  n 2 N )  P2 ( L 2  v 2 )
(9b)

Pm ( a m A  bm B  ....  n m N )  Pm ( L m  v m )

Al estudiar la siguiente ecuación matricial, se notará que produce exactamente

las ecuaciones normales dadas por las (7t) de la solución tabular:
(ATPA)X = ATPL (9f)
Usando los principios del álgebra matricial, resolvemos las X desconocidas corno
sigue:

(AT P A) -1 (AT P A) X = (AT P A) -1 AT P L

I X = (AT P A) -1 AT P L (9g)
X = (AT P A) -1 AT P L

La ecuación (9g) es la expresión matricial general para la solución de mínimos

cuadrados de las ecuaciones de observación ponderadas.

9.4 Ejemplo numérico de ecuaciones de observación ponderadas

Para ilustrar el procedimiento matricial en los mínimos cuadrados ponderados

por el método de ecuación de observación, vamos a resolver el ejemplo del -
problema ponderado del Artículo 8.3.

A. Las ecuaciones de observación ponderadas se escriben compatibles con

la ecuación (9e) como sigue:

P1 A  P1 ( BMX  5 .10  v1 )  P1 (105 .10  v1 )

P2 (  A)  P2 (  BMY  2 .34  v 2 )  P2 (  105 .16  v 2 )
P3 C  P3 ( BMY  1 .25  v 3 )  P3 (106 .25  v 3 )
P4 C  P4 (  BMX  6 .13  v 4 )  P4 (  106 .13  v 4 )
P5 (  A  B )  P5 (  0 .68  v 5 )
P6 B  P6 ( BMY  3 .00  v 6 )  P6 (104 .50  v 6 )
P7 (  B  C )  P7 (1.7  v 7 )

Las ecuaciones de observación en forma matricial son:

PAX = PL + PV
 3 0 0 0 0 0 0 1 0 0
0 4 0 0 0 0 0  1 0 0
   
0 0 6 0 0 0 0 0 0 1
   
P = 0 0 0 4 0 0 0 ; A = 0 0  1
0 0 0 0 6 0 0  1 1 0
   
0 0 0 0 0 6 0 0 1 0
0 6   0 1 1 
 0 0 0 0 0  

 105 .10   v1 
  105 .16   
v
   2
 106 .25  v3 
   
L =   106 .13  ; V = v 4 
  0 .68  v5 
   
 104 .50  v 6 
 1 .70  v 
   7

B. La solución matricial de la ecuación (9g) es:

3 0 0 0 0 0 0
0 4 0 0 0 0 0
 
1 1 0 0 1 0 0 0 0 6 0 0 0 0
 
ATP= 0

0 0 0 1 1  1 *  0

0 0 4 0 0 0 =
0 0 1 1 0 0 1  0 0 0 0 6 0 0
 
0 0 0 0 0 6 0
0 6 
 0 0 0 0 0

3 4 0 0 6 0 0 
0 0 0 0 6 6  6
 
0 0 6 4 0 0 6 
 1 0 0
 1 0 0
 
3 4 0 0 6 0 0  0 0 1  13 6 0 
 
ATPA = 0 0 0 0 6 6 
6 *  0


0  1 =  6

18  6

0 0 6 4 0 0 6   1 1 0  0 6 16 
 
0 1 0
 0 1 1 
 

Nótese que estos son los coeficientes de las incógnitas en las ecuaciones
normales ponderadas. Véase el articulo8.3.

 0 .0933 0 .0355 0.0133 

(ATPA)-1 = 0.0355 0 .0770 0.0289 

 0 .0133 0 .0289 0.0733 

 105 .10 
  105 .16 
 
3 4 0 0 6 0 0   106 .25   740 .02 
 
ATPL = 0 0 0 0 6 6  6 *   106 .13  =  612 .72 

  
0 0 6 4 0 0 6    0 .68  1072 .22 
 
 104 .50 
 1 .70 
 

Nótese que estos son los términos constantes de las ecuaciones normales.

 0 .0933 0 .0355 0.0133   740 .02  105 .15 

X = (ATPA)-1 ATPL = 0.0355 0 .0770  
0.0289 * 612 .72
 
 104 .49 
 =  
 0 .0133 0 .0289 0.0733  1072 .22  106 .20 

Resumiendo las elevaciones ajustadas para BMA, BMB y BMC son 105.15,
104.49 y 106.20, respectivamente y ellas concuerdan exactamente con los valores
obtenidos en el articulo 8.3.

9.5 Derivación matricial de la ecuación para los mínimos cuadrados ponderados

Supóngase que nos dieron un sistema de ecuaciones de observación ponderadas,

a saber:

p1 a11 X 1  a12 X 2 .....  a1n X n   p1  1  v1 

p 2 a 21 X 2  a 22 X 2 .....  a 2 n X n   p 2  2  v 2 
(9h)

p m a m1 X 1  a m 2 X 2 .....  a mn X n   p m  m  v m 

Este sistema puede representarse en forma matricial como:

PAX = P(L +V) (9i)

donde:

 p1   a11 a12 . . . . a1 n   X1 
 p2  a a 22 . . . . a2n  X 
   21   2
 .   .   . 
     
P=  .  ;A= . .  ;X=  . 
 .   .   . 
     
 .   .   . 
 p m  a a mn  X 
  m1 am2  n

 1   v1 
  v 

 2  2
 .   . 
   
L =  .  ; y V =  . 
 .   . 
   
 .   . 
  v 
 m  m

La solución de mínimos cuadrados minimiza la suma de los pesos multiplicada por

los residuales elevados al cuadrado o, Σpv2 = min. En forma matricial, se
minimiza VTpv. Esta condición se refuerza tomando tomando la derivada parcial de
VTpv y estableciendo el resultado igual a cero como:

 (v T pv ) v
 0  2v T p (9j)
X X

Pero de (8p)

V = AX – L (9k)

V  ( AX  L )
 A (9l)
X X

Sustituyendo (9l) en (9j):

0 = 2VTPA (9m)

Multiplicando (9m) por ½ y transponiendo:

0 = ATPTV (9n)

Sustituyendo (9k) en (9n):

0 = ATPTV ( AX – L) (9p)

Multiplicando (9p)

0 = ATPTAX - ATPTL

Pero p = pT puesto que es una matriz diagonal

Luego ATPAX = ATPL (9q)

Resolviendo (9q) para X :

 
X  AT PA 
1
AT PL ……………………………………………(9r)

Si se supone que los pesos son iguales, la matriz P es una matriz identidad y la
solución para X es:


X  AT A 
1
AT L …………………………………………….(9s)

Nótese que las ecuaciones (9r) y (9s) son idénticas a las (9c) y (9g),
respectivamente.

9.6 Programa de Computadora

El programa de computadora del Apéndice B dirige la solución de la ecuación (9g)

e imprime los resultados. El programa puede usarse para resolver la ecuación no
ponderada (9c) sencillamente usando pesos iguales tal como 1.0 para todas las
observaciones.

El programa se ha usado para resolver los ejemplos no ponderados y ponderados

de las redes de nivel en los Artículos 8.2 y 8.3, respectivamente. Las dos páginas
siguientes listan esos ejemplos.

Nótese que la salida contiene la desviación estándar del peso unitario y las
desviaciones estándar de los valores ajustados. El método para sus cómputos se
discutirá en el capitulo 10.

Se ofrece en el Apéndice B una discusión del uso de este programa, junto con un
listado de los datos de entrada para esos dos ejemplos de redes de nivel.

EJEMPLO DE RED DE NIVEL NO PONDERADA , COMPUTOS DE AJUSTE DE

WOLF

MATRIZ A
1.000000 0.000000 0.000000
1.000000 0.000000 0.000000
0.000000 0.000000 1.000000
0.000000 0.000000 1.000000
1.000000 -1.000000 0.000000
0.000000 1.000000 0.000000
0.000000 1.000000 -1.000000
MATRIZ L
105.100000
105.160000
 106.250000
106.130000
.680000
104.500000
-1.700000
MATRIZ DE PESO
1.000 1.000 1.000 1.000 1.000 1.000 1.000
MATRIZ DE ECUACIONES NORMALES
3.000000 -1.000000 0.000000
-1.000000 3.000000 -1.000000
0.000000 -1.000000 3.000000
MATRIZ DE COVARIACION
.380952 .142857 .047619
.142857 .428571 .142857
.047619 .142857 .380952
INCOGNITAS X
105.140900
104.482819
108.187592

RESIDUALES V
.040909
-.019089
-.062408
.057602
-.021919
-.017181
-.004773
DESVIACION ESTANDAR DEL PESO UNITARIO
.050123
DESVIACION ESTANDAR DE VALORES AJUSTADOS
.030938 -.032813 .030938
EJEMPLO DE RED DE NIVEL PONDERADA, COMPUTOS DE AJUSTE DE
WOLF

MATRIZ A
1.000000 0.000000 0.000000
-1.000000 0.000000 0.000000
0.000000 0.000000 1.000000
0.000000 0.000000 -1.000000
-1.000000 1.000000 0.000000
0.000000 1.000000 0.000000
0.000000 -1.000000 1.000000
 MATRIZ L
105.100000
-105.160000
106.250000
-106.130000
-.680000
104.500000
1.700000
MATRIZ DE PESO
3.000 4.000 6.000 4.000 6.000 6.000
MATRIZ DE ECUACIONES NORMALES
13.000000 -6.000000 0.000000
-6.000000 18.000000 -6.000000
0.000000 -6.000000 18.000000
MATRIZ DE COVARIACION
.093333 .035556 .013333
.035556 .077037 .028889
.013333 .028889 .073333
INCOGNITAS X
105.150375
104.489182
106.197189

RESIDUALES V
.050385
.009628
-.052811
-.067184
.018806
-.010818
.008008
DESVIACION ESTANDAR DEL PESO UNITARIO
.107220
DESVIACION ESTANDAR DE VALORES AJUSTADOS
.032756 .029759 .029035

Tarea Autodidáctica Nº 9
1. Resolver el problema 1 del juego de problemas Nº 8 usando métodos
matriciales

2. Resolver problema 2 del juego de problemas Nº 8 usando métodos

matriciales.
 CAPITULO 10

PRECISIONES DE LAS CANTIDADES INDIRECTAMENTE DETERMINADAS

10.1 Desviación estándar del peso unitario

En el artículo 6.6.1, la ecuación (6j) expreso la desviación estándar del peso

unitario como:

S0 
 pv 2

n 1

Sin embargo, esta ecuación se aplica cuando se obtienen observaciones directas

de varios pesos para una sola cantidad. Ahora bien, cuando las incógnitas se
determinan indirectamente, i. e., se determinan de observaciones indirectas que
están relacionadas con las incógnitas deseadas mediante relaciones funcionales
lineales tal como el juego de ecuaciones de observación (8a), entonces la
desviación estándar del peso unitario se da como:

S0 
 pv 2

………………………………………..(10a)
mn

En la ecuación (10a), m es el número de observaciones y, por tanto, el número de

ecuaciones de observación, y n es el número de incógnitas. El denominador (
m  n ) es la redundancia, comúnmente llamado el número de grados de libertad.
Es el número de ecuaciones excesivas de observación; en otras palabras debido a
que n ecuaciones producirían una singular solución para las n incógnitas.

10.2 Desarrollo de la matriz de covariación/covariancia

Es este articulo se desarrollara el significado de la “matriz de covariación”. Dicha

matriz se forma de los coeficientes de las incógnitas en las ecuaciones de
observación. Se utiliza para calcular las desviaciones estándar de los valores
ajustados que se determinan indirectamente y que son funciones de valores
observados.

Considérese un ajuste que involucre ecuaciones de observación ponderadas tales

como aquellas del ejemplo del circuito de nivel presentado en el Artículo 8.3. Tal
enfoque es el método mas común para ajustar circuitos de nivel, resección,
intersección, triangulación, trilateración, poligonales, transformación de
coordenadas y otros ajustes fotogramétricos y geodésicos.
El sistema de las ecuaciones de observación ponderadas se representa en forma
matricial como:

PAX  PL  PV

La solución por mínimos cuadrados de las ecuaciones de observación ponderadas

para los valores X más probables se da por:


X  AT PA 1
AT PL ……………………………………..(10b)

En la ecuación (10b), X es una matriz de los valores mas probables de mínimos

cuadrados para las incógnitas, mientras que los valores verdaderos de las
incógnitas seria la matriz X que tiene componentes diferentes de X por
cantidades pequeñas X , de tal manera que:

X  X  X

Por lo tanto, los valores X son -al parecer- los errores en los valores ajustados de
mínimos cuadrados. Considérese ahora algún pequeño cambio incremental L en
los valores medidos L requeridos para cambiar X a X , de manera tal que la
ecuación (10b) se convierte en:

X  X  AT PA  
1
AT PL  L 

Reduciendo

X  X  AT PA   A
1 T
PL  AT PA 
1
AT PL

Pero de (10b),

X  AT PA 1
AT PL así que


X  AT PA 1
AT PL …………………….(10c)

Reconociendo L como residuales en los valores observados L , la (10c) puede

reescribirse como:


X  AT PA 
1
AT PV
También deje que A T
PA 
1
AT P  B

Luego:

X  BV …………………………………………………….(10d)

Multiplicando ambos lados de la (10d) por sus transpuestas, tenemos:

XX T  BV BV T

De la cual:

X X   BVV T B T ………………………………….(10e)

T

El lado izquierdo desarrollado de la ecuación (10e) es:

 X 2 X 1 X 2 X 1 X 3 X 1 X n 
 1 
 
 X 2 X 1 X 2 X 2 X 3 X 2 X n 
2

 
 
 X 3 X 1 X 3 X 2 X 3 X 3 X n 
2

 
 
 X  X  
T
 …(10f)
 
 
 
 
 
 
 
 
  X n  X 1 X n X 2 X n X 3 X n
2


Y también el lado derecho desarrollado de la (10e) es:

 m m
v v v1 v 2 .......... v1 v m 
 1 1 
 
 v 2 v1 v2 v2 ......... v 2 v m 
 
 
B   BT
 
………………(10g)
nm mn
 
 
 
 
 
 v m v1 vm v2 ......... v m v m 


Supongamos ahora que es posible repetir toda la secuencia de observaciones

muchas veces, digamos a veces. Cada vez ocurre una solución de Mínimos
cuadrados ligeramente diferente produciendo un juego distinto de X .
Promediando todos los juegos, el lado izquierdo de la ecuación (10e) se convierte
en:

n n
   x1 2  x x 1 2  x x
1 n

 , , ..... 
 a a a 
 x x 
 2 1 ,  x
2
2
......... 
 a a 
1
 X X T   ……(10h)
a  
 
 
 
   x n  x1  x
2

 
n
.......... .......... ......
 a a 

Si a es grande, los términos de la matriz (10h) son equivalentes a los productos

de la desviación estándar y esa matriz se puede reescribir como:
 n n
S 2 S1 S 2 ........ S 1 S n 
 1 
 
 S 2 S1 ...... S 2 S n 
2
S2
 
  ……………….(10i)
 
 
 
 
S S SnS2 ....... S n 
2
 n 1 

La matriz (10i) comúnmente se llama matriz de covariación. También al tener en

cuenta a juegos de observaciones, el lado derecho de la ecuación (10g) se
convierte en:

  v1 2 v v 1 2 v v 1 m

 ...... 
 a a a 
 v v
 2 1 v  v 2 v m 
2
2
....
 a a a 
B   B T …………………(10j)
 
 
 
 
  v m v1 v v2  v m 
2


m
......
 a a a 
En la matriz anterior, las v son residuales en cantidades medidas, y debido a que
estos residuales concuerdan con las distribuciones gausianas, probablemente
serán tanto mas como menos. Siendo ese el caso, para un gran valor de a , los
elementos no diagonales van a cero. Reconociendo los términos diagonales como
variaciones de las cantidades observadas, reescribimos la matriz (10j) como sigue:
 S 2 
 1 
 2 
 S2 zeros 
 
B  
2
S3 BT ………………………….(10k)
 
 
 
 
 2
 zeros Sn 


En el Artículo 6.3, se demostró que los pesos de las observaciones son

inversamente proporcionales a las variaciones de las observaciones. Y también,
de la ecuación (6k) en el Artículo 6.6.2, la variación de una observación de peso P
puede expresarse en términos de la variación unitaria para que:

2
S0
Si  ……………………………………………………….(10l)
2

Pi

Al sustituir la ecuación (10l) en la matriz (10k) se produce:

 P 1 .......... ....... 0 
 1 
 1 
 P2 
 
B T  S 0 BP 1 B T
2 2
S0 B   ……………….(10m)
 
 
 
 1 
0 .......... .... Pm 


De (10d), B  AT PA  AT P y, al sustituir en (10m), resulta en:

1

S 0 BP 1 B T  S 0 AT PA
2 2
  1
AT PP 1 P T A AT PA 
1 T
 …………………(10n)

Las ecuaciones normales son simétricas para que:

A PA  
T 1 T

 A T PA 
1
También P T  P ya que es una matriz diagonal; entonces (10n) se reduce a:

2

S 0 A T PA  A1 T

PA A T PA 
1

 S 0 A T PA
2
1
……………………(10p)

La ecuación (10i) es el lado izquierdo de una ecuación en la cual la (10p) es el

lado derecho. Por tanto, la matriz de covariación es igual a la matriz inversa de la
matriz de coeficiente de las ecuaciones normales multiplicada por la variación
unitaria, o:

S X  S 0 A T PA
2 2
 1
 S0 Q
2
……………………………………..(10q)

Cambiando ligeramente la forma de la ecuación (10q), la calculada desviación

estándar S i para cualquiera incógnita, habiendo sido computada de un sistema de
ecuaciones de observación, puede expresarse como:

S Xi  S0 QXi X i ……………………………………………….(10r)

Donde Qij es el elemento diagonal (de la fila i, y de la columna j) de la matriz Q.

Debe notarse que la matriz de covariación es una matriz simétrica; i.e., el

elemento ij = elemento ji. Al reexaminar el método tabular para la formulación de
las ecuaciones normales, ecuaciones (7s) y (7t), es obvia esta simetría de los
coeficientes de las ecuaciones normales.

10.3 Ejemplos Numéricos

Vamos a utilizar los resultados de los ejemplos de las redes de nivel (Artículos 9.2
y 9.4) para ilustrar los cómputos de las desviaciones estándar estimadas, cuando
las incógnitas son funciones indirectamente determinadas de cantidades
observadas. Para el ejemplo no ponderado del Artículo 9.2, la matriz de
covariación es:

8 3 1
 
2  1  
2
S 0 AT A 
1
 S 0   3 9 8
 2l   
1 9 8
 
Utilizando la ecuación (10a), la estimada desviación estándar del peso unitario es:
 S0 
 pv 2

mn

Todos los pesos son iguales para que

 pv  .04   .02   .06  .06   .02   .02   .01

2 2 2 2 2 2 2 2

 pv 2
 0.0101
.0101
Hance, S 0   0.030 ft
73

Ahora bien, por la (10r) las estimadas desviaciones estándar de las elevaciones
desconocidas de las marcas de cota fija (BM), A, B y C son:

8
S A  S 0 Q AA   .05   .031 ft
21
9
S B  S 0 Q BB   .05   .033 ft
21
8
S C  S 0 Q CC   .05   .031 ft
21

Nótese que el listado de la solución de computadora del capitulo 9 contiene la

desviación estándar del peso unitario, la matriz de covariación y las desviaciones
estimadas estándar de las incógnitas.

Considérese el ejemplo ponderado del Artículo 9.4. La desviación estándar del

peso unitario es:

S0 
 pv 2


.0459
 0.107 ft
mn 73

La matriz de covariación se da como:

 .0133 .0333 .0125 
 
2 
2

S 0 A T PA 
1
 S 0 .0332 .0770 .0289 
 
.0133 .0289 .0789 
 
De la cual las desviaciones estimadas estándar de las elevaciones de las BM, A, B
y C son:

S A  S 0 Q AA   .107  .0933   .033 ft

S B  S 0 Q BB   (. 107 ) .0770   .030 ft
S C  S 0 QCC   .107  .0733   .029 ft

Una vez mas llamamos la atención a la solución de computadora del capitulo 9,

para la cual el ejemplo ponderado lista la desviación estándar del peso unitario, la
matriz de covariación y las desviaciones estimadas estándar de las incógnitas. A
propósito, esas desviaciones estándar son desviaciones probables en un 68% y, si
por ejemplo, se desean desviaciones de 90%, esos valores de 68% deberán
multiplicarse por 1.6449, conforme a la ecuación (4u).

10.4 Calculo matricial de desviaciones estándar de funciones lineales de

observaciones independientes

Permítase que X sea alguna función lineal de las observaciones independientes

l i , según se indica en la siguiente ecuación:

X  C11l1  C12 l 2  .......... ......  C1n l n ……………………………..(10s)

Luego, por la ecuación (5d) elevada al cuadrado, la variación de X es:

2 2 2
 dx   dx   dx 
 Sl 1    Sl 2   .......... ...  
2
SX Sl n  ………………….(10t)
 dl 1   dl 2   dl n 

2 2
Donde S X es la variación de la función, y Sl j son las variaciones de las
observaciones independientes.

Puesto que los coeficientes de las variaciones individuales en la (10t) son las
derivadas parciales con respecto a cada observación, estos son sencillamente los
coeficientes lineales de las observaciones. Por tanto, la (10t) puede escribirse en
forma matricial como:

S X  CS 2 C T ………………………………………………..(10u)
2

C11 
 
C
 12 
Donde: C  C11C12 .......... ..C1n  ;
n
CT  
 
 
C 1n 
 

S 2 
 1 
 2 
 S2 zeros 
Y:  

2
SX 
 
 
 
 2
 zeros Sn 


Para ilustrar el procedimiento matricial, consideremos la tarea referente al

problema Nº 2 del Capitulo 5. En dicho problema, AE es análogo a X en la
ecuación (10s) y las cuatro distancias son las l i (las observaciones) que están
relacionadas con X por la función:

AE  d 1  d 2  d 3  d 4

Para resolver ese problema, usamos la (5d) como sigue:

2 2 2 2
 d AE   d AE   d AE   d AE 
S AE         
 dd S d1    dd S d 2   dd S d 3   dd S d 4 
 1   2   3   4 
S AE  1  .08 2  1  .08 2  1  .08 2  1  .08 2
S AE  0.13 ft

Ese problema en forma matricial es:

 A AE  CS 2 C T
2

.06 2 
  1
  
 .08 2  1
S AE  1 1 
2

1 1
  
 .06 2  1
  1


.08 2 
S AE  0.0168 ; S AE   0,13 ft
2
from which
10.5 Correlación entre cantidades ajustadas

En el Artículo 10.2 se mostró que los elemento diagonales de la matriz Q

proporcionan los medios para determinar las precisiones (desviaciones estándar)
de las incógnitas en un problema de ajuste de mínimos cuadrados. La matriz Q
también contiene la información relativa al grado de correlación entre cualquiera
de las incógnitas en un ajuste de mínimos cuadrados. Este grado de correlación
esta contenido dentro de los elementos no diagonales de la matriz Q.

Supóngase que la matriz Q a continuación, se desarrollo como resultado de un

ajuste de mínimos cuadrados involucrando las incógnitas a, b, c, …., n. Se indican
los elementos individuales de la matriz Q como q aa , q ab , etc.

a b c .......... .......... n
a
q q ab q ac .......... ...... q an 
 aa 
 
b  q ba q bb q bc .......... ...... q bn 
 
 q ca q cb q cc .......... ...... q cn 
Q c  
 
 
 
 
 
 
 
n  q na q nb q nc .......... .... q nn 


El coeficiente de correlación brinda la medida de “asociación” o dependencia entre

cualquiera de dos cantidades ajustadas después de un ajuste de mínimos
cuadrados. Se calcula como ejemplo para las incógnitas a y c por la siguiente
ecuación:

cov a , c 
r a ,c   ………………………………………….(10v)
Sa Sc

En la (10v), r a ,c  es el coeficiente de correlación entre las incógnitas a y c; cov a, c 

es la variación unitaria multiplicada por el apropiado elemento de covariación de la
matriz Q (elemento en la fila a , columna c , o fila c , columna a ), S a es la
desviación estándar de la incógnita c . Sustituyendo estos términos en la ecuación
(10v) produce:

2
S 0 q ac
r a ,c   2
S 0 q aa S 0 q cc

Reduciendo nos da:

q ac
r a ,c   ……………………………………………(10w)
q aa q cc

El coeficiente de regresión es otra expresión para la correlación o grado de

dependencia entre incógnitas. Por ejemplo, se calcula para las incógnitas a y c,
por la ecuación siguiente:

Sa r a ,c  S 0 q aa
b a ,c   r a ,c  
Sc S 0 q cc

Sustituyendo la (10w) en la anterior y reduciendo:

q ac
b a ,c   ………………………………………………………..(10x)
q cc

La magnitud de los coeficientes de regresión puede variar entre cero y uno. Un

valor de cero indica cantidades no correlacionadas y sin ninguna asociación entre
las dos incógnitas, y un valor de uno representa una asociación perfecta o total.

El ejemplo de redes de nivel mostrado en la Figs. 10.1 de (a) a (c), sirve para
ilustrar de manera grafica el significado de los coeficientes de correlación y
regresión. La Fig. 10.1 (a) muestra una red de nivel que es simétrica por la línea
VZ. La matriz Q resultante del ajuste de mínimos cuadrados esta a la izquierda de
la figura. Para tal figura fíjese en lo siguiente:

1. Las incógnitas X y V están ubicadas muy cerca de las dos BM (marcas de

cota fija) (Bench marks). Las precisiones con las cuales se determinan sus
elevaciones deberán ser mejores que las precisiones de las otras incógnitas
W, Y y Z. Esto se indica en la matriz Q ya que los elementos q xx y q vv son
los valores diagonales más pequeños en la matriz.

2. La precisión del valor Z deberá ser el mas bajo de las incógnitas ya que es
el mas alejado de las BM. Esto se indica en la matriz Q puesto que el
elemento q zz es el más grande de los términos diagonales.

3. Las precisiones de las incógnitas W y Y deberán ser iguales debido a la

naturaleza simétrica de la geometría de la red. Esto también se indica en la
matriz Q ya que los elementos diagonales q ww y q yy son iguales.

4. Debiera haber una correlación mayor entre las incógnitas V y X de la que

hay entre las incógnitas V y Z, porque están directamente conectadas y
mas juntas. Esto se verifica calculando los coeficientes de regresión para
esas incógnitas usando la ecuación (10x) como sigue:

q vx 0.105
b v , x     0.41
q xx 0.258
q vz 0.117
b v , z     0.22
q xz 0.529

La Fig. 10.1 (b) básicamente es la misma red de nivel que la de la Fig. 10.1 (a),
excepto que algunas de las líneas se han eliminado. La matriz Q obtenida como
resultado de este ajuste de mínimos cuadrados también esta ubicada a la
izquierda de la figura. Nótese por ejemplo que la incógnita V no esta directamente
conectada con ninguna otra incógnita, y por tanto no puede correlacionarse con
ninguna otra incógnita. Esto puede ilustrarse calculando su coeficiente de
regresión con respecto a las otras incógnitas, a saber:

q vx 0.000
b v , x     0.000 , and
q xx 0.318
q vz 0.000
b v , z     0.000
q zz 0.590
Otra vez la Fig. 10.1 (c) es la misma red básica de nivel con aun mas líneas
eliminadas. La matriz Q obtenida de su ajuste de mínimos cuadrados se da a la
izquierda. Adviértase lo siguiente en esa figura:

1. La figura ya no es simétrica y hay mas líneas que van hacia la incógnita W

de las que van a la incógnita Y. Por eso W deberá determinarse a una
mayor precisión que Y. Esto es verdadero ya que el elemento q ww es mas
pequeño (0.440) que el elemento q yy (0.593).

2. La incógnita Z esta directamente conectada con la incógnita X, y cualquier

cambio en elevación que ocurriera a X afectaría directamente la elevación
de Z. En otras palabras, Z depende totalmente de X. Esto deberá producir
un coeficiente de regresión de 1.0 y así sucede según el calculo siguiente:

q zx 0.372
b z , x     1.000
q xx 0.372

V W X Y Z V

.270 .123 .105 .123 .117 

 
 W
.123 .366 .135 .116 .205 
Q 
.105 .135 .258 .135 .176  X
 
.123 .116 .135 .366 .205 
 Y
 
.117 .205 .176 .205 .529 

Z
 V W X Y Z V

.500 .000 .000 .000 .000 

 
 W
.000 .484 .181 .151 .272 
Q 
.000 .181 .318 .181 .227  X
 
.000 .151 .181 .484 .272 
 Y
 . 
.000 .272 .227 .272 .590 

Z

V W X Y Z V
.322 .152 .145 .067 .135 
 
 W
.152 .440 .169 .084 .169 
Q 
.135 .169 .372 .186 .372  X
 
.067 .084 .186 .593 .186 
 Y
 
.135 .169 .372 .186 1 .372 

Z

Fig. 10.1 Ejemplos de Correlaciones

10.6 Desviaciones estándar de funciones de cantidades correlacionadas que

son funciones de observaciones independientes

Consideremos el caso de las cantidades correlacionadas; i.e., cantidades

relacionadas a través de funciones lineales a las observaciones. Como un simple
ejemplo de ello, considérese la Fig. 10.2, en donde las distancias desconocidas
X 1 y X 2 pueden expresarse en términos de las tres observaciones  l1 , l2 , l 3  a
 
saber:
 X 1  l1  l 3
X 2  l1  l 2

Claramente, las cantidades X 1 y X 2 están correlacionadas pues un cambio en l1

afectaría a X 1 y a X 2 .

Vamos a considerar el caso general del cómputo estimado de las desviaciones

estándar de las funciones de cantidades correlacionadas. Representemos un
sistema de cantidades correlacionadas como sigue:

X 1  a11l1  a12 l 2  .......... ...  a1m l m

X 2  a 21l1  a 22 l 2  .......... ..  a 2 m l m

…………………………….(10y)

X n  a n1l1  a n 2 l 2  .......... ..  a nm l m

En donde se dan las variaciones en las observaciones y forman la matriz

siguiente:
m m
S 2 
 l1 
 
 S l22 
S 2  
=  
mm  
 
 
 2

 S lm 

Por la ecuación (10u), las variaciones y covariaciones (la matriz de covariación)
son:
 S X2  CS 2 C T …………………………………………….(10z)

n m
 dX 1 dX 1 dX 1 
 dl .......... .
dl 2 dl m 
 1 
 dX 2 dX 2 dX 2 
 .......... 
 dl 1 dl 2 dl m 
Donde C =  
 
 
 
 
 dX n dX n
..........
dX n 
 dl dl m 
 1 dl 2

Supóngase ahora que deseamos encontrar la variación de alguna función de las

incógnitas X , como por ejemplo f  x   X 1  X 2  ........  X n . La función puede
representarse en forma matricial como:

n1
X1 
 
X 2 
1
1 n  
f x   1 ....... 1    FX
 
 
 
 
 X n 

2
Reconociendo las matrices S X y F como análogas a las matrices S y C ,
respectivamente, en (10z), sÍguese lógicamente que la matriz de covariación de la
función f  x  se da por:

S F  FS X F T  FCS 2 C T F T ……………………………(10aa)
2 2

La ecuación (10aa) puede usarse para hallar la variación, y de allí, la desviación

estándar estimada de cualquiera función de las incógnitas. Como ejemplo,
deseamos conocer la variación (y la desviación estimada estándar) para la
diferencia entre las elevaciones de las BM A y B, del ejemplo de la red de nivel no
ponderada en el problema de Articulo 9.2. La función que relaciona la diferencia
en elevación de las BM A y B es:
 f x  A  B
Luego por la (10z) la variación de f  x  es:

S A  B  FCS 2 C T F T  FS X F T
2 2

13
F  1 1 0
 

De (10q): S X  S 0 Q
2 2

2
De la solución por computadora: S X es:

8 3 1 
1  
S 0 2Q    .050 
2
3 9 3 
21  
1 3 8 
 
Entonces
8 3 1 
 .05 
2   1 
S A  B 2  1  1 0  3 9 3    1
  21   
1 3 8   0 
 
 .05 
2
2  .0275
S A B  11 
21 21
Desde que S A  B  .0275   .036ft
21

La interpretación de este computo es que hay un 68% de oportunidad que las

elevaciones de A y B estén relativamente correctas a poco de  .036 de pie. Es
fácil ahora proyectar este tipo de solución del problema hacia otros enfoques
aparentemente mas útiles. Supóngase, por ejemplo, que en un ajuste de
triangulación se calculan las coordenadas X y Y de los puntos A y B, y que ya
existe una matriz de covariación para ese ajuste. Uno podría entonces aplicar la
ecuación (10aa) para calcular la desviación estándar estimada de la longitud de la
línea AB. Esto se efectuaría relacionando la longitud AB con las incógnitas como:

f  x   AB   X a  X b 2  Ya  Yb 2 …………………….(10ab)

Luego se obtiene la matriz F de los coeficientes lineales para utilizar la ecuación

(10aa), tomando las derivadas parciales de la (10ab) y aplicando la serie de Taylor
para linealizar la ecuación.

Tarea Autodidáctica Nº 10

1. Calcular las desviaciones estándar estimadas para las elevaciones

ajustadas de BM de los problemas de las tareas 8-1 y 8-2.
2. Calcular la desviación estándar estimada de la diferencia en elevaciones
ajustadas para la BM1 y BM2 del problema en la tarea 8-1.
3. Calcular la longitud ajustada AD y la desviación estándar estimada de la
longitud ajustada AD en el croquis a continuación, conociendo lo siguiente:
(considerar pesos iguales).

Observaciones de longitud
Medición Valor
L1 100.00
L2 200.00
L3 300.00
L4 99.92
L5 200.04
L6 299.96
 CAPITULO 11
AJUSTE DE LA TRILATERACION

11.1 Introducción

La técnica de la extensión del control de trilateración se ha hecho sumamente

popular en la ultima década. La invención y perfeccionamiento de los equipos
electrónicos para medir distancias (EDME), han sido responsables por esa enorme
popularidad. El EDME ha hecho posible la rápida y extremadamente precisa
medición de líneas. La longitud o extensión de la línea tiene poco efecto sobre el
tiempo y dificultad de una medición, ya que líneas de hasta 50 millas o mas se
miden fácilmente con el equipo terrestre EDME que funciona transmitiendo
energía electromagnética. Los cursos sobre agua o terreno abrupto/irregular se
miden con comodidad. Es pues importante que se dedique bastante tiempo al
tema del ajuste de trilateración de mínimos cuadrados en un texto moderno sobre
ajustes de levantamientos. En esta sección en particular, vamos a considerar el
ajuste por el método de la ecuación de observación, con cómputos efectuados en
un sistema de coordenadas rectangulares planas tal como los Sistemas de
Coordenadas Planas Estatales.

11.2 La ecuación de observación de distancia básica

En el Articulo 3.2.4, se presento la siguiente ecuación de observación de la

distancia básica:


Lij  V Lij   X j  X i   Y j  Yi 
2 2
 1
2
………………………..(11a)
Xu  Xa   Yu 0  Y a 
Lau  AU 0   V Lau   0  dX u     dY u 
 AU 0   AU 0 
Xu  Xb   Yu 0  Yb 
Lbu  BU 0   V Lbu   0  dX u     dY u 
 BU 0   BU 0 
Xu  Xc   Yu 0  Y c 
Lcu  CU 0   V Lcu   0  dX u     dY u 
 CU 0   CU 0 
……………….(11c)
donde : AU 0  X u0  Xa   Y
2
u0 
 Ya
2

BU 0  X u0  Xb   Y
2
u0 Y  b
2

CU 0  X u0  Xc   Y
2
u0 Y  c
2
 Lau , Lbu y Lcu son las distancias observadas

Y X u0 y Yu 0 son aproximaciones iniciales de las coordenadas del

Punto U obtenidas de dos de las distancias observadas.

El anterior sistema de ecuaciones de observación lineal puede expresarse en

forma matricial como:

AX  K  V

Donde:

A es la matriz o coeficientes de las incógnitas.

X es la matriz o las correcciones desconocidas dX u y dYu .
K es la matriz de las constantes; i.e., las longitudes medidas menos
las longitudes computadas de las coordenadas aproximadas iniciales.

Y: V es la matriz de residuales en las longitudes medidas.

Las correcciones más probables dX u y dYu , y por eso las coordenadas más

probables X u y Yu pueden calcularse aplicando la ecuación matricial de

mínimos cuadrados. Considerando pesos iguales para las observaciones, la
ecuación es:

X  AT A 
1
AT K

11.4 Ejemplo numérico

Para aclarar el procedimiento computacional, se presenta el ejemplo numérico

para la Fig. 11.1. Supóngase que las distancias medidas AU, BU y CU son
6049.00, 4736.83 y 5446.49 pies, respectivamente. Las coordenadas de los
puntos de control son:

X a  865 .40 X b  2432 .55 X c  2865 .22

Ya  4527 .15 Yb  2047 .25 Yc  27 .15

Solución

A. PRIMERA ITERACION

1. Calcular las aproximadas iniciales para X u 0

y Yu 0
a. Calcular el acimut AB

X  Xa 
Az AB  180 º  tan 1  b 
 Yb  Ya 
 2432 .55  865 .40 
Az AB  180 º  tan 1    180 º  tan 1  .631940 
 2047 .25  4527 .15 
Az AB  180 º 32 º17 '26"
Az AB  147 º 42 '34"

b. Calcular longitud AB

 AB 2   X b  X a 2  Yb  Ya 2

AB  2432 .55  865 .40   2047 .25  4527 .15 
2 2

1
2
 2933 .58 ft

c. Calcular acimut AU 0

De la ley de cosenos: c 2  a 2  b 2  2ab cos C

6049 .00 2  4736 .83 2  2933 .58 2

cos UAB 
26049 .00 2933 .58 

UAB  50 º 6'50"
Az AU 0  147 º 42 '34"50 º 6'50"  97 º 35 '44"

d. Calcular X u 0
y Yu 0

latAU 0  6049 .00 cos 97 º 35 '44"  799 .56 ft

Yu 0  4527 .15  799 .56  3727 .59
DepAU 0  6049 .00 sin 97 º 35 '44"  5995 .93 ft
X u 0  865 .40  5995 .93  6861 .33
2. Calcular AU 0 , BU 0 , CU 0

AU 0 y BU 0 son exactamente iguales a las distancias medidas ya que

X u0 y Yu 0 se calcularon de estos valores medidos.

Por tanto:
AU 0  6049 .00 BU 0  4736 .83


CU 0  6861 .33  2865 .22   3727 .59  27 .15 
2 2
 1
2
 5446 .29 ft

3. Formular las matrices

a. La matriz A

De las ecuaciones de observación (11c) pueden simplificarse como

sigue:
a11 dX u  a12 dY u  K 1  V1
a 21 dX u  a 22 dY u  K 2  V 2
a 31 dX u  a 32 dY u  K 3  V 3

Donde:

6861 .33  865 .40  3727 .59  4527 .15 

a11   0.991 a12   0.132
6049 .00  6049 .00 
6861 .33  2432 .55  3727 .59  2047 .25 
a 21   0.933 a 22   0.354
4736 .83  4736 .83 
6861 .33  2865 .22  3727 .59  27 .15 
a 31   0.735 a 32   0.680
5446 .29  5446 .29 

Esos elementos de la matriz A pueden obtenerse dentro de una

satisfactoria exactitud mediante el cuidadoso trazado de la figura, luego
se hace el cambio usando una constante en los numeradores delta X y
delta Y, y empleando las distancias observadas en los denominadores.

b. La matriz K
K 1  6049.00  6049.00  0.00
K 2  4736.83  4736.83  0.00
K 3  5446.49  5446.29  0.20
 Normalmente la matriz K no se puede cambiar usando una constante,
sino mas bien tiene que ser cuidadosamente computada.

c. Las matrices X y V
v au 
 dX u   
X   V  v bu 
 dY u  v cu 
4. La solución matricial usando la ecuación (9b) de mínimos cuadrados no
ponderados:


X  AT A 1
AT K
 0 .991  0 .132 
 0 .991  
0 .933 0 .735   
A A
T  0 .933 0 .354 
 
  0 .132 0 .354 0 .680  
 
 0 .735 0 .680 
 
 2.391 0 .699 
A A
T 
 
 0 .699 0 .603 

  0 .699 
1  0.603
A A 
T 1
 
0 .95   0 .699 
2 .391 
 
 0 .991 0 .933 0 .735   0 .00 

A K 
T     0 .147 
  0 .136 
 0 . 00
  0.132 0 .354 0 .680   0 .20   
 
  0 .699   0 .147    .006 
1  0 .603 
X  
0 .95   0 .699  
 2 .391   0 .136    .234 


Las coordenadas revisadas de U son:

X u  6861 .33  .006  6861 .324

Yu  3727 .59  .234  3727 .824
 SEGUNDA ITERACION

1. Calcular AU 0 , BU 0 , CU 0


AU 0  6861 .324  865 .40   3727 .824  4527 .15 
2 2
 1
2
 6048 .968

 6861 .324  2432 .55   3727 .824  2047 .25   1

 4736 .915
2 2 2
BU 0

 6861 .324  2865 .22   3727 .824  27 .15   1

 5446 .451
2 2 2
CU 0

2. Formular las matrices

Con estos pequeños cambios en las longitudes, la matriz A (a3 lugares)

no cambia. Por tanto, AT A tampoco cambia
1

K 1  6049 .00  6048 .968  0 .032

K 2  4736 .83  4376 .915   0 .077
K 3  5446 .49  5446 .451  0 .039

3. La solución matricial

.735  
 .991 .933 .032 
A K 
T    .077     .011 
    
  .132 .354 .680  .039    .005 
 
  .699    .011    .003 
1  .603 
X  
0.95   .699  
 2.391    .005    .004 


Las coordenadas revisadas de U son:

X U  6861 .324  .003  6861 .321

YU  3727 .824  .004  3727 .820

Se indica la convergencia satisfactoria por el muy pequeño tamaño de las

correcciones computadas en la segunda iteración. Habiendo calculado las
coordenadas mas probables, se pueden calcular los residuales y las longitudes
ajustadas, seguidos de cálculos para la desviación estándar del peso unitario y las
desviaciones estándar de las coordenadas ajustadas y de las longitudes medidas.

11.5 Manteniendo fijas las coordenadas de estación de control en un ajuste

de trilateración

Como se indico en el Articulo 11.3 y se demostró en el ejemplo numérico del 11.4,

las coordenadas X y Y de las estaciones de control pueden fácilmente mantenerse
fijas en un ajuste. Esto se logra asignando valores de cero a sus términos dX y dY
y, por esto, esos términos se eliminan o retiran de las ecuaciones. Nótese que en
cada ecuación de observación del ejemplo numérico en el Articulo 11.4, solo
aparecen dos incógnitas ya que en cada caso un extremo de aquellas líneas era
una estación de control y, por tanto, se mantuvo fija.

11.6 Manteniendo fijas las direcciones en un ajuste de trilateración

Hay dos métodos básicos para mantener fijas las direcciones. Tales son: (a) el
método de ejes provisionales y (b) el método tangencial.

11.6.1 método de ejes provisionales

En este método se puede adoptar un sistema de ejes provisionales del ajuste X-Y,
en el cual al eje Y se le asigna que coincida con la línea cuya dirección ha de
mantenerse fija. Entonces la dirección se mantiene dando a los dX para esa línea,
valores cero.

El procedimiento se ilustra en la Fig. 11.2 donde el cuadrilátero trilaterado ABCD

ha de ajustarse con las coordenadas E a y N a de la estación de control A
manteniéndose fijas, y con la línea AB fija en dirección. En este ejemplo, EN es el
sistema axial de las coordenadas terrestres.
Las coordenadas de A pueden mantenerse fijas, sencillamente usando
coeficientes de cero para todos los términos dX a y dY a en las ecuaciones de
observación. El acimut de AB se mantiene fijo usando un sistema de eje
provisional X-Y que coloca el origen en A y el eje Y coincide con AB. No se
permite ningún desvío en X en el punto B, que mantiene la dirección AB, y esto se
hace cumplir en los cálculos dando a todos los términos dX b coeficientes de cero.
El ajuste se efectúa en el sistema de ecuaciones provisionales y después del
ajuste, las coordenadas se devuelven al sistema N-E mediante una transformación
de coordenadas (véase Capitulo 16).

Las matrices para este ajuste se formularían como sigue:

Matriz A

unknown dY b dY c dX c dY d dX d
distance
Yb  Y a
AB 0 0 0 0
AB
Yc  Y a Xc  Xa
AC 0 0 0
AC AC
Yd  Ya Xd  Xa
AD 0 0 0
AD AD
 Yb  Y c Y c  Yb Xc  Xb
BC
BC BC BC
Yb  Yd Yd  Yb Xd  Xb
BD 0 0
BD BD BD
Yc  Y d Xc  Xd Y d  Yc Xd  Xc
CD 0
CD CD CD CD

Con excepción de X a y Ya , todas las coordenadas dentro de esta matriz son

aproximaciones iniciales, y todas las distancias se deducen de esas coordenadas.

Matrices K, X y V

 AB   AB 0 
61 61
51 V ab 
   dY b   
 AC   AC 0    V ac 
 AD   AD 0   dY c  V ad 
K   X   dX c  V  
 BC   BC 0    Vbc 
 BD   BD    dY d  V 
 0
  dX   bd 
 d
CD  CD 0  V cd 

11.6.2 Método tangencial

Según muestra la Fig. 11.3, si la dirección de una línea IJ se mantiene fija,

entonces la posición de J ' se restringe/limita para moverse linealmente a lo largo
de IJ como resultado del ajuste.

Considerando el punto J de la figura, si se mueve a J ' después del ajuste,

entonces la relación entre el acimut de IJ y dE j , y dN j es:

dE j  dN j tan  ……………………………….(11d)
La relación expresada en la ecuación (11d) puede cumplirse en un ajuste, de ahí
manteniendo la dirección fija. Este método tiene la ventaja de que el ajuste puede
efectuarse directamente en el sistema original de coordenadas sin girar o alternar
en el sistema provisional de coordenadas descrito en la sección 11.6.1.

Para el problema de la Fig. 11.2, usando la ecuación prototipo (11b), resulta la

siguiente ecuación de observación para la distancia medida AB: (nótese que el
punto A ha de mantenerse fijo y, por esto, los coeficientes para el extremo  de
AB son cero).
 Eb  E a   Nb  Na 
K L  VL   0
 dE b  
0
 dN b ………………………(11e)
  AB 0    AB 0 
ab ab

Ahora basándose en la (11d), puede escribirse la siguiente relación para la línea

AB:

dE b  dN b tan  …………………………………………………….(11f)

Sustituyendo (11f) en (11e):

 Eb  E a   N b0  N a 
K Lab  V Lab   0  b
dN tan     dN b ……………..(11g)
  AB 0    AB 0 
Descomponiendo en factores dN b en la ecuación (11g), resulta la ecuación de
observación final:

 
 E b  E a tan   N b0  N a 
K Lab  V Lab   c  dN b ……………………(11h)
  AB  0 

Siguiendo este mismo principio, se determinan los coeficientes de dN b en las

ecuaciones de observación para las líneas medidas BC y BD.

A continuación, el método a fin de calcular las matrices para el ajuste de la Fig.

11.2, usando el método de tangente para mantener fija la línea AB en dirección.

Matriz A

Unknow
n dN b dN c dE c dN d dE d
Distanc
e
Eb  E a  tan   N b  N a 
AB AB 0 0 0 0

Nc  Na Ec  Ea
AC 0 AC AC 0 0

Nd  Na Ed  Ea
AD 0 0 0
AD AD
Eb  E d  tan   N b  N d  Nc  Nb Ec  Eb
BC BC BC BC 0 0

Eb  E d  tan   N b  N d  Nd  Nb E d  Eb
BD 0 0
BD BD BD
Nc  Nd Ec  Ed
Nd  Nc Ed  Ec
CD 0 CD CD
CD CD
Con excepción de las coordenadas de control E a y N a , todas las coordenadas
dentro de la matriz son aproximaciones iniciales, y todas las distancias se deducen
de las coordenadas aproximadas iniciales.

De este ejemplo, las matrices K, X y V son:

V Lab 
 
 AB  ( AB ) o   
 AC  ( AC ) o   dNb 
 dNc  V Lac 
   
 AD  ( AD ) o   
K  X   dEc  V Lad 
 V  
 BC  ( BC ) o   
 dNd  V Lbc 
 BD  ( BD ) o   
   dEd 
CD  (CD ) o   
V Lbd 
 
V Lcd 
 

11.7 Ejemplo en la formulación de un coeficiente matricial generalizado

para una red más compleja.

Supóngase que tenemos una red trilaterada en la cual se han medido todas las
líneas de la Fig. 1.4, excepto por AC. Digamos que la línea AC es una línea de
control ; i.e., las coordenadas de Ay C están fijadas.

Para esta red hay 10 observaciones y 8 incógnitas. Los puntos A y C en la red

pueden mantenerse fijos dando a los términos dXa, dYa, dXc y dYc, coeficientes
cero. Por ende, se retiran esos términos de la solución. La matriz de coeficientes
formulada de la ecuación prototipo (11b) tendrá elementos sin cero según se
indica por las x, como sigue:

distancia
dYb dXa dYd dXd dYe dXe dYf dXf
desconocida
AB x x 0 0 0 0 0 0
AE 0 0 0 0 x x 0 0
BC x x 0 0 0 0 0 0
BF x x 0 0 0 0 x x
BE x x 0 0 x x 0 0
CD 0 0 x x 0 0 0 0
CF 0 0 0 0 0 0 x x
DF 0 0 x x 0 0 x x
 DE 0 0 x x x x 0 0
EF 0 0 0 0 x x x x

11. 8 Programa general de computadora para el ajuste de la trilateración por

mínimos cuadrados.

Se brinda en el apéndice C un programa general de computadora para efectuar

ajuste de trilateración por el método de mínimos cuadrados. El programa está
diseñado para acomodar figuras o redes de cualquiera configuración geométrica.
Con los datos correctamente ingresados en la computadora, el programa calculará
las aproximaciones iniciales para las coordenadas de todas las estaciones
desuncidas, y formulará todas las matrices necesarias para el ajuste. Luego
realizará el ajuste en el modo no ponderado o ponderado, según se desee.
Imprimirá los datos de entrada, las matrices, las coordenadas ajustadas y sus
desviaciones estándar, la desviación estándar del peso unitario y las ajustadas
longitudes de líneas con sus errores residuales.

11.9 Solución computarizada de un ejemplo de cuadrilátero trilaterizado se

ha ajustado el cuadrilátero ilustrado en la Fig. 11.5 usando el programa de
computadora del apéndice C.
En este problema, los puntos Bucky y Badger son estaciones de control y cuyas
coordenadas se mantienen fijas; por tanto la dirección de la línea Bucky-Badger
también se mantiene fija. Las 5 distancias observadas son:

LINEA LONGITUD OBSERVADA (PIES)

Badger - Wisconsin 5.870,30
Badger - Campus 7.297,59
Wisconsin - Campus 3.616,43
Wisconsin - Bucky 5.742,88
Campus - Bucky 5.123,76

Las coordenadas de control de la estación Badger son X = 10.000 y Y= 10.000, y

las de Bucky son X= 11.820 y Y = 6.881.222.

El Apéndice C ofrece una detallada descripción de la manera como se la da

entrada a los datos en la computadora para este problema. En las páginas
siguientes se lista la salida de computadora. En la página 168, se lista la
información de entrada. Esto es muy aconsejable en trabajos con computadoras
para asegurarse de recibir los correctos datos de entrada por la computadora. Las
páginas 169, 170 y 171 listan las matrices generadas por la computadora en cada
una de las tres iteraciones que se requirieron para lograr la convergencia. Nótese
en particular en esas páginas lo siguiente:
1. Las incógnitas (valores en la matriz X) se hacen progresivamente pequeñas
con cada iteración. En la tercera iteración, son extremadamente pequeñas, lo
que indica que en verdad la convergencia ha sido logrado.

2. Los coeficientes en la matriz A cambian muy poco, puesto que se

derivan/deducen de las coordenadas iniciales cuyos valores sólo cambian por
cantidades pequeñas con cada iteración.

3. Los valores de la matriz L en la última iteración son exactamente iguales a los

residuales de las líneas medidas. (Véanse los residuales en la Pág. 172).

La última página de la salida lista las coordenadas ajustadas X y Y de las

estaciones, la desviación estándar del peso unitario, las desviaciones estándar de
las coordenadas ajustadas, las longitudes de las líneas ajustadas y sus residuales.

La matriz Q se listó en la última iteración. Esto se necesita para calcular las

desviaciones estándar de las coordenadas ajustadas usando la ecuación (10r).
También se necesita para calcular las elipses de error; esto se discute en el
Capítulo 17, y en el Artículo 17.3.1, las elipses se calculan para este cuadrilátero.

EJEMPLO DE CUADRILATERO TRILATERIZADO, COMPUTOS DE

AJUSTE DEWOF

NUMERO DE ESTACIONES NUEVAS = 2

NUMERO DE DISTANCIAS MEDIDAS = 5

NUMERO DE PUNTOS DE CONTROL EN LA RED = 2

LONGITUDES Y ANGULOS PRELIMINARES PARA CALCULAR

APROXIMACIONES INICIALES.

LONGITUD ANGULO
5870 80 0 0.000
3616 82 0 0.000

COORDENADAS FIJAS Y APROXIMACIONES INICIALES

 ESTACION X Y
BADGER 10000 10000
WIS 15780.621 11019.319
CAMPUS 1698.231 7580.3
BUCKY 11820.756 6881.222

DATOS DE ENTRADA

LINEA LONGITUD
BADGER - WIS 5870.302
BADGER - CAMPUS 5871.302
WIS - CAMPUS 5872.302
WIS - BUCKY 5873.302

LA MATRIZ A

 0 .98481 0 .00000 0 .17365 0 .00000 

 0 .00000 0 .94363 0.00000  0 .33100 
 
  0 .30902 0 .030902 0.95106  0 .95106 
 
 0 .69139 0 .00000 0 .72248 0 .00000 
 0 .00000 0 .99065 0.00000 0 .13640 

LA MATRIZ L

│ 0.30200  12 .71572 0.43400 15 .22937  1.61452 │

LA MATRIZ X

│ -0.09985 -4.96800 25.00019 24.26058 │

LA MATRIZ A

 0 .98405 0.00000 0 .17790 0.00000 

 0.00000 0.94459 0 .00000  0.32825 
 
  0 .30874 0.030874 0.95115  0.95115 
 
 0.68884 0.00000 0.72491 0.00000 
 0.00000 0.98999 0 .00000 0.14117 
LA MATRIZ L

│  0.5635  0.2848  0.00129  0.03378  0.06457 │

LA MATRIZ X

│ -0.04630 -0.04970 -0.01519 -0.02065 │

LA MATRIZ A

 0 .98405 0.00000 0 .17790 0.00000 

 0.00000 0.94459 0 .00000  0.32825 
 
  0 .30874 0.030874 0.95115  0.95115 
 
 0.68884 0.00000 0.72491 0.00000 
 0.00000 0.98999 0 .00000 0.14117 

LA MATRIZ L

│  0.0809  0.01169  0.00544  0.00912  0.00946 │

LA MATRIZ X

│ -0.00000 0.00000 0.00000 0.00000 │

LA MATRIZ Q
 1.19891 0.09946 1.16024 1.40248 
 0.09946 0.58294 0.19326 0.45964 
 
 1.16024 0.19326 2.63389 2.72503 
 
 1.40248 0.45964 2.72503 3.96217 
COORDENADAS AJUSTADAS Y DESVIACIÓN ESTANDAR

ESTACIÓN X SX Y SY
BADGER 10000 0 10000 0
WIS 15776.675 0.022 11044.304 0.022
CAMPUS 16893.213 0.015 7604.54 0.015
BUCKY 11820.756 0 5881.222 0

DESVIACIÓN ESTANDAR DEL PESO UNITARIO= 0.020 DE PIE

LONGITUDES AJUSTADAS Y RESIDUALES

 LINEA LONGITUD RESIDUAL (PIES)
BADGER - WIS 5870.31 0.008
BADGER - CAMPUS 7297.576 -0.012
WIS - CAMPUS 3616.439 0.005
WIS - BUCKY 5742.869 -0.009
CAMPUS - BUCKY 5123.769 0.009

11.10 Solución por computadora de un complejo problema de trilateración.

La compleja red de trilateración de la Fig. 11.6 también ha sido ajustada usando el

programa de computadora del Apéndice C. Los detalles para proporcionar los
datos de entrada a la computadora se describen en dicho apéndice.

Después de la Fig. 11.6 hay tres páginas que dan los listados de salida de la
solución por computadora. Las páginas 175 y 176 listan los datos de entrada, y la
página 177 de los datos que resultan del ajuste. Se requirieron cuatro iteraciones
para lograr la convergencia. No se han incluido en este listado las páginas
intermedias que listan las matrices para cada iteración. El costo total por el tiempo
de computadora para este problema fue de 0.76 centavos.
EJEMPLO DE TRILATERACION, COMPUTOS DE AJUSTE DE WOLF

NUMERO DE ESTACONES NUEVAS = 5

NUMERO DE DISTANCIAS MEDIDAS = 17
NUMERO DE PUNTOS DE CONTROL EN LA RED = 4

LONGITUDES Y ANGULOS PRELIMINARS PARA CALCULAR

APROXIMACIONES INICIALES.

LONGITUD ANGULO
16353 26 30 0
10993 11 30 0
34955 120 0 0
14469 -170 -15 0
22939 43 0 0

COORDENADAS FIJAS Y APROXIMACIONES INICIALES

ESTACIÓN X Y
LUU 833766.69 454925.95
PAUL 841063.359 469560.813
RAM 847831.323 478223.418
TOM 860925.742 445813.724
JIM 857855.7 459953.272
BILL 869584.246 479667.199
PAT 830040.4 467467.97
JHON 886672.11 473334.4
TIM 887981.23 453589.28

DATOS DE ENTRADA
 LINEA LONGITUD CODIGO
PAUL - BILL 30319.17 0
RAM - TOM 34954.73 0
PAUL - TOM 31376.2 0
PAUL - JHON 45986.22 2
PAUL - RAM 10992.63 0
LUU - PAUL 16353.41 1
TOM - JHON 39446.64 2
BILL - JHON 17445.22 2
TOM - TIM 29712.49 2
PAT - TOM 37437.93 1
TOM - BILL 35162.5 0
BILL - TOM 35162.49 0
LOU - BILL 43007.65 1
BILL - PAT 41305.83 2
TOM - JIM 14168.7 0
PAUL- JIM 19896.23 0
BILL - JIM 22939.17 0

COORDENADAS AJUSTADAS Y DESVIACINES ESTANDAR

ESTACIÓN X SX Y SY
LOU 833766.69 0 45925.95 0
PAUL 840831.926 0.175 469674.295 0.231
RAM 848382.302 0.403 477663.646 0.282
TOM 859667.382 0.171 444580.718 0.198
JIM 857555.236 0.312 458894.734 0.261
BILL 869923.518 0.155 478214.199 0.248
PAT 830040.4 0 467467.97 0
JHON 886672.11 0 473334.4 0

DESVIACIÓN ESTANDAR DEL PESO U NITARIO= 0.249 DE PIE

LONGITUDES AJUSTADAS Y RESIDUALES:

 LINEA LONGITUD RESIDUAL (PIES)
PAUL - BILL 30319.148 -0.022
RAM - TOM 34954.73 0
PAUL - TOM 31376.137 -0.063
PAUL - JHON 45986.072 -0.148
PAUL - RAM 10992.63 0
LUU - PAUL 16353.325 -0.085
TOM - JHON 39446.541 -0.099
BILL - JHON 17445.993 -0.227
TOM - TIM 29712.425 -0.65
PAT - TOM 37437.739 -0.191
TOM - BILL 35162.471 -0.029
BILL - TOM 35162.471 -0.019
LOU - BILL 43007.66 0.01
BILL - PAT 41305.503 -0.327
TOM - JIM 14168.008 0.308
PAUL- JIM 19896.432 0.202
BILL - JIM 22939.402 0.232

Tarea autodidáctica No. 11

1) Reconociendo los siguientes valores medidos para las líneas en el croquis:

Las coordenadas de control de A; B y C son:

 PUNTO X Y
A 0 0
B 1000 0
C 0 1000

Calcular las coordenadas ajustadas del punto X y la desviación estándar en estas

coordenadas.

2) Conociendo los siguientes valores medidos para las líneas en el croquis:

En el ajuste, mantener fijas las coordenadas de A en Xa = 10.000 y Ya = 10.000, y

mantener fija la dirección de la línea AB en un acimut desde el norte de 30º0’00”.
Calcular las coordenadas ajustadas de los puntos B, C y D, y las desviaciones
estándar de esas coordenadas.
 CAPITULO 12
AJUSTE DE LA TRIANGULACION

12.1 Introducción

La triangulación es un método de extensión del control horizontal en el cual las

mediciones de ángulos son las observaciones básicas. Luego se computan las
posiciones de los puntos extensivamente espaciados basados en los ángulos
medidos, y sólo a un número mínimo de distancias medidas se les llaman Líneas
Base. Se toman todas las precauciones posibles en las mediciones de las líneas
base para asegurarse de su óptima precisión. Antes de advenimiento del EDME,
con frecuencia la triangulación era el método más conveniente, económico y
preferido para extender el control horizontal básico.

Fue el método usado por el Servicio Geodésico y de Costas de EE.UU. para

extender mucha de la red nacional. Hoy día, la triangulación continúa siendo
popular con muchos agrimensores.
El ajuste de triangulación por mínimos cuadrados puede efectuarse por
ecuaciones de condición, ecuaciones de observación de dirección o ecuaciones
de observación de ángulos. En esta sección, consideraremos la triangulación por
el método de la ecuación de observación de ángulos mediante mínimos
cuadrados. Los cómputos se harán en un sistema de coordenadas rectangulares
planas tal como los Sistemas de Coordenadas Planas Estatales. Los tipos
específicos de triangulación que se tratarán son intersección, resección y la
tradicional triangulación cuadrilateral.

12.1 La ecuación básica de observación de ángulos.

En el artículo 3.2.5 se presentó la siguiente ecuación básica de observación de

ángulos:

 Yj  Yi   Yk  Yi 
jik  V jik  tan 1    tan 1  .......( 12 a )
 Xj  Xi   Xk  Xi 

En el procedimiento para linearizar esta ecuación no lineal por el teorema de

Taylor también se presentó en el 3.2.5. Lo siguiente es la ecuación de
observación lineraizada final para un ángulo observado:

Kjik  Vjik  Yj o  Yi o
2

Yk o  Yi o 
2 
 Xi o  Yj o Yi o  Yk o 
dXi   2
  dYi
 ( IJ o ) ( Ik o )   ( IJ o ) ( Ik o ) 2 
  Yi o  Yj o   Xj o  Xi o   YK o  Yi o   Xi o  Xk o 
 2 
dXj   2 
dYj   2 
dXk   2 
dYk .......( 12 b )
 ( IJ o )   ( IJ o )   ( IK o )   ( IK o ) 

En las ecuaciones (12ª) y 12b), los símbolos se definen como en el Artículo 3.2.5.
La ecuación (12b) se derivó para un ángulo en el primer cuadrante según se
muestra en la Fig. 3.2. En la fig. 12.1 se muestran las doce posibles
combinaciones de cuadrantes para ángulos inferiores a 180º.

La ecuación (12b) se aplica exactamente a los ángulos de la Fig. 12.1 de (g) a (1),
excepto que K jik se calcula como sigue:

K jik  jik  (180 º ojik )......... .......... ....(12 c)

Al formular ecuaciones de observación que de ángulos, I siempre se le asigna a la
estación que es el vértice del ángulo. Considerando a los ángulos girados el
dextrorso, la estación J es la estación vista atrás y la estación K es la de vista
adelante. Esta designación de estaciones debe mantenerse fielmente para formar
las ecuaciones de observación de la ecuación prototipo (12n). El procedimiento se
demuestra en el ejemplo numérico del Artículo 12.4.
12.2 Ajuste de las intersecciones.

La intersección es uno de los métodos más sencillos y prácticos para localizar la

posición horizontal de un punto ocasional aislado, si tal punto es visible desde dos
o más estaciones existentes de control horizontal. La intersección está
especialmente bien adaptada para trabajar en terrenos inaccesibles. Para un
singular cómputo de posición, el método requiere que se midan por lo menos dos
ángulos horizontales desde dos puntos de control, como los ángulos Ə1 y Ə2
medios en los puntos de control A y B según la Fig. 12.2. si se dispone de control
adicional, el cómputo de posición para el punto desconocido U puede reforzarse
por la medición de ángulos redundantes (como los ángulos Ə3 y Ə4 en la fig.
12.2) donde se tomen mediciones redundantes, las coordenadas más probables
del punto U podrán calcularse por el procedimiento de mínimos cuadrados.

Considérese el cómputo de posición para el punto U de la Fig. 12.2 habiendo

observado los cuatro ángulos horizontales mostrados. Se pueden escribir cuatro
ecuaciones de observación linealizadas, una para cada ángulo independiente en
términos de las dos variables desconocidas X y Y . Las cuatro ecuaciones
expresadas en forma matricial son:

 A X  K  V
 42 21   41 41
  

Este sistema de ecuaciones se resuelve para las coordenadas más probables Xu

y Yu, seguido por el cómputo del análisis de error.

12.3 Ejemplo numérico del ajuste de intersecciones.

Para aclarar el procedimiento computacional de la posición de intersección por

mínimos cuadrados, se presentó el ejemplo de la Fig. 12.2 Se emplean métodos
matriciales y los cálculos se efectúan detalladamente.

Volviendo a la Fig. 12.2, se observaron los siguientes ángulos horizontales

igualmente ponderados:

Ə1=50º06’50” Ə3=98º41’17”
Ə2=101º30’47” Ə4=59º17’01”

Las coordenadas de los puntos de control A, B y C son:

Xa= 865.40 Xb= 2432.55 Xc= 2865.22

Ya= 4527.15 Yb= 2047.25 Yc= 27.15

Solución

1. Aproximaciones iniciales para Xuo y Yuo:

AB  ( 243 .55  865 .40 ) 2  ( 4527 .15  2047 .25 ) 2  2933 .58 ft.
ABSeno  2 2933 .58 Seno 101 º 30 '47"
AUo    6049 ft.
Seno (180 º  1   2) Seno 28 º 27 '23"
 Xb  Xa  1  2432 .55  865 .40 
AzimutAB  tan 1    tan    147 º 42 '34"
 Yb  Ya   2047 .25  4527 .15 
AzimutAUo  147 º 42 '34"50 º 06 '50"  97 º 35 '44"
Xuo  Xa  AUoSeno ( AzimutAUo )  865 .40  6049 .00 Seno 97 º 35 '44"  6861 .35
Yuo  Ya  AUoCos ( AzimutAUo )  4527 .15  6049 .00 Cos 97 º 35 '44"  3727 .59
BUo  (6861 .35  2432 .55 ) 2  (3727 .59  27 .15 ) 2  4736 .83 ft.
CUo  (6861 .35  2865 .22 ) 2  (3727 .59  27 .15 ) 2  5446 .29 ft.

2. Formulación de las matrices:

Tal y como en un ajuste de trilateración, las coordenadas de una estación de

control pueden mantenerse fijas asignando ceros a sus valores dX y dY para que
esos términos se retiren de la ecuación. En la Fig. 12.2, los puntos vértice de
todos los ángulos son estaciones de control; por ende, sus valores dX y dY son
cero, y esos términos no aparecen en las ecuaciones de observación. Al formar
las ecuaciones de observación, se asignan I,J, y K según se describió en el
Artículo 12.2. Por tanto, para el ángulo Ə1 por ejemplo ----I,J y K se reemplazan
en la ecuación prototipo (12b) por a, u y b, respectivamente. El ángulo
concuerda con la Fig. 12.1 (b).

Con referencia a la ecuación (12b), se escriben las siguientes ecuaciones de

observación para los cuatro ángulos observados:

 Ya  Yuo   Xuo  Xa    Yuo  Ya  1  Ya  Yb  

 2 
(dXu )   2 
(dYu )   1   tan 1    tan  Xa  Xb    v 1
 ( AUo )   ( AUo )    Xuo  Xa   
 Yuo  Yb   Xb  Xuo    Yuo  Yb   Ya  Yb  
 2 
(dXu )   2 
(dYu )   2  180º  tan 1    tan 1    v 2
 (UBo )   (UBo )    Xuo  Xb   Xa  Xb  
 Yb  Yuo   Xuo  Xb    Yuo  Yb   Yc  Yb  
 2 
(dXu )   2 
(dYu )   3   tan 1    tan 1    v 3
 (BUo )   (BUo )    Xuo  Xb   Xc  Xb  
 Yuo  Yc   Xc  Xuo    Yuo  Yc   Yb  Yc  
 2 
(dXu )   2 
(dYu )   4  180º  tan 1    tan 1    v 4
 (UCo )   (UCo )    Xuo  Xc   Xb  Xc  

Sustituyendo las coordenadas del punto de control y las coordenadas

aproximadas Xu y Yu en las ecuaciones de observación lineal, y multiplicando
por p, se forman las siguientes matrices A y K* (Nótese que los ángulos Ə2 y Ə4
concuerdan con la Fig. 12.1 (h) y, por esto, se usa la ecuación (12c) para calcular
sus valores k).

 ( 4527 .15  3727 .59 ) ( 6861 .35  865 .40 ) 

 ( 6049 .00 ) 2 ( 6049 .00 ) 2 
 
 (3727 .59  2047 .25 ) ( 2432 .55  6861 .35 )   4 .507 33 .800 
  40 .713 
 ( 4736 .83 ) 2 ( 6049 .00 ) 2   15 .447 
A  p 
( 2047 .25  3727 .59 ) ( 6861 .35  2432 .55 )    15 .447 40 .713 
   
 ( 4736 .83 ) 2 ( 4736 .83 ) 2   25 .2732  27 .788 
 (37277 .59  27 .15 ) ( 2865 .22  6861 .35 ) 
 (5446 .29 ) 2 (5446 .29 ) 2 

*Para que estas observaciones sean dimensionalmente correctas, Kojik y Vojik

están en radiantes. Puestos que es más común trabajar en el sistema exagesimal
en este país, y ya que las magnitudes de los residuales de ángulos están
generalmente en la gama de segundos, pueden convertirse las unidades de las
ecuaciones a segundos multiplicando a través de la ecuación por Rho, el número
de segundos por radián que es 206, 265.
    3727.59  4527.15  1  2047.25  4527.15   
 50º 05 '50"   tan 1    tan   
   6861.35  865.40   2432.55  865.40   
   4527.15  2047.25    0.00" 
1  3727.59  2047.25  
 101º 30 ' 47"  180º  tan 1    tan     
   865.40  2432.55   2865.22  2432.55     0.00" 
K 
  0.69" 
 98º 41'17"   3727.59  2047.25  1  27.15  2047.25   
  tan 1    tan    
   6861.35  2432.55   2865.22  2432.55     20.23" 
 
 59º17 '01"   2047.25  27.15  1  3727.59  27.15   
 180º  tan 1    ta n  
   2432.55  2865.22   6861.35  2865.22   


Se advierte que los valores en la matriz K para los ángulos Ə1 y Ə2 son

exactamente igual a cero para la primera iteración. Esto es el caso debido a que
las coordenadas aproximadas iniciales Xuo y Yuo se calcularon usando estos dos
ángulos.

3. Solución matricial:

 1159 .7  1820 .5   0 .00190 0 .00066    509 .9 

AT A    ( A T A) 1   AT K  
5229 .7  0 .00042  
Q
  1820 .5  0 .00066 534 .1 

 0 .00190 0 .00066    509 .9   dXu  dXu   0 .62 ft

X  ( A T A) 1 ( A T K )    .     donde :
 0 .00066 0 .00042  534 .1   dYu  dYu   0 .11 ft

Xu  Xuo  dXu  6861 .35  0 .62  6860 .73

Yu  Yuo  dYu  3727 .59  0 .11  3727 .48

 4 .507 33 .800   0 .00"    6 .5"

 15 .447 
 40 .713   0 .62   0 .00"    5 .1" 
V  AX  K   .
      
  15 .447  40 .713    0 .11    0 .069 " 5 .8" 
     
 25 .732  27 .788    20 .23"  7 .3" 

  6 .5 
  5 .1 
V T V   6 .5  5 .1 5 .8 7 .3.   155 .2 Sec . 2
5 .8 
 
 7 .3 

V TV 155 .2
So     8 .8"
mn 42
 SXu  S 2 o  QXuXu  (8 .8) 2  ( 0 .00190 )   0 .38 ft.

SXu  S 2 o  QYuYu  (8 .8) 2  ( 0 .00042 )   0 .18 ft.

SXu  SX 2 u  QY 2 u  ( 0 .38 ) 2  ( 0 .18 ) 2   0 .42 ft.

En la solución anterior, una segunda iteración produce valores de tamaño

insignificante para dXu y dYu. Por tanto, la solución convergió con una iteración.
No se muestra la segunda iteración.

La solución produjo un valor de -0.62 de pie para dXu y de -0.11 de pie para dYu.
Estas, al sumarse a las aproximaciones iniciales Xuo y Yuo dan las coordenadas
ajustadas finales Xu y Yu.

Se calcularon los residuales usando la ecuación matricial V=AX-L, que es una

forma reordenada de la ecuación (9ª). Estos valores son -6.5 segundos para Ə1,
5.1 segundos para Ə 2, +5.8 segundos para Ə 3 y +7.3 segundos para Ə4.

Usando estos residuales en la (10ª), se calculó la desviación estándar del peso

unitario So. Luego usando (10r), se calcularon las desviaciones estándar de las
coordenadas ajustadas SXu y SYu, determinándose  0.38 de pie y  0.18 de
pie, respectivamente. Su, la desviación estándar de la posición ajustada para el
punto U, es la raíz cuadrada de la suma de los cuadrados de SXu y SYu, y su
valor es  0.42 de pie.

12.4 Ajuste de las resecciones.

La resección es un método que puede usarse para localizar la posición horizontal

desconocida de una estación ocupada con teodolito, midiendo un mínimo de dos
ángulos de una estación ocupada con teodolito, midiendo un mínimo de dos
ángulos horizontales hacia un mínimo de tres estaciones cuyas posiciones
horizontales se conoce. Si se tienen más de tres estaciones, se pueden obtener
observaciones redundantes y computar la posición de la estación ocupada
desconocida empleando el procedimiento de mínimos cuadrados.

Como en la intersección, el método es adecuado para ubicar un punto aislado, y

especialmente adaptado para operar en área inaccesibles.

Vamos a considerar el cómputo de la posición de resección para el punto ocupado

U de la Fig. 12.3, habiendo observado los tres ángulos horizontales mostrados.
Los puntos A,B, C y D son estaciones fijas de control. Los ángulos 1,2,y 3 se
observan desde la estación U, cuya posición es desconocida.

Utilizando la ecuación prototipo (12b), puede escribirse una ecuación de

observación linearizada para cada ángulo. Las ecuaciones de observación lineal
pueden expresarse en forma matricial como:

La aplicación de la rutina de mínimos cuadrados produce las correcciones dxu y

dyu, las coordinadas más probables Xu y Yu, y la desviación estándar estimada de
la posición calculada del punto U.

12.5 Ajuste de la triangulación tradicional.

Pueden aplicarse procedimientos idénticos a aquéllos que hemos visto en el ajuste

de intersecciones y resecciones, a fin de ajustar triangulaciones tradicionales. De
hecho, intersección y resección son casos especiales de triangulación. Aunque la
figura básica para la triangulación generalmente se considera que es el
cuadrilátero, el método del ajuste de la ecuación de observación por mínimos
cuadrados se puede aplicar a otras figuras geométricas tales como cadenas de
cuadriláteros, figuras de punto central, etc. Sin importar la forma geométrica de la
figura triangulada, el enfoque básico de mínimos cuadrados involucra el escribir
una ecuación de observación linerizada para cada ángulo observado, en términos
de las coordenadas más probables de los puntos implicados.

Usando un número mínimo de los ángulos observados, los triángulos pueden

resolverse por la ley de senos para determinar las coordenadas aproximadas
iniciales. Se calcular luego las correcciones a estas coordenadas aplicando la
rutina de mínimos cuadrados, seguido del cálculo de las coordenadas más
probables y las desviaciones estándar estimadas en las posiciones calculadas. El
número de ecuaciones involucrado en el ajuste de triangulación es, en general, tan
enorme como para hacer antieconómica una solución manual, especialmente en
esta era de las computadoras.
12.6 Programa de computadoras para el ajuste del cuadrilátero triangulizado.

El Apéndice D da un programa FORTRAN para el ajuste del cuadrilátero

triangulizado por mínimos cuadrados. Este programa en particular se diseñó para
ajustar un cuadrilátero estándar como el de la Fig. 12.4 Los cómputos se efectúan
en un sistema de coordenadas rectangulares provisionales X-Y, según se muestra
en la figura. Las coordenadas de los puntos de control ay D (puntos extremos/
finales de la línea base), se giran a través de un ángulo a para colocarlas en el
sistema provisional del eje X-Y. El ángulo a se cambia usando una constante y
se selecciona para que los ángulos 4 y 8 tengan uno de sus lados /tramos en cada
lado de la Y provisional; i,e., líneas paralelas a Y y pasando a través de los puntos
B y D cortados por los ángulos 4 y 8. Esto hace que los ángulos 4 y 8 concuerden
con las Figs. 12.1 (g) y (h), y se tratan por consiguiente en la formulación de K.
Todos los otros ángulos concuerdan con una de las Figs. 12.1 de (a) a (f) y, por
tanto, se aplican directamente a la ecuación prototipo (12b).

Casi todos los cuadriláteros de forma estándar, sin importar sus orientaciones,
pueden así acomodarse por este programa básico. Después de efectuar el ajuste
en el sistema del eje provisional, se giran de nuevo las coordenadas por medio de
(360º-α) para regresarlas al sistema del eje N-E.

El Apéndice D ofrece información sobre el uso del programa. No es necesario dar

entrada a las matrices A ni L. Mas bien, la computadora las computa de loas
datos de entrada que incluyen las coordenadas de las estaciones fijas A y D, los
ocho ángulos observados y el ángulo de rotación a. La matriz de peso tiene que
ser entrada. Los pesos pueden estimarse basándose en un conocimiento a priori
del personal e instrumentos usados, o se calcular conforme a la ecuación (6g) si
las desviaciones estándar para cada uno de los ángulos se computan de
observaciones múltiples.

12.7 Ejemplo del problema

Para la figura a continuación, se dispone de las siguientes observaciones y datos

conocidos:

Ángulos observados (suponer pesos iguales)

Coordenadas fijas:

Xa= 4270.33
Ya= 8448.90
Xd= 7610.58
Yd= 4568.75

Se usó el programa de computadora del Apéndice D para resolver el problema

anterior. Se emplearon pesos iguales. En el programa, los ángulos son entrada
en orden del 1 al 8. La matriz X en la solución es:

 dYb 
 dXb 
X  
 dYc 
 
 dXc 

El listado de salida___ que es auto explicativo ___ se da en las cuatro páginas

siguientes. Como se muestra en el listado, fue satisfactoria una (1) iteración para
lograr convergencia. Nótese, por ejemplo, en el tercer listado de salida que es
para la segunda iteración, que las correcciones de las incógnitas (Vector X) para
las coordenadas iniciales son todas ceros, lo que indica convergencia.
 EJEMPLO DE TRIANGULACIÓN, COMPUTOS DE AJUSTE DE WOLF
COORDENADAS DE PUNTOS DE CONTROL

8448 .900 4270 .330 4568 .750 7610 .580

(Ya ) ( Xa ) (Yd ) ( Xd )

ANGULO DE ROTACION= 0.0 GRADOS

ANGULOS OBSERVADOS

COORDENADAS APROX. DE LAS INCOGNITAS

42º35'29.0"
87º35'10.60"
79º54'42.10"
18º28'22.40"
21º29'23.90"
39º1'35.40"
31º20'45.80"
39º34'27.90"

COORDENADAS APROXIMADAS DE LAS INCOGNITAS

16748 .769 5599 .549 16636 .185 14633 .027

(Yb ) ( Xb ) (Yc ) ( Xc )

MATRIZ DE VARIACION COVARIACION QLL

1 0 0 0 0 0 0 0
0 1 0 0 0 0 0 0
 
0 0 1 0 0 0 0 0
 
0 0 0 1 0 0 0 0
0 0 0 0 1 0 0 0
 
0 0 0 0 0 1 0 0
0 0 0 0 0 0 1 0
 
0 0 0 0 0 0 0 1 
 EJEMPLO DE TRIANGULACION, COMPUTOS DE AJUSTE DE WOLF

ITERACIÓN Nº 1

MATRIZ A

 3.880  24 .230  12 .255 9.682 

 0.000 0.000 12 .255  9.682 
 
  20 .108 16 .201 22 .830 0.285 
 
  6.602 7.745 0.000 0.000 
 0.000 0.000  4.824  3.086 
 
 22 .830 0.285  10 .575  9.967 
 2.722 16 .485 0.000 0.000 
 
  2.722  16 .485  7.430 12 .769 

MATRIZ L (VECTOR)

 4.650  4675 4.291  4.262  7.805 4.230  7.904 8.593 

MATRIZ DE VARIANZA Y COVARIANZA QXX

 0.008 0.001 0.007 0.008 

 0.001 0.002 0.000 0.002 
 
0.007 0.000 0.007 0.006 
 
 0.008 0.002 0.006 0.011 

INCOGNITAS VECTOR X

0.646  0.191 0.699 0.851

VECTOR DE RESIDUOS V

2.152 5.010  4.162  1481 1.805  5.419 6.509  1.534 

ITERACIÓN Nº 2

MATRIZ A
  3.879  24 .229  12 .254 9.681 
 0.000 0.000 12 .254  9.681 
 
  20 .111 16 .200 22 .832 0.284 
 
  6.601 7.744 0.000 0.000 
 0.000 0.000  4.824  3.086 
 
 22 .832 0.284  10 .579  9.966 
 2.722 16 .484 0.000 0.000 
 
  2.722  16 .484  7.430 12 .767 

MATRIZ L (VECTOR)

 2.152  5.01 4.162 1.481  1.805 5.419  6.509 1.534 

MATRIZ DE VARIANZA Y COVARIANZA QXX

 0.008 0.001 0.007 0.008 

 0.001 0.002 0.000 0.002 
 
0.007 0.000 0.007 0.006 
 
 0.008 0.002 0.006 0.011 

INCOGNITAS VECTOR X

0.000 0.000 0.000 0.000 

VECTOR DE RESIDUOS V

2.152 5.010  4.162  1481 1.805  5.419 6.509  1.534 

EJEMPLO DE TRIANGULACIÓN, COMPUTOS DE AJUSTES DE WOLF

COORDENADAS DESCONOCIDAS AJUSTADAS

16749 .415 5599 .356 16636 .886 14633 .876

(Yb ) ( Xb ) (Yc ) ( Xc )

ERROR ESTANDAR DEL PESO UNITARI= 5.626

DESVIACIÓN ESTANDAR
 SYB= 0.500
SXB= 0.227
SYC= 0.048
SXC= 0.580

ANGULOS AJUSTADOS

42º35'31.15"
87º35'15.61"
79º54'37.94"
18º28'20.92"
21º29'25.70"
39º1'29.98"
31º20'52.31"
39º34'26.37"

Tarea autodidáctica No. 12

1) Conocido los siguientes ángulos medidos para el problema de resección en el

croquis:

Las

coordenadas terrestres de los puntos de control son:

PUNTO X Y
A 10,000 10,000
B 10,000 7,500
C 10,000 2,500
D 10,000 0

Calcular las coordenadas ajustadas en el punto P y las desviaciones estándar en

estas coordenadas. (Nota: para las primeras aproximaciones USE Xpo=5,000.00
y Ypo=5,000.00)

2) Conociendo los siguientes ángulos medidos y, entre paréntesis, las

desviaciones estándar de las mediciones para el cuadrilátero en la figura.

Calcular las coordenadas ajustadas de los puntos B y C, y las desviaciones

estándar de tales coordenadas. Mantener fija la estación D en N = 10.000 y E =
10.000, y mantener la longitud y acimut de la línea DA en 2320.13 pies y 271º 37’,
respectivamente. Efectuar un ajuste ponderado usando las ecuaciones (6g) y las
desviaciones estándar conocidas para calcular los pesos.
 CAPITULO 13
AJUSTE DE POLIGONALES

13.1 Introducción

De los muchos métodos para el ajuste de poligonales, la característica que

distingue el ajuste de poligonales por mínimos cuadrados de los métodos
aproximados, es que las observaciones de distancia y dirección se ajustan
simultáneamente en el método de mínimos cuadrados que con cualquier otro
método.

Además, el método de mínimos cuadrados permite la asignación de pesos

relativos a las observaciones basándose en sus confiabilidades relativas
esperadas.

13.2 Las ecuaciones de observación

En este capítulo se presenta el ajuste de poligonales por mínimos cuadrados

escribiendo ecuaciones de observación. En este procedimiento, se escribe una
ecuación de observación para cada distancia y ángulo medido ( o dirección). La
ecuación de observación básica para la distancia, una ecuación no lineal, se
formuló y linearizó en el cápitulo 11 como la ecuación (11b).

En esta presentación se usarán ecuaciones de observación de ángulos, aunque

como una alternativa, es posible formular ecuaciones de observación de dirección.
Se ha seleccionado el concepto angular porque es algo mas simple de usar, y
también porque el número de incógnitas, en la solución es menor. La ecuación
básica de observación de ángulos se formuló en el Cápitulo 3 como la ecuación
(3m). Se repitió en el Capítulo 12 como la (12b). En el Capítulo 12 se demostró
su uso en el ajuste de la triangulación.

El hecho que las observaciones de ángulos y distancias – con unidades diferentes

– se combinan en un ajuste, se resuelve mediante el uso de pesos apropiados.
En este procedimiento se asigna un peso relativo a cada observación de acuerdo
con la inversa de su variación y priori (el cuadrado de la desviación estándar).
Como antes se indicó, la condición fundamental que se hace cumplir en el ajuste
por mínimos cuadrados es la minimización de los términos pv². De ahí que si se
ponderan las observaciones conforme a la inversa de sus variaciones a priori, y si
se usan las mismas unidades para la desviación residual y estándar, todos los
términos pv² quedarán sin dimensión alguna y, por tanto, compatibles para el
ajuste simultáneo. Este procedimiento se demuestra en el problema de la Sección
13.4.
13.3 Número de ecuaciones redundantes

Se puede escribir una ecuación de observación para cada ángulo y distancia

medidos en una poligonal cerrada. Si hay n lados en la poligonal, hay n distancias
y n=1 ángulos (considerando un (1) ángulo para la orientación). En las Figs. 13.1
(a) y (b), cada poligonal cerrada tiene 4 lados y a cada una se le han medido 4
distancias y 5 ángulos.

Cada nueva estación de poligonal introduce dos incógnitas, las coordenadas X y

Y; de ahí que existen 2 (n-1) incógnitas para cualquiera poligonal cerrada
completamente levantada. Por ende, para cualquiera de éstas, sin importar un
número de lados, el número de ecuaciones redundantes (número de
observaciones menos el número de incógnitas es igual a (n+n+1)-2 (n-1) =3.

13.4 Ejemplo numérico

Se presenta un sencillo ejemplo numérico del ajuste del poligonales por mínimos
cuadrados. Para dicho ejemplo se muestran el croquis y los datos vírgenes (sin
procesar) del levantamiento en la Fig. 13.2.
 3 Observaciones

AB = 200.00
2 BC =
100.00
1  240º 00 '
1  2  150º 00 '
 3  240º 01'

Fig. 13.2.

A. Calcular las coordenadas aproximadas iniciales para la estación B

X bo  100  200 Sen 60º  1173.20

ybo  100  200Cos 60º  1100.00

B. Formular las matrices X y K:

 K Lab 
 
 K Lbc 
 d xb   
X   K   K 1 
 d yb  K 
 2 
 K 3 
 

 200.00  200.00 ft   0.00 

100.00  99.81 ft   0.19 
   
  
K  120º 00 '00 '' 120º 00 '03 ''*  3 '' 
   
150º 00 '00 '' 149º 55 '51''   249 '' 
119º 59 '00 '' 119º 55 '18 ''*  192 '' 

Los valores en la matriz K se derivan restando cantidades computadas,

basándose en coordenadas iniciales, de sus cantidades observadas respectivas.
* Nótese que el ángulo observado se considera 360º - para hacer el ángulo
inferior a 180º y concordar con uno de los 12 casos dados e la Fig. 12.1

C. Calcular la matriz A:

La matriz A se forma usando la matriz prototipo (11b) para las distancias, y la

(12b) para los ángulos. Nótese que los coeficientes de ángulos se multiplican por
rho (206.265’’/rad) para convertir a segundos y ser compatible con los valores
dados en la matriz K.

 
 
  1173.20  1000   1100  1000  
  200



 200

 
 
  1173.20  1223.00   1100  1186.50  
  100



 100

 
 
  1000  1100   1173.20  1000  
A        
   200      
2 2
  200  
 
  1000  1100 1186.50  1100   1173.20  1000 1173.20  1223.00  
     
 
2
 
2
   
2
 
2

 200 100   200 100  
 
  1100  1186.50   1223.00  1173.20  
     
100 
2
  100 
2

     

 0.866 0.500 
  0.498  0.865 
 
A    515.7 893.1 
 
  2299.8 1920.3 
  1784.2 1027.2 

D. Formular la matriz P.

Para resolver unidades disímiles, se usan pesos de acuerdo con las inversas de
las variaciones. Puesto que antes del ajuste se desconocen las variaciones, éstas
tienen que estimarse a priori; y son importantes porque influyen en el ajuste. Los
pesos de distancia y ángulo son:

1
PLij 
 
Para longitud: 2
S Lij

1
P jik 
 
Para ángulo: 2
S jik

Suponer las siguientes desviaciones estándar para las cantidades observadas:

AB   0.05 ft
BC   0.08 ft
1   30 sec .
 2   30 sec .
 3   30 sec .

Basándose en esas desviaciones estándar, la matriz P es:

 1 
 0.05 2 
 
 1 
 0.08 2   400 
 2   156 
  1    
     0.001 
P  30 
 0.001

   
2
 1 
     0.001 
  30    
  1 
2   
   
  30  
 
 

E. resolver el sistema anterior por el programa de computadora del Apéndice B

que usa la ecuación:
X   AT PA  AT PL
1
Véase el listado anexo de salida de computadora:

La solución produce los siguientes valores para las correcciones a las

coordenadas iniciales:

dX b  0.11 ft
dYb  0.01 ft

Los residuales sin como sigue:

Vab   0.10 ft
Vbc   0.12 ft
V 1  49.0 sec
V 2   17.4 sec
V 3   604 sec

La desviación estándar del peso unitario y las desviaciones estándar de las

coordenadas ajustadas son:

S o  1.77 ft
S X b  0.04 ft
SYb  0.05 ft

F. Las coordenadas revisadas de los puntos:

X b  1173.20  0.11  1173.09
Yb  1100.00  0.01  1099.99
G. Calcular las observaciones ajustadas de los residuales:

AB  200.00  0.10  199.90

BC  100.00  0.12  99.88
1  360º  (120º 00 '00 '' 0º 00 ' 49 '')  239º 59 '11''
 2  150º 00 '00 '' 0º 00 '17 ''  149º 59 ' 43 ''
 3  360º  (119º 59 '00 '' 0º 00 '06 '')  240º 01'06 ''

(Nótese que una segunda iteración produce ceros para dX b y dYb ).

 EJEMPLO DE POLIGONAL, CÓMPUTOS DE AJUSTE DE WOLF

MATRIZ A MATRIZ L

 0.866000 0.500000   0.000000 

  0.498000  0.865000   0.190000 
   
  515.700000 893.100000    3.000000 
   
  2299.800000 1920.300000   249.000000 
  1784.200000 1027.200000  192.000000 

MATRIZ DE PESO

 400.000 156.000 0.001 0.001 0.001

MATRIZ DE ECUACIONES NORMALES

 9077.067383 6469.208008 
 6469.208008 5757.041016 


MATRIZ DE COVARIACIÓN

 0.000553 0.000622 
 0.000622 0.000872 
 

INCÓGNITAS X
-0.111379
-0.012762

RESIDUALES Y
-0.102835
-0.123494
49.040077
-17.358521
-6.387482

DESVIACIÓN ESTÁNDAR DEL PESO UNITARIO

1.765992

DESVIACIÓN ESTÁNDAR DE VALORES AJUSTADOS

0.041537 0.052157

TAREA AUTODIDÁCTICA No. 13

Ajustar por Mínimos cuadrados la poligonal cerrada en el croquis a continuación:

Ángulo Valor Desviación Longitud Valor Desviación

observado estándar(seg) observado estándar
(pies)
XAB 63°34’30" 5 AB 2731.25 0.29

45°12'15" 10 BC 3005.81 0.32

BAC

ABC 94°39’20" 10 CA 4222.01 0.44

BCA 40°09’05" 10

Acimut AX = 345°17’3’’

Coordenadas de A:

X = 10,000.00
 Y = 10,000.00

CAPITULO 14
AJUSTE POR CONDICIONES

14.1 Introducción

Hay una clase de problemas en los cómputos de ajustes en la cual ciertas

condiciones tienen que satisfacerse exactamente en el ajusta de las
observaciones. Las ecuaciones que expresan esas condiciones se llaman
ecuaciones de condición. En el ajuste de mínimos cuadrados por el método de
ecuación de condición, se halla la solución que produce las cantidades ajustadas
mas probables y al mismo tiempo satisface exactamente todas las condiciones.
Claro esta que la solución que da las cantidades ajustadas mas probables, es la
que minimiza la suma de los pesos multiplicada por los residuales elevados al
cuadrado.

El clásico ejemplo de este tipo de condición es el ajuste de los tres ángulos

observados en un triangulo plano. La condición que se debe satisfacer es que la
suma de los tres ángulos ajustados debe ser exactamente igual a 180 grados. El
ajuste por mínimos cuadrados es el que produce simultáneamente los valores
ajustados que tienen la más alta probabilidad.

En redes de triangulación, hay muchas condiciones geométricas que deben

cumplirse y, por ende, frecuentemente se ajustan por el método de condiciones.
También pueden ajustarse las poligonales por dicho método. Por ejemplo, el
método Crandall es un ajuste donde después del ajuste del cierre angular de
manera tal que cada ángulo recibe una corrección igual, todo
el error restante se supone que este contenido en las observaciones de distancia.
Se escriben ecuaciones que expresan las dos condiciones de cierre de latitud y de
partida.

Una de las dificultades confrontadas en el ajuste por condiciones es la de

reconocer y formular todas las ecuaciones de condición. Debe recalcarse que
todas las condiciones deben considerarse para obtener el ajuste correcto. Para
ciertos problemas de ajuste, se puede reducir la cantidad de cálculos si el ajuste
se efectúa por ecuaciones de condición en lugar de observaciones. Sin embargo,
para otros problemas, lo opuesto es cierto. En esta era de computadoras
electrónicas, la cantidad de cálculos parece proporcionar muy poca Justificación
para el ajuste mediante condiciones. En pro del método de la ecuación de
observación se encuentran la fácil, sistemática formulación de las ecuaciones, y el
conveniente y sistemático análisis del error proporcionado por la matriz de
covariación.
14.2 Forma matricial de las ecuaciones de condición

En cualquier problema de ajuste hay m observaciones que implican a n incógnitas.

Supóngase que q ecuaciones relacionan las observaciones y sus residuales con
ciertas condiciones especificadas, y pueden representarse en la siguiente forma
general:

b11  1  v1   b12  2  v2    b1m  m  vm   c1

b21  1  v1   b22  2  v2    b2 m  m  v m   c2
. . . .(14a)

bq1  1  v1   bq 2  2  v2    bqm  m  vm   cq

En la ecuación (14a) las b son los coeficientes de las observaciones y sus

residuales v, y las c son constantes inherentes en las condiciones.

14.3 Solución matricial por mínimos cuadrados

La ecuación (14a) puede expresarse en forma matricial como:

Bqm (L m1 + Vm1 ) = C q1 . . . . . . . . (14b)

de la cual BL + BV = C, y
BV = C - BL
Permita que C - BL = W . . . . . . . . . . . . . . . . (14c)
Luego BV = W

La expresión matricial para la solución de los residuales que tienen la probabilidad

más alta (solución por manimos cuadrados) se da por:

Vm1  B T mq  Bqm B T mq  Wq1 * . . . . . . . . . . . (14d)

1

Se puede expresar en forma matricial un sistema de' condiciones ponderadas

como:

Bqm Pmm (L m1 + Vm1 ) = C q1 . . . . . . . . (14e)

La ecuación matricial para el cómputo de mínimos cuadrados de los residuales

más probables de las ecuaciones de condición ponderada es:

Vm1  P 1mm B T mq  Bqm P 1mm B T mq  Wq1

1

* La derivación de esta expresión matricial se da en la Sección 14.8.

SI los pesos son iguales, la matriz P se convierte en una matriz idéntica y la

ecuación (14f) se reduce a la (14d).

Habiendo determinado los residuales ya sea de (14d) o de (14f), es fácil calcular

las observaciones corregidas seguidas de un cálculo de las incógnitas ajustadas.

14.4 Ajuste de los ángulos de un triángulo plano

Para aclarar la formulación de las ecuaciones de condición, según se indico en

(14a), y la solución matricial, se da un ejemplo del ajuste de los ángulos de un
triángulo plano. En la F1g. 14.1, se observaron los tres ángulos A, B y C como se
muestra. La condición siguiente expresa la relación que las observaciones tienen
la una con la otra.

 A  VA    B  VB    C  VC   18000 '00 '' . . . . . . . . . . (14g)

En forma matricial esta ecuación es:

B13  L31  V31   C11 . . . . . . . . . (14h)

Estación Ángulo
observado
 A 68°10’40’’
B 66°34’ 22"
C 45°14’49’’

En la ecuación (14h) la matriz B es:

B13  1 1 1

De la ecuación (14c) la matriz W es:

W  C  BL  180  6810 ' 40 '' 6634 ' 22 '' 4514 ' 49 ''  09 ''

Luego la solución matricial de la ecuación (14d) es:

1
BB T
 1 1 1 1   3
 

1


 BB 
1
T
 1 / 3

1 1 / 3 
B   1 1 / 3  1 / 3 
1
T T
B B
31 1 3 31  

1
 1 / 3 

1 / 3   3 '' 
 BB  W  1 / 3   9 ''   3 ''
1
V B T T
 
1 / 3  
 3 '' 

Finalmente se obtienen los ángulos ajustados sumando los residuales a sus
respectivas observaciones:

A '  A  V A  68º10 ' 40 '' 03 ''  68º10 ' 43 ''

B '  B  VB  66º 34 ' 22 '' 03 ''  66º 34 ' 25 ''
C '  C  VC  45º14 ' 49 '' 03 ''  45º14 ' 52 ''
--------------------
180º 00’ 00’’

14.5 Ajuste de redes de nivel por ecuaciones de condición

Este procedimiento se ilustra con el conocido problema no ponderado previamente

considerado en los Caps. 8 y 9. Para mayor conveniencia, el croquis del problema
se repite en la Fig. 14.2.

Línea No. Dif. elev.

observada
1 5.10
2 2.34
3 -1.25
4 -6.13
5 -0.68
6 -3.00
7 1.70

Fig 14.2
En el ajuste de redes de nivel, el número de condiciones es igual al numero de
observaciones menos el numero de Incógnitas. Por tanto, en este problema hay 7-
3, ó 4 ecuaciones de condición que deben formularse. Tales condiciones son:
  1  V1    2  V2   7.50
 3  V3    4  V4    7.50
 2  V2    5  V5    6  V6   0
 3  V3    6  V6    7  V7   0

Para este sistema de ecuaciones de condición, la matriz B es:

1 1 0 0 0 0 0
0 0 1 1 0 0 0
B 
0 1 0 0 -1 1 0
 
0 0 -1 0 0 1 1 

Por la ecuación (14c) la matriz W es:

W  C  BL

 5.10 
 2.34 
 7.50  1 1 0 0 0 0 0  
  7.50   0    1.25 

  6.13 
0 1 1 0 0 0
W  
 0.00   0 1 0 0 -1 1 0  
      0.68 
 0.00   0 0 -1 0 0 1 1  
  3.00 
1.70 
 

 0.06 
  0.12 
W   
  0.02 
 
 0.05 

Entonces la solución matricial de la ecuación (14d) es:

 2 0 1 0 
0 2 0  1
BB T   
1 0 3 1 
 
0 1 1 3 

 0.619 0.048 0.238 0.095 

 0.048 0.619 0.095 0.228 
 BB 
1
T
 
  0.238 0.095 0.476 0.190 
 
 0.095 0.238 0.190 0.476 

 0.619 0.048  0.238 0.095 

 0.381  0.047 0.238 0.095 
 
  0.048 0.381 0.095 0.238 
 
 BB 
1
B T T
  0.048 0.619  0.095 0.238 
 0.238 0.095  0.476 0.190 
 
  0.143 0.143 0.286 0.286 
 0.095  0.190 0.467 
 0.238

 0.041 
 0.019 
 0.06   
  0.12    0.062 
V  B T  BB T  W  B T  BB T  
   0.058 
1 1

  0.02   
   0.022 
 0.05   
 0.017 
 0.005 
 

Las diferencias de elevación corregidas se calculan sumando los residuales a sus

respectivas observaciones:
 5.10  0.041  5.141
2.34  0.019  2.359
 1.25  0.062   1.312
 6.13  0.058   6.188
 0.68  0.0220  0.658
 3.00  0.017   3.017
1.70  0.005  1.705

Las observaciones ajustadas de BM se calculan de las diferencias de elevación

corregidas. Sin hacer caso de cuales fueron las observaciones
corregidas que se usaron para calcular las elevaciones de BM, sus valores
ajustados serán los mismos. El procedimiento para calcular las elevaciones
ajustadas es:

A = 100.000 + 5.141 = 105.141

B = 105.141 - 0.658 = 104.483
C = 104.483 + 1.705 = 106.188

Basándose en los residuales, la desviación estándar del peso unitario puede

calcularse como:

So 
V 2


0.0101
 0.050 ft
m-n 7-3

Para el ajuste ponderado de esta red de nivel, las matrices B y W se formulan

exactamente como antes, y la matriz P (peso) es como sigue:

3 0 0 0 0 0 0
0 4 0 0 0 0 0
 
0 0 6 0 0 0 0
 
P  0 0 0 4 0 0 0
0 0 0 0 6 0 0
 
0 0 0 0 0 6 0
0 6
 0 0 0 0 0 
La solución ponderada se obtiene de la ecuación (14f).
En el Artículo 14.9 se describe un programa de computadora para resolver la
ecuación (14f). Este programa se usó para resolver los problemas de la red de
nivel ponderada y no ponderada. El listado de salida para esos problemas se halla
en las dos páginas siguientes. Nótese la conformidad de los residuales entre estos
resultados y los del método de la ecuación de observación.

EJEMPLO DE RED DE NIVEL NO PONDERADA, CÓMPUTOS DE AJUSTE DE

WOLF

MATRIZ B

1.0000000 1.0000000 0.0000000

0.0000000 0.0000000 0.0000000
0.0000000
0.0000000 0.0000000 1.0000000
1.0000000 0.0000000 0.0000000
0.0000000
0.0000000 1.0000000 0.0000000
0.0000000 -1.0000000 1.0000000
0.0000000
0.0000000 0.0000000 -1.0000000
0.0000000 0.0000000 1.0000000
1.0000000

MATRIZ W

0.0600000 -0.1200000 -0.0200000

0.0500000

MATRIZ P

1.0000000 1.0000000 1.0000000

1.0000000 1.0000000 1.0000000
1.0000000
RESIDUALES

0.0409524
0.0190476
-0.0623810
-0.0576190
0.0219048
-0.0219048
0.0047619

EJEMPLO DE RED DE NIVEL PONDERADA, CÓMPUTOS DE AJUSTE DE

WOLF

MATRIZ B

1.0000000 1.0000000 0.0000000

0.0000000 0.0000000 0.0000000
0.0000000
0.0000000 0.0000000 1.0000000
1.0000000 0.0000000 0.0000000
0.0000000
0.0000000 1.0000000 0.0000000
0.0000000 -1.0000000 1.0000000
0.0000000
0.0000000 0.0000000 -1.0000000
0.0000000 0.0000000 1.0000000
1.0000000

MATRIZ W

0.0600000 -0.1200000 -0.0200000

0.0500000

MATRIZ P

3.0000000 4.0000000 6.0000000

4.0000000 6.0000000 6.0000000
6.0000000

RESIDUALES

0.0504000
0.0096000
-0.0528000
-0.0672000
0.0188000
-0.0108000
0.0080000

14.6 Ajuste de poligonales por el Método de ecuaciones de condición

(método Crandall)

Algunas veces se le llama erróneamente al método Crandall como el método de

mínimos cuadrados. En realidad, una vez que se distribuye el error angular de
cierre en porciones iguales a todos los ángulos, el método Crandall mantiene fijos
esos ángulos y coloca a todas las correcciones restantes en las mediciones
lineales mediante un procedimiento de mínimos cuadrados ponderados. Sin
embargo, no es un verdadero ajuste por mínimos cuadrados, ya que las
mediciones angulares y lineales no se ajustan simultáneamente.

El método CrandalI es válido para ajustar poligonales en donde se espera que las
mediciones lineales contengan errores fortuitos más grandes que las mediciones
angulares. Como ejemplo de una situación ideal para el método Crandall es el
ajuste de una poligonal de estadía.

La poligonal de la Fig. 14.3 se ajustara usando el método Crandall. Dicha poligonal

contiene adrede un cierre absurdamente grande, para que el procedimiento sea
mas claro. El proceso computacional del método Crandall se compone de la
formulación de las dos ecuaciones que expresen las condiciones de que, las
sumas algebraicas de las latitudes y partidas en una poligonal cerrada deberán ser
igual a cero.

Primero se calculan las marcaciones ajustadas, seguidas del cálculo de latitudes y

partidas, según la tabla:

Marcación
Curso Extensión ajustada Lat. Part.
AB 748.25 Due North 748.25 0.00
BC 532.18 N 44 48' E 448.58 445.46
CD 659.74 S 40 14' E -503.66 426.13
DE 440.33 S 24 14' W -401.53 -180.73
EF 345.90 S 89 52' W - 0.81 -345.90
FA 445.02 S 49 47' W -287.34 -339.82
 N= 3.49  E= 5.14

Las dos condiciones que han de cumplirse, exclusivo de los pesos, se expresan
en las siguientes ecuaciones:

Sumas algebraicas de latitudes = 0

Sumas algebraicas de partidas = 0. . . . . . . . . . . . . (14g)
Expresiones mas detalladas para (14g) son:

AB Cos (Bng AB) + BC Cos (Bng BC) + CD Cos (Bng CD) + DE Cos (Bng DE) +
EF Cos (Bng EF) + FA Cos (Bng FA) = 0
. . . . . . . . . . (14h)

AB Sin (Bng AB) + BC Sin (Bng BC) + CD Sin (Bng CD) + DE Sin (Bng DE) +
EF Sin (Bng EF) + FA Sin (Bng FA) = 0

POLIGONAL PARA EL EJEMPLO DEL MÉTODO CRANDALL

Ángulos interiores
Punto Observado Ajustado
A 49º45’ 49º47’
B 135º10’ 135º12’
C 85º00’ 85º02’
D 115º30’ 115º32’
E 114º20’ 114º22’
F 220º03’ 220º05’

Fig. 14.3

Insertando los valores numéricos en la ecuación (14h) resulta:

1.00   AB  V1    0.710   BC  V2    0.763   CD  V3    0.912   DE  V4 

  0.002   EF  V5    0.646   FA  V6   0 . . . . . . . . . . . . . (14i)
 0.000   AB  V1    0.705   BC  V2    0.646  CD  V3    0.410   DE  V4 
 1.000   EF  V5    0.764   FA  V6   0

Estas ecuaciones expresadas en forma matricial son:

B L V C

1.000 7.10 0.763 0.912 0.002 0.646 

Donde B
 0.000 0.705 0.646 0.410 1.000 0.764 

De la ecuación (14c), las constantes W se calculan como:

W 21  C 21  B2 6 L61

De la (14a), se ve que BL es exactamente igual a  N y  E que fueron

previamente calculados. Por tanto, los elementos de la matriz W son:

W1  0  3.49  3.49
W2  0  5.14  5.14

En el método Crandall se supone que los pesos sean inversamente proporcionales

a las longitudes. Por ende, la matriz inversa de peso para esta poligonal es:

 748.25 0 0 0 0 0 
 0 632.18 0 0 0 0 
 
 0 0 639.74 0 0 0 
1  
P  0 0 0 440.33 0 0 
 0 0 0 0 345.90 0 
 
 0 0 0 0 0 445.02 
 0 
 0 0 0 0 0 

Utilizando el programa descrito en el Art. 14.9, la solución siguiente da los

residuales para este problema. Pueden obtenerse las longitudes corregidas
sumando esos residuales a las longitudes observadas. Luego se calculan las
latitudes y partidas corregidas.
MÉTODO CRANDALL PARA EL EJEMPLO DE POLIGONAL, CÓMPUTOS DE
AJUSTE DE WOLF

MATRIZ B

1.0000000 0.7100000 -0.7630000

-0.9120000 -0.0020000 -0.6460000
0.0000000 0.7050000 0.6460000
-0.4100000 -1.0000000 -0.7640000

MATRIZ W

-3.4900000 -5.1400000

MATRIZ P

1.3400000 1.5300000 1.5200000

2.2700000 2.8900000 2.2500000

RESIDUALES

-0.7615914
-2.1829762
-1.0643644
1.0800547
1.2843576
1.5526733
14.7 Ajuste de un cuadrilátero triangulado por el método de la ecuación de
condición

Las configuraciones geométricas de las redes de control en la triangulación son

muchas y variadas. Cada diferente configuración engloba un juego distinto de
ecuaciones de condición. Los métodos para formular estas ecuaciones están bien
documentados, por 1o que no se repetirán aquí. El cuadrilátero estándar es la
figura más comúnmente usada en la triangulación y, por tanto, será el tema de un
ejemplo.

Hay cuatro condiciones que deben mantenerse en un cuadrilátero:

Tres condiciones de ángulo y una condición de lado. Con referencia a la Fig. 14.4,
se pueden escribir las tres siguientes ecuaciones de ángulo que expresan la
condición de que un triángulo debe contener 180 grados:

1  v 1  3  v 3  4  v 4  6  v 6  180
3  v 3  5  v 5  6  v 6  8  v 8  180
2  v 3  5  v 5  7  v 7  8  v 8  180

Fig. 14.4
Inherente en estas tres ecuaciones de ángulos es la ecuación para el cuarto
triángulo. La cuarta ecuación expresa la condición de que la longitud de la línea de
cierre (lado opuesto a la línea base), de un cuadrilátero debe ser la misma sin
importar los ángulos usados para calcularla. Esta ecuación se formula usando la
ley de senos como sigue:

Calcular el lado BC desde los triángulos DAC Y BAC:

AD Sin 2 CD Sin 8
CD  and BC 
Sin 5 Sin 2
Sustituyendo;
BC = AD Sin 2 Sin 8
Sin 3 Sin 5
Calcular también BC de los triángulos DAB y ABC:

AD Sin 7 AB Sin 1
AB  and BC 
Sin 4 Sin 6

Sustituyendo:

AD Sin 1 Sin 7
BC 
Sin 4 Sin 6

Igualando las dos expresiones para BC:

AD Sin 1 Sin 7 AD Sin 2 Sin 8


Sin 4 Sin 6 Sin 3 Sin 5

Multiplicando en cruz, resulta la siguiente ecuación de condición de lado (lateral):

Sin 1 Sin 3 Sin 5 Sin 7

 1
Sin 2 Sin 4 Sin 6 Sin 8

Esta ecuación de condición no lineal se lineariza por la siguiente expresión

logarítmica:

 log sines (odd) -  log Sienes (even) = 0 . . . . . . . . . . . . (14k)

Considérese el problema del cuadrilátero en la Fig. 12.4 que fue resuelto antes por
la computadora usando el método de la ecuación de observación. A continuación,
la formación de la ecuación de condición lateral (14k) para ese cuadrilátero, en
forma tabular:

Diff Diff
Angle Value Log Sin Angle Value Log Sin
l”† l”*
42  35’ 87 
29”0 35’10”6
2
1 79  9.8304381 2.29 18  9.9996145 .08
4
3 54’42”1 9.9932329 .38 28’22”4 9.5008618 6.30
6
5 21  9.5638824 5.34
8 39  9.7991197 2.60
7 29’23”9 9.7161751 3.46 01’35”4 9.8041938 2.54
31  39 
20’45”8 34’27”9
 39.1037285  39.1037898

El lado derecho de la ecuación (14k) es:

39.103 7285 - 39.1037898= -61.3*

Los coeficientes de los ángulos en (14k) se toman como las diferencias para un (1)
segundo; por tanto, las matrices, B y L para este ejemplo de cuadrilátero son:

1 
 
2
1 0 1 1 0 1 0 0 3 
   
BL  
0 0 1 0 1 1 0 1  4
0 1 0 0 1 0 1 1  5 
   
 2.29 .08 .38 6.30 5.34 2.60 3.46 2.54  6 
 
7 
8 

† Para mayor conveniencia, el decimal se ha movido arbitrariamente seis lugares a

la derecha.
La matriz W es:
W 1
 180   (1  3  4  6)   08"9

W 2
 180   (3  5  6  8)   09"3

W 3
 180   (2  5  7  8)  11"8

W 4
 0  (  61.3)  61.3

Este problema se resolvió usando el programa de computadora descrito en el Art.

14.9. El listado de salida para la solución se da en la página siguiente. Puesto que
todos los ángulos fueron observados por el lirismo personal usando el mismo
equipo y procedimientos, los pesos son iguales y la matriz P es una de identidad /
idéntica. Nótese la conformidad de los residuales entre este método de la
ecuación de condición y la solución de la ecuación de observación del Cap. 12.

CUAD TRIANGULADO, COMPUTOS DE AJUSTE DE WOLF

MATRIZ B

1. 0 0 0 0 0 0 0 0. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
1. 0 0 0 0 0 0 0 0. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
0. 0 0 0 0 0 0 0 0. 0 0 0 0 0 0 0
0. 0 0 0 0 0 0 0 0. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
0. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
0. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
0. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0 0. 0 0 0 0 0 0 0
0. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0 0. 0 0 0 0 0 0 0
1. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
2. 2 9 0 0 0 0 0 -0. 0 0 0 0 0 0 0 0. 3 8 0 0 0 0 0
-6. 3 0 0 0 0 0 0 5. 3 4 0 0 0 0 0 -2. 6 0 0 0 0 0 0
3. 4 6 0 0 0 0 0 -2. 5 4 0 0 0 0 0

MATRIZ W

-8. 9 0 0 0 0 0 0 -9. 3 0 0 0 0 0 0 11. 8 0 0 0 0 0 0

61. 3 0 0 0 0 0 0

MATRIZ P

1. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
1. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
1. 0 0 0 0 0 0 0 1. 0 0 0 0 0 0 0
 RESIDUALES

2. 0 9 8 2 5 2 6
5. 0 3 4 6 3 9 0
-4. 1 8 1 8 0 5 9
-1. 4 1 5 6 2 4 2
1. 7 5 3 0 3 4 2
-5. 4 0 0 8 2 2 5
6. 4 8 2 7 3 2 6
-1. 4 7 0 4 0 5 8

14.8 Deducción de la ecuación para resolver ecuaciones de condición por

mínimos cuadrados

14.8.1 Solución por los multiplicadores de Lagrange / lagrangianos

Suponiendo que tenemos un sistema de ecuaciones de condición tal como el de

(14a). Si desarrollamos estas ecuaciones tendremos:
c1  b11 1  b11v1  b12 2  b12 v2  ...............  b1m m  b1m vm
c2  b21 1  b21v1  b22 v2  b22 2  ..............  b2 m m  b2 m vm
.
. ........(14 )

.
cq  bq1 1  bq1v1  bq 2 2  bq 2 v2  ...............  bqm m  bqm vm

Si reunimos los términos constantes, rotulándolos w, y reescribimos la ecuación

(141), tendremos:

b11v1  b12 v2  ..............  b1m vm  w1  0

b21v1  b22 v2  ..............  b2 m vm  w2  0
.
. …….. ........(14 )
.
bq1v1  bq 2 v2  ..............  bqm vm  wq  0
en donde tas w de la ecuación (12m) son:

w1  c1  (b11 1  b12 2  ...............  b1m m )

w2  c2  (b21 1  b22 2  ..............  b2 m m )
.
.
.
wq  cq  (bq1 1  b22 2  ..............  bqm m )

Sabemos de consideraciones previas que en el ajuste por mínimos cuadrados,

buscamos la solución que minimiza el  pv 2 . Vamos pues a definir esa función
deseada como sigue

   pv 2  min imun.................................................................(14 n )

Ya que las (14m) todas son iguales a cero, podemos multiplicar cada ecuación por
una constante (-2) y, por un "multiplicador lagrangiano", o correlacionar (K) y
sumarlos todos a la ecuación (14n) sin cambiar el valor de
.

Efectuando esta operación resulta:

   pv 2  2 K1 (b11v1  b2 v2  .................  b1m vv  w1 )

 2 K 2 (b21v  b22 v2  ................  b2 m vm  w2 )  ..........................................................(14o)
........  2 kq (bq1v1  bq 2 v2  .................  bqm vm  wq )

Vamos a minimizar  de una manera tradicional por mínimos cuadrados, tomando

la derivada parcial de  con respecto a cada residual y estableciendo el resultado
igual a cero:


 0  2 p1v1  2 k1b11  2 k 2 b21  ...............  2 k q bq1
v1

 0  2 p2 v2  2 k1b12  2 k 2 b22  ...............  2 k q bq 2
v2
.
.............................................(14 p )
.
.

 0  2 pm vm  2 k1b1m  2 k 2 b2 m  ...............  2 k q bqm
vm

Dividiendo a través de las (14p) por 2, resolviendo para las v, y lueqo sustituyendo
estos valores v en las (l4m), obtenemos:

b1k1b1 b11k 2 b21 b11k q bq1 b12 k1b12 b12 k 2 b22

  ................   
p1 p1 p1 p2 p2

b12 k q bq 2 b1m k1b1m

.............   ........................... 
p2 pm
b1m k 2 b2 m b1m k q bqm
  ..............   w1  0
pm pm
.
.
.
.
b21k1b11 b21k 2b21 b21k q bq1 b22 k1b12 b22 k 2b22
  ..............   
p1 p1 p1 p2 p2

b22 k q bq 2 b2 m k1b1m b2 m k1b2 m

  ...............................  
p2 pm pm
b2 m k q bqm
..............   w2  0
pm
.
.
.
.
bq1k1b11 bq1k 2b21 bq1k q bq1 bq 2 k q bq1 bq 2 k 2b22
  ...............     .............
p1 p1 p1 p2 p2
bq 2 k q bq 2 bqm k1b1m bqm k 2b2 m
  ................................  
p2 pm p2
bqm k q bqm
..............   wq  0
pm

Las ecuaciones (14q) son q en número e implican como incógnitas sólo a los
correlativos o valores K, K1, K2…….., Kq. Estas ecuaciones se resuelven para los
correlativos, con lo cual esos valores correlativos luego se sustituyen de nuevo en
las ecuaciones (l4p) y se calculan los residuales. Teniendo los residuales, que
son valores de mínimos cuadrados, podemos aplicarlos a las observaciones
originales para calcular las observaciones corregidas. De éstas corregidas, uno
puede calcular los valores ajustados para los parámetros desconocido requerido.

14.8.2 Solución por métodos matriciales

El procedimiento básico anterior que acabamos de presentar, puede realizarse

usando métodos matriciales. Las ventajas obviamente son la conveniencia de
expresar las ecuaciones y el procedimiento sistemático computacional que se
adaptan idealmente a cómputos mediante computadoras electrónicas.

Comenzando otra vez con el sistema de ecuaciones de condición (14í),

representamos este sistema en forma matricial como:

B (L + V ) = C . . . . . . . . . . . . . . . . . . . ( 14r)

De la cual después del desarrollo tenemos:

BL + BV = C

Y reordenando resulta:

BV = C - BL

Let BV = W = C – BL.

Entonces BV - W = O. . . . . . . . . . . . . . . . . . . . . . (14 S)
La (14s) es el equivalente matricial de las ecuaciones algebraicas (14m). En el
ajuste por mínimos cuadrados, minimizamos el  pv 2 , que en forma matricial es:

 '  V T PV  minimo . . . . . . . . . . . . . . . . .. . . . . . (14t)

Since BV  W  0, then also :
2 k T ( BV  W )  0

En la ecuación matricial (14u) , hemos introducido los correlativos. Ya que la

expresión (14u) es igual a cero, podemos restarla de la ecuación (14t) sin cambiar
el valor de  , o:
'

 '  V T PV  2 K T ( BV  W ) . . .. .. . . . . . . . . . . . . . . . . . . . . . (14v)

La expresión (14v) es equivalente a la ecuación algebraica (14o). Para hacer

cumplir la minimización en la solución por mínimos cuadrados, tomamos las
derivadas parciales de  con respecto a cada residual y se establece el resultado
'

igual a cero. Esto se expresa en forma matricial como:

 '
 2V T P  2 K T B  0 . .. . . . . . . . . . . . . . . . . . . . . (14w)
V

La expresión (14w) es equivalente a las ecuaciones algebraicas (14p). Dividiendo

(14w) por 2, y transponiendo, tenemos: (Nótese que PT = p).

P V - BT K = O

Ahora resolvemos para V en la expresión anterior y obtenemos:

V  P 1 BT K . . . . . . . . . . . . . . .(14x)

Sustituyendo (14x) en (14s) tenemos:

B P 1 B T K  W  0 .. . . . . . . (14y)
La ecuación (14y) es equivalente a la expresión algébrica (14q).

Resolviendo (14y) para K, los correlativos, resulta:

K  ( B P 1 B T ) 1 W
Sustituyendo esa expresión anterior en (14x), finalmente obtenemos:

V  P 1 B T ( BP 1 B T ) 1 W . . . . . . . . (14z)

La ecuación (14z) es la expresión matricial para la solución por mínimos

cuadrados de las ecuaciones de condición. Es equivalente a la ecuación (14f).

14.9 Programa de computadora para la solución de ecuaciones de

condición

Se brinda en el Apéndice E un listado del programa de computadora que resuelve

la ecuación de condición matricial (14f). Las matrices B, W y P deben calcularse e
ingresarse en la computadora mediante tarjetas perforadas. El programa se
entiende para acomodar un problema que tenga hasta 20 ecuaciones de condición
involucrando hasta 50 valores observados. Se pueden asignar pesos a la
observación, o si se desea una solución no ponderada, se puede dar entrada a la
matriz P como una matriz de identidad. También se ofrece en el Apéndice E
documentación del programa para su empleo.

Tarea autodidictica No. 14

1) Resolver el problema 1 de la tarea autodidáctica No. 8 usando el método de

condiciones.
2) Resolver el problema 2 de la tarea autodidáctica No. 8 usando el método de
condiciones.
3) Resolver el problema 2 de 1a tarea autodidáctica No. 12 usando el método de
condiciones
 CAPITULO 15
AJUSTE DE POLIGONALES POR CONDICIONES

15.1 Introducción

En cualquiera poligonal cerrada completamente levantada, se pueden cumplir en

los ajustes las tres siguientes condiciones: 1) cierre de partida o cierre en
coordenadas X; 2) cierre de latitud o cierre coordenadas Y; y 3) cierre de
acimut/acimutal. Estas condiciones existen sin importar cuantos lados están
presentes en la poligonal. La manera de formar esas ecuaciones de condición se
da en los artículos siguientes.

15.2 Las condiciones de partida Y latitud

La Fig. 15.1 ilustra una línea IJ, y con referencia a la figura se pueden escribir las
ecuaciones siguientes:

X  D sin  . . . . . . . . . . . . . . . . . . . . . . (15a)
Y  D cos  . . . . . . . . . . . . . . . . . . . . . . . . (15b)

Fig. 15.1

En las Í15a) y (15b) X y Y son la partida y latitud respectivamente — del

curso, D es la longitud o largo de la línea, y  es el acimut medido del curso.
Tomando la derivada de la ecuación (15a), un pequeño error de partida d X
debido a un pequeño error acimutal d  y al error de distancia D es:

X = D cos  . d  + sen  dD . . . . . . . . . .(15c)

La sustitución de las ecuaciones (15a) y (15b) en (15c) produce:

X
d X  Yd   dD . . . . . . . . . . . . . . . . . (15d)
D

Tomando ahora la derivada de la (15b), un pequeño error de latitud d Y debido al

pequeño error acimutal d  y al error de distancia D es:

d Y   D sin  d   cos  dD . . . . . . . . . .(15e)

Sustituyendo las (15a) y (15b) en (15e) produce:

d Y  Xd   Y dD / D . . . . . . . . (15f)

Considérese a d  como un pequeño error residual v a en el acimut de

cualquiera línea de poligonal, y considérese D como un pequeño error residual
v s en la medición de distancia de cualquiera linea poligonal. Las ecuaciones
(15d) y (15f) pueden expresarse con estas sustituciones como:

X
d X  Yva  vs . . . . . . . . . . . . . . (15g)
D

X
d Y  Xva  vs . . . . . . . . . . . . . (15h)
D

Ahora considérese la poligonal cerrada de la Fig. 15.2, en donde los puntos 1 y 5

son puntos de control. El error v al en el primer acimut se propaga a través de toda
la figura, de ahí que para v al el Y que contribuye al error d X de la ecuación
(15g) es (Y5l  Yl ) y el X que contribuye al error d Y en la ecuación (15h) es
( X 5l  X l ) . En lo antedicho, el X 5l y Y5l son coordenadas preliminares del punto
5; es decir, son coordenadas calculadas usando acimuts y longitudes no
ajustados.
Semejantemente para el error acimutal en Ta estación 2, va2 , el Y que
contribuye al error d X de la ecuación (15g) es (Y5  Y2 ) , y el X que
l l

contribuye al error d Y en la ecuación (15h) es ( X 5l  X 2 l )

Referente a estos residuales de distancia v s , los residuales individuales de

distancia no se propagan a través de la poligonal. Mas bien, sólo los X y Y
individuales de cada línea contribuyen a sus errores d X y d Y . Por esto el X
para vsl , en 1a ecuación (15g) es ( X 2l  X l ) y el Y para vs , en la ecuación (15h)
l

es (Y2  Yl ) También el X para v s en (15g) es ( X 3  X 2 l ) , el Y en (15h) es

l
2
l

(Y3  Y2 ) , etc.
l l

Expresando la Suma de todos los d X para todas las líneas de la Fig. 15.2:

Fig 15.2
( X 5  X 5 l )  (Y5 l  Yl )va1  (Y5 l  Y2 l )va2  (Y5 l  Y3l )va3

( X 2 l  X 1 )vs1 ( X 3l  X 1l )vs2
 (Y5 l  Y4 l ) va4   
D1,2 D2,3

( X 4 l  X 3l ) vs3 ( X 5 l  X 4 l ) v s4
  . . . . . . . . (15i)
D3,4 D4,5

Simplificando la (15i):
n 1 n 1 ( X j  X i )vsi
( X n  X n )   (Yn  Yi )vai  
l . . . . .. . . . (15j)
i 1 i 1 Dij

Fig 15.2
( X 5  X 5 l )  (Y5 l  Yl )va1  (Y5 l  Y2 l )va2  (Y5 l  Y3l )va3

( X 2 l  X 1 )vs1 ( X 3l  X 1l )vs2
 (Y5 l  Y4 l ) va4   
D1,2 D2,3

( X 4 l  X 3l ) vs3 ( X 5 l  X 4 l ) v s4
  . . . . (15i)
D3,4 D4,5

Simplificando la (15i):

n 1 n 1 ( X j  X i )vsi
( X n  X n l )   (Yn  Yi )vai   . . . . . . . . . . (15j)
i 1 i 1 Dij

Similarmente, la ecuación simplificada para la suma de d  Y es:

' n 1 n 1 (Y j  Y1 )
( Yn - Yn ) =  ( X n  X 1 ) v a1  
aij
vs1.......... ......... (15k)
i 1 i 1 1)

En las ecuaciones (15j) y (15k) n representa el número total de estaciones de

poligonales comenzando con la estación de control inicial en la cual se mide el
ángulo, y terminando con la estación de control final donde se mide un ángulo.
Por ende, n también es igual al número total de ángulos medidos en la poligonal.
Por ejemplo de la poligonal en la fig. 15.2, n = 5. En estas ecuaciones, el suscrito j
= i+1. Todas las coordenadas X y Y son preliminares; vg., se calculan de acimuts y
longitudes/largos no ajustados, empezando desde la estación de control inicial.
Los valores de D en estas ecuaciones son longitudes medidas. Las unidades de
los términos D, X y Y son lineales (usualmente pies o metros), y se aplican las
mismas unidades a los residuales de distancia. Se aplican unidades de radianes a
los residuales angulares.

15.3 La condición acimutal

La condición de cierre acimutal se ilustra en la Fig. 15.3

La condición acimutal o de cierre de ángulo es:

 F   I  ( 1  va1 )  ( 2  va 2 )  ( 3  va 3 )  ( 4  va 4 )  ( 5  va 5 )......... ...(15 l )

En la ecuación (15l )  i  A j  180 ª ,  I es el acimut de control inicial y  F es el

acimut de control final o de cierre. La (15l ) puede simplificarse como sigue:

n n
 F   I  i  v ai .......... .......... .......... .......... .......... .......... .......... .......... (15 m )
i 1 i 1

Los valores w en las (15 p ) y (15m ) son ángulos de desviación, y todas las
unidades están en radianes.

15.4 Ejemplo del problema del ajuste de poligonales

Para ilustrar los principios discutidos en los artículos precedentes. La muy sencilla
poligonal presentada en el Art. 13.4 la cual se ajustó por el método de la ecuación
de observación, será ahora ajustada por el método de la ecuación de condición.
Como abajo se indica, las soluciones tabulares son muy útiles para formar las
ecuaciones de condición.

15.4.1 Condición acimutal

Por la ecuación (15m ) , la ecuación de condición acimutal es:
n
 F   I    1  va1  va 2  va 3  .......... .......... .......... .......... .......... .......... ....(15 n )
i 1

El lado izquierdo de la (15m ) es el cierre de acimut que se calcula como sigue:

(véase a continuación la solución tabular) w1  90 º 00 '0º 00 '90 º 01'0º 01'

Convirtiendo a radianes:

 01
w1   0.000291 rad.
3438

Ángulos Ángulos de Acimuts

Estación observados (A) desviación (W) preliminares
E 0º00’
A 240º00’ 60º00’ 60º00’
B 150º00’ 30º00’ 30º00’
C 240º01’ 60º01’ 90º01’
D   i  90 º 01'
Solución tabular para calcular el cierre acimutal

15.4.2 Condiciones de partida y latitud

Por la ecuación (15 j ) , la ecuación de condición de partida es:

( X 'b  X a ) ( X 'c  X 'b )

( X c  X 'c )  (Y 'c Ya )va1  (Y 'c Y 'b )va 2  v s1  vs 2 .......... ......( 15 o )
Dab Dbc

También por la (15k ) , la ecuación de condición de latitud es:

(Y 'b Ya ) (Y 'c Y 'b )

(Yc  Y 'c )   ( X 'c  X a )va1  ( X 'c  X 'b )va 2  v s1  vs 2 .......... ........( 15 p )
Dab Dbc

Es de utilidad una solución tabular para calcular los coeficientes y cierres para las
(15o ) y (15 p ) , a saber:
 Acimut Coordena Coordena
Estació Distancia
prelimina Partida Latitud das da
n medida
r X Y
A 1000.000 1000.000
60º00’ 200.00 173.205 100.00
B 1173.205 1100.000
30º00’ 100.00 50.000 86.603
C 1223.205 1186.603

De la tabla anterior, los coeficientes de los residuales en la ecuación de partida

son:

Y 'c Ya  186 .603

Y 'c Y 'b  86 .603
X 'b  X a 173 .205
  0 .866
Dab 200 .00
X 'c  X 'b 50 .000
  0 .500
Dbc 100 .000

También el término constante o el cierre en las partidas son:

w2  X c  X 'c  1223 .000  1223 .205   0 .205 ft.

Similarmente, los coeficientes de los residuales y es término constante o de cierre

para la ecuación de condición de latitud son:
 ( X 'c  X a )   223.203
 ( X 'c  X b )   50.000
Y 'b  Ya 100.000
  0.500
Dab 200.000
Y 'c  Y ' b 86.603
  0.866
D bc 100.000
w 3  Yc  Y 'c  1186.500  1186.603   0.103ft .

15.4.3 Compendio de las matrices

De acuerdo con la ecuación básica de condición matricial, BV=W, se aplican las

siguientes matrices para este problema de ejemplo:
B=

 v a1 
 
 va 2    0.000291 
v 
V=  a 3  W =   0.205 

 v s1    0.103 
v 
 s2 
vs 3 

La matriz P o de peso comprende los pesos individuales de las observaciones.

Ellos son equivalentes a los inversos de los cuadrados de las desviaciones
estándar (o variaciones) de los valores observados, de acuerdo con la ecuación (6
g). Se dieron las desviaciones estándar para esas observaciones en el Art.13.4.
Recuérdese que las unidades de los valores angulares están en radianes.
Considerando que las observaciones no están correlacionadas, los elementos no
diagonales son cero, y la matriz P es:

P=

En la matriz anterior,  (Rho) es el número de segundos por radian o 206,265.

Reduciendo esta matriz P a valores numéricos produce:

P=
15.4.4 Solución programa computadora

Las matrices anteriores se ingresaron a la computadora y se resolvieron usando el

programa descrito en el Apéndice E. los resultados se listan en una de las paginas
siguientes. Nótese que los primeros tres residuales listados están en unidades de
radianes que al convertirse a segundos son -49”, -17” y +6”, respectivamente. Los
residuales de distancia son -0.11 y -0.12 ft, respectivamente para las líneas AB y
BC. Estos valores concuerdan con aquellos obtenidos por la solución de la
ecuación de observación dada en el Art. 13.4.

15.4.5 Cálculo de los valores ajustados

El programa de computadora produce residuales que deben aplicarse a las

observaciones originales para obtener observaciones ajustadas. Basándose en las
observaciones ajustadas, pueden obtenerse los acimuts y coordenadas ajustados,
a saber:

Observación Valor medido Residual Valor ajustado

1 240º00’00” -49” 239º59’11”
2 150º00’00” -17” 149º59’43”
3 240º01’00” +6” 240º01’06”
AB 200.00 -0.11 199.89
BC 100.00 -0.12 99.88

Acimut Distancia Coordenadas Coordenadas

Estación Partida Latitud
ajustado ajustada ajustadas X ajustadas Y
A 1000.00 1000.00
59º59’11” 199.89 173.09 99.99
B 1173.09 1099.99
29º58’54” 99.88 49.91 86.51
C 1186.50 1223.50
Nótese que las coordenadas ajustadas para el punto B concuerdan exactamente
con aquellas de la solución de la ecuación de observación, y la poligonal cierra
precisamente en el punto de control C.

15.5 Poligonales de polígono cerrado

El problema presentado aquí fue una poligonal que comenzó en un punto de

control y cerro en otro diferente. Los tipos de poligonales de polígono cerrado,
tales como los de la figura 13.1 (a) que se reprodujeron en la Fig. 15.4, no
presentan ningún problema especial. Se calculan las coordenadas preliminares
para los puntos B’, C’, D’ y A’ usados en las ecuaciones de condición (15j) y (15k)
basándose en los ángulos medidos 1 al  4 , y en las cuatro distancias medidas.
Los cierres de partida y latitud serían X a  X 'a y Ya  Y 'a , respectivamente. La
ecuación de condición angular sería:

s n

  i  180 º  v ai .......... .......... .......... .......... .......... .......... .......... .......... ........( 15 q )
i 1 i 1

Donde   ei  180 º

Fig. 15-4

Ejemplo de poligonal de polígono cerrado

POLIGONAL DE LA FIG. 13-2, COMPUTOS DE AJUSTE DE WOLF
MATRIZ B

1.0000000 1.0000000 1.0000000

0.0000000 0.0000000 0.0000000
186.60300 86.603000 0.0000000
0.8660000 0.5000000 0.0000000
-223.2050 -50.00000 0.0000000
0.5000000 0.8660000 0.0000000

MATRIZ W

[-0.0002910 -0.2050000 -0.1030000]

MATRIZ P

7300000.00 47300000.00 47300000.00

400.000000 156.0000000 0.000000000

RESIDUALES

  0 .0002350 
 
  0 .0000834  Radianes
0 .0000275 
 

 0.1069571 
  Pies
 0.1225815 

Tarea autodidáctica No. 15

1) Usando el método de condiciones de mínimos cuadrados, calcular los

residuales y las coordenadas ajustadas de las estaciones B y C en la poligonal
de la tarea autodidacta No. 13. (Nota: elimínese el ángulo BAC=45º12’15”, y
agréguese el ángulo CAX=251º13’15”).

2) Para la poligonal cerrada de la figura a continuación, se aplican los datos

dados. Calcular los residuales y las coordenadas ajustadas de las estaciones
A, B y C usando el método de condiciones de mínimos cuadrados.
 Observaciones

Angulo Valor Curso Longitud

PQA 85º17’ QA 453.85
QAB 267º11’ AB 621.20
ABC 94º34’ BC 598.35
BCR 179º30’ CR 671.91
CRS 308º03’

Acimuts fijos: PQ = 150º05’

RS = 184º43’

Coordenadas fijas:
X q  10 .000 X r  11 .813 ,99
Yq  10 .000 Yr  10 .458 ,84

Desviaciones estándar:
Ángulos medidos =  60"
Distancias medidas =  0.20 pies
 CAPITULO 16
TRANSFORMACION CONFORME DE COORDENADAS BIDIMENSIONALES

16.1 Introducción

Se usa tal transformación para transformar las coordenadas de puntos de un

sistema de coordenadas planas a otro sistema paralelo de coordenadas planas.
La característica de una transformación conforme es que mantiene una forma
cierta/verdadera entre las posiciones relativas de los puntos transformados. Una
típica situación en agrimensura donde se utiliza dicha transformación, es la de
colocar dos levantamientos separados (efectuados en distintos sistemas de
coordenadas) en uno de los sistemas.

Las transformaciones conformes de coordenadas bidimensionales involucran un

proceso de tres pasos: (1) hacer el cambio utilizando una constante
(desmultiplicar), para crear iguales tamaños de los dos sistemas de coordenadas;
(2) rotación, para hacer paralelos los ejes de referencia de los dos sistemas; y (3)
traslación, a fin de crear un origen común para los dos sistemas de coordenadas.
Para efectuar dicha transformación, es necesario tener un mínimo de 2 puntos
comúnmente llamados “puntos de control”, cuyas coordenadas son conocidas en
ambos sistemas. No obstante, es deseable tener más de dos puntos de control.

16.2 desarrollo de las ecuaciones

Las Figs. 16.1 y 16.2 ilustran a dos sistemas de coordenadas independientes con
tres puntos de control: A, B y C, se requieren transformar los puntos adicionales 1,
2, 3,…….., n del sistema x-y al sistema X-Y. las ecuaciones necesarias se
deducen como sigue:
Paso 1 – Desmultiplicación.

Para hacer las longitudes de líneas según definidas por las coordenadas x-y,
iguales a sus longitudes según definidas por las coordenadas X-Y, es necesario
multiplicar las coordenadas x-y por un factor de escala s. las coordenadas
desmultiplicadas x’ y y’ pueden, por tanto, definirse como:
Paso 2 –
x’ = sx Rotación
y’ = sy………………………………………………………………………. (16a)

En la Fig. 16.3, El sistema de coordenadas X-Y ha sido superpuesto en el sistema

desmultiplicado x’-y’. El ángulo  entre los ejes Y y y’ es el llamado “ángulo de
rotación”. Para efectuar la rotación, es necesario construir un sistema de eje X’-Y’,
que sea paralelo al sistema X-Y, pero que tenga su origen en le origen del
sistema del eje x’-y’. Las expresiones que dan las coordenadas giradas X’-Y’ de
cualquier punto (vg., punto 4 de la Fig. 16.3), en términos de las coordenadas x’-y’
y  , son:

X '4  x ' cos   y ' sen 

Y '4  x ' sen   y ' cos  .......... .......... .......... .......... .......... .......... .......... ......( 16 b )
 Fig. 16.3

Paso 3 – Traslación

Para llegar finalmente a las coordenadas X y Y de cualquier punto, es necesario

trasladar desde el origen del sistema X’-Y’ hasta el origen del sistema X-Y.
Haciendo referencia a la Fig. 16.3, se indica que esta traslación para cualquier
punto (vg., punto 4), se logra sumando factores de traslación como sigue:

X 4  X 'TX
Y4  Y 'TY .......... .......... .......... .......... .......... .......... .......... .......... .......... .......( 16 c )

Combinando las ecuaciones (16a), (16b) y (16c):

X 4  sx cos   sysen   TX
Y4  sxsen   sy cos   TY .......... .......... .......... .......... .......... .......... .......... .......... .(16 d )

Permitir que s cos   a ,  ssen   b , Tx  c y TY  d . Luego reescribiendo la ecuación

(16d), y añadiendo residuales para hacer compatibles las ecuaciones
redundantes, resultan las siguientes ecuaciones de observación:

ax  by  c  X  v X
ay  bx  d  Y  vY .......... .......... .......... .......... .......... .......... .......... .......... .......... ...(16 e)
16.3 Aplicación de los mínimos cuadrados

Las ecuaciones anteriores representan las ecuaciones básicas de observación

para efectuar una transformación conforme de coordenadas bidimensionales. Las
ecuaciones contienen cuatro incógnitas: a, b, c y d. estas cuatro incógnitas se
conocen como los coeficientes de transformación. Se pueden escribir dos
ecuaciones de esta forma para cada punto de control; de ahí que dos puntos de
control dan cuatro ecuaciones y una solución única en su género. Resulta un
sistema de ecuaciones redundantes de observación al usar más de dos puntos de
control. Como ejemplo, considérense las ecuaciones, que resultarían al realizar
una transformación conforme para la situación ilustrada en las Figs. 16.1 y 16.2.
Hay tres puntos de control A, B y C; por tanto, pueden escribirse las seis
ecuaciones siguientes:

ax a  by a  c = X A  v XA
 bx a  ay a +d = YA  vYA
ax b  by b  c  X B  v XB
 bx b  ay b  d  YB  vYB
…………………………………………….. (16f)
ax c  by c  c  X c  v Xc
 bx c  ay c  d  Yc  vYc

Las ecuaciones anteriores pueden expresarse en forma matricial como:

A6 x 4 X 4 x1  L6 x1  V6 x1.......... .......... .......... .......... .......... .......... .......... .......... .....(16 g )

Donde:

A=
XA  V XA 
   
a  YA  VYA 
  XB  V XB 
X = b  L=   V=  
c  YB  VYB 
  X  V 
d   C  XC 
YC  VYC 

Puede resolverse el sistema anterior de ecuaciones redundantes usando la

ecuación de mínimos cuadrados (9c), en cuyo caso se obtienen los valores más
probables para los cuatro coeficientes de transformación. Habiendo obtenido tales
coeficientes, las coordenadas X-Y de todos los puntos adicionales (cuyas
coordenadas sólo se conocían en el sistema x-y) pueden obtenerse resolviendo
ecuaciones en la forma de (16f) para cada punto, aunque en esta solución se
abandona el residual. Se puede usar la solución de mínimos cuadrados
ponderados si difieren las veracidades de las coordenadas.

16.4 Programa de computadora y ejemplo numérico

Se ofrece en el Apéndice F un programa de computadora que resuelve el

problema de la transformación conforme. Este programa acomodará hasta diez
puntos de control (puntos cuyas coordenadas se conocen en ambos sistemas),
permitiendo la transformación de hasta 50 puntos. Con este programa, sólo es
necesario ingresar el número de puntos y sus coordenadas. El programa dirige la
computadora a formular matrices A y L. El programa supone pesos iguales en
todas las coordenadas medidas, lo que es el caso usual.

Para demostrar el uso del programa, se resolvió el siguiente ejemplo:

Ejemplo

Un levantamiento efectuado en un sistema arbitrario de coordenadas X-Y produjo

coordenadas para los puntos A, B y C, y del 1 al 5. Los puntos A, B y C son puntos
de control cuyas coordenadas planas estatales (rotuladas E y N) se conocen. Se
requieren determinar las coordenadas N-E de los puntos 1 al 5.

A continuación una tabulación de las coordenadas arbitrarias X-Y y de las N-E

para esos puntos:

Punto E N X Y
A 1,049,422.40 51,089.20 121.622 -128.066
B 1,049,413.95 49,659.30 141.228 187.718
C 1,049,244.95 49,884.95 175.802 135.728
1 174.148 -120.262
2 513.520 -192.130
3 754.444 -67.706
4 972.788 120.994
5 1068.118 161.624

Este problema se resolvió usando el programa de computadora del Apéndice F,

que también documenta la forma como se ingresan los datos de entrada en la
computadora. La salida impresa para la solución se da en la página siguiente, y es
auto explicativo e incluye los datos de entrada, las coordenadas de los puntos
transformados y los coeficientes de transformación.
EJEMPLO DEL PROBLEMA COMPUTOS PARA EL AJUSTE DE WOLF

PUNTOS DE CONTROL

PUNTO ABCISA ORDENADA

A 1049422.400 51089.200
B 1049413.950 49659.300
C 1049244.950 49884.950

COORDENADAS MEDIDAS

PUNTO X Y
A 121.622 -124.066
B 141.224 187.714
C 175.802 135.724
1 174.144 -120.262
2 513.520 -192.130
3 754.444 -67.706
4 972.788 120.994
5 1064.118 161.624

COORDENADAS TRANSFORMADAS TERRESTRES DE LOS PUNTOS

PUNTO ABCISA ORDENADA

A 1049422.404 51089.171
B 1049414.051 49659.223
C 1049244.845 49885.056
1 1049187.361 51040.629
2 1047637.713 51278.829
3 1046582.113 50656.241
4 1045644.713 49749.336
5 1045224.845 49541.807

ECUACIONES DE TRANSFORMACION

X TIERRA  A1  A2 ( XMEDIDA )  A3(YMEDIDA )

 YTIERRA  A4  A3( XMEDIDA )  A2 (YMEDIDA )

Donde A1  1050003 .71, A2  4.51249 , A3  0.25371 , A4  50542 .13

Tarea autodidacta No. 16

1) Se conocen las coordenadas de los puntos A, B y C en el sistema X-Y y en el

sistema x-y. Sólo se conocen las coordenadas de los puntos D, E, F y G en el
sistema x-y. Estas coordenadas se muestran en la tabla a continuación.
Usando una transformación conforme de coordenadas bidimensionales, y el
método de mínimos cuadrados, calcúlense las coordenadas de D, E, F y G en
el sistema X-Y.

Punto X Y x y
A 3000.00 2000.00 1767.77 1060.66
B 1000.00 3000.00 707.11 707.11
C 3000.00 4000.00 1060.66 1767.77
D 1414.21 1414.21
E 353.52 1060.66
F 1414.21 -353.52
G 353.52 -353.52

2) Para el problema 16.1, ¿cuáles son los valores de: (a) el ángulo de rotación,
(b) el factor de escala, (c) la traslación en X, y (d) la traslación en Y?
 CAPITULO 17
ELIPSES DE ERRORES

17.1 Introducción

Como se demostró en el capitulo 10, después de realizar los ajustes por mínimos
cuadrados para obtener las posiciones más probables de los puntos en un sistema
de coordenadas de referencia X-Y, las desviaciones posicionales estándar SX i y
SYi para el punto i en las direcciones X y Y pueden calcularse fácilmente de los
elementos de la matriz de covariación. Esas desviaciones estándar proporcionan
estimaciones de errores en las direcciones de los ejes de referencia que tienen un
68 por ciento de probabilidad. En forma gráfica, representan las medias
dimensiones de un rectángulo de error estándar alrededor de cada punto.

En una más rigurosa teoría del error, el rectángulo de error estándar se reemplaza
por una elipse de error estándar cuyos arcos son tangentes a los lados del
rectángulo de error. (Véase la Fig. 17.1) La orientación de la elipse depende del
ángulo t que establece las direcciones de los ejes ortogonales auxiliares U-V a lo
largo de los cuales yacen los ejes de la elipse. Hay un número infinito de
diferentes formas de orientación de la elipse. Sin embargo, en agrimensura
normalmente nos interesa el sistema de ejes U-V que produce valores máximos y
mínimos para los ejes semimayores y semimenores de la elipse, respectivamente.
De los elementos de la matriz de covariación determinados el valor de t que
orienta la elipse a proporcionar los semiejes máximos y mínimos, además de
calculas los valores numéricos para esos semiejes.

Conforme a ala teoría del error, dependiendo del número de grados de libertad en
el problema del ajuste hay aproximadamente un 35 por ciento de probabilidad que
el punto ajustado yazca dentro de la elipse de error estándar. Esta elipse de error
estándar puede modificarse en dimensiones mediante el uso de valores
estadísticos “F” para representar una probabilidad de error de cualquier por ciento
seleccionado. Con frecuencia los agrimensores seleccionan la probabilidad del
95%, puesto que esto permite un alto nivel de confianza.

Los procedimientos para calcular el ángulo t y los ejes semimayores y

semimenores se presentan en la sección 17.2, dándose ejemplos en la 17.3.

17.2 Computo de orientación y semiejes de la elipse

El procedimiento a fin de calcular el ángulo de orientación t de la elipse que

produce semiejes máximos y mínimos, primero involucra la escritura de
ecuaciones de transformación conforme bidimensional para transformar cualquier
punto I del sistema del eje de ajuste X-Y al sistema de coordenadas ortogonales
U-V (véase la Fig. 17.2); luego diferenciando estas ecuaciones con respecto a t,
estableciendo el resultado igual a cero y resolviendo para t. esto se demuestra en
los pasos siguientes:

A. Cualquier punto I en el sistema UV puede representarse con respecto a sus

coordenadas X-Y como:

U i  Yi cos t  X i sent
Vi  Yi sent  X i cos t .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .(17 a )
En forma matricial las ecuaciones anteriores son:

U i  cos t sent  Yi 

    …………………………………………………….. (17b)
Vi    sent cos t   X i 

O en una notación simplificada:

Z = NX…………………………………………………………………………... (17c)

B. supóngase que como resultado del problema del ajuste en el cual aparece I,
hemos desarrollado una matriz de covariación Q XX para el sistema X-Y. Ahora el
problema es desarrollar de la matriz Q XX una nueva matriz de covariación Q ZZ
para
el sistema del eje UV.

C Sustituir las identidades trigonométricas dentro del elemento QUU de (17f) y

reducir:

QUU  cos 2 tQYY  2 cos tsentQ XY  sen 2tQ XX

sen 2t
QUU  cos 2 tQYY  sen 2tQ XX  2 Q XY
2
Q XX  QYY QYY cos 2 t Q XX sen 2t QYY sen 2t Q XX cos 2 t
QUU  ( sen 2t  cos 2 t )      sen 2tQ XY
2 2 2 2 2
Q XX  QYY QYY Q XX
QUU   (cos 2 t  sen 2t )  (cos 2 t  sen 2t )  Q XX sen 2t
2 2 2

Finalmente,
 Q XX  QYY QYY  Q XX
QUU   cos 2t  Q XY sen 2t .......... .......... .......... .......... .......... .(17 g )
2 2

D. Con una manipulación similar, todos los elementos de la matriz QZZ pueden
representarse como: ecuación (17h)

Q XX  QYY 
 QYY  Q XX QYY  Q XX sen 2t  Q XY cos 2t 
  cos 2t  Q XY sen 2t 2
2 2 
 QYY  Q XX QYY  Q XX
  cos 2t  Q XY sen 2t 
2 2 
Q  Q 
 XX YY
sen 2t  Q XY cos 2t 
 2


Para determinar el valor de “t” que maximizará (o minimizará) QUU . Diferenciamos

QUU con respecto a 2t y se establece la función resultante igual a cero:

d (QUU ) QYY  Q XX
0 ( 2)(  sen 2t )  Q XY ( 2) cos 2t
d 2t 2

Reduciendo:

(QYY  Q XX ) sen 2t  2Q XY cos 2t

sen 2t 2Q XY
  tan 2t .......... .......... .......... .......... .......... .......... .......... .......... .........( 17 i )
cos 2t Q yy  Q XX

De ( 17i ) hallamos el valor 2t y de ahí t. también lo posicionamos en el cuadrante

apropiado reconociendo que el numerador es seno 2t y el denominador coseno 2t.
La siguiente tabla ayuda a seleccionar el cuadrante correcto:

Signo algebraico de
Seno 2t Coseno 2t Cuadrante
+ + 1
+ - 2
- - 3
- + 4

E. Para facilitar el cálculo de QUU se desarrolla la siguiente ecuación:

 QYY  Q XX
Permita que K 
cos 2t

QYY  Q XX
Luego: cos 2t  .......... .......... .......... .......... .......... .......... .......... ...(17 j )
K
2Q XY
Y de la ecuación ( 17i ) : sen 2t  .......... .......... .......... .......... .......... ...(17 k )
K

Elevando al cuadrado ( 17 j ) y ( 17 k ) y tomando sus sumas:

QYY  Q XX 2Q XY
cos 2 2t  sen 2 2t  ( )2  ( )2
K k

Por identidad trigonométrica el lado izquierdo de la ecuación anterior es 1, por

tanto:

(QYY  Q XX ) 2  ( 2Q XY ) 2
1
K2

Resolviendo para K:

K  (QYY  QXX ) 2  ( 2QXY ) 2 1 / 2 .......... .......... .......... .......... .......... ......(17 l )

Sustituyendo ( 17 j ) y ( 17k ) en el elemento QUU de ( 17h) :

QYY  Q XX QYY  Q XX QYY  Q XX Q XY

QUU  ( )( )  Q XY ( 2)( )......... .......... ...(17 m )
2 2 K K

Reduciendo:

QYY  Q XX 1  (QYY  Q XX ) 2
QUU     2(Q XY ) 2 
2 K 2
QYY  Q XX 1 K2
QUU  
2 K 2

Finalmente:

1
QUU  (QYY  Q XX  k )......... .......... .......... .......... .......... .......... .......... .......... .......... .(17 n )
2
La ecuación ( 17n) permite el cálculo fácil de un valor numérico, que al multiplicarlo
por s02 , da la variación a lo largo del eje U. La raíz cuadrada de la variación es el
eje semimayor para la elipse de error estándar.

F. Ahora hallamos el valor de QVV diferenciando QVV de la ecuación (17h) y

estableciendo la función resultante igual a cero:
d (QVV ) QYY  Q xx
 0  ( )(  sen 2t )( 2)  Q XY cos 2t ( 2)
d 2t 2

Reduciendo:

(QYY  Q XX ) sen 2t  2Q XY cos 2t

sen 2t 2Q XY
  tan 2t .......... .......... .......... .......... .......... .......... .......... .......... .........( 17 o )
cos 2t (QYY  Q XX )
G. De previas consideraciones:

QYY  Q XX )
K (
cos 2t
Q  Q XX
cos 2t  ( YY )......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......( 17 p )
K

Sustituyendo también en (17o)

2Q XY
sen 2t  .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... .......... ......( 17 q )
K

Elevando al cuadrado (17p) y (17q) y sumando:

(QYY  Q XX ) 2  4(Q XY ) 2
cos 2 2t  sen 2 2t 
K2

K  (QYY  Q XX ) 2  4(Q XY ) 2 
1/ 2

Sustituyendo (17p) y (17q) en QVV de la (17h):

QYY  Q XX QYY  Q XX QYY  Q XX Q XY ( 2)Q XY

QVV  ( )(  )
2 2 K K
Reduciendo:

QYY  Q XX 1  (QYY  Q XX ) 2 (Q XY ) 2 
QVV    2 
2 K  2 
QYY  Q XX 1 K2
QVV  
2 K 2

Finalmente:

1
QVV  (QYY  Q XX  K )......... .......... .......... .......... .......... .......... .......... .......... .......... ....(17 r )
2

La ecuación (17r) produce un valor numérico de QVV que cuando se multiplica por
s 2 da la variación a lo largo del eje V. La raíz cuadrada de esta variación es el
semieje menor de la elipse.

H. Resumiendo, los procedimientos a fin de calcular el ángulo t y los valores

numéricos para los semiejes mayores y menores de la elipse son:
(1) De la matriz de covariación

2Q XY sen 2t
(1) tan 2t  
QYY  Q XX cos 2t

1
(2) QUU  (QYY  Q XX  K )
2

1
(3) QVV  (QYY  Q XX  K )
2

Donde:


K  (QYY  QXX ) 2  4(QXY ) 2 
1/ 2

La ecuación (1) da el ángulo t, que el eje U hace con el eje Y. La ecuación (2) da
el valor numérico para QUU que al multiplicarse por s 2 , da la variación a lo largo del
eje U. La raíz cuadrada de la variación es el semieje mayor para la elipse de error
estándar.
La ecuación (3) da el valor numérico para QVV que al multiplicarse por s 2 da la
variación a lo largo del eje V. la raíz cuadrada de esta variación da el semieje
menor de la elipse de error estándar.

Nótese que no es menester buscar las funciones trigonométricas, excepto para 2t

del valor numérico obtenido en la ecuación (1).

17.3 Ejemplo del problema de los cálculos de la elipse de error estándar

17.3.1 Calcular las elipses de error para el problema de trilateración en el

Artículo 11.9

A. Croquis del problema.

B. Del listado de computadora se obtiene lo siguiente:

1) s0   0 .020 pies
2) Las matrices de covariación (Q XX ) y X son:

 dX 2 
 
Q XX  X=  dX 3 
 dY2 
 
 dY3 
C. La elipse de error para la estación Wls. (No. 2):

1)
2( 1.66 )
tan 2t   2.333 ;2t  293 º 40 ' ; t  146 º 50 '
2.634  1.199

2)

K  ( 2.634  1.199 ) 2  4( 1.66 ) 2
1/ 2


K  2.059  11 .022 1 / 2  13 .08  3.617

3)
2.634  1.199  3.617
SU  S 0 QUU  0.020  0.039 ft.
2
4)
2.634  1.199  3.617
SV  S 0 QVV  0.020  0.007 ft.
2
5)
S X  0.020 1.199  0.022 ft.
6)
SY  0.020 29364  0.033 ft.

D. La elipse de error para la estación Campus (No. 3):

1)
2(0.460 )
tan 2t   0.270 ;2t  15 º 08 ' ; t  7 º 34 '
3.962  0.583

2)

K  (3.962  0.583) 2  4(0.460) 2 
1/ 2
 12.26  3.502

3)
 3.962  0.583  3.502
SU  0.020  0.040 ft.
2
4)
3.962  0.583  3.502
SV  0.020  0.014 ft.
2
5)
S X  0.020 0.583  0.015 ft.
6)
SY  0.020 3.962  0.040 ft.

E. Dibujando la elipse de error estándar.

La Fig. 17.3 muestra la figura para el ejemplo de trilateración de Art. 11.9, dibujada
a una escala de 1200 pies por pulgada. A fin de dibujar las elipses de error para
los puntos 2 y 3, primero se construye el rectángulo de error delineando los
valores de S X y S Y hacia alguna escala conveniente de elipse a lo largo de los
ejes de ajuste X y Y, respectivamente. Para este ejemplo, se seleccionó una
escala de elipse de 1” igual a 0.5pies. Luego se delinea el ángulo “t” al dextrorso
del eje Y positivo para construir los ejes U y V. Después se trazan los valores de
SU y S V a la escala de la elipse a lo largo de los ejes U y V respectivamente. La
elipse se dibuja de manera tal que SU es el semieje mayor. S V Es el semieje
menor y la elipse es tangente al rectángulo de error.
Escala de Fig.:1”=1200pies
Escala de elipse: 1”=0.5 pies
 Fig. 17.3
Elipses de error estándar para el cuadrilátero trilaterado del Art. 11.9

17.3.2 Calcular la elipse de error estándar para el punto B del problema de la

poligonal del Art. 13.4

A. Para el ajuste, S 0   1 .76 pies , y las matrices X y Q son:

 dX  Q XX Q XY  0.000553 0.000622 
X=   QB   =  
 dY  Q XY QYY  0.000622 0.000872 

B. Cálculos para la elipse de error:

1)
2 ( 0 .000622 )
tan 2t 
0 .000872  0 .00553
2t  75 .6 º
t  37 .8 º

Al dextrorso del eje Y

2)
K = (0.000872  0.000553 ) 2  4(0.000622 ) 2 
1/ 2

K  0.001284
3)
0.000872  0.000553  0.001284
SU  1.76  0.064 ft.
2
4)

0.000872  0.000553  0.001284

SV  1.76  0.015 ft.
2
5)

S X  1.76 0.000553  0.41 ft.

6)

SY  1.76 0.000872  0.052 ft.

C. La Fig. 17.4 da la elipse trazada de error estándar

Fig. 17.4
Elipse de error estándar para el ejemplo de poligonal Art 13.4

17.4 La elipse de error de 95 por ciento

Los cálculos del Art. 17.3 producen la “elipse de error estándar”. Tales elipses
pueden modificarse para producir elipses de error (EE) de cualquier intervalo de
confianza o por ciento de probabilidad, por ejemplo de 50%, del 90%, del 95% o
del 99%. En agrimensura la EE del 95% es la mayormente usada se usa la
estadística “F” a fin de modificar las EE estándar para obtener elipses de otras
probabilidades. La estadística “F” da razones/relaciones de variaciones para
variados grados de libertad, puesto que al aumentar los grados de libertad, se
espera que también aumente la precisión. Los modificadores de la estadística “F”
para las EE del 95% de confianza son:

Grados de libertad Estadística F

1 200
2 19.0
3 9.55
4 6.94
5 5.79
10 4.10
15 3.68
20 3.49
25 3.39
30 3.19

Para calcular el 95% de los ejes semimayores y semimenores de la elipse, se

usan las ecuaciones siguientes:

SU 95  SUStd . ( 2 F )
SV 95  SVStd . ( 2 F ) ……………………………………………………. (17s)

S X 95  S XStd . ( 2 F )
SY 95  SYStd . ( 2 F )

En las ecuaciones (17s), los valores de “F” se toman de la tabla anterior de

acuerdo con el número de grados de libertad en el ajuste particular.

17.5 Ejemplo del problema del cálculo de la elipse de error (EE) de 95%

La EE del 95% para el punto 2 del ejemplo de trilateración del Art. 11.9 se calcula
usando las (17s) como sigue:

SU 95   0.039 2(200)   0.780ft .

SV 95   0.007 2(200)   0.140ft .
S X 95   0.022 2(200)   0.440ft
SY 95   0.033 2(200)   0.660ft .
17.6 Ventajas de las elipses de errores (EE)

Además de proporcionar la información crítica referente a la precisión de cada

punto, una ventaja principal de las EE es que ofrecen medios excelentes para
hacer comparaciones visuales de las precisiones de puntos. Comparando formas,
tamaños, y orientaciones de las EE de cinto por ciento de probabilidad o nivel de
confianza, se pueden comparar rápida y significativamente varios levantamientos.

17.7 Diseño de redes de levantamientos

El tamaño, forma y orientación de las EE de la estación sólo dependen de las

precisiones de las distintas observaciones y del carácter geométrico de la red. Por
ende, es posible estimar por adelantado durante un levantamiento las precisiones
a priori de las observaciones de una red propuesta. Usando datos observacionales
simulados, se puede efectuar un ajuste por mínimos cuadrados para el
levantamiento propuesto y trazar la EE de estación. La geometría de la red puede
variarse en configuraciones diferentes, realizar ajustes por mínimos cuadrados en
esas configuraciones y trazar EE para cada una de las variaciones. Además de
una geometría variada también se tienen distintas precisiones a priori de acuerdo
con las precisiones que serian posibles con el equipo de agrimensura disponible.
Por experimentación, es posible seleccionar la óptima combinación de la red y el
equipo necesario a fin de lograr la mayor precisión en cualquier levantamiento.

Lo anteriormente dicho se conoce como el “diseño de la red”. Su valor potencial

estriba en que capacita al agrimensor a seleccionar la red que proporcionaría la
más alta proporción en el gabinete antes de marchar al campo. Aún que el método
parece ser viable en teoría, otros factores dominantes tales como accesibilidad de
la estación, terreno, vegetación, etc., a menudo impiden en realidad el uso del
diseño de la red óptima. No obstante, existe la posibilidad de algún diseño de la
red incluso con ciertas restricciones.

Las Fig. 17.5 y 17.6 muestran las EE para dos redes diferentes. La Fig. 17.5
ilustra las EE de un levantamiento por trilateración de una red compuesta por 9
estaciones. El levantamiento incluye 19 observaciones de distancia y 5 grados de
libertad. La Fig. 17.6 muestra las EE de la misma red, más el levantamiento es por
triangulación y se compone de una línea base desde la estación Red hasta Bug,
involucrando 19 ángulos observados.

Respecto a esas dos Fig., y teniendo en cuenta que mientras más pequeña sea la
elipse más alta será la precisión, se hacen las siguientes observaciones
generales:
1. Las estaciones Sand y Birch en ambas figuras tienen las precisiones más altas.
Claro está que esto se esperaba, debido a su proximidad a la estación de
control Bug y por la densidad de observaciones hechas a esas estaciones.
2. El gran tamaño de las EE en las estaciones White, Baever, Bunker y Bee de la
Fig. 17.6 indica que estas estaciones tienen precisiones más bajas.
3. Las estaciones White y Schutt (Fig. 17.5) tienen precisiones relativamente
altas de este a oeste y precisiones relativamente bajas de norte-sur. El examen
de la red indica que esto era de esperar.
4. Las estaciones Beaver y Bunker (Fig. 17.5) y White (Fig. 17.6) tienen una
precisión relativamente baja este-oeste. Una vez más el examen de de las
redes indican que esto se esperaba.
5. La estación Bunker (Fig. 17.69) tiene una precisión uniforme total en todas las
direcciones según se ilustra por la casi forma circular de sus EE.
6. Las EE generalmente más pequeñas en la Fig. 17.5 indican que el
levantamiento por trilateración espera producir precisiones superiores al
levantamiento por triangulación de la Fig. 17.6.

Estos ejemplos sirven para ilustrar algunos de los valores de las EE de estación.
Tales observaciones se hicieron fácil y rápidamente mediante una comparación de
las EE. Esa misma información hubiera sido difícil, sino imposible, de averiguar
sólo con las desviaciones estándar en las direcciones X y Y.

Variando el levantamiento, sería posible el encontrar finalmente un diseño que

proporcionará óptimos resultados en términos de llenar los requisitos de una
precisión uniformemente aceptable con la mayor economía posible.

Fig. 17.5
 Fig. 17.6

Tarea autodidáctica No. 17

1) Calcular los ejes semimenores y semimayores de la EE estándar para la

posición ajustada del punto U del ejemplo de la trilateración en el Art. 11.4.
Trazar la figura trilaterada usando una escala de 1 pulgada a 1000pies y
trazar la EE usando una escala de 1 pulgada a 0.50 pies

2) Calcular los ejes semimenores y semimayores de la EE del 95% de

confianza para el problema No. 1. Trazar esta elipse superpuesta sobre la
elipse del problema No. 1.

3) Igual que el problema No. 1 excepto el problema de triangulación del Art.

12.4.

4) Igual que el problema No. 2 excepto para el problema de triangulación del

Art. 12.4.

5) Igual al problema No. 1 excepto para la posición ajustada del punto C de la

red de triangulación del Art. 12.8. usar una escala de 1 pulgada a 2000 pies
para la figura, y una escala de 1 pulgada a 1 pie para las EE.
 CAPITULO 18
ENCAJADO/ACOMODAMIENTO DE CURVAS POR MÍNIMOS
CUADRADOS

18.1 Introducción:

Con frecuencia en trabajos de ingeniería, es deseable o necesario

encajar/acomodar una línea recta o curva en un juego de datos. Los datos nor-
malmente se deducen de mediciones o de un experimento. El problema esta en la
determinación de la ecuación de la línea o curva que mejor encaje los datos. La
decisión de usar una línea recta, parábola u otra curva de orden más alto,
generalmente puede tomarse después de trazar los datos y estudiar su forma.
Puede evaluarse la fineza del encaje de la línea o curva seleccionada basándose
en los residuales después de haber computado la ecuación.

18.2 Encajando una línea recta a los datos

Considérense los datos ilustrados en la Fig. 18.1. La línea recta mostrada puede
representarse por la ecuación siguiente:

y = Mx + B (18a)

En la ecuación (18a), x y y es un par de datos, M es e1 declive/ pendiente de la

línea (positiva si hacia arriba a 1a derecha), y B es la ordenada en el origen y en x
= 0. Todos los valores de y encajarían perfectamente en esta línea para sus
correspondientes valores x si sus relaciones funcionales fueran verdaderamente
lineales, y si no hubiera ningún error de medición o experimental. Sin embargo,
esto sucede rara vez. Mótese que esos datos no encajan muy bien en una línea
recta. Por tanto, es posible que la relación funcional no sea lineal y que una curva
de orden más alto encajaría mejor los datos. No obstante, puede determinarse la
ecuación de1 mejor encaje de la línea recta para los datos, mas para dar cuenta
de los elementos mal entallados ilustrados en la figura, se añaden residuales. Se
escriben cuatro ecuaciones para los datos de la Fig. 18.1 , a saber:
 Fig. 18.1

Mxa + B = ya + vya
Mxb + B = yb + vyb
Mxc + B = yc + vyc
Mxd + B = yd + vyd

(18b)

Las (18b) contienen dos incógnitas, M y B. Este sistema de ecuaciones de

observación puede representarse en forma matricial como:

A4,2 x2,1 = L4,1 +V4,1 (18c)

donde:

 xa 1  ya   vy a 
x 1    vy 
 M  y b 
A  V 
b 
X  L 
b

 xc 1  B  y c   vy c 
     
 xd 1  yd  vy d 

La ecuación (18c) se puede resolver por el método de mínimos cuadrados usando

la ecuación (9c). Esto minimiza la suma de los cuadrados de los residuales, y
produce el mejor encaje de acuerdo con la teoría de la probabilidad. Si algunos
datos son más confiables que otros, se pueden introducir pesos relativos y
obtenerse una solución de mínimos cuadrados ponderados usando la ecuación
(9g).
18.3 Encajando una parábola a los datos

Para ciertos juegos de datos o en situaciones especiales, debe determinarse una

parábola del mejor encaje. Un ejemplo seria calcular una curva parabólica vertical
del mejor encaje a un firme existente. En tales situaciones se usa la siguiente
ecuación general de una parábola:

y =Ax2 + Bx + C (18 d)

Una vez más, se introducen residuales debido al hecho de que la parábola

rarísima vez encajaría perfectamente con los datos. Para los datos mostrados en
la Fig. 18.2, se escriben las siguientes ecuaciones de observación:

AX a2  BX a2  C  y a  v a
AX b2  BX b2  C  y b  v b
AX c2  BX c2  C  y c  v c
AX d2  BX d2  C  y d  v d
AX e2  BX e2  C  y e  v e

(18e)
Las (18e) contienen 3 incógnitas. A, B y C. Este sistema redundante de
ecuaciones se representa en forma matricial como:
A5,3 * x3,1  L5,1 * V5,1
(18f)
donde:

 x a2 xa 1  ya  va 
 2   A y  v 
 xb xb 1  b  b
A   x c2 1 X  B L   yc  V   vc 
xc  
 2  C     
 xd xd 1  yd  v d 
x2 1  y e   v e 
 e xe

El sistema de ecuaciones puede resolverse usando la ecuación de minimos

cuadrados (9c) , o si se introducen pesos, se usa la (9g).

18.4 Encajando un polínomio a los datos

Mediante polinomios de orden más alto, se representan de mejor manera los

distintos juegos de datos en ingeniería. . Por ejemplo, las distorsiones radiales del
lente en las cámaras fotogramétricas calibradas. La experiencia normalmente
dictará la forma del polinomio que ha de usarse. Como ejemplo, se usa la
siguiente forma para la distorsión radial del lente:

D  k1 r  k 2 r 3  k 3 r 5  k 4 r 7
(18g)

En la (18g), D es la distorsión radial en una distancia radial r desde el punto

principal , y las K son coeficientes que definen la curva. El procedimiento a fin de
determinar los valores K sigue los mismos pasos generales según bosquejados en
las dos secciones previas, y como se ilustra en e1 siguiente problema:

EJEMPLO: de los datos de calibración de la aerocámara abajo tabulados,

computar los coeficientes de un polinomio que se aproxime a la curva de dis-
torsión radial del lente, y trazando la curva resultante. Use la ecuación (18g).
 Distorsión radial del
Distancia radial, r
lente, D
(mm)
(mm)
0.000 0.000

20.072 0.004

40.855 0.18

63.155 0.047

88.034 0.062

116.995 0.035

152.472 -0.064

SOLUCIÓN: basándose en los datos anteriores, pueden escribirse las 7 siguientes

ecuaciones de observación sustituyendo los valores r y D en la ecuación (18g):

0.000  v1  0.000 k1  0.000  k 2  0.000  k 3  0.000  k 4

3 5 7

0.004  v 2  20 .072 k1  20 .072  k 2  20 .072  k 3  20 .072  k 4
3 5 7

0.018  v 3  40 .885 k1  40 .885  k 2  40 .885  k 3  40 .885  k 4
3 5 7

0.047  v 4  63 .155 k1  63 .155  k 2  63 .155  k 3  63 .155  k 4
3 5 7

0.062  v 5  88 .034 k1  88 .034  k 2  88 .034  k 3  88 .034  k 4
3 5 7

0.035  v 6  116 .995 k1  116 .995  k 2  116 .995  k 3  116 .995  k 4
3 5 7

 0.064  v 7  152 .472 k1  152 .472  k 2  152 .472  k 3  152 .472  k 4
3 5 7

Usando la ecuación de mínimos cuadrados (9c) y una computadora electrónica, se

resolvieron estas 7 ecuaciones obteniendo los valores a continuación para los 4
coeficientes:

k1  1.99697  10 4 k 3  1.97388  10 11

k 2  1.94801  10  7 k 4  0.43934  10 15
Usando estas k en la (18g), pueden calcularse fácilmente las distorsiones radiales
del lente para cualquier valor de r. Para comprobar la validez de esas k, se
calcularon las distorsiones usándolas a incrementos de 10 mm de r, y los
resultados se trazaron según la Fig. 18.4 (curva quebrada). Superpuesto en la
misma figura se halla el trazo de los datos reales dados para el problema (línea
sólida). Nótese lo bien que concuerdan las dos curvas.

Curva de distorsión radial del lente

r-Distancia radial desde el punto principal (milímetros)

Fig. 18.4

Tarea autodidáctica No. 18

Se van a reconstruir ocho cuadras de la Calle Mayor en la parte antigua de cierta

ciudad. La calle existente se compone de segmentos cortos, de inflexión según se
muestra en la figura inferior. A continuación se dan 1os resultados de un
levantamiento por poligonales conectando los centros de intersección. Suponiendo
que las coordenadas X=0 y Y=0 en la estación A, y suponiendo que la dirección
AB coincide con el eje X, defínase un nuevo alineamiento recto para una calle
reconstruida que pasa por esta área y que mejor concuerde con el presente
alineamiento de inflexión. Dése la ordenada en el origen Y y el rumbo del nuevo
alineamiento, si el rumbo actual de la línea AB es Este derecho.

Curso Longitud (pies) Estación Ángulo a la derecha AB

735.7 B 180°17'
BC 464.8 C 179051'
CD 503.1 D 179°28'
DE 820.0 E 180°33'
EF 917.3 F 179°10'
FG 329.8 G 179°59'
GH 287.4 H 181°02'
HJ 345.9
2) Calcular una parábola con e1 mejor encajado que se encaje a los siguientes
datos obtenidos en un levantamiento de una curva vertical existente. La curva
empieza en la estación 10+00 y termina en la estación 18+00.

Estación Elevación Estación Elevación

10+00 51.2 15+00 46.9
11+00 49.5 16+00 47.3
12+00 48.2 17+00 48.3
13+00 47.3 18+00 49.6
14+00 46.8

APÉNDICE A
LA CURVA DE DISTRIBUCIÓN NORMAL DEL ERROR

A.1 Desarrollo de la ecuación para la curva de distribución normal

En el Art. 4.5, se presentaron el histograma y el polígono de frecuencia como

métodos para exhibir gráficamente las distribuciones de errores fortuitos. Si uno
fuera a examinar un gran número de esas distribuciones encontrarla que las
distribuciones de errores fortuitos (DEF) de las mediciones en agrimensura,
geodesia y fotogrametría se someten a las distribuciones normales o gausianas. A
continuación las leyes generales que gobiernan las distribuciones gausianas:

1) Los errores positivos y negativos ocurren con igual probabilidad e igual

frecuencia.
2) Los errores pequeños son más comunes que los errores grandes.
3) Raramente ocurren errores grandes, y hay un límite en el tamaño del error
fortuito más grande que ocurrirá en cualquier juego de mediciones.

Una curva que se someta a las leyes anteriores, trazada con el tamaño del error
en la abscisa y la probabilidad de ocurrencia en la ordenada, aparecería como la
Fig. 4.2. Tal curva repítese en la Fig. 5.1 y se la llama la curva de distribución
normal, la curva normal de error, o sencillamente la curva de probabilidad. Se
obtendría una curva suave, uniforme, de esta misma forma, si para un enorme
grupo de mediciones se trazara un histograma con un intervalo de clase
infinitamente pequeño.

Supongamos que la curva de probabilidad sea continua y que la probabilidad de

ocurrencia de un error entre x y x + dx se dé por la función y = f(x). Suponiendo
que esto sea la ecuación para la curva de probabilidad, vamos a determinar ahora
la forma de f(x). Las probabilidades de ocurrencia de errores dentro de las gamas
de (x1 y x1 +dx), (x2 y x2 + dx), etc., son f(x1) dx1 , f(x2) dx2,...., f(xn) dxn. El área
total bajo la curva de probabilidad representa la probabilidad total o simplemente el
entero uno. Luego para un número finito de posibles errores,

f(x1) dx1 + f(x2)dX2 + .... + f(xn)dXn = 1 (Aa)

Tamaño del error

Curva de distribución normal Fig. A.1
Si la gama total de errores x1, x2, ..., xn está entre  2 , entonces considerando un
número infinito de errores—que hace la curva continua- e1 área bajo la curva
puede establecerse igual a:
2

1  f ( x ) dx
2

Pero porque el área bajo la curva de +2 a +  , y de -2 a -  es esencialmente

cero, se pueden extender los límites de integración a   , como:

 

1  f ( x ) dx   ydx
  (Ab)

Supongamos que hemos medido una cantidad M que es igual a alguna función de
n parámetros desconocidos z1 , z2,...., Zn para que M = f(z1, z2….zn). Deje
también que x1. x2,...., xn sean los errores de observaciones m1 , M2, ...., Mm y
deje que f(x1) dx1 , f(x2) dx2, ….f(xm) dxm sean las probabilidades de los errores
cayendo dentro funciones gamas de (x1 y x1 + dx1) , (x2 y x2 + dx2), etc. Por la
ecuación (4c) la probabilidad P de 1a ocurrencia simultánea de todos estos errores
es igual al producto de las probabilidades individuales, por ende:

P   f ( x1 ) dx 1  f ( x 2 ) dx 2 .......... ..... f ( x m ) dx m 

Luego por los logs (logaritmos):

Log P = log f(x1) + log f(x2) +....+ log f(xm) log dx1 + log dx2 + .... + log dxm
(ac)

Los valores más probables de los errores ocurrirán cuando se maximiza P o

cuando el 1og de P se maximiza. Para maximizar una función, diferenciamos la
función con respecto a cada parámetro desconocido z y se establecen los
resultados igual a cero. Después de la diferenciación logarítmica de la ecuación
(5c), resultan las siguientes n ecuaciones: (nótese que las dx son constantes
independientes de las z, por lo cual sus diferenciales con respecto a las z son

1 P 1 df ( x1 ) dx 1 1 df ( x 2 ) dx 2 1 df ( x m ) dx m
   .......  0
p Z 1 f ( x1 ) dx 1 dz 1 f ( x 2 ) dx 2 dz 1 f ( x m ) dx m dz 1
1 P 1 df ( x1 ) dx 1 1 df ( x 2 ) dx 2 1 df ( x m ) dx m
   .......  0
p Z 2 f ( x1 ) dx 1 dz 2 f ( x 2 ) dx 2 dz 2 f ( x m ) dx m dz 2
.
.
.

1 P 1 df ( x1 ) dx 1 1 df ( x 2 ) dx 2 1 df ( x m ) dx m
   .......  0
p Z n f ( x1 ) dx 1 dz n f ( x 2 ) dx 2 dz n f ( x m ) dx m dz n

Permita ahora que:

df ( x )
f `( x ) 
dx (Ae)

Substituyendo (Ae) en (Ad)

 f `( x1 ) dx 1 f `( x 2 ) dx 2 f `( x m ) dx m
  ..........  0
f ( x1 ) dz 1 f ( x 2 ) dz 1 f ( x m ) dz 1
f `( x1 ) dx 1 f `( x 2 ) dx 2 f `( x m ) dx m
  ..........  0
f ( x1 ) dz 2 f ( x 2 ) dz 2 f ( x m ) dz 2
.
.
f `( x1 ) dx 1 f `( x 2 ) dx 2 f `( x m ) dx m
.   ..........  0
f ( x1 ) dz n f ( x 2 ) dz n f ( x m ) dz n
(Af)

Hasta ahora f(x) y f`(x) son generales, no importa el número de parámetros

desconocidos. Vamos a considerar el caso especial en donde solo hay una (1)
incógnita z, y m1 , M2 ,... .Mm son m valores, observados de z. Si z* es el valor
verdadero de la cantidad, entonces los errores asociados con las observaciones
son:

x1  z *  M 1 ; x 2  z *  M 2 ;......... ; x m  z *  M m
(Ag)

diferenciando (Ag) tenemos:

dx1 dx2 dxm

1  ........ 
dz dz dz
(Ah)

Luego para este caso especial, sustituyendo (Ag) y (Ah) en las ecuaciones (Af), se
reducen a una sola ecuación:

f `( z *  M 1 ) f `( z *  M 2 ) f `( z *  M m )
  .........  0
f ( z * M 1 ) f ( z * M 2 ) f ( z * M m )
(Ai)

Y la ecuación (Ai) para este caso especial es también general para cualquier valor
de m y para cualesquier valores observados m1, M2,...., Mm. Por tanto, digamos
que los valores de M son:
M 2  M 3  .......  M m  M 1  M n
donde N se escoge por conveniencia como

M1  M 2
N
m
La media aritmética es el valor más probable para este caso de una sola cantidad
que ha sido observada varias veces; por tanto, f el valor más probable en este
caso es:

z*  ( M 1  M 2  .........  M m ) / m
z*  M 1  ( m  1)( M 1  mN )  / m
z*  M 1  mN  N
z*  M 1  N ( m  1)
z *  M 1   N ( m  1)  N (1  m )
(Aj)

M1  M 2
N
Recuerde que m de lo cual M1=mN + M2

Sustituyendo en (5j)
z *  ( mN  m 2 )  N (1  m )
z * M 2  N

M1  M 3 M1  M 4
N  ....... etc.
Similarmente, puesto que m m
z * M 3  N
z * M 4  N
etc .

Sustituyendo estas expresiones en (Ai)

f `N (1  m )  ( m  1) f `( N )
 0
f N (1  m )  f (N ) (Ak)

reordenando lo anterior:

f `N (1  m )  f `( N )
 
Nf (1  m ) (1  m ) f (N )N

una constante porque en este caso N es una constante de ahí que

f `( x )

xf ( x )
una constante = k (A2)
sustituyendo (Ae) en (A2)
 df ( x )
f `( x )  xf ( x ) k 
dx

De lo cual

df ( x )
 k  dx
f ( x)
(Am)
Integrando (Am)

1
log e f ( x )   c1
2 kx 2
2 pero deje ec1 = c
f ( x )  e c1 e kx /2

luego:
2
f ( x )  Ce kx /2
(An)

En (An), ya que f(x) disminuye mientras que x aumenta, luego K/2 debe ser
negativo. Cambiando arbitrariamente esta constante 1/2K a –h2, resulta:

f ( x )  Ce  h
2 2
x
(Ap)

Para hallar el valor de la constante C, sustituir (Ap) en (Ab):



 Ce
h2 x2
1 dx


También establecer arbitrariamente t = hx, luego dt = hdx y dx = dt/h de lo cual

después de cambiar variables,



C / h  e  t dt  1
2



El valor de1 integral definido es  , del cual:

 C
 1
h
h
C

(Aq)

Sustituyendo (Aq) en (Ap), (estableciendo también f(x) igual a y):

h
e h
2 2
y x


(Ar)

donde los términos son como se definieron para la ecuación (4d).

Esta es la ecuación general para la curva de probabilidad, habiendo sido deducida

en este caso de la consideración de una situación especial:

3 técnica para integrar esta función no elemental se da en la Pág. 24. de

Rainsford.
 APÉNDICE B
Programa general para el ajuste de minimos cuadrados mediante
ecuaciones de observacion

B.1 Introducción al programa

Este programa de computadora dirige la solución del algoritmo de mínimos
cuadrados dado en la ecuación (9g). El algoritmo no ponderado de la (9c) también
puede resolverse si los pesos de unidad o uno (1) se ingresan (entrada). El
programa acomodara tantas como 30 observaciones involucrando 30 incógnitas.

Para usar este programa, es necesario calcular manualmente e ingresar en la

computadora las matrices A, L y P. Tal programa es especialmente útil para
ajustar las redes de nivel — como las de los ejemplos en los Arts. 9.2 y 9.4—y
también para una variedad de otros problemas de ajuste por mínimos cuadrados.

Además de calcular los valores más probables para las incógnitas, el programa
dirige la computadora a resolver para los residuales, la desviación estándar del
peso unitario y las desviaciones estándar estimadas de las cantidades ajustadas.

B.2 Nombres y descripciones de las variables de entrada ;

En este programa, se han asignado los nombre siguientes a las variables de

entrada:
NO - El numero de problemas que se resuelve en la pasada de
computadora.

TITLE - El nombre o descripción de problema de ajuste que viene

resolviéndose.
M - El número de observaciones y, por tanto, el número de ecuaciones en
el problema de ajuste.
N- El número de incógnitas que se están calculando en el problema de
ajuste.
A - La matriz de coeficiente. Las dimensiones de A son filas M y columnas
N. Estos son los términos A de la ecuación (9g).
EL - La matriz constante. Es una matriz columnas de dimensión de filas M.
Estos son los términos L de la ecuación (9g).
QLL - La matriz de peso. Es una matriz cuadrada de dimensión M por M.
Estos son los términos P de la ecuación (9g).

8.3 Preparación de los lotes de datos para la entrada

El croquis siguiente indica la manera de preparar las tarjetas para la lectura de los
datos de entrada en la computadora:

Fig. B.1
 B.4 Salida
El Art. 9.5 brinda ejemplos resultantes de la salida de computadora de este
programa. Esta salida es para los ejemplos de la red de nivel "no ponderada'' y
"ponderada" en los Arts. 9.2 y 9.4, respectivamente. Los datos en la salida se
identifican en las hojas/copias impresas que son auto explicativas. Se da otro
ejemplo en el Art. 13.4 que es para el ajuste de una poligonal por a1 método de la
ecuación de observación.

B.5 Listado de1 programa

En las páginas siguientes se ofrece el listado del programa. La última página del
mismo se compone de los datos de entrada para los problemas en los Art. 9.2, 9.4
y 13.4. Dichos listados de entrada deben estudiarse con cuidado junto con los Art.
B.2 y B.3 para asegurarse de ingresar correctamente tos datos en la computadora
al usar este programa

PROGRAMA GENERAL PARA EL AJUSTE DE MÍNIMOS CUADRADOS POR

LAS ECUACIONES DE OBSERVACIÓN NO PONDERADAS O PONDERADAS.
Programado por Paúl R. Wolf. PH.D.

LENGUAJE DEL PROGRAMA FORTRAN

NOMBRES VARIABLES DE ENTRADA DEL PROGRAMA
NO = NUMERO DE SOLUCIONES ESTA PASADA
TITLE = CUALESQUIER NOMBRES O NÚMEROS IDENTIFICACIÓN DEL
TRABAJO
M AND N = EL NUMERO DE ECUACIONES E INCÓGNITAS
RESPECTIVAMENTE
A(I,J) = LA MATRIZ DE COEFICIENTE
EL(I,1) = LA MATRIZ CONSTANTE
OLL(I,J)' = LA MATRIZ DE PESO (LOS PESOS SE INGRESAN COMO 1 SI
LA SOLUCIÓN ES IGUALMENTE PONDERADA O NO PONDERADA)
DIMENSION A(30,309, EL(30,1), OLL(30,30). AT(30,30), AQ(30,30),QX1X(30,30),
AQL(30,l), X(30,l), V(30,l), VAR(30),title(1 6)

LEER DATOS DE ENTRADA

READ 500,NO
DO 510 II= l,NO
PRINT 509
READ 710,TITLE
PRINT 710,TITLE
READ 500, M ,N
PRINT 500, M, N
DO 502 I = 1,M
502 READ 501, (A(i,J), J=l, N)
READ 501, (EL (I, T), I= l, M)
DO 507 I=1,M
507 READ 501, (QLL(I, J), J=l, M)

IMPRIMIR LOS RESULTADOS

DO 30 I=1,N
PRINT 508, (QXX(I, J),J=l, N)
(6) COMPUTAR AQL = AQ * EL
DO 101 I=1, N
DO 101 J=1, 1
AQL(I,J)=0
DO 101 K=1, M
AGL(I,J)=AQL(I,,J)+AQ(I,X)*EL(K,J)
(7) COMPUTAR X = QXX * AQL
DO 201 I=1, N
DO 201 J=l, 1
X(I,J)=0
DO 201 K=1,N
X(I,J)=X(I,J)4-QXX(I,K)*AQL(K,J)
PRINT 31
DO 503 I=1,N
PRINT 508, X(I,1)
(8) COMPUTAR V = A* X – EL
DO 301 I=1, M
DO 301 J=l, l
V(I,J)=0.
DO 301 K=l,N
V(I,J)=V(I,J)+A(I,K)*X(K,J)
DO 1 I=l, M
V(I, l)=V(I, l)-=EL(I=l)
PRINT 32
DO 504 I=1, M
PRINT 508, V(I,1)
SIGMA=0,
DM=M
DN=N
D0 382 I=l, M
SÍGMA=SIGMA+V(I, l)**2*QLL,(I,I)
SIGMA=SQRT (SIGMA/(DM=DN))
PRINT 89
PRINT 508,SIGMA
DO 446 I=1,N
VAR(I)=SQRT (QXX(1,1)*S1GMA**2)
PRINT 90
PRINT 508,(VAR(I),I=l,N)
FORMAT(l6X,9H A MATRIZ)
FORMAT(11X, 9H L MATRIX)
FORMAT(10X, 14H WEIGHT MATRIX)
FORMAT(10X, 18H COVARIANCE MATRIX)
FORMAT(10X, 11H UNKNOWNS X)
FORMAT(10X, 12H RESIDUALS V)
FORMAT(10X, 5FI5, 3)
FORMAT(10X, 34H STANDARD DEVIATION OF UNIT WEIGHT)
FORMAT(11X, STANDARD DEVIATION OF ADJUSTED VALUES)
FORMAT(10X, 2I5)
FORMAT(8F10, 3)
FORMAT(10X, NORMAL EQUATIONS MATRIX)
FORMAT(10X, 8F14, 6)
FORMAT(1H1)
FORMAT(10X, 8F10, 3)
FORMAT(10X, 16A5)
CONTINUE
PRINT 509
STOP
END

EJEMPLO RED DE NIVEL NO PONDERADA, COMPUTOS DE AJUSTE

DE WOLF

7 3
1. 0. 0.
1. 0. 0.
1. 0. 1.
1. 0. 1.
1. -1. 0.
1. 1. 0.
1. 1. -1.
1. 1.0 10 10 0. 10 -
5, 6, 6, 68 4, 1.
1.6 25 13 50 70
1.
1. 1.
1. 1.
1. 1.
1.0 1.
5,1
0
1. 1. 1.
.
EJEMPLO RED DE NIVEL PONDERADA, COMPUTOS DE AJUSTE DE
WOLF
7 3
1 0. 0.
.
1 0. 0.
.
1 0. 1.
.
1 0. -1.
.
1 1. 0.
.
1 1. 0.
.
1 -1. 1.
.
1 - 10 - - 10 1.7
. 1.0 6, 10 0.6 4, 0
5, 25 6, 8 50
1.6 13
1 6.
.
6.
6.
6.
6.
6.

EJEMPLO DE POLIGONACION, COMPUTOS DE AJUSTE DE WOLF

5 2
.866 0.500
10.498 -0.865
515.7 893.1
 2299.8 1920.3
2784.2 1027.2
0.0 0.19 -3.0 249.0 192.0
1. -1.
10.0 156.0
0.001
0.001

APÉNDICE C
PROGRAMA PARA EL AJUSTE POR MÍNIMOS CUADRADOS DE
REDES DE
TRILATERACION

C.1 Introducción al programa

Este programa está diseñado para ajustar levantamientos de trilateración por el

método de la ecuación de observación de manimos cuadrados. Podrá acomodar
cualquiera configuración de la red, sin importar su complejidad. Según la
determinación de medidas, puede manejar una red conteniendo hasta 20 líneas
medidas e incluyendo hasta 10 estaciones nuevas. Cualquier numero de
estaciones (control) fijas pueden existir en la red. El programa puede fácilmente
ampliarse para acomodar mayores cantidades de líneas medidas y estaciones
desconocidas sencillamente modificando las declaraciones/sentencias de
dimensión.

Conociendo los correctos datos de entrada según los Arts. C.3 y C.4, este
programa dirige la computadora a resolver las aproximaciones iniciales para las
coordenadas de estación desconocidas. Luego procede a formular las matrices A
y L de 1a ecuación (9g). Sin embargo, la matriz de peso debe leerse en la
computadora.

Siguiendo a la formulación de las matrices, e1 programa resuelve la ecuación (9g)

por mínimos cuadrados de forma iterativa hasta lograr una convergencia
satisfactoria. Habiendo alcanzado la convergencia, computa los valores más
probables para las coordenadas ajustadas de los puntos desconocidos, los
residuales en las longitudes medidas, la desviación estándar del peso unitario, las
desviaciones estándar de las coordenadas ajustadas y las longitudes ajustadas de
las líneas medidas. Estos datos los lista la computadora en su salida.

C.2 Nombres y descripciones de las variables de entrada

En este programa se han asignado los siguientes nombres a las variables de

entrada:

NON - número de redes procesadas en esta pasada de computadora.

TITLE - identificación del trabajo.
LL - numero de estaciones nuevas en la red.
MM - número de líneas medidas en la red.
NC - número de puntos de control en la red.
NAM1 - primeros 3 caracteres de nombres de estación.
NAM2 - siguientes 3 caracteres de nombres de estación; por tanto, los nombres de
estación pueden tener hasta 6 caracteres. Pueden ser alfa o numéricos. Deben
justificarse a la derecha en las columnas 2 al 7.
XX(1) - coordenada X del punto de control inicial No. 1.
YY(1) - coordenada Y del punto de control inicial No. 1.
SI -. longitud medida de la línea 1.
AZD - grados de acimut de la línea 1.
AZM - minutos de acimut de la línea 1.
AZS - segundos de acimut de la línea 1.
NP - números de puntos de estaciones de control del dibujo de entrada.
XP – coordenadas X de estaciones de control salvo la estación No. 1.
YP - coordenadas Y de estaciones de control salvo la estación No. 1.
S - longitudes medidas de las líneas en sucesión de la estación No. 2 a No. 3, No.
3 a No. 4, No. 4 a No. 5, etc., hasta haber incluido a toda estación nueva.
DEFD - esta variable, y las siguientes dos variables, se relacionan con las
porciones de grados, minutos y segundos, respectivamente, de los ángulos de
desviación. Se ingresan en sucesión para las líneas de la estación No. 2 a No. 3,
No. 3 a No. 4, No. 4 a No. 5, etc., hasta incluir a cada estación nueva. Nótese que
un ángulo de desviación derecho viene precedido por un signo más (+), y un
ángulo de desviación izquierdo esta precedido por un signo menos (-).
DEFM - la porción de minutos de los ángulos de desviación arriba descritos.
OEFS - La porción de segundos de los ángulos de desviación arriba descritos.
DIST - las longitudes medidas de las líneas.
IEND - el número del dibujo que corresponde a los extremos I de las líneas
medidas.
JEND - el número del dibujo que corresponde a los extremos J de las líneas
medidas.
ICOOE - números de código indicando a la computadora si está fijo el extremo I, el
extremo J o ningún extremo de cada línea de entrada. Un ICODE de uno indica
que está fijo el extremo I, un dos indica que está fijo el extremo J y un cero indica
que ningún extremo de la línea está fijo.
P - pesos de las líneas medidas.

C.3 Preparación del lote de datos para la entrad

El croquis siguiente indica la manera de preparar las tarjetas para la lectura de los
datos de entrada en la computadora:

Fig. C.1

C.4 Discusión del procedimiento de entrada

C.4.1 Dibujo de la red
A fin de preparar los datos para su entrada en la computadora en este programa,
debe efectuarse un dibujo a escala de la figura trilaterada. Esto se hace trazando
primero las estaciones de control en la red conforme a sus coordenadas, y luego
usando un compás de dibujo, se trazan arcos para un numero mínimo de
longitudes de líneas desde las estaciones de control para localizar las estaciones
nuevas. Una vez localizadas las estaciones nuevas, se dibujan las líneas
restantes.

C.4.2 Numeración de estaciones y cálculo de las coordenadas iniciales

Habiendo terminado el dibujo, cada estación se numera consecutivamente

comenzando con el numero uno. La estación No. 1 tiene que ser una estación de
contrl. Los números del 2 al (NC + LL) pueden asignarse + arbitrariamente,
excepto que la línea 1-2 debe tener un acimut conocido o aproximado y, por tanto,
la estación No. 2 deberá asignarse de consiguiente.

El ejemplo del cuadrilátero en el Art. 11.9 ilustra el procedimiento de numeración.

Ahí, la estación Badger es una de control y e1 acimut de la línea Badger a
Wisconsin se conocía de la desmultiplicación que era de aproximadamente 80°;
por tanto, se asignó a Badger el No. 1 y el No. 2 a Wisconsin. Las otras dos
estaciones, Campus y Bucky, recibieron los Nos. 3 y 4, respectivamente. La Fig.
11.6 da otro ejemplo del procedimiento de numeración de puntos. En este
problema, la estación de control Lou recibe el No. 1 y la estación Paúl e1 No. 2,
puesto que las coordenadas de Lou se conocen y también se conoce e1 acimut de
1a línea Lou-Paul (podría escalarse). En este ejemplo, las otras estaciones se
numeran consecutivamente hasta el 9.

Se realiza la secuencia de numeración de estación a fin de facilitar los cálculos de

las coordenadas iniciales aproximadas de los puntos desconocidos. La estación 1
siempre debe tener coordenadas conocidas. Luego se dan a la computadora la
longitud y acimut de la línea 1-2, de lo cual pueden calcularse las coordenadas de
la estación 2. El ángulo de desviación en la estación 2 desde la línea 1-2 hasta la
línea 2-3 y la longitud 2-3, luego son usados por la computadora para calcular las
coordenadas iniciales de la estación 3. Luego la computadora usa el ángulo de
desviación entre líneas 2-3 y 3-4 y 1a longitud de línea 3-4 a fin de calcular las
coordenadas iniciales de la estación 4. Este procedimiento se continúa hasta que
todas las estaciones desconocidas en la red hayan tenido sus coordenadas
iniciales determinadas. Finalmente, se numeran todas las estaciones de control
restantes, también consecutivamente.

Por el tema anterior, deberá verse claro que preferiblemente la secuencia de

numeración de estación debiera hacerse para que las líneas medidas puedan
usarse a fin de calcular las coordenadas iniciales, aunque las longitudes de línea
podrían escalarse del dibujo con este propósito. Sin embargo, se prefiere el uso de
longitudes medidas porque esto producirá valores más exactos para las
aproximaciones iniciales de las coordenadas de estaciones desconocidas, lo que
ayudara a la computadora a lograr la convergencia con menos iteraciones y, por
tanto, ahorrando tiempo y dinero.

A fin de obtener una mejor comprensión sobre el procedimiento de numeración de

estación y e1 método para dar entrada a los datos y calcular asi las coordenadas
iniciales, se resumen los ejemplos de las Figs. 11.5 y 11.6. En la Fig. 11.5, se
ingresaron tas coordenadas de la estación 1 (Badger) junto con la longitud
aproximada (5870 pies) y el acimut , (80° 00' 00") de la línea 1-2 (Badger-
wisconsin). Esto permite calcular las coordenadas de la estación 2 (Wisconsin).
Luego se ingresan la longitud aproximada (3616 pies) de la Línea 2-3 (Wisconsin-
Campus) y el ángulo de desviación (82" 00" 00") de la línea 2-3. Esto permite
computar las coordenadas para la estación 3 (Campus).

En la Fig. 11.6, se ingresaron las coordenadas de la estación de control Lou junto

con la longitud y acimut de la línea Lou-Paul para permitir calcular las
coordenadas de la estación Paúl. Luego se ingresaron la longitud de 1a línea
Paul-Ram y el ángulo de desviación "a" (ver Fig.) para permitir computar las
coordenadas para la estación Ram. Después se ingresaron la longitud de la línea
Ram-Tom y e1 ángulo de desviación "b" a fin de obtener coordenadas para Tom.
Luego se ingresaron la longitud de 1a línea Tom-Jim y el ángulo de desviación "c"
a fin de determinar las coordenadas para la estación Jim. (Nótese que el ángulo
de desviación "c" está a la izquierda o al sinistrorso, por lo que se le da un signo
menos (-.) en 1a entrada). Finalmente, se leyeron en la computadora la longitud
de la línea Jim-Bitl y el ángulo de desviación "d" a fin de obtener las coordenadas
para la estación Bill.

C.4.3 Procedimiento de entrada

Dicho procedimiento, incluyendo los nombres de variables, secuencia de las
tarjetas de entrada, datos requeridos de tarjetas y tos necesarios formatos de
lectura se discuten en los Arts. C.2 y C.3. Será de utilidad una explicación
adicional.

La primera tarjeta le dice a la computadora cuantas redes se vienen resolviendo

en cualquiera pasada en particular. Este número, con el nombre variable NON, se
justifica a la derecha en la columna 5 de la tarjeta.

La segunda tarjeta contiene la identificación del proyecto. Este nombre variable es

TITLE, y cualesquier datos alfa o numéricos pueden perforarse dondequiera en
esta tarjeta desde la columna 2 hasta la 80.
La tercera tarjeta contiene las variables LL, MM y NC en tal orden. Ellas son el
número total de estaciones nuevas en la red, el número total de líneas medidas en
la red y el número total de puntos de control en la red, respectivamente. Esos
números se perforan justificados a la derecha en 1as columnas 5, 10 y 15,
respectivamente.

El cuarto juego de tarjetas da los nombres de las estaciones en orden consecutivo:

un nombre de estación por tarjeta. Se justifican a la derecha en la columna 7.
Pueden usarse caracteres alfa o numéricos de hasta seis caracteres para
identificar cualquiera estación.

La tarjeta siguiente da las coordenadas X y Y de la estación No. 1, la longitud de la

línea 1-2 y las porciones de los grados, minutos y segundos del acimut de la línea
1-2. Estos nombres de variables son XX, YY, SI, AZD, AZM y AZS,
respectivamente. La variable XX se perfora en alguna parte dentro de las
columnas 1 al 15, YY en las columnas 16 al 30, SI en las columnas 31 al 40, AZD
de la 41 a la 50, AZM de la 51 a 1a 60 y AZS de la 61 a la 70.

El juego siguiente de tarjetas da los restantes números de estación y sus

coordenadas X y Y. Tales nombres variables son NP , XP y YP , respectivamente.
Se perfora una tarjeta para cada estación de control (excepto la No. 1, que ya ha
sido ingresada en la computadora). En cada tarjeta el número de estación se
justifica a la derecha en la columna 5, su coordenada X se perfora dentro de las
columnas 6 a 20 y su coordenada Y en las columnas 21 a 35.

El siguiente juego de tarjetas da las longitudes y ángulos de desviación

necesitados para calcular las coordenadas iniciales de todas las estaciones
desconocidas excepto la No. 2. Los datos perforados en estas tarjetas constan de
longitudes de línea, las porciones de grados, minutos y segundos del ángulo de
desviación. Los nombres de estas variables son S, DEFD, DEFM y DEFS, y se
perforan dentro de las columnas 1 a 10, 11 a 20, 21 a 30 y 31 a 40,
respectivamente. Hay LL-1 de estas tarjetas, o una menos que el número total de
estaciones nuevas en la red.

El siguiente juego de tarjetas da a la computadora las longitudes medidas, el

número del extremo I y del extremo J de cada línea, y un número de código. Se
perfora una tarjeta para cada longitud medida. Los nombres de variables son
DIST, IEND, JEND e ICODE, respectivamente. Los extremos I y J de las líneas
corresponden a los números asignados de estación del dibujo. El código le dice a
la computadora si la línea tiene su extremo I fijo, en cuyo caso el código es uno; si
está fijo el extremo J, en cuyo caso el código es dos; o si ningún extremo está fijo,
en cuyo caso el código es cero. La distancia se perfora en las columnas 1 a 10. El
y los números ICODE se justifican a la derecha en las columnas 15, 20 y 25,
respectivamente.

E1 juego final de tarjetas contiene los pesos de las líneas medidas. El nombre de
la variable es P. Cada tarjeta puede contener hasta 8 pesos perforados en campos
de 10.

C.5 -Listado del programa

En las paginas siguientes se da el listado del programa. La página final consta de

los datos de entrada para los problemas de los Arts. 11.9 y 110.De esos datos de
entrada, se produjo la salida dada en aquellos artículos. Seria útil comparar estos
datos de entrada con las Figs. 11.5 y 11.5.

AJUSTE DE TRILATERACION-COORDENADAS PLANAS MÉTODO

ECUACIÓN DE OBSERVACIÓN-MÍNIMOS CUADRADOS
POR PAUL R WOLF
IMPLICIT DOUBLE PRECISIÓN (A=M,0=Z)
DIMENSIÓN A(30,20),P(30),Q(20,20),AL(20),FL.(30),XX(15),YY(15)
DIMENSIÓN X(20),DIST(20},IEND(20),JEND(20),ICODE(20),V(30)
DIMENSIÓN TITLE(l6),NAM1(30),NAM2(30),EX(20),EY(20)
SIN(X)=DSIN(X)
C0S(X)=DCOS(X)
ABS(X)=DABS(X)
SQRT(X)=DSQRT(X)
LEER 10, NON
NON ES EL NUMERO DE REDES PROCESADO EN ESTA PASADA.
DO 695 IM=1,NON
KRUN=1
READ 11,TITLE
READ 10,LL,MM,NC
TITLE ES IDENTIFICACIÓN DEL TRABAJO , ETC.
LL ES NUMERO DE ESTACIONES NUEVAS
MM ES NUMERO DE DISTANCIAS MEDIDAS
NC ES NUMERO DE PUNTOS DE CONTROL EN LA RED
PRINT 999
PRINT 11,TITLE
PRINT 12,LL
PRINT 13,M
PRINT 16,NC
PI=4..*ATAN(1.)
RAD=180./PI
M=MM
N=2*LL
PRINT 670
PRINT 998
LEER NOMBRES ESTACIÓN
NTOT=LL+NC
DO 36 I=L, NTOT
READ 87,NAM1(I),NAM2(I)
CONTINUÉ
CALCULAR APROXIMACIONES INICIALES PARA ESTACIONES .
READ 15,XX(1),YY(1),S1,AZD,AZM,AZS
XX (1) ES COORDENADA X DEL PUNTO DE CONTROL INICIAL
YY(1) ES COORDENADA Y DEL PUNTO DE CONTROL INICIAL SI ES
LONGITUD MEDIDA DE LINEA 1 AZD, AZM Y AZS SON GRADOS MINUTOS Y
SEGUNDOS DEL ACIMUT DE LA LINEA 1
IAZD=AZD
IAZM=AZM
PRINT 997,S1,IAZD,IAZM,AZS
AZ=(AZD+AZM/60.*AZS/3600.)/RAD
XX(2)=XX(1)+S1*SIN(AZ)
YY(2)=YY(1)+S1*C0S(AZ)
LEER COORDENADAS DE PUNTOS DE CONTROL ADEMAS DE NUMERO 1
IF(NC=1)925,925,924
CONTINUÉ
DO 860 I=2,NC
READ 46,NP,XP,YP
XX(NP)=XP
YY(NP)=YP
CONTINUÉ
IF(LL=1)738,738,739
CONTINUÉ
DO 75 I=2,LL
II=I+1
READ 20,S,DEFD,DEFM,DEFS
DEFD, DEFM Y DEFS SON GRADOS, MIM., SEG DE ÁNGULOS DE
DESVIACIÓN COMENZANDO CON EST. 2, + SI DESVIACIÓN DERECHA,
- SI DESVIACIÓN IZQUIERDA S ES LONGITUD MEDIDA COMENZANDO
DESDE EST. 2 HASTA 3
IDEFD=DEFD
IDEFM=DEFM
PRINT 997,S,IDEFD,IDEFM,DEFS
DEF=(DEFD+DEFM/60,*DEFS/3600.)/RAD
AZ=AZ+DEF
IF(AZ=2.*PI)72,71,71
71 AZ=AZ=2.*PI
GO TO 74
72 IF(AZ)73,74,74
73 AZ=AZ+2,*PI
70 CONTINUÉ
XX(II)=XX(I)+S*SIN(AZ)
YY(II)=YY(I)+S*COS(A2)
75 CONTINUÉ
738 CONTINUÉ
PRINT 670
PRINT 996
DO 910 I=1,NTOT
910 PRINT 995,NAMI(I),NAM2(I),XX(I),YY(I)
FORMULAR LAS MATRICES DE COEFICIENTES Y CONSTANTES
DO 90 I=1,M
EL(I)=0,
DO 90 J=1,M
90 A(I,J)=0.
CONTINUE
PRINT 994
DIST (I) SON LONGITUDES CURSOS MEDIDOS EN SUCESIÓN IEND ES
NUMERO EST. EN EXTREMO I DEL CURSO JEND ES NUMERO EST. EN
EXTREMO J DEL CURSO ICODE IDENTIFICA TIPO DE LINEA
1 SI EXTREMO I DE LINEA ESTA FIJO
2 SI EXTREMO J DE LINEA ESTA FIJO
EN BLANCO SI NINGÚN EXTREMO DE LINEA ESTA FIJO
DO 99 I=1,MM
READ 40,DIST(I),IENDM.,JEND(I),ICODE(I)
IE=IEND(I)
JE=JEND(I)
99 PRINT 993,NAM(IE),NAM2(IE),NAM1(JE),NAM2(JE),DIST(I),ICODE(I)
70 CONTINUÉ
P(I) SON PESOS DE OBSERVACIONES, EN SUCESIÓN, LONGITUDES
PRIMERO
READ 20,(P(I).I=L,M)
509 CONTINUÉ
DO 100 I=1,MM
IJK=IEND(I)
IJL=JEND(I)
DO=(XX(IJK)=XX(IJL))**2+(YY(IJK)-YY(IJL))**2
DO=SQRT(DD)
KEND=I0END(I)=1
II=LL+KEND
LEND=JEND(I)=1
JJ=LL*LEND
IF(ICODE(I)=1)50,60,50
50 A(I,KEND)=(XX(IJK)=XX(IJL))/DD
A(I,II)=(YY(IJK)=YY(IJL))/DD
IF(ICOOE(I)-1)60.60,100
60 A(I,LEND)=-XX(IJK)-XX(IJL))/DD
A(I,JJ)=YY(LJK)-.YY(IJL))/DD
EL(I)=((DIST (I) – DD)
PRINT 999
PRINT 660
DO 102 I=1,M
102 PRINT 45,(A(I,J)',J=1,N)
PRINT 661
PRINT 45.(EL(I),I=1,M)
LA RUTINA POR MÍNIMOS CUADRADOS
DO 1 I«1,N
DO 1 J=1,I
Q(I,J)=0
DO 3 K=1,M
3 1Q(I,J)=Q(I,J)+A(K,I)*P(K)*A(K,J)
Q(J,I)=(Q(I.J)
1 CONTINUÉ •.
DO 307 K=1,N
DO. 302 J=1,N
IF_(J=K)304,302 304
Q(K,J)=Q(K,J)/Q(K,K)
302 CONTINUÉ
Q(K,K)=1./Q(K,K)
DO 307 I=1,N
IF(I=K) 305,307,305
DO 303 J=1,N
IF(J=K) 306,303,306
306 Q(I,J)=Q(I,J)-Q(I,K)*Q(K,J)
303 CONTINUÉ
Q(I,K)=Q(I,K)*Q(K,J)
307 CONTINUÉ
DO 2 J=1,N
AL(J)=O.
DO 2 K=1,M
2 AL(J)=AL(J)*A(K,J)*P(K)*EL(K)
DO 900 I=L,N
X(1)=0.
DO 900 J=1,N
900 X(I)=X(I)+Q(I,J)*AL(J)
PRINT 662
PFTINT 45,(X(I),I=1,N)
DO 51S I=1,LL
J=I+1
K=I+LL
XX(J)=XX(J)+X(I)
515 YY(J)=YY(J)+X(K)
PROBAR PARA LA NO CONVERGENCIA
KRUN=KRU+1
IF(KRUN=5)702,702,701
702 CONTINUÉ
PROBAR PARA LA CONVERGENCIA AL DESEADO ESTÁNDAR
EXACTITUDNCOR=2*LL
I=1
507 CONTINUÉ
IF(ABS(X(-I )) =.001) 505, 505,500
505 CONTINUÉ
I=L+1
IF(I=NCOR)507,507,506 506
CONTINUÉ
GO TO 508
506 CONTINUÉ
IMPRIMIR LA MATRIZ DE COVARIACION
PRTNT 693
DO 692 I=1,N
692 PRINT 45, ((Q(I,J),J1L*N)
COMPUTAR RESIDUALES
DO 400 I=1,M
V(I)=O
DO 400 K=L,N
400 V(I)=V(I)+A(I,K)*X(K)
DO 401 I=L,M
V(I)=V(I)-EL(I)
COMPUTAR DESVIACIÓN ESTÁNDAR DEL PESO UNITARIO
SIG=O.
DO 404 I=I,M
002 SIG=SIS+V(I)**2*P(L)
DM=M
DN=N
SIGMA=SQRT(SIG/DOM-DN))
COMPUTAR DESVIACIÓN ESTÁNDAR DE COORDENADAS AJUSTADAS
EX(L)=0.
EY(L)=0.
ILL=L*LL
DO 410 I=ILL,NTOT
EX(I)=0.
EY(I)=0.
410 CONTINUÉ
DO 415 I=2,ILL
IMN=I-1
IM2=IM1+LL
EX(I)=SIGMA*SQRT( (Q(IM1, IM1))
EY(I)=SIGMA*SQRT(Q(IM2*IM2))
415 CONTINUÉ
COMPUTAR LONGITUDES DE LINEA AJUSTADAS
DO 403 I=I,MM
J=IEND(I)
J=IENO(I)
403 DIST(I)=SQRTC(XX(J)=.XX(K))**2(YY(J)=YY(X))**23
IMPRIMIR COORDENADAS AJUSTADAS Y SUS DESVIACIONES ESTÁNDAR
PRINT 999
PRINT 405
DO 413 I=1,NTOT
413 PRINT 995,NAMI(I),NAM2(L),XX(I),EX(I),YY(I),EY(I)
IMPRIMIR DESVIACIÓN ESTÁNDAR DEL PESO UNITARIO
PRINT 406,SIGMA
IMPRIMIR LONGITUDES DE LINEA AJUSTADAS Y SUS RESIDUALES
PRTNT 407
DO 444 I=1,MM
IE=IEND(I) ,
JE=JEND(I)
444 PRINT 408,NAMF (IE),NAM2(IE),NAM1(JE),NAM2(JE)DIS(I),V(I)
PRINT 999
701 CONTINUÉ
695 CONTINUÉ
PRINT 999
FORMATOS
10 FORMAT(16I5)
11 FOMAT(16A5)
12 FORMAT_(//,10X,20HNUMBER OF NEW STATIONS =,13)
13 FORMAT(//,10X,30MNUMBER OF DISTANCES MEASUREO A,I=13)
15 FORMAT(2F10.3)
16 FORMAT(//,10X,37MNUMBES OF CONTROL POINTS IN THE NET =,I3)
20 FORMAT(8FL0.3)
40 FORMAT(F10.3.3I5)
45 FORMAT(1X,8F12,5)
46 FORMAT(I5.2F15.3)
87 FOBMAT(1X,2A3)
405 FORMAT(//,11X,44HADJUSTED COORDINATES ANO
STANDARDEVIATIONS,/,9
IX,7HSTATION,8X,IHX.17X,2HSX,11X,IHY,15X,2HSY,//) '
406 FORMAT(/.20X,36H STANDARD DEVIATION OF UNIT WEIGHT =F6,3,3H
FT)
407 FORMATO(//,30X,30HADJUSTED LENGTHS AND
RESIDUALS,/,18X,4HL1NE,20X,6 IHLENGTH,11X',12HRESIDUAL(FT),//)
408 FORMAT(11X,2A3,3H . ,2A3,2X,2F20.3)
660 FORMAT(//,25X,12HTHE A MATRIX,//)
661 FORMATO(//,25X,12HTHE L MATRIX,//)
662 FORMAT(//,25X,L2HTME X MATRIX,//)
670 FORMAT(//)
693 FORMAT(//,25X,12HTHE Q MATRIX,//)
993 FORMAT(11X,2A3=3H ,2A3,F28.3,115)
994 FORMAT(1HL,40X,10HIMPUT
.DATA,//,IIX,4HLINE,23X,6HLENGTH,13X,AHCCOE I»//)
995 FORMAT(9X,2A3,4F15.3)
996 FORMAT(7X, 44MFIXED COORDINATES AND INITIAL
APPROXIMATIONS,//,9X, 17HSTATION,AX,LHX,15X,1HY,//)
997 FORMAT(20X,F17.3, 1ÍX,2I5,F83.3)
998 FORMAT(10X,'PRFLIMINARY LENGTHS AND ANGLES TO CALCÚLATE' 1'
INITIAL APPROXTMATIONS'-//30X, »LENGTH«,20X,'ANGLE'//)
999 FORMAT(1H1)
STOP
END

2
EJEMPLO CUADRILATERO
TRILATERADO
2 5 2
BADGER
WIS
CAMPUS
BUCKY
10000,000 10000,000 5780,000 80. 0. 0.
4 11820,756 6881,222
3616,000 82. 0. 0.
5870,302 1 2 1
 7297,588 1 3 1
3616,434 2 3 0
5742,878 2 4 2
5123,760 3 4 2
1. 1. 1. 1. 1.

EJEMPLO DE
TRILATERACIÓN
5 17 4
LOU
PAUL
RAM
TAM
JIM
BILL
PAT
JOHN
TIM
833766,690 454925,95 16353. 26. 30. 00.
7830040,4 467467,97
8886672,11 473334,4
9887981,21 453589,28
10993. 11. 30. 00.
34955. 120. 00. 00.
144.69. -170 -15 0
22939. 43. 00. 00.
30319,17 2 6 0
34954,73 3 4 0
31376,2 2 4 0
45986,22 2 8 2
10992,63 2 3 0
16,353,41 1 2 1
39446,64 4 8 2
17445,22 6 8 2
29712,49 4 9 2
37437,93 7 4 1
35162,5 4 6 0
35162,49 6 4 0
43007,65 1 6 1
41305,83 6 7 2
14468,7 4 5 0
19896,23 2 5 0
22939,17 6 5 0
1. 1. 1. 1. 1. 1. 1. 1.
1. 1. 1. 1. 1. 1. 1. 1.

APENDICE D
PROGRAMA PARA EL AJUSTE POR MINIMOS CUADRADOS
DE UN CUADRILATERO TRIANGULADO

D.1 Introducción al programa

Este programa de computadora efectúa el ajuste por mínimos cuadrados de los

cuadriláteros triangulados usando el método de la ecuación de observación. La
figura para este programa se ilustra en la Fig. 12.4. Es un cuadrilátero estándar
con la dos diagonales observadas que tiene dos estaciones de control adyacente.

Los datos de entrada para este programa incluyen las coordenadas X y Y de la

estaciones de control, A y D, los ángulos observados ingresados en secuencia
numerada del 1 al 8 según se indica en la Fig. 12.4 y el ángulo de rotación a.

De los datos de entrada, el programa dirige a la computadora a calcular las

coordenadas iniciales de las estaciones by C y a formar las matrices A y L. Luego
efectúa la solución pro mínimos cuadrados conforme la ecuación (9g). La solución
se repite hasta lograr la convergencia satisfactoria.

Habiendo convergido, la computadora entones calcula e imprime las coordenadas

ajustadas de las estaciones C y C, los residuales de los ángulos medidos, la
desviación estándar del peso unitario y las desviaciones estándar de las
coordenadas ajustadas de las estaciones B y C. El Art. 12.8 brinda un ejemplote la
salida de computadora para un ajuste del cuadrilátero.

D.2 Sistema de eje provisional del ajuste

A fin de que este programa sea general para todos los cuadriláteros, el ajuste se
realizará en un sistema giratorio de eje provisional X-Y. El eje Y se coloca de
manera tal que corte a través de los ángulos 4 y 8 según muestra la Fig. 12.4.
Esto hace que tales ángulos concuerden con los casos (g) y (h) respectivamente,
de la Fig. 12.1. Esto es conveniente para permitir a la computadora que forme la
matriz L sin importar la orientación del cuadrilátero. Después de terminar el ajuste,
las coordenadas ajustadas se vuelven a girar a través del ángulo (360º-a) al
sistema del eje N-E. La formula de rotación para la rotación inicial a través de a, y
la rotación final a través de (360º-a) son las ecuaciones (16e). Se obtiene mejor el
valor del ángulo trazando el cuadrilátero a escala, dibujando el eje provisional Y, y
desmultiplicando su valor con un transportador. Sólo se necesita darlo al grado
más cercano.

D.3 Nombres y descripciones de las variables de entrada para este

programa

NO – el nombre de ajustes al cuadrilátero que se viene efectuando en esta pasada

TITLE – el nombre o descripción del problema de ajuste que se está resolviendo
M – el número de ángulos observados (usualmente 8)
N – el número de incógnitas (siempre 4)
YA – la coordenada Y de la estación de control A
XA – la coordenada X de la estación de control A
YD – la coordenada Y de la estación de control D
XD – la coordenada X de la estación de control D
ALPHA – ángulo de rotación
DEG – la porción de grados de los ángulos observados
AMIN – la porción de los minutos de los ángulos observados
SEC – la porción de los segundos de los ángulos observados
QLL – la matriz de peso. Estos son los términos P de la ecuación (9g). Sólo se
leen los elementos diagonales de la matriz de peso; por lo tanto, no se
asume correlación entre ángulos observados. Se asignan valores cero a
todos los elementos no diagonales en el programa.

D.4 Preparación del lote de datos para la entrada

El siguiente croquis indica la manera de preparar las tarjetas para la lectura de los
datos de entrada en la computadora:
 Fig. D.1
D.5 listado del programa

Las páginas siguientes contienen el listado de la computadora y de los datos de

entrad para el problema del Art. 12.8.

C TRIANGULACIÓN - MÍNIMOS CUADRADOS POR VARIACIÓN DE

C COORDENADAS
C
C PROGRAMADO POR --- PAÚL R. WOLF, PH.D.
C
C Este programa ajusta un cuadrilátero estándar, teniendo un lado como la
C base, usando el método de la ecuación de observación del ángulo
C
C ENTRADA
C
C 1RA Tarjeta - no es el número de ajustes efectuándose en la pasada,
C formato (110)
C
C 2DA Tarjeta - TITLE son cualesquier datos alfa o numéricos para identificar
C el trabajo. Pueden usarse cualesquiera columnas de 2 a 80.
C 3RA Tarjeta - m y n son el numero de ecuaciones e incógnitas.
C Formato(2I10)
C
C 4TA Tarjeta - YA, XA, YD y XD en ese orden, son las coordenadas de
C control terrestre de las terminales de la línea de base. Formato
C (4f20.3)
C
C 5TA Tarjeta - alfa es el ángulo de rotación (grados) necesitado para colocar
C el eje provisional de manera tal que la figura concuerde con un así llamado
C cuadrilátero estándar. Formato (Fig.3).
C
C 6TA, 7MA y 8VA Tarjetas - DEG(I), AMIN(I) y SEC(I) son los grados,
C minutos y segundos de los 8 ángulos observados. Cada ángulo se lee
C sucesivamente. Formato B(8F10.3).
C
C 9NA TARJETA - QLL Son los elementos diagonales de la matriz QLL. Es
C una matriz de variaciones. Si se suponen iguales variaciones. (Pesos
C iguales), QLL es una matriz de unidad. Formato (8F10.3).
C
DIMENSION A(30,20),X(20,1),EL(30,1),QLL(30,30),V(30,1)
DIMENSION VT(1,30),VTP(1,30),VTPV(1,1),QXX(20,20)
DIMENSION DEG(20),AMlN(20),SEC(20),ANGLE(20)
DIMENSION IDEG(20),BDEG(20),IMIN(20),BMIN(20)
DIMENSION TITLE(15),KDEG(20),KMIN(20)
KK=1
PI=3.1415927
READ 6,NO
5 READ 15,TITLE
READ 6,M,N
II=1
PRINT 4
PRINT 15,TITLE
READ 171,YA,XA.YD,XD
PRINT 3
PRINT 8
PRINT 7l,YA,XA,YD,XD
READ 110,ALPHA
PRINT 3
PRINT 1,ALPHA
ALPHA=ALPHA/(l80./PI)
TEMP1=YA
TEMP2=XA
TEMP3=YD
TEMP4=XD
YA=TEMP1*COS(ALPHA)+TEMP2*SIN(ALPHA)
XA =TEMP2*COS(ALPHA)-TEMP 1*SIN( ALPHA)
YD=TEMP3*COS (ALPHA)+TEMP4*SIN( ALPHA)
XD=TEMP4*COS(ALPHA 5-TEMP3*SIN(ALPHA)
READ 110,(DEG(I),AMIN(I),SEC(I),I=1,M)
PRINT 3
PRINT 2
DO 205 I=l,M
KDEG(I)=DEG(I)
KMIN(I)=AMIN(I)
205 PRINT 845,KDEG(I),KMIN(I),9EC(I)
DO 133 I=1,M
133 ANGLE (I)=DEG(I)/(180./PI)+AMIN(I)/(10800./PI)+SEC(I)/(648000./PI)
CALL ZERO(QLL,M,30)
 READ 110,(QLL(J,J),J=1,M)
BASE=SQRT((YA-YD)**2+(XA-XD)**2)
DIR=PI/2.-ATAN((YD-YA)/(XD-XA))
AB=(BASE*SIN(ANGLE(7)))/SIN(ANGLE(4))
BC=(AB*SIN(ANGLE(1)))/SIN(ANGLE(6))
YB=AB*COS(DIR-ANGLE(1)-ANGLE(2))+YA
XB=AB*SIN(DIR-ANGLE(1)-ANGLE(2))+XA
YC=BC*COS(DIR-ANGLE (1)-ANGLE (2)+PI-ANGLE(3)-
ANGLE(4))+YB
XC=BC*SIN(DlR-ANGLE(1)-ANGLE(2)+Pl-ANGLE(3)-ANGLE(4))+XB
PRINT 3
PRINT 9
PRINT 71,YB,XB,YC,XC
PRINT 3
PRINT 13
DO 20 I=1,M
20 PRINT 11,(QLL(I,J),J=1,M)
CALL MATINV(QLL,M,30)
3 CONTINUE
PRINT 4
PRINT 15,TITLE
PRINT 3
PRINT 14,II
C
C GENERAR LAS MATRICES
C
EL(1,1)=3ANGLE(1)-ATAN((YB-YA)/(XR-XA))+ATAN((YC-YA)/(XC-XA))
EL(2,1)=ANGLE(2)-ATAN((YC-YA)/(XC-XA))-ATAN((YA-YD)/(XD-XA))
EL(3,1)=ANGLE(3)-ATAN((YB-YD)/(XD-XB) )+ATAN((YB-YC)/(XC-XB))
EL(4,1)=ANGLE(4)-ATAN((XD-XB)/(YB-YD))-ATAN((XB-XA)/(YB-YA))
EL(5,1)=ANGLE'(5)-ATAN((XC-XA)/(YC-YA))+ATAN((XC-XD)/(YC-YD))
EL(6.1)=ANGLE(6)-ATAN((YB-YC)/(XC-XB))-ATAN((YC-YA)/(XC-XA))
EL(7,1)=ANGLE(7)-ATAN((YB=YD)/(XD-XB))+ATAN((YA-YD)/(XD-XA))
EL(8,1)=ANGLE(8)-TAN((XD-XB)/(YB-YD))-ATAN((XC-XD)/(YC-YD))
DO 77 I=1,8
EL(I,1)=EL(I,1)*(648000./PI)
AC=SQRT((YC-YA)**2+(XC-XA)**2)
BD=SQRT((YD YB)**2+(XD-XB)**2)
CD=SQRT((YD YC)**2+(XD-XC)**2)
AB=SQRT((XB-XA)**2+(YB-YA)**2)
CB=SQRT((XC-XB)**2+(YC-YB)**2)
DO 500 I=1,M
DO 500 J=1,N
500 A(I,J)=0.
PRINT 3
PRINT 7
A(1,1)= (XB-XA)/AB**2
A(1,2)= -1.*(YB-YA)/AB**2
A(1,3)= -1.*(XC-XA)/AC**2
A(1,4)= (YC-YA)/AC**2
A(2,3)= (XC-XA)/AC**2
A(2,4)= -l.*(YC-YA)/AC**2
A(3,1)= (XD-XB)/BD**2-(XC-XB)/BC**2
A(3,2)= (YB-YD)/YD)**2-(YB-YC)/BC**2
A(3,3)= (XB-XC)/BC**2*(-1.)
A(3,4)= (YB-YC)/BC**2
A(4,1)= (XB-XD)/BD**2-(XB-XA)/AB**2
A(4,2)= -l.*(YB-YD)/BD**2+(YB-YA)/AB**2
A(5,3)= -l.*(XC-XA)/AC**2+(XC-XD/CD**2
A(5,4)= (YC-YA)/AC**2-(YC-YD)/CD**2
A(6,1)= (XC-XB)/BC**2
A(6,2)= (YB-YC)/BC**2
A(6,3)= -l.*(XC-XB)/BC**2+(XC-XA)/AC**2
A(6,4)= -l.*(YB-YC)/BC**2-(YC-YA)/AC**2
A(7,1)= (XD-XB)/BD**2
A(7,2)= (YB-YD)/BD**2
A(8,1)= -1.*(XD-XB)/BD**2 A(8,2)= -1.*(YB-YD)/BD**2 A(8,3)= -
l.*(XC-XD)/CD**2
A(8,4)= (YC-YD)/CD**2
DO 78 I=1,M
DO 78 J=1,N
78 A(I,J)=A(I,J)*(648000./PI)
DO 10 I=1,M
10 PRINT 41,(A(I,J),J=l,N)
PRINT 3
PRINT 12
PRINT 11,(EL(I,J),I=1,M)
C
C LLAMAR LA SUBRUTINA DE MINIMOS CUADRADOS
C
CALL MALIME(A,X,EL,QLL,V,QXX,M,N)
PRINT 3
PRINT 21
DO 30 I=1,N
PRINT 41,(QXX(I,J),J=1,N)
PRINT 31
 PRINT 11,(X(I,1),I=1,N)
PRINT 3
PRINT 32
PRINT 11,(V(I,1),I=1,M)
YB= YB*X(1,1)
XB= XB*X(2,1)
YC= YC+X(3,1)
XC= XC+X(4,1)
II=II+1
C
C PROBAR PARA CONVERGENCIA
C
I=1
201 CONTINUE
If(X(I,1).GT.0.0001)GO TO 34
I=I+1
IF(N=I)36,201,20l
CONTINUE
ANGLE(1)= ATAN((YB-A)/(XB-XA))-ATAN((YC-YA)/(XC-XA))
ANGLE(2)= ATAN((YC-YA)/(XC-XA))+ATAN((YA-YD)/(XD-XA))
ANGLE(3)= ATAN((YB-YD)/(XD-XB))-ATAN((YB-YC)/(XC-XB))
ANGLE(4)= ATAN((XD-XB)/(YB-YD))+ATAN((XB-XA)/(YB-YA))
ANGLE(5)= ATAN((XC-XA)/(YC-YA))-ATAN((XC-XD)/(YC-YD))
ANGLE(6)= ATAN((YB-YC)/(XC-XB)+ATAN((YC-YA)/(XC-XA))
ANGLE(7)= ATAN((YB-YD)/(XD-XB))-ATAN((YA-YD)/(XD-XA))
ANGLE(8)= ATAN((XD-XB)/(YB-YD))+ATAN((XC-XD)/(YC-YD))
THETA=2.*PI-ALPHA
TEMP1=YB
TEMP2=XB
TEMP3=YC
TEMP4=XC
YB=TEMP1*COS(THETA)+TEMP2*SIN(THETA)
XB=TEMP2*COS(THETA)-TEMP1*SIN(THETA)
YC=TEMP3*COSfTHETA)+TEMP4*SIN(THETA)
XC=TEMP4*COS(THETA)-TEMP3*SIN(THETA)
C
C IMPRIMIR LOS VALORES AJUSTADOS
C
PRINT 4
PRINT 15,TITLE
PRINT 3
PRINT 108
PRINT 71,YB,XB,YC,XC
 CALL MATRAN(V,VT,M,1,30,1,1,30)
CALL MATMUL(VT,QLL,VTP,1,M,M,1,30,30,30,1,30)
CALL MATMUL(VTP,V,VTPV,1,M,1,1,30,30,1,1,1)
AM= M
AN=N
S=SQRT(VTPV(1,1)/(AM-AN))
PRINT 3
PRINT 35,S
PRINT 3
PRINT 900
DO 901 I=1,N
SD=SQRT(QXX(1,1)*S**2)
901 PRINT 111,SD
PPINT 3
PRINT 843
DO 576 I=1,M
DEG(I)= ANGLE(I)*(180./PI)
IDEG(I)= DEG(I)
BDEG(I)= IDEG(I)
AMIN(I)= (DEG(I)-BDEG(I))*60.
IMIN(l)= AMIN(l)
BMIN(I)= IMIN(l)
SEC(I)= (AMIN(I)-BMIN(I))*60.
576 PRINT 845,IDEG(I),IMIN(I),SEC(I)
KK=KK+1
IF(KK-NO)5,5,902
902 CONTINUE
C
C FORMATOS
C
1 FORMAT(10X,'ROTATION ANGLE =',F5.1,' DEGREES')
2 FORMAT(10X,'OBSERVED ANGLES')
3 FORMAT(/)
4 FORMAT(1H1)
6 FORMAT(2I10)
7 FORMAT(10X,'A MATRIX')
8 FORMAT(10X,'CONTROL POINT CO-ORDINATES')
9 FORMAT(10X,'APPROX. CO-ORDINATES OF UNKNOWNS')
11 FORMAT(8F8.3)
12 FORMAT(10X, 'L MATRIX (VECTOR)')
13 FORMAT(10X,'VARIANCE - COVARIANCE MATRIX QLL')
14 FORMAT(10X,’ITERATION No. ’,I4//)
15 FORMAT(15A6)
21 FORMAT(10X,'VARIANCE - COVARIANCE MATRIX QXX')
31 FORMAT(10X,'UNKNOWNS X VECTOR')
32 FORMAT(10X,'RESIDUALS V VECTOR')
35 FORMAT(10X,'STANDARD ERROR OF UNIT WEIGHT =',F9.3//)
41 FORMAT(8F10.3)
71 FORMAT(4F12.3)
108 FORMAT(10X,'ADJUSTED UNKNOWN CO-ORDINATES')
110 FORMAT(8F10.3)
111 FORMAT(10X,F10.3)
171 FORMAT(4F20.3)
843 FORMAT(10X,'ADJUSTED ANGLES')
845 FORMAT(10X.I4,' =',I4,' -',F6.2)
900 FORMAT(10X,’ STANDARD DEVIATIONS')
PRINT 4
STOP
END
SUBROUTINE MALIME(A,X,EL,QLL,V,QXX,M,N)
DIMENSION A(30,20),X(20,1),EL(C30,1),QLL(30,30),V(30,1),
1QXX(20,20),AQL(20,1),AT(2O,30),AQ(20,30)
C (2) TRANSPONER A A AT
CALL' MATRAN (A,AT,M,N,30,20,20,30)
C (3) COMPUTE AQ = AT * QLL
CALL MATMUL (AT,QLL,AQ,N,M,M,20,30,30,30,20,30)
C (4) COMPUTE QXX = AQ * A
CALL MATMIIL (AQ,A,QXX,N,M,N,20,30,30,20,20,20)
C (5) INVERT QXX MATRIX
CALL MATINV (QXX,N,20)
C (6) COMPUTE AQL = AQ * EL
CALL MATMUL (AQ,EL,AQL,N,M,1,20,30,30,1,20,1)
C (7) COMPUTE X = QXX * AQL
CALL MATMUL (OXX,AQL,X,N,N,1,20,20,20,1,20,1)
C (8) COMPUTE V = A * X – EL
CALL MATMUL (A,X,V,M,N,1,30,20,20,1,30,l)
DO 1 I=1,M
1 V(I,1)=V(l,1)-EL(I,1)
RETURN
END
SUBROUTINE zero(a,xi,m)
DIMENSION A (M, M)
DO 1 I=1,N
DO 1 J=1,N
1 A(I,J)=0.
RETURN
 END
SUBROUTINE MATINV(A,N,M)
DIMENSION A(M,M)
DO 1 K=1, N
DO 2 J=1, N
IF(J=K) 4,5,4
4 A(K,J)=A(K,J)/A(K,K)
5 CONTINUE
2 CONTINUE
A (K, K)= 1./(K,K)
DO 1 I=1,N
IF(I=K)6,1,6
6 DO 3 J=1, N
IF (J = K) 7, 8, 7
7 A (I, J) =A (I, J) = A (I, K) * A (K, J)
8 CONTINUE
3 CONTINUE
A(I,K)=-A(I,K)*A(K,K)
1 CONTINUE
RETURN
END
SUBROUTINE MATMUL(A,B,C,L,M,N,LA,MA,MB,NB,LC,NC)
DIMENSION A (LA,MA),B(MB,NB),C(LC,NC)
DO 1 I=1,L
DO 1 J=1,N
C(I,J)=0.
DO 1 K=1,M
1 C(I=J)= C(I,J)+A(I,K)*B(K,J)
RETURN
END
C TRANSPONER MATRIZ B= A-TRANSPONER
SUBROUTINE MATRAN(A,B,M,N,MA,NA,MB,NB)
DIMENSION A(MA,NA), B(MB,NB)
DO 1 I=1,M
DO 1 J=1,N
1 B(J,I)= A(I,J)
RETURN
END

1
EJEMPLO DE TYRIANGULACIÓN, CALCULOS DE AJUSTE DE
WOLF
8 4
8448,9 4270.33 4568.75 7610.58
0.
42. 35. 29. 87. 35. 10.6 79. 54.
42.1 18. 28. 22.4 21. 29. 23.9 39.
1. 35.4 31. 20. 45.8 39. 34. 27.9
1. 1. 1. 1. 1. 1. 1. 1.

APENDICE E
PROGRAMA PARA EL AJUSTE DE MINIMOS CUADRADOS POR
ECUACIONES DE CONDICION

E.1 Introducción al programa

Este programa de computadora dirige la solución de la ecuación (14f) que es el

cómputo de mínimos cuadrados para las ecuaciones de condición ponderada. La
ecuación no ponderada (14d) también puede resolverse por este programa si se
ingresan en la computadora pesos de unidad. El programa acomodará hasta 50
observaciones implicando a tantas como 20 ecuaciones de condición.

A fin de usar este programa, es necesario calcular manualmente e ingresar en la

computadora las matrices W, B y P. El programa calcula los residuales más
probables. De éstos, es preciso calcular manualmente las observaciones
corregidas y de éstas se pueden computar los valores ajustados.

E.2 Nombres y descripciones de las variables de entrada en este

programa:

NO – el número de soluciones en esta pasada.

TITLE – el nombre o descripción del problema que se esta resolviendo.
M – el número de ecuaciones de condición.
N – el número de observaciones.
W – la matriz W, o matriz de términos constantes en la ecuación (14f).
B – la matriz de coeficientes de las observaciones en las ecuaciones de condición.
P – la matriz de peso. Esta es una matriz cuadrada de dimensiones N por N; sin
embargo, solo se leen los elementos diagonales. Se les asigna a todos los
elementos no diagonales un valor de cero. Estos son los términos P de la
ecuación (14f)

E.3 Preparación del lote de datos para la entrada

El croquis siguiente indica la manera de preparar las tarjetas para la lectura de los
dato de entrada en la computadora:

Fig. E.1

E.4 Salida

En el (Art. 14.5) se dan ejemplo de la salida de computadora que resultan de este

programa, y que son los problemas de red de nivel no ponderad y ponderada; (Art.
14.6) ajustado del ajuste de poligonales por el método Crandall; (Art. 14.7)
ajustado por el método de mínimos cuadrados de ecuaciones de condición. Los
datos en la salida se identifican en las hojas impresas y son autoexplicativos.

E.5 Listados del programa

Las siguientes páginas contienen listados del programa y de los datos de entrad
para los problemas de Arts. 14.5, 14.6, 14.7 y 15.4.4.

C SOLUCIÓN DE ECUACIONES DE CONDICIÓN POR MÉTODOS

C MATRICIALES
C
C PROGRAMMED BY --- PAUL R. WOLF, PH.D
C
C PROCEDIMIENTO DE ENTRADA
C
C 1RA TARJETA-NO, EL NÚMERO DE SOLUCIONES EN ESTA PASADA.
C FORMATO (15)
C
C 2DA TARJETA-TITLE CULESQUIER CARACTERES ALFA O NUMERICOS
C N COLS 2 A 30
C
C 3RA TARJETA-MY N, EL NÚMERO DE ECUACUINOES DE COND. Y
C OBSERVACIONES RESPECTIVAMENTE. FORMAT0 (215)
C
C MATRIZ W-UN (1) VALOR PARA CADA ECUACION DE CONDICIÓN
C
C MATRIZ B-COEFICIENTES DE OBSERVACIONWES CON MÁXIMO DE
C CUATRO VALORES POR TARJET. LEEER TODO LOS VALORES PARA
C CADA ECUACIÓN, LUEGO COMENZAR CON UNA TARJETA NUEVA.
C FORMATO (4F20.3)
C
C MATRIZ P-PESOS DE OBSERVACIONES CON MÁXIMO DE CUATRO
C VALORES POR TARJETA. LEER SOLO ELEMENTOS DIAGONALES Y
C EN SECUENCIA CORRECTA. FORMATO (4F20.3)
C
IMPLICIT DOUBLE PRECISION (A=H,O-Z)
DIMENSION W(20,1),B(20,50),C(20,20),D(50,20),V(50,1)
DIMENSION WW(20),P(50,50), TITLE(16),PT(50,20)
C
C LEER E IMPRIMIR DATOS DE ENTRADA
C
READ 105,NO
KK=1
155 CONTINUE
READ 15, TITLE
15 FORMAT(16ª5)
PRINT 16
16 FORMAT(/)
READ 105,MMN
READ 110,(WW(I),I=1,M)
DO 145
145 W(I,1)=WW(I)
PRINT 17
PRINT 160
DO 120 I=1,M
READ 110,(B(I,J),J=1,N)
120 PRINT111,(B(I,J),J=1,N)
PRINT 17
PRINT 170
 PRINT 111,(B(I,J)),I=1,M)
DO 18 I=1,N
DO 18 J=1,N
18 P(I,J)=0.D0
READ 110,(P(J,J)J=1,N)
PRINT 17
PRINT 190
PRINT 111,(P(J,J),J=1,N)
C
C RESOLVER EL ALGORITMO DE MINIMOS CUADRADOS
C
C P INVERSA = P
C
DO 44 I=1,N
44 P(I,J)=1.D0/P(I,I)
C
C
C TRANSPONER B A BT
C
DO 130 I=1,M
DO 130 J=1,N
130 MAULTIPLICAR P*BT=PT
DO 20 I=1,N
DO 20 K=1,M
PT(I,K)=0.D0
DO 20 J=1,N
20 PT(I,K)=PT(I,K)+P(I,J)*BT(J,K)
C
C MULTIPLICADOR B*PT = C
C
DO 11 I=1,M
DO 11 J=1,M
C(I,J)=0.D0
DO 11 K=1,N
11 C(I,J)=C(I,J)+B(I,K)+PT(K,J)
C
C INVERTIR C
C
DO 1 K=1,M
DO 2 J=1,M
IF(J=K)4,2,4
4 C(K,J)=C(K,J)/C(K,K)
2 CONTINUE
 C(K,K)=1.D0/C(K,K) DO 1 I=1,M
IF(I=K)5,1,5
5 DO 3 J=1,M
IF(J=K)6,3,6
6 C(I,J)=C(I,J)-C(I,K)*C(K,J)
3 CONTINUE
C(I,K=-C(I,K))*C(K,K)
1 CONTINUE
C
C MULTIPLICADOR PT * C = D
C
DO 21 I=1,N
DO 21 J=1,M
D(I,J)=0.D0
DO 21 K=1,M
21 D(I,J)=D(I,J)+PT(I,K)*C(K,J)
C
C MULTIPLICADAR D*W=V
C
DO 31 I=1,N
DO 31 J=1,1
V(I,J)=0.D0
DO 31 K=1,M
31 V(I,K)=V(I,J)+D(I,K)*W(K,J)
PRINT 17
PRINT 180
DO 140 I=1,N
140 PRINT 111,(V(I,J),J=1,1)
KK=KK+1
IF(KK-N0)115,155,150
105 FORMAT(215)
110 FORMAT(4F20.3)
111 FORMAT(3F20.7)
160 FORMAT(10X,9H B MATRIX)
170 FORMAT(10X,9H N MATRIX)
180 FORMAT(10X,10H RESIDUALS)
190 FORMAT(10X,9H P MATRIX)
150 CONTINUE
PRINT 16
STOP
END

EJEMPLO RED DE NIVEL NO PONDERADA, COMPUTOS DE

 WOLF
4 7
.06 -.12 -.02 .05
1. 1.
1. 1.
1.
-1 1.
-1.
1. 1.
1. 1. 1. 1.
1. 1. 1.

EJEMPLO RED DE NIVEL PONDERAD, COMPUTOS AJUSTE

DE WOLF
4 7
.06 -.12 -.02 .0.5
1. 1.
1. 1.
1.
-1. 1.
-1.
1. 1.
3. 4. 6. 4.
6. 6. 6.
CUAD TRIANGULADO, COMPUTOS AJUSTE DE
WOLF
4 8
-8.9 -9.3 11.8 61.3
1. 1. 1.
1.
1.
1.
1. 1.
1.
1. 1. 1.
2.29 -.08 .38 -6.30
1.34 -2.60 3.46 -2.54
1. 1. 1. 1.
1. 1. 1. 1.
METODO CRANDALL PARA EJEMPLO POLIGONAL, COMPUTOS
AJUSTE DE WOLF
2 6
-3.49 -5.14
1. .710 -.763 -.912
-.002 -.646
.705 .646 -.410
1. -.764
1.34 1.53 1.52 2.27
2.89 2.25
POLIGONAL DE LA FIG. 13.2, COMPUTOS AJUSTE
DE WOLF
3 5
-0.000291 -0.205 -0.130
1.00 1.0 1.0 0.0
0.0
186.603 86.603 0.0 0.866
0.5
-223.205 -50.00 0.0 0.5
0.866
4730000.0 4730000.0 4730000.0 400.0
156.00

APENDICE F
PROGRAMA PARA LA TRANSFORMACIÓN CONFORME DE COORDENADAS
BIDIMENSIONALES

F.1 Introducción al programa

Este programa de computadora dirige la solución de las ecuaciones (16e) que es

el compute de mínimos cuadrados para dicha transformación. El programa
acomodara hasta 10 puntos de control (puntos cuyas coordenadas se conocen en
ambos sistemas). Se pueden transformar hasta otros 50 puntos en el sistema de
control.

Para usar el programa, es necesario ingresar las coordenadas de todos los puntos
de control en el sistema de coordenadas de control, las coordenadas medidas de
todos los puntos de control y de todos los otros puntos a transformarse. La
computadora forma las matrices A y L, y dirige la solución por mínimos cuadrados.
Se suponen pesos iguales en la solución.

F.2 Nombres y descripciones de las variables de entrada en este programa

TITLE – el nombre o descripción del problema que se viene resolviendo.

MP – el número total de puntos involucrados en la solución. Esta es la suma del
número de puntos de control y el número de otros puntos en
transformación.
NCON - el número total de puntos de control que se esta usando.
P - los primeros 5 caracteres de la identidad del punto. Pueden ser alfa o
numéricos.
Q – los siguientes 5 caracteres de la identidad del punto. Por tanto, se pueden
usar hasta 10 caracteres para identificar cualquier punto.
XCON – coordenadas X de los puntos de control en el sistema de coordenadas de
control.
YCON – coordenadas Y de los puntos de control en el sistema de coordenadas de
control.
XMEAS – coordenadas X de puntos en el otro sistema de coordenadas. Estas
coordenadas deben ingresarse para todos los puntos. Esto incluye los
puntos de control y otros puntos.
YMEAS – coordenadas Y de puntos en el otro sistema de coordenadas. De nuevo,
estas deben ingresarse para todos los puntos de control y todos los otros
puntos.

F.3 Preparación de lote de datos para la entrada

El croquis siguiente indica la manera de preparar las tarjetas para la lectura de los
datos de entrada en la computadora:

Fig. F.1
F.4 Salida
El Art. 16.4 da un ejemplo de la salida de computadora resultante de este
programa. Los datos listados incluyen las coordenadas de todos los puntos de
control usados, las coordenadas medidas de todos los puntos en el otro sistema,
las coordenadas transformadas de todos los puntos y 1os valores de 1os
parámetros de transformación, i.e., 1os valores de a, b, c y d de las ecuaciones
(16e). Esta información se identifica en e1 listado de salida, siendo autoexplicativa.

Aunque el listado no contiene 1os residuales, pueden calcularse sus valores

restando las coordenadas transformadas de 1os puntos de control de las
coordenadas de control originales. Como ejemplo, e1 residual de 1a coordenada X
del punto de control A es 1049422.400 - 1049422.404 = -.004 de pie, y e1 residual
de la coordenada Y del punto de control A es 51089.171 -51089.200 = -.029 de
pie. Inspeccionando de esta manera 1os tamaños de 1os residuales, se puede
efectuar un avaluó de la calidad del ajuste.

F.5 Listado del programa

Las páginas siguientes contienen 1os listados del programa de computadora y los
datos de entrada para e1 problema del Art. 16.4.

C
C TRANSFORMACIÓN CONFORME DE COORDENDAS
C
C PROGRAMMED BY PAUL R. WOLF, PH.D.
C
C LENGUAJE DEL PROGRAMA FORTRAN
C
C ESTE PROGRAMA DESMULTIPLICA, GIRA Y TRANSLADA LAS
C COORDENADS DE PUNTOS DE UN SISTEMA ABITRARIO DE
C COORDENADAS BIDIMENSIONALES EN UN SISTEMA ABSOLUTO DE
C COORDENADAS BIDIMENSIONALES. SE PUEDEN USAR 2 A 10
C PUNTOS DE CONTROL, Y SI SE USAN MAS DE 2 EL PROCEDIMIENTO
C COMPUTACIONAL ES PRO MÍNIMOS CUADRADOS.
C
C NOMBRES DE LAS VARIABLES DEL PROGRAMA DE ENTRADA
C NP = NÚMERO TOTAL DE PUNTYOSEN TRANSFORMACIÓN
C INCLUYENDO CONTROL
C NCON = NÚMERO DE PUNTOS DE CONTROL EN USO
C PYQ = NÚMERO S O NOMBRES DE ESTACIÓN
C XCON = COORDENADAS X DE PUNTOS DE CONTROL
C YCON = COORDENADAS Y DE PUNTOS DE CONTROL
C XMEAS = COORDENADAS X DE PUNTOS EN EL SISTEMA
C ARBITRARIO
C YMEAS = COORDENADAS Y DE PUNTOS EN EL SISTEMA
C ARBITRARIO
C
DOUBLE PRECISION XCON(10),YCON(10),XMEAS(50),YMEAS(50)
DOUBLE PRECISION A(20,4),AT(4,20),EL(20,1),ATL(4,1),ATA(4,4)
DOUBLE PRECISION X(4,1),XGRO(50),TITLE(16)
MMAX=20
NMAX=4

LEER DATOS DE ENTRADA

PRINT 77
77 FORMAT(1H1)
READ 32,TITLE
PRINT 32,TITLE
READ 1,NP,NCON
READ 2,(P(I),Q(I),XCON(I),YCON(I),I=1,NCON)
PRINT 20
PRINT 6,(P(I),Q(I),XCON(I),YCON(I),I=1,NCON)
READ 7,(P(I),Q(I),XMEAS(I),YMEAS(I),I=1,NP)
PRINT 21
PRINT 8,(P(I),Q(I),XMEAS(I),YMEAS(I),I=1,NP)
C
C FORMAR LAS MATRICES
C
DO 3 I=1,NCON
A(I,1)=1.
A(I,2)=XMEAS(I)
A(I,3)= YMEAS(I)
A(I,4)=0.
3 EL(I,1)=XCON(I)
J=NCON+1
K=2*NCON
DO 4 I=J,K
II=I=NCON
A(I,1)=0.
A(I,2)=YMEAS(II)
A(I,3)=XMEAS(II)
A(I,4)=1.
4 EL(I,1)=YCON(II)
C
C RESOLVER EL ALGORITMO DE MINIMOS CUADRADOS
C
 CALL MATR (A,AT,K,4,MMAX,NMAX)
CALL MATM (AT,A,ATA,4,K,4,NMAX,MMAX,NMAX)
ATA(3,2)=0.
ATA(2,3)=0.
CALL MATM (AT,EL,ATL,4,K,1,NMAX,MMAX,1)
CALL MATI (ATA,4,NMAX)
CALL MATM (ATA,ATL,X,4,4,1,NMAX,MMAX,1)
DO 5 I=1,NP
XGRO(I)=X(1,1)+X(2,1)*XMEAS(I)=X(3,1)*YMEAS(I)
5 YGRO(I)=X(2,1)*YMEAS(I)+X(3,1)*XMEAS(I)+X(4,1)
C
C IMPRIMIR LOS RESULTADOS
C
PRINT 22
PRINT 6,(P(I),Q(I),XGRO(I),YDGRO(I),I=1,NP)
PRINT 31,(X(I,1),I=1,4)
1 FORMAT(2I2)
2 FORMAT(2A5,2F20,3)
6 FORMAT(2A5,2F20,3)
7 FORMAT(2A5,2F10,3)
8 FORMAT(2A5,2F20,3)
20 FORMAT(18X,14HCONTROL POINTS,//,2X,5HPOINT,16X,7HEASTING,
12X,8HNOR1THING)
21 FORMAT(//,15X,20HMEASURED COORDINATES,//,2X,5HPOINT,16X,
7HX=COORD,112X,7HY=COORD)
22 FORMAT(/,6X,40HTRANSFORMED GROUND COORDINATES OF
POINTS,//,2X,5HPO1INT,16X,7HEASTING,12X,8HNORTHING)
30 FORMAT(4E20,7)
31 FORMAT(//,21H TRANSFORMATION EQNS.,//,37H XGROUND = A1 +
A2(XMEAS)=A3(YMEAS),//,37H YGROUND=A4+A3(XMEA S)+
A2(YMEAS),//,6H WHE2RE,2X,3HAI=,F10,2,2X,3HA2=,F10,5,2X,
3HA3=,F10,5,2X,3HA4=,F10,2)
32 FORMAT(16A5)
PRINT 77
STOP
END
SUBROUTINE MATI (QXX,N,XMAX)
C
C LA MATRIZ QXX SE INVIERTE Y LA INVERSA REEMPLAZA QXX EN EL
C ALMACENAMIENTO
C LA INVERSA RETIEN EL NOMBRE DE ORDENAMIENTO QXX. QXX ES
C UNA MATRIZ CUADRADA DE DIMENSIONES (N,N)
DOUBLE PRECISION QXX(NMAX,NMAX)
 DO 307 K=1,N
DO 302 J=1,N
IF(J=K) 304,302,304
304 QXX(K,F)=QXX(K,J)/QXX(K,K)
302 CONTINUE
QXX(K,K)=1./QXX(K,K)
DO 307 I=1,N
IF(I=K) 305,307,305
305 DO 303 J=1,N
IF(J=K) 306,303,306
306 QXX(I,J)=QXX(I,J)-QXX(I,K)*QXX(K,J)
303 CONTINUE
QXX(I,K)=-QXX(I,K*QXX(K,K))
307 CONTINUE
RETURN
END
SUBROUTINE MATR (A,AT,M,N,NMAX,NMAX)
C A=MATRIZ ORIGINAL, AT=MATRIZ TRANSPUESTA
C M=NÚMERO DE FILAS EN A, N = NÚMERO DE COLUMNAS EN A
DOUBLE PRECISION A(MMAX,NMAX),AT(NMAX,MMAX)
DO 10 I=1,M
DO 10 J=1,N
AT(J,I)=A(I,J)
10 CONTINUE
RETURN
END
SUBROUTINE MATM (A,B,C,M,N,L,MMAX,NMAX,LMAX)
C A= PRIMERA MATRIZ DE DIMENMSIONES (M,N)
C B= PRIMERA MATRIZ DE DIMENMSIONES (N,L)
C C= PRODUCTO DE A VECES B
DOUBLE PRECISION A(MMAX,NMAX),B(NMAX,LMAX),C(MMAX,LMAX)
DO 100 I=1,M
DO 100 H=1,L
C(I,K)=0
DO 100 J=1,N
C(I,K)=C(I,K)+A(I,J)*B(J,K)
100 CONTINUE
RETURN
END
 EJEMPLO DEL PROBLEMA, COMPUTOS DE AJUSTE DE
WOLF
8 3
A 1049422,4 51089,2
B 1049413,95 49659,3
C 1049244,95 49884,95
A 121,622 -128,066
B 141,228 187,718
C 175,802 135,728
1 174,148 -120,262
2 513,52 -192,130
3 754,444 -67,706
4 972,788 120,994
5 1068,118 161,624
REFERENCIAS

Barry, B.A., Engineering Measurements, John Wiley & sons. New York, 1964.

Benjamin, J.R. and C.A. Cornell, Probability, Statistics and Decision for Engineers,
McGraw-Hill Book Co., Inc., New York, 1970.

Bjerhammar. A., Theory of Errors and Generalized Matrix Inverses, Elsevier

Scientific Publishing Co., New York, 1973.

Brinker, R.C. and P.R. Half, Elementary Surveying , 6th Ed., Harper and Row
Publishing Co., Inc., New York, 1977.
Cooper, M.A.R. Fundamentals of Survey Measurement and Analysis, Crosby,
Lockwood, Staples, London, 1973.

Crandall, K.C. and R.W. Sea bloom, Engineering Fundamentals in Measurements.

Probability, Statistics and Dimensions. McGraw-Hill Book Co., Inc., New
York, 1970

Deming, W.E. Statistical Adjustment of Data. Dover Publications, Inc., New York,
1943.

Hamilton, W.C., Statistics in Physical Science, the Ronald Press Co., New York,
1964.

Hirvonen, R.A., Adjustment by Least Squares Geodesy and Photogrammetry,

Frederick Unger Publishing Co., New York, 1965.

Maksoudina, Y.L., Probability and Statistics with Applications, International

Textbook Co., Scranton, 1969.

Mikhail, E.M., Observations and Least Squares. IEP, Dun-Donnelley Publisher,

New York, 1976.

Moffitt, F.H. and H. Bouchard, Surveying, 6th Ed., Harper and Row Publishing
Co., Inc., New York, 1975.

Rainsford, H.F. Survey Adjustments and Least Squares, Constable and Co., Ltd.,
London, 1957.
Richardus, P., project Surveying, North Holland Publishing Co., Amsterdam John
Wiley & Sons, Inc.., New York, 1966.

Snedecor, G.W. and W.C. Cochran, Statistical Methods, Iowa State Univ. Press,
Ames, Iowa, 1973.

Wolf, P.R., Elements of Photogrammetry, McGraw-Hill Book Co., Inc., New York,
1974.

Veress, S.A., Adjustment by Least Squares, American Congress on Surveying and

Mapping, Washington, D.C., 1974.

Aguilar, A.M, “Principles of Survey Error- Analysis and Adjustment," Journal of the
the surveying and Mapping Division, ASCE, Vol. 99, No. SU1 Sept., 1973.

Baker,J.R., “Adjusting Radial Surveys," Journal of the Surveying and Mapping

Division, ASCE, Vol. 98, No. SU2, Nov., 1972.

Fubara, D.M.J., "Three-Dimensional Adjustment of Terrestrial Geodetic Networks”,

Canadian Surveyor. Vol. 26, No. 4, Sept., 1972.

Gale, L.A., “Theory of Adjustments by Least Squares," Canadian Surveyor, Vol. IX,
No. 1, Mar., 1965.

Konecny, G., “Classical Concepts of Least Squares Adjustment," Canadian

Surveyor, Vol. IX, No. 1, Mar., 1965.

Kouba, G “Principal Property and Least Squares Adjustment Design," Canadian

Surveyor, Vol. 26, No. 2, June, 1972.

Madkour, M.F., “Non-linear Least Squares Algorithm," journal of the Surveying and
Mapping Division, ASCE, Vol. 98. No. SU2, Nov., 1972.

Navasky, M., “Adjusting Observed Directions by Angles Using Equitable Wights”,

Surveying and Mapping, Vol. XXXIV, No. 4, Dec., 1974.

Pinch, M.C and A.E. Peterson, "A Methods for Adjusting Survey Networks," in
sections,” Canadian Surveyor, Vol, 28, No. 1, Mar., 1974.

E. Schmid, "A Generalized Least Squares Solution for hybrid Measuring Systems,"
Canadian Surveyor, Vol. IX, No. 1, Mar., 1965
Stoughton, H.A., "An Algorithm to Adjust a Quadrilateral," Surveying and Mapping.
Vol.XXXVII. No. 3, Sept., 1977.

Stoughton, H.W., "The First Method to Adjust a Traverse Based on Statistical

Considerations," Surveying and Mapping, Vol. XXXIV,No. 2, June, 1974.

Dotila, U.A., "Statistical Tests as Guidelines in Analysis of Adjustment of Control

Nets," Surveying and Mapping, Vol. XXXV, No. 1, Mar., 1975.

Uotila, U.A., "Useful Statistics for Land Surveyors ," Surveying and Mapping, Vol.
XXXIII, No. 1, Mar., 1973.

Veress, S.A., "Measures of Accuracy for Analysis and Design of Survey,"

Surveying and Mapping, Vol. XXXIII, No. 4, Dec., 1973.

Vreeland, R.P., "Adjustment of Traverses," Journal of the Surveying and and

Mapping Division, ASCE, Vol. 98, No. SU2, Nov., 1972.

White, L.A. and N.D. Betts, "Modification of Conditional Adjustment Solutions

Caused by Amendment of the Original Observations Involved," Canadian
Surveyor. Vol. XXIII, No. 5, Dec., 1969.

Witson, P., "The Solution of Linear Equation Systems," Canadian Surveyor, Vol.
IX, No. 1, Mar., 1965.

Wolf, P.R., "Horizontal Position Adjustment," Surveying and Mapping^ Vol. XXIX,
No. 4, Dec., 1969.

Wolf, P.P., “Matrix Algebra – A tool for engineers and Surveyors,” Surveying and
Mapping, Vol. XXX, No. 3, Sept.1970

Wolf, P.R. and S.D. Johnson, “Trilateration with Short Range EDM Equipment and
Comparison with Triangulation,” Surveying and Mapping, Vol. XXXIV, No.4
Dec., 1974