Trabajo N°2

Ajustes por mínimos cuadrados de una red de polígonos

Teoría
Mínimos cuadrados lineales
Existen numerosas leyes físicas en las que se sabe de antemano que dos magnitudes x e y se
relacionan a través de una ecuación lineal.

Y=ax+b;

Donde :a=pendiente ;b=orden en el origen

Aunque una teoría nos asegure que la relación entre dos magnitudes Y =a+b X es lineal, en la
práctica, la dispersión que causan los errores experimentales hace que no se encuentren
exactamente dispuestos a lo largo de una recta. El método de mínimos cuadrados calcula a
partir de los N pares de datos experimentales (x i ,y i ) los valores de la pendiente b y del punto
de corte con el eje a que mejor ajustan los datos a una recta.

Las ecuaciones que hay que utilizar para ajustar mediante el método de mínimos cuadrados un
conjunto de i=1,2,⋯,N datos experimentales agrupados en parejas (X i ,Y i ) de medidas que
deberían disponerse a lo largo de la recta Y =a+b X son las siguientes :

Pendiente b
Mínimos cuadrados en matrices
Los Modelos de Regresión establecen la relación cuantitativa entre una variable de
interés y una variable predictiva. Estos modelos son muy utilizados en agronomía y su
estudio conforma un área de investigación clásica dentro de la disciplina de la
Estadística. Por ejemplo, podría ser de interés encontrar la ecuación de una recta o de
una curva, con el objetivo de explicar la altura de un árbol (y), a partir del diámetro del
mismo. Cuando se pretende estudiar la relación entre una variable de interés o variable
dependiente con otra variable predictiva o independiente, puede utilizarse la
aproximación por mínimos cuadrados para encontrar la recta o la curva que más de
ajusta al conjunto de puntos definidos por las parejas ordenadas de las variables en
estudio. Es decir, al utilizar la aproximación por mínimos cuadrados, la intención es
encontrar entre muchas posibilidades, la recta ola curva que mejor se ajuste a los datos
observados. Veamos las siguientes parejas ordenadas:

Según la figura y el cuadro anterior, la pareja ordenada ( x,ŷ) está formada por el valor
de la ordenada ajustada (ŷ) obtenido a partir del modelo rectilíneo, mientras que la
pareja ordenada (x,y) contiene el valor de la ordenada a partir del cual se generó el
modelo. Como es de esperar, dichos valores no son iguales. Por otro lado, utilizando
mínimos cuadrados, la curva de tipo cuadrático que mejor se ajusta al a serie de dados
anterior es:
Los segmentos de rectamostrados en las gráficas anteriores, indican las diferencias entre
los valores de
Y reales y los valores y aproximados ( y a) mediante el modelo
matemático correspondiente:
Y reales y los valores y aproximados ( y) mediante el modelo
matemático correspondiente.
RECTA QUE MEJOR SE AJUSTA (AJUSTE LINEAL)
Encontrar la recta que se ajusta mejor a un conjunto de datos mediante la técnica de
mínimos cuadrados consiste en determinar los valores de b y a, de la ecuación
Y=ax+b tal que la suma sea mínima

Dado que cada una de las observaciones para la variable y están dadas por:

Y que lo anterior se puede expresar en forma matricial así:

 Los mínimos cuadrados están formados por cuatro elementos como hipótesis de
partida: un modelo matemático, un modelo estadístico, el condicionamiento de mínimo
y unas hipótesis estadísticas.
Matemáticamente se expresa con la siguiente ecuación matricial: X = (AT P A) –1 AT P
L donde X es un vector que contiene la diferencia entre las coordenadas actuales de
cada base y las coordenadas resultantes, A es la matriz de coeficientes que se crea a
partir de los datos de las observaciones y coordenadas de las estaciones que intervienen
en ellas, P es una matriz diagonal de pesos de las ecuaciones, y L es un vector que
contiene los residuos entre los valores observados y calculados para cada observación
(términos independientes).
Este método consiste en el planteamiento de una serie de ecuaciones de observación a
partir de los datos de lecturas, y su posterior ajuste mediante el método de los mínimos
cuadrados. Cada lectura entre estaciones de la poligonal puede generar varias
ecuaciones, dependiendo de sus datos. Si se ha seleccionado el ajuste planimétrico, se
crea una ecuación de distancia (siempre que ésta no sea nula) y una de acimut (siempre
que el ángulo horizontal no sea nulo). Si el ajuste altimétrico está activado, se crea una
ecuación vertical o de desnivel (siempre que la distancia y el ángulo vertical no sean
nulos). Por último, para todas las bases intermedias se crea una ecuación angular, que
ayuda a mejorar la precisión del sistema. Cada ecuación implica unos coeficientes que
dependen de los valores concretos de las observaciones, y se asignan a la matriz de
coeficientes del sistema. Igualmente, cada ecuación tiene un término independiente, que
depende del residuo o diferencia entre el valor observado y calculado. Estos valores se
almacenan en un vector de términos independientes. Además, con objeto de ponderar el
impacto de cada observación en el sistema, se crea una matriz de pesos. Cada
observación tiene un peso que depende de la desviación estándar, o error a priori de
cada observación. Estos a su vez dependen de las características del equipo empleado,
que se definen en la configuración.
El método de mínimos cuadrados, basado en la teoría de las probabilidades, compensa
simultáneamente las medidas angulares y lineales, de modo de hacer mínima la suma de
los cuadrados de los residuos. Este método es válido para cualquier tipo de poligonal,
sin importar la precisión relativa de las medidas de los ángulos y las distancias, en vista
de que a cada cantidad medida se le puede asignar un peso relativo. Este método es
lógicamente el mejor para la compensación de poligonales, pero no se había utilizado
mucho por lo laborioso de los cálculos que se requiere. La invención de la computadora
ha convertido estos cálculos en trabajos de rutina, y como consecuencia, el método de
mínimos cuadrados se ha extendido mucho.
Las hipótesis básicas en que se apoya la teoría de mínimos cuadrados son:
  Las equivocaciones en los errores sistemáticos han sido eliminadas, por lo que
sólo quedan errores aleatorios;
 El número de observaciones que deben de ajustarse es grande
 La distribución de frecuencias de los errores es normal. Aunque estas hipótesis
no siempre se cumplen, el ajuste por mínimos cuadrados proporciona el
tratamiento más riguroso de los errores y por ello es tan popular e importante en
la topografía moderna.
Los ajustes más rigurosos se hacen con el método de los mínimos cuadrados, que se
basa en las leyes de probabilidad, desarrollado en el pos tremerías de la década de 1700.
Debido a los largos cálculos implicados, el método no se usaba comúnmente antes del
advenimiento de las computadoras. En lugar de eso se aplicaban métodos aleatorios o
“preliminares”.
ECUACIONES NO LINEALES

Ciertas observaciones que conducen a ecuaciones no lineales. Tal es el caso de la medida de

ángulos y distancias. Para poder abordar el ajuste de estas observaciones por el método de los
mínimos cuadrados y poder resolver un sistema de ecuaciones no lineales, es necesario
proceder a su linealización mediante el desarrollo en serie de Taylor de primer orden. Según
ecuación que relaciona un valor observado con dos parámetros incógnitas x e y, mediante una
función f no lineal.

L = f (x,y)

DESVIACIÓN ESTÁNDAR DE REFERENCIA A POSTERIORI

La desviación estándar para un grupo de observaciones en el caso de pesos iguales es:

∑ 𝑟𝑖^2
So=√ 𝑚−𝑛

En forma de matriz:

𝑟^𝑡𝑟
So=√𝑚−𝑛

Los valores m-n corresponde a las medidad redundantes y representa los

grados de libertad del ajuste.
La desviación estándar para el caso de observaciones con pesos diferentes:

∑ 𝑝𝑖𝑟^2
So=√
𝑚−𝑛

Y en forma matricial,

𝑟^𝑡𝑃𝑟
So=√ 𝑚−𝑛

Finalmente,

∑ 𝑝𝑖(𝑟𝑖)^2

Esta desviación se le denomina desviaciones estándar de referencia calculadas a posteriori.

EL CONCEPTO DE PESO DE UNA OBSERVACIÓN

Una medida u observación dada, cuanto mayor es su precisión, mayor será el peso y viceversa.
Entonces, el peso de una observación simple está definido como una cantidad inversamente
proporcional a la varianza de la observación:
𝑘
𝑝=
σ^2
K = constante positiva

Los pesos son usados para controlar el tamaño de las correcciones que se aplican a las
medidas en el proceso de ajuste. Por tanto, las correcciones que se aplican son inversamente
proporcionales a sus pesos.

PRINCIPIO DEL MÉTODO DE MÍNIMOS CUADRADOS

Se supone el caso de varias mediciones directas de una misma magnitud X, estas pueden ser:
𝑙1, 𝑙2 … … … . 𝑙𝑛.donde l indica todos los valores en una serie de observaciones. al no contar
con un verdadero valor de ya que los valores en algún momento siempre son distintos es
necesario realizar una evaluación para poder obtener un valor confiable. SE debe tomar un
valor aproximado y se evalúa sus discrepancias:

𝑥 − 𝑙𝑛 = 𝑣1

𝑥 − 𝑙𝑛 = 𝑣1

𝑥 − 𝑙𝑛 = 𝑣1 𝑥 − 𝑙𝑛 = 𝑣1

𝑖 = 1,2,… … …. 𝑛

V1 =son residuos conocidos como a priori que son los valores desconocidos, mismo que al ser
calculados se los suman a las observación y se consigue el valor de x.

Se puede tomar otro valor aproximado X’ el mismo que queda expresado en la siguiente
formula:

𝑥 ′ − 𝑙𝑖 = 𝑣𝑖 ′

Si se quiere se puede tener más valores:

𝑥 ′′ − 𝑣𝑖 = 𝑣 ′′

x, x’, x’’se debe tomar en cuenta un valor más apropiado, es decir, en determinar un criterio
que permita, a las observaciones repetidas 𝑙𝑖 ,extraer un valor único para representar el valor
de X. Lo que se quiere es que los residuos sean lo más bajo posibles y tiendan a cero por esta
razón siguiendo el camino indicado por Gauss y Legendre, aceptan como la mejor estimación X
de a un valor que haga mínima a la suma de los cuadrados de los residuos, se obtenga que:
 𝑛

∑ 𝑣𝑖 2 = 𝑚𝑖𝑛𝑖𝑚𝑜
𝑖=1

Si las observaciones no ofrecen un mismo grado de confianza se las homogeniza ,la nueva
formula se expresa:
𝑛

∑ 𝑝𝑖𝑣𝑖 2 = 𝑚𝑖𝑛𝑚𝑜
𝑖=1

Estas dos ecuaciones se transforman en matriz:

𝑉 𝑡 𝑉 = 𝑚𝑖𝑛
V= Vector columna de los residuos;

𝑉 = [𝑣1, 𝑣2, 𝑣3 … … … ]𝑇
Y con pesos

𝑉 𝑇 𝑃𝑉 = 𝑚𝑖𝑛
P=matriz cuadrada y diagonal

Para un sistema de ecuaciones lineales los mínimos cuadrados son aplicados de la siguiente
manera:

L=lb represebta las obseravaiones;

nAu uX1=𝐿𝑏𝑛.1

Se debe introducir las correcciones todavía no está completo:

Ax=Lb+v=La

Lb representa a los valores observados y La valores de las observaciones corregidas

Ademas

𝑉 𝑇 𝑉 = 𝑀𝐼𝑁
𝜙 = (𝐴𝑥 − 𝐿𝑏)( )𝐴𝑋 − 𝐿𝑏 = 𝑀𝐼𝑁
𝑑𝜃
= 𝐴𝑇 𝐴𝑥 − 𝐴𝑇 𝐿𝑏 − 𝐴𝑇 = 0
𝑑𝑥
𝐴𝑇 𝐴𝑥 − 𝐴𝑇 𝐿𝑏 = 0

La ecuación que fue demostratada representa un conjunto de ecuaciones u incógnitas

obteniendo:

𝑥 = (𝐴𝑇 𝐴)−1 𝐴𝑇 𝐿𝑏
Si la

𝜎02 … …
∑ 𝐿𝐵 = … ... …
… … 𝜎2
Al dividir ∑ 𝐿𝑏 para 𝜎12 da lugar la matriz de coefciebtes de peso:
1
Q=𝜎^2 ∗ ∑ 𝐿𝑏

𝑄 −1 = 𝜎02 ∗ ∑ 𝐿 𝑏 −1

1/𝜎12 … … 𝑝𝑖 .. ..
−1 2
𝑃=𝑄 = 𝜎 … … … =
.. .. 𝑝𝑛
.. … 1/𝜎𝑛2
Por medio de la ecuaion matricial única se obtiene:

𝑉 𝑇 𝑃𝑉 = 𝑚𝑖𝑛𝑖𝑚𝑜
La forma cuadrática fundamental y se aplica la ecuación normal:

(𝐴𝑇 PA)X-𝐴𝑇 𝑃𝐿𝑏 = 0

Finalmente

X=(𝐴𝑇 𝑃𝐴)−1 𝐴𝑇 𝑃𝐿𝑏

X=vector de incremento de cooordenadas
A=matriz de coeficientes
P=Matriz de peso

Ejemplo
Ejemplo 6. Ajuste de poligonal mediante mínimos cuadrados Este ejercicio muestra un
ejemplo de resolución mediante el método de mínimos cuadrados. Recordemos
brevemente que este método consiste en hacer un ajuste de optimización. Las siguientes
virtudes justifican su utilización: ▪ El método de mínimos cuadrados ajusta las
observaciones lineales y angulares simultáneamente. ▪ Los datos compensados
representan los valores “más probables”.

Las observaciones se pueden ponderar, realizando un ajuste en función de las

incertidumbres de las observaciones lineales y angulares. ▪ Se puede realizar un control
posicional al hallarse las incertidumbres posicionales de las bases ajustadas.

El método realiza los siguientes pasos:

1.- Estima las coordenadas aproximadas de las bases por simple radiación. ▪ Establece
las ecuaciones de observación para distancias y ángulos. ▪ Genera la matriz 𝐾 a través
de los datos observados y estimados. ▪ Obtiene la matriz jacobiana 𝐽. ▪ Construye la
matriz 𝑊 de pesos (que opcionalmente puede no utilizarse en el ajuste). ▪ Calcula la
matriz 𝑄𝑥𝑥, inversa de la matriz normal 𝑁. ▪ Calcula la matriz incógnita, 𝑋, con las
correcciones de las coordenadas iniciales. ▪ Obtiene el resto de matrices; de residuos 𝑉,
la desviación estándar del ajuste 𝑆𝑜, y la matriz 𝑄𝐼𝐼. ▪ Repite el proceso en una nueva
iteración. Generalmente, en una segunda iteración se obtiene una corrección nula
(matriz 𝑋 con todos sus términos nulos).
Supongamos que el topógrafo de campo ha realizado una poligonal cerrada. En campo
utilizó una TPS-12003+ de Leica Geosystems. El topógrafo prevé haber cometido los
siguientes errores: ▪ Error de centrado de equipo: ±1,5mm ▪ Error de centrado de jalón:
±7mm ▪ Error en estimación de altura de equipo: ±2mm ▪ Error en estimación de altura
de jalón (a través del propio bastón): ±5mm. Todas las observaciones fueron tomadas
con el compensador de ejes activo
El listado con las observaciones topográficas es el siguiente:

Para resolver por mínimos cuadrados, considerando las condiciones de contorno

(características técnicas del equipo y errores estimados) siga los siguientes pasos: 1. En
la pestaña VISUALES, importe el fichero Pol_6_Obs_C.txt. 2. En la pestaña BASES,
importe el fichero Pol_6_Bases_XYZ.txt. 3. Acceda a Opciones de Levantamiento.
Seleccione el instrumento TPS-1203+. Active la opción Compensador de eje activo en
caso de no estarlo. Introduzca el error de centrado del instrumento y de reflector (1,5mm
y 7mm respectivamente), así como los errores en la estimación de la altura (2mm y
5mm respectivamente). Finalmente, acepte.
Ejecute el comando de Ajuste de poligonal. El método de Mínimos Cuadrados ya se
encuentra activado por defecto. Acepte la secuencia de bases pulsando >>, y pulse
Compensar. Acaba de compensar una poligonal por mínimos cuadrados. Fíjese ahora en
algo que hasta este momento no habíamos visto; las pestañas Ajuste MMCC
Planimetría y Ajuste MMCC Altimetría. Estas pestañas contienen todo el proceso del
ajuste por mínimos cuadrados, detallando por separado el ajuste planimétrico del
altimétrico.
Más abajo, en Análisis de poligonal, y junto a las características de la poligonal, tiene
los errores de cierre que han sido ajustados. La pestaña Errores Teóricos contiene los
errores teóricos estimados para el trabajo en función de las características técnicas del
equipo y de los errores de centrado. Finalmente, la pestaña Correcciones contiene un
resumen de las correcciones que se activaron en Opciones de Levantamiento.

El siguiente listado muestra parcialmente el contenido de la pestaña Ajuste MMCC

Planimetría. Este contiene la aproximación inicial de las bases y todas las matrices de
las iteraciones. Al final se muestra los estadísticos del ajuste junto a las elipses de error
de las bases.
Comentarios: ▪ El valor de la varianza de referencia es ±1,515, siendo la desviación
estándar del ajuste ±1,231. Más abajo vemos los valores de los semiejes de las elipses
de error de las bases, junto a sus orientaciones. El valor de la varianza de referencia
utilizado en la estimación de las incertidumbres posicionales de las bases es el calculado
a posteriori. ▪ La pestaña Ajuste MMCC Altimetría recoge un contenido similar al
anterior pero referido al ajuste de la componente Z. ▪ Ya puede aceptar los datos para
copiar las coordenadas ajustadas al listado principal de bases, desde donde podrá
exportar a otros formatos como DXF, KML, TXT, etc. ▪ También podrá generar un
reporte técnico con todo lo acontecido en el ajuste.
Teoría
Métodos
Proceso de ajuste

Bibliografía
http://www.topgal.es/descargas/MDTTopografia.pdf

http://www.ptolomeo.unam.mx:8080/xmlui/bitstream/handle/132.248.52.100/4062/Tesis.pd
f?sequence=3

http://www.topoedu.es/manuales/GeMe_Manual_Ejemplos_v.3.5_C.pdf

jjj

http://www.topoedu.es/manuales/GeMe_Manual_Ejemplos_v.3.5_C.pdf

ejemplo

http://tesis.unap.edu.pe/bitstream/handle/UNAP/3440/Flores_Lopez_Samuel.pdf?sequence=
1&isAllowed=y

todivek met

file:///C:/Users/Usuario/Downloads/AJUSTE%20Y%20DISE%C3%91O%20DE%20REDES%20(1).p
df

Calculo

https://repositorio.umsa.bo/bitstream/handle/123456789/11734/EG-1800-
Espejo%20Quispe%2C%20Jorge%20Luis.pdf?sequence=1&isAllowed=y

https://www.studocu.com/es/document/universidad-de-concepcion/ajuste-de-
observaciones/informe/ajuste-de-poligonal-por-minimos-cuadrados-gauss-
markov/4068886/view

http://repositorio.upct.es/bitstream/handle/10317/3654/pfc5601.pdf?sequence=1
nuevos

file:///C:/Users/Usuario/Downloads/AJUSTE%20Y%20DISE%C3%91O%20DE%20REDES%20(2).p
df