Académique Documents
Professionnel Documents
Culture Documents
Y
AJUSTE DE REDES GPS
RAUL MARQUEZ
1
INDICE
página
Introducción …………………………………………………………………3-4
3.- Forma Diagonal de una Matriz Simétrica bajo Equivalencia Ortogonal …18
- La Red Optima…………………………………………………………….57
- Fiabilidad………………………………………………………………….62
- Fiabilidad Interna…………………………………………………………71
- Fiabilidad Externa………………………………………………………...72
9.- Anexo…………………………………………………………………..107
Bibliografía…………………………………………………………………130
2
INTRODUCCION
El ajuste de las redes topogeodésicas y de las redes GPS en particular, requiere del
planteo y solución de sistemas lineales que presentan las siguientes características:
3
La varianza a posteriori, se somete a la prueba chi-cuadrado para calificar la corrección
del ajuste.
Las elipses de error absolutas, una horizontal y dos verticales, referidas al sistema
geodésico horizontal local centrado en cada estación, son una medida del error de
posicionamiento puntual.
Finalmente, en la sección 7 se presentan los ajustes libre y vinculado de “una red GPS
real”, medida en el departamento Iglesia de la provincia de San Juan por investigadores
de la UNLP. Los datos se procesaron con la aplicación MATLAB, REDGPS_ALV,
desarrollada en base a los algoritmos y métodos de las secciones anteriores.
En la sección 8 se muestran los aspectos fundamentales del diseño satisfactorio de redes
GPS, mediante el método “prueba y error” asistido por computadora. El procedimiento
del diseño satisfactorio, se lleva a cabo con la aplicación MATLAB, REDGPS_DNC1,
desarrollada a tal efecto.
En la sección 9, Anexo, se muestra el listado de las aplicaciones MATLAB utilizadas.
Los profesionales de la agrimensura podrían, tal vez, usar esta publicación como una
introducción al ajuste de redes GPS; mientras que los docentes y alumnos de la carrera
ingeniería en agrimensura, encuentren quizás una fuente de motivación y consulta en
estas páginas. Es la pretensión de este trabajo.
Raúl Márquez
2008
4
1.- Sistemas de Ecuaciones Lineales Inconsistentes
NUT = {X ε R m / AX = 0}
Vale decir que NUT contiene a todas las soluciones del sistema lineal homogéneo
asociado:
AX = 0 (3.1)
Sea X ε R m, entonces:
X = x1 e1 + x2 e2 +…+ xm em (4.1)
donde xj son las componentes del vector X en la base usual ej = {0, …,1, …. 0} para j
=1, m de R m.
El transformado de X es entonces:
m
AX = ∑ x j Ae j = L (5.1)
j =1
5
⎡ a11 a12 ... a1 j ... a1m ⎤ ⎡0⎤ ⎡ a1 j ⎤
⎢a a 22 ... a 2 j ... a 2 m ⎥⎥ ⎢0 ⎥ ⎢ a ⎥
⎢ 21 ⎢ ⎥ ⎢ 2j⎥
⎢ ... ... ... ... ... ... ⎥ ⎢M⎥ ⎢ M ⎥ (j)
Aej = ⎢ ⎥ ⎢ ⎥=⎢ ⎥=A (6.1)
⎢ ai1 ai 2 ... aij ... aim ⎥ ⎢1⎥ ⎢ aij ⎥
⎢ ... ... ... ... ... ... ⎥ ⎢M⎥ ⎢ M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ a n1 an2 ... a nj ... a nm ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣ a nj ⎥⎦
m
T(X) = AX = ∑x
j =1
j A( j ) = L (7.1)
Se tiene entonces que la dimensión del espacio solución del sistema homogéneo
asociado (3.1) es d = m – r, donde m es el número de incógnitas y r es el rango de la
matriz A. Si dim (NUT) = 0 entonces m = R(A) y el sistema lineal (1.1) admite solución
única y la matriz A es de rango completo. Si, en cambio, dim (NUT) > 0, resulta R(A) <
m y el sistema lineal (1.1) tiene infinitas soluciones. En este caso la matriz A es
deficiente de rango. El defecto de rango, denotado por d, es d = m - R(A); es decir, igual
a la dimensión del núcleo de la transformación lineal T.
Sea XNU el conjunto de todas las soluciones del sistema lineal homogéneo asociado
(3.1) y sea F una solución particular del sistema lineal (1.1), entonces:
A XNU = 0 (9.1)
AF =L (10.1)
A (XNU + F) = L (11.1)
X = F + XNU (12.1)
6
Resulta evidente que si la dimensión del núcleo de T es cero, la única solución del
sistema lineal homogéneo asociado (3.1) es el vector nulo, XNU = 0, y la solución del
sistema lineal (1.1), X = F, es también única.
⎡2 1 0 2⎤ ⎡5⎤
⎢1 0 1 ⎥⎥ ⎢ ⎥
⎢ 0 ⎡ x1 ⎤ ⎢ 2 ⎥
⎢1 1 0 1⎥ ⎢x ⎥ ⎢ 3 ⎥
⎢ ⎥ ⎢ 2⎥ = ⎢ ⎥
⎢0 − 1 0 0⎥ ⎢ x3 ⎥ ⎢− 1⎥
⎢1 0 ⎢ ⎥ ⎢ ⎥
0 1⎥ ⎣ x4 ⎦ 2
⎢ ⎥ ⎢ ⎥
⎣⎢1 2 0 1 ⎦⎥ ⎣⎢ 4 ⎦⎥
⎡2 1 0 2 5 ⎤ ⎡2 1 0 2 5 ⎤ ⎡2 1 0 2 5 ⎤
⎢1 0 0 ⎥ ⎢
1 2 ⎥ ⎢0 − 1 / 2 0 0 − 1 / 2⎥⎥ ⎢⎢0 − 1 0 0 − 1⎥⎥
⎢
⎢1 1 0 1 3 ⎥ ⎢0 1 / 2 0 0 1 / 2 ⎥ ⎢0 1 0 0 1 ⎥
⎢ ⎥Æ⎢ ⎥ Æ⎢ ⎥Æ
⎢0 − 1 0 0 − 1⎥ ⎢0 − 1 0 0 − 1 ⎥ ⎢0 − 1 0 0 1 ⎥
⎢1 0 0 1 2 ⎥ ⎢0 − 1 / 2 0 0 − 1 / 2⎥ ⎢0 − 1 0 0 − 1⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣⎢1 2 0 1 4 ⎦⎥ ⎣⎢0 3 / 2 0 0 3 / 2 ⎦⎥ ⎣⎢0 3 0 0 3 ⎥⎦
⎡2 1 0 2 5⎤
⎢0 − 1 0 0 − 1⎥⎥
⎢
⎢0 0 0 0 0⎥
Æ⎢ ⎥
⎢0 0 0 0 0⎥
⎢0 0 0 0 0⎥
⎢ ⎥
⎢⎣0 0 0 0 0 ⎥⎦
La matriz triangularizada tiene sólo dos filas no nulas; se confirma que el rango de A es
2.
El sistema triangular equivalente es:
2 x1 + x 2 + 2x4 = 5
-x2 = -1
x2 = 1, x1 = 2 – x4, x3 = x3, x4 = x4
7
⎡ x1 ⎤ ⎡2 − x 4 ⎤ ⎡ 2⎤ ⎡0 ⎤ ⎡− 1⎤
⎢ x ⎥ ⎢1 ⎥ ⎢1 ⎥ ⎢0 ⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥=⎢ ⎥+x ⎢ ⎥+x ⎢ 0 ⎥
⎢ x3 ⎥ ⎢ x3 ⎥ ⎢0 ⎥ 3
⎢1⎥ 4
⎢0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ x4 ⎦ ⎣ x 4 ⎦ ⎣0 ⎦ ⎣0 ⎦ ⎣1⎦
es decir:
X = F + x3 N1 + x4 N2
⎧⎡0⎤ ⎡− 1⎤ ⎫
⎪⎢ ⎥ ⎢ ⎥ ⎪
0 0
{N1 , N 2 } = ⎪⎨⎢ ⎥, ⎢ ⎥ ⎪⎬ Æ dim (NUT ) = d = 2
⎪ ⎢1 ⎥ ⎢ 0 ⎥ ⎪
⎪⎢⎣0⎥⎦ ⎢⎣ 1 ⎥⎦ ⎪
⎩ ⎭
Una base para la imagen de T, está formada por los vectores columnas independientes:
⎧ ⎡ 2⎤ ⎡ 1 ⎤ ⎫
⎪⎢ ⎥ ⎢ ⎥ ⎪
⎪ ⎢1 ⎥ ⎢ 0 ⎥ ⎪
⎪⎪⎢1 ⎥ ⎢ 1 ⎥ ⎪⎪
{A (1)
, A ( 2) } = ⎨⎢ ⎥, ⎢ ⎥ ⎬ Æ dim (IMT) = r = R(A) = 2
⎪⎢0⎥ ⎢− 1⎥ ⎪
⎪ ⎢1 ⎥ ⎢ 0 ⎥ ⎪
⎪⎢ ⎥ ⎢ ⎥ ⎪
⎪⎩⎣⎢1 ⎦⎥ ⎣⎢ 2 ⎦⎥ ⎪⎭
En virtud de (7.1), la (13.1) establece que el sistema lineal (1.1) tiene solución si y sólo
si el vector L puede expresarse como una combinación lineal de las columnas A(j) de la
matriz A, con escalares xj para j = 1, m. Si tal combinación lineal no existe (porque no
existen los escalares xj), el vector de términos independientes L no pertenece al espacio
columna, ECA, de la matriz A. El sistema lineal se dice entonces, inconsistente; es
decir, no admite solución. No obstante, es posible hallar una solución sumando al vector
L un vector V (vector corrección o vector error) tal que:
8
AX = L + V (14.1)
n
= V T V = ∑ vi = mínimo
2 2
V (15.1)
i =1
(AX)TV = 0 (16.1)
XT (ATA X – AT L) = 0
ATA X – AT L = 0
es decir:
ATA X = AT L (17.1)
X = N-1 AT L (18.1)
adj ( N )
N −1 = (19.1)
N
donde adj (N) es la matriz cofactor transpuesta. La (19.1) es válida solamente cuando N
es no singular.
Para que el sistema lineal inconsistente tenga solución mínimos cuadrados única, deberá
cumplirse las siguientes condiciones equivalentes:
9
iii) La matriz A es de rango completo; es decir R(A) = m
iv) La matriz normal es no singular; es decir det (ATA) ≠ 0.
ii) Las soluciones forman el complemento ortogonal del espacio fila, EFA, de la
matriz A. En efecto, la i-ésima ecuación del sistema lineal homogéneo
asociado AX = 0, puede expresarse por:
⎡ x1 ⎤
⎢x ⎥
[ ]
Ai X = ai1 , ai 2 , ... aim ⎢ 2 ⎥ = 0 (21.1)
⎢M ⎥
⎢ ⎥
⎣ xm ⎦
10
Dado que la matriz normal es simétrica (NT = N), sus espacios fila y columnas son
coincidentes (ECN ≡ EFN). El espacio fila de N y el espacio nulo de N son
complementos ortogonales:
X = F + XNU (24.1)
donde F es una solución particular y XNU representa a todos los vectores del espacio
nulo de N. Puesto que (24.1) debe satisfacer el sistema de las ecuaciones normales
(17.1), se tiene:
N (F + XNU) = ATL
N F + N XNU = ATL
N F = ATL (25.1)
F = XF +XNU (26.1)
N F = N XF + N XNU = AT L
N XNU = 0 puesto que XNU representa a todos los vectores del espacio nulo de N.
Entonces:
N XF = AT L (27.1)
La (27.1) muestra que XF es una solución del sistema (17.1) de las ecuaciones normales;
es decir también es una solución mínimos cuadrados. El vector XF, proyección
ortogonal de F sobre el espacio fila de N, es la solución óptima puesto que es la
solución mínimos cuadrados de longitud o norma mínima. En efecto, la longitud de la
solución particular F obedece a la ley de Pitágoras, ya que las dos componentes son
ortogonales:
11
2 2 2
X F + X NU = XF + X NU (28.1)
La solución que tiene longitud mínima es XF. Deberíamos elegir como cero a la
componente en el espacio nulo, dejando una solución situada completamente en el
espacio fila de la matriz normal N.
Además, XF es única.
XF = F + ν1 N1 + ν2 N2 +… +νd Nd (29.1)
Ejemplo 2.1: Hallar la solución óptima del siguiente sistema lineal inconsistente:
⎡2 1 0 2⎤ ⎡6⎤
⎢1 0
⎢ 0 1 ⎥ ⎡ x1 ⎤ ⎢⎢ 1 ⎥⎥
⎥
⎢1 1 0 1 ⎥ ⎢⎢ x 2 ⎥⎥ ⎢ 3 ⎥
⎢ ⎥ =⎢ ⎥
⎢0 − 1 0 0⎥ ⎢ x3 ⎥ ⎢− 2⎥
⎢ ⎥
⎢1 0 0 1⎥ ⎣ x4 ⎦ ⎢ 1 ⎥
⎢ ⎥ ⎢ ⎥
⎢⎣1 2 0 1 ⎥⎦ ⎢⎣ 5 ⎥⎦
12
⎡2 1 0 2 6 ⎤ ⎡2 1 0 2 6⎤
⎢1 0 0 1 ⎥ ⎢
1 ⎥ ⎢0 − 1 / 2 0 0 − 2⎥⎥
⎢
⎢1 1 0 1 3 ⎥ ⎢0 1 / 2 0 0 0⎥
⎢ ⎥Æ⎢ ⎥Æ
⎢0 − 1 0 0 − 2⎥ ⎢0 − 1 0 0 − 2⎥
⎢1 0 0 1 1 ⎥ ⎢0 − 1 / 2 0 0 − 2⎥
⎢ ⎥ ⎢ ⎥
⎣⎢1 2 0 1 5 ⎦⎥ ⎣⎢0 3 / 2 0 0 2 ⎦⎥
⎡2 1 0 2 6 ⎤ ⎡2 1 0 2 6⎤
⎢0 − 1 0 0 − 4⎥⎥ ⎢⎢0 − 1 0 0 − 4⎥⎥
⎢
⎢0 1 0 0 0 ⎥ ⎢0 0 0 0 − 4⎥
⎢ ⎥Æ⎢ ⎥
⎢0 − 1 0 0 − 2⎥ ⎢0 0 0 0 2⎥
⎢0 − 1 0 0 − 4⎥ ⎢0 0 0 0 0⎥
⎢ ⎥ ⎢ ⎥
⎢⎣0 3 0 0 4 ⎥⎦ ⎢⎣0 0 0 0 − 8⎥⎦
⎡8 5 0 8⎤ ⎡ x1 ⎤ ⎡22⎤
⎢5 7 0 5⎥⎥ ⎢ x ⎥ ⎢ 21⎥
⎢ ⎢ 2⎥ = ⎢ ⎥
⎢0 0 0 0⎥ ⎢ x3 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣8 5 0 8⎦ ⎣ x 4 ⎦ ⎣22⎦
⎡8 5 0 8⎤ ⎡22⎤ ⎡8 5 0 8⎤ ⎡ 22 ⎤
⎢5 7 0 ⎥ ⎢ ⎥
5⎥ ⎢ 21⎥ ⎢ 3.875 0 0⎥⎥ ⎢⎢7.25⎥⎥
⎢
⎢ Æ
⎢0 0 0 0⎥ ⎢ 0 ⎥ ⎢ 0 0⎥ ⎢ 0 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣8 5 0 8⎦ ⎣22⎦ ⎣ 0⎦ ⎣ 0 ⎦
x1 = 1.58064 – x4
x2 = 1.87097
13
La solución general mínimos cuadrados es:
⎡ x1 ⎤ ⎡1.58064 − x 4 ⎤ ⎡1.58064⎤ ⎡0 ⎤ ⎡− 1⎤
⎢ x ⎥ ⎢1.87097 ⎥ ⎢1.87097⎥ ⎢0 ⎥ ⎢ ⎥
⎢ 2⎥ = ⎢ ⎥=⎢ ⎥ + x3 ⎢ ⎥ + x 4 ⎢ 0 ⎥
⎢ x3 ⎥ ⎢ x3 ⎥ ⎢ 0 ⎥ ⎢1 ⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ x4 ⎦ ⎣ x4 ⎦ ⎣ 0 ⎦ ⎣0 ⎦ ⎣1⎦
i) XF = F + ν1 N1 + ν2 N2
ii) N1TF = 0
iii) N2TF = 0
ν1 + 0 ν2 = 0
0 ν1 + 2 ν2 = 1.58064
⎡1.58064⎤ ⎡− 1⎤ ⎡0.79032⎤
⎢1.87097⎥ ⎢ ⎥ ⎢ ⎥
XF = ⎢ ⎥ + 0.79032 ⎢ 0 ⎥ = ⎢1.87097 ⎥ Æ X = X T X = 2.1795 = mínimo
⎢ 0 ⎥ ⎢ 0 ⎥ ⎢0.00000⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ 0 ⎦ ⎣ 1 ⎦ ⎣0.79032⎦
14
⎡− 0.9678⎤
⎢ 0.5806 ⎥
⎢ ⎥
⎢ 0.4516 ⎥
V =⎢ ⎥ Æ V = V V = 1.3912 = mínimo
T
⎢ 0.1290 ⎥
⎢ 0.5806 ⎥
⎢ ⎥
⎣⎢ 0.3226 ⎦⎥
AX= λX (1.2)
De la (1.2):
AX–λIX=0
(A – λ I) X = 0 (2.2)
det (A – λ I) = 0 (3.2)
Ejemplo 1.2: Hallar los valores propios y vectores propios de la siguiente matriz A:
⎡ 2 −1 0 ⎤
A = ⎢⎢− 1 2 − 1⎥⎥
⎣⎢ 0 − 1 2 ⎥⎦
15
Valores propios: λ1 = 2 + 2 , λ 2 = 2, λ3 = 2 − 2
Vectores propios:
Para el valor propio: λ1 = 2 + 2 , el sistema homogéneo es:
⎡− 2 −1 0 ⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ ⎥ ⎢ x ⎥ = ⎢0 ⎥
⎢ −1 − 2 −1 ⎥ ⎢ 2⎥ ⎢ ⎥
⎢ 0 −1 − 2 ⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣0⎥⎦
⎣
− 2 x1 − x 2 =0
1
− x 2 − x3 = 0
2
⎡ x1 ⎤ ⎡ x3 ⎤ ⎡ 1 ⎤
⎢ x ⎥ = ⎢− x 2 ⎥ = x ⎢− 2 ⎥ para -∞ < x3 < +∞
⎢ 2⎥ ⎢ 3 ⎥ 3⎢ ⎥
⎢⎣ x3 ⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣ 1 ⎥⎦
⎡ 1 ⎤
X 1 = ⎢⎢− 2 ⎥⎥
⎢⎣ 1 ⎥⎦
El vector propio X1, genera el espacio al que pertenecen todos los vectores propios
correspondientes a λ1.
⎡− 1⎤ ⎡1 ⎤
X 2 = ⎢⎢ 0 ⎥⎥ y X 3 = ⎢⎢ 2 ⎥⎥
⎢⎣ 1 ⎥⎦ ⎢⎣ 1 ⎥⎦
16
ii) Los valores propios de A son mayores o iguales a cero.
iii) El número de valores propios nulos es igual al defecto de rango de la matriz
A.
iv) Puede haber soluciones múltiples en la ecuación característica.
v) El determinante de la matriz A, es igual al producto de los valores propios.
- Una matriz simétrica se dice positivamente definida cuando todos sus valores
propios son distintos de cero.
- Una matriz simétrica se dice positivamente semidefinida cuando no todos sus
valores propios son distintos de cero.
Propiedad i): Sea A simétrica de orden m x m y λi, λj dos valores propios distintos
con sus respectivos vectores propios Xi, Xj.
XiT AT = λi XiT
XiTAT Xj = λi XiT Xj
XiT λj Xj = λi XiT Xj
λj XiT Xj = λi XiT Xj
λj XiT Xj - λi XiT Xj = 0
Puesto que los valores propios son distintos (λi ≠ λj), debe cumplirse que XiT Xj = 0; es
decir, Xi y Xj son ortogonales para i ≠ j.
A Xj = λj Xj
BTB Xj = λj Xj
17
XjT BTB Xj = λj XjT Xj
entonces:
2
⎛ BX j ⎞
λj = ⎜ ⎟ ≥ 0, j = 1,..., m (6.2)
⎜ X ⎟
⎝ j ⎠
Xj
qj = para j = 1,…,m (1.3)
Xj
⎧0 sii i ≠ j ⎫
q iTq j = ⎨ ⎬ (2.3)
⎩ 1 sii i = j ⎭
18
La matriz Q es ortogonal en virtud de la (2.3), entonces:
Q-1 = QT (4.3)
⎡λ1 ⎤
⎢ λ2 ⎥
AQ = [q1 q2 ... q m ] ⎢ ⎥ = QΛ
⎢ O ⎥
⎢ ⎥
⎣ λm ⎦
AQ = Q Λ (5.3)
donde Λ es una matriz diagonal de orden m x m, cuyos elementos diagonales son los
valores propios de la matriz simétrica A, generalmente ordenados de mayor a menor:
λ1 ≥ λ2 ≥…≥ λm ≥ 0
A = Q Λ QT (6.3)
Q Λ QT x = y (7.3)
Λ QT x = QTy (8.3)
QT x = x’ (9.3)
y en Y:
QT y = y’ (10.3)
La (8.3) es ahora:
Λ x’ = y’ (11.3)
19
y1’ = λ1 x1’
y2’ = λ2 x2’
…………. (12.3)
ym’ = λm xm’
2 2 2
y '1 y'2 y'm m
= ∑ x ' j = x 'T x ' = x '
2 2
+ + ... + (13.3)
λ1 2
λ2 2
λm 2
j =1
2 2 2
y '1 y'2 y'm
+ + ... + =1 (14.3)
λ1 2 λ2 2 λm 2
S= { x'
/ x' = 1 } (15.3)
Sea ahora el sistema lineal inconsistente AX = L, donde A es una matriz real de orden n
x m, de rango completo; es decir, r = R (A) = m.
El sistema de las ecuaciones normales (17.1) se expresa:
NX = L’ (16.3)
X + δX = N-1L’ + N-1δL’
δX = N-1 δL’ (18.3)
δX ≤ N −1 δL' (19.3)
L' ≤ N X (20.3)
20
Multiplicando miembro a miembro (19.3) y (20.3):
δX L' ≤ N N −1 δL' X
δX δL'
≤ N N −1 (21.3)
X L'
NX
N = max ,X ≠0 (23.3)
X
λX λ
N = max( X ≠ 0) = max( X ≠ 0) X (24.3)
X X
La matriz N se factoriza:
N = Q Λ QT (26.3)
Λ es una matriz diagonal cuyos elementos diagonales son los valores propios de N,
mientras que Q es una matriz ortogonal cuyas columnas son los vectores propios de N,
normalizados. El determinante de N, de la (26.3), es:
det (N) = det (Q) det (Λ) det (QT) = λ1 λ2…λm (27.3)
21
1 1 1
det (N-1) = ... (29.3)
λ1 λ2 λm
1 1 1
N −1 = max = = (30.3)
λ λ min λm
λmax λ1
cond ( N) = N N −1 = = (31.3)
λmin λm
Si la matriz normal N = ATA es positivamente definida, todos sus valores propios son
mayores que cero, su rango es igual a m y la solución del sistema AX = L es única.
De la (28.3), la solución mínimos cuadrados, es:
⎡1 / λ1 ⎤ ⎡ q1T ⎤ ⎡ ⎤
⎢ ⎥ ⎢ T⎥ ⎢ L'⎥
1 / λ2
X = [q1 , q 2 , ... q m ] ⎢ ⎥ ⎢ q2 ⎥ ⎢ ⎥ (33.3)
⎢ O ⎥ ⎢ M ⎥ ⎢ ⎥
⎢ ⎥ ⎢ T⎥ ⎢ ⎥
⎣ 1 / λm ⎦ ⎣⎢q m ⎦⎥ ⎣ ⎦
1 1 1
X = q1 (q1 L' ) + q 2 (q 2 L' ) + ... +
T T T
q m (q m L' ) (34.3)
λ1 λ2 λm
22
La expresión (33.3) es ahora:
⎡1 / λ1 ⎤ ⎡ q1T ⎤ ⎡ ⎤
⎢ ⎥ ⎢ T⎥ ⎢ L'⎥
1 / λ2
X = [q1, q 2 , ..., q r ] ⎢ ⎥ ⎢q 2 ⎥ ⎢ ⎥ (36.3)
⎢ O ⎥ ⎢ M ⎥ ⎢ ⎥
⎢ ⎥ ⎢ T⎥ ⎢ ⎥
⎣ 1 / λr ⎦ ⎣⎢ q r ⎦⎥ ⎣ ⎦
Así:
T T T
q1 L' q 2 L' q L'
X = q1 + q 2 + ... + r qr (37.3)
λ1 λ2 λr
La solución resulta pues, una combinación lineal de los q1, q2,…, qr vectores propios
normalizados que son una base ortonormal del espacio fila, EFN, de la matriz normal
N, cuya dimensión es r = R (A) = R (N) = m – d. Los valores propios se presentan en
orden descendente:
X = Q Λ-1 QT ATL
i) N N-1 N = N
ii) N-1 N N-1 = N-1
iii) (N N-1)T = N N-1 (38.3)
iv) (N-1 N)T = N-1 N
Prueba:
N+ = Q Λ-1 QT (39.3)
23
Hallar la solución óptima del siguiente sistema lineal inconsistente mediante la
pseudoinversa de Moore-Penrose:
⎡2 1 0 2⎤ ⎡6⎤
⎢1 0 1 ⎥⎥ ⎢ ⎥
⎢ 0 ⎡ x1 ⎤ ⎢ 1 ⎥
⎢1 1 0 1⎥ ⎢x ⎥ ⎢ 3 ⎥
⎢ ⎥ ⎢ 2⎥ = ⎢ ⎥
⎢0 − 1 0 0⎥ ⎢ x3 ⎥ ⎢− 2⎥
⎢1 0 ⎢ ⎥ ⎢ ⎥
0 1⎥ ⎣ x4 ⎦ 1
⎢ ⎥ ⎢ ⎥
⎢⎣1 2 0 1 ⎥⎦ ⎢⎣ 5 ⎥⎦
⎡8 5 0 8⎤ ⎡22⎤
⎢5 7 0 ⎥
5⎥ ⎢ 21⎥
N = A A=⎢
T
; A L=⎢ ⎥
T
⎢0 0 0 0⎥ ⎢0⎥
⎢ ⎥ ⎢ ⎥
⎣8 5 0 8⎦ ⎣22⎦
La ecuación característica:
⎡8 − λ 5 0 8 ⎤
⎢ 5 7−λ 0 5 ⎥⎥
N − λI = ⎢ = λ4 − 23λ3 + 62λ2 = 0
⎢ 0 0 −λ 0 ⎥
⎢ ⎥
⎣ 8 5 0 8 − λ⎦
λ1 = 19.88153; λ2 = 3.11847; λ3 = 0; λ4 = 0
Vectores propios:
⎡− 11.88153 5 0 8 0⎤
⎢ 5 − 12.88153 0 5 0⎥⎥
⎢
⎢ 0 0 − 19.88153 0 0⎥
⎢ ⎥
⎣ 8 5 0 − 11.88153 0⎦
24
⎡− 11.88153 5 0 8 0⎤
⎢ 0 − 10.77742 0 8.36657 0⎥⎥
⎢
⎢ 0 0 − 19.88153 0 0⎥
⎢ ⎥
⎣ 0 8.36657 0 − 6.49502 0⎦
⎡− 11.88153 5 0 8 0⎤
⎢ 0 − 10.77742 0 8.36657 0⎥⎥
⎢
⎢ 0 0 − 19.88153 0 0⎥
⎢ ⎥
⎣ 0 0 0 0 0⎦
-11.88153 x1 + 5 x2 + 8 x4 = 0
-10.77742 x2 + 8.36657 x4 = 0
-19.88153 x3 =0
x3 = 0; x2 = 0.77630 x4; x1 = x4
⎡ x1 ⎤ ⎡ x4 ⎤ ⎡ 1 ⎤
⎢ x ⎥ ⎢0.77630 x ⎥ ⎢0.77630⎥
⎢ 2⎥ = ⎢ 4⎥
= x4 ⎢ ⎥;
⎢ x3 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ x4 ⎦ ⎣ x4 ⎦ ⎣ 1 ⎦
⎡ 1 ⎤
⎢0.77630⎥
para x4 = 1, un vector propio es: X 1 = ⎢ ⎥ Æ X1 = X 1 X 1 = 1.61327
T
⎢ 0 ⎥
⎢ ⎥
⎣ 1 ⎦
⎡0.61986⎤
⎢0.48120⎥
X1
q1 = =⎢ ⎥
X1 ⎢0.00000⎥
⎢ ⎥
⎣0.61986⎦
25
⎡ 0.34026 ⎤
⎢− 0.87661⎥
q2 = ⎢ ⎥
⎢ 0.00000 ⎥
⎢ ⎥
⎣ 0.34026 ⎦
⎡19.88153 ⎤ ⎡0.05030 ⎤
Λ=⎢ ; Λ−1 = ⎢
⎣ 3.11847⎥⎦ ⎣ 0.32607⎥⎦
⎡0.61986 0.34026 ⎤
⎢0.48120 − 0.87661⎥
Q=⎢ ⎥
⎢0.00000 0.00000 ⎥
⎢ ⎥
⎣0.61986 0.34026 ⎦
⎡0.79034⎤
⎢1.87095 ⎥
X =⎢ ⎥ Æ X = X T X = 2.17939
⎢0.00000⎥
⎢ ⎥
⎣0.79034⎦
El vector error V = AX – L:
⎡− 0.96770⎤
⎢ 0.58067 ⎥
⎢ ⎥
⎢ 0.45162 ⎥
V =⎢ ⎥ Æ V = V V = 1.93541
T
⎢ 0.12905 ⎥
⎢ 0.58067 ⎥
⎢ ⎥
⎢⎣ 0.32258 ⎥⎦
26
V TV 1.93541
σˆ 0 2 = = = 0.48385
n − ℜ( A) 6−2
V TV
σˆ 0 = = 0.69651
n − ℜ( A)
⎡σˆ 0 2 ⎤
⎢ ⎥
σˆ 0 2
ΣL = ⎢ ⎥ = σˆ 2 I (41.3)
⎢ O ⎥ 0
⎢ ⎥
⎣⎢ σˆ 0 2 ⎦⎥
Σ X = σˆ 0 QΛ−1Q T
2
(42.3)
27
La norma de L es: L = LT L = 8.7178
Estimación del error relativo del término independiente:
δL 1.93541
= = 0.0420
L 8.7178
δX = δX T δX = 0.179492 = 0.4237
La norma de X: X = X T X = 2.1794
δX 0.4237
= = 0.1944
X 2.1794
λmax 19.88153
Condición de la matriz normal: cond (N) = = = 6.3754
λmin 3.11847
δX δL
≤ cond ( N ) Æ 0.1944 ≤ 6.3754 0.0420 = 0.2678
X L
A = U D VT (1.4)
donde UT U =VT V = Im
y
⎡ µ1 ⎤
⎢ µ2 ⎥
D=⎢ ⎥
⎢ O ⎥
⎢ ⎥
⎣ µm ⎦
µi : raíces positivas de los valores propios de la matriz ATA (valores singulares). Los
valores singulares se ordenan de la siguiente manera:
28
µ1 ≥ µ2 ≥…≥ µr > µ r+1 = µ r+2 =…= µ m = 0
VT (ATA) V = Λ (2.4)
VT (ATA) V = D2 (3.4)
Sea:
AV = F (4.4)
De (5.4) se ve que:
2
fjT fj = f j = µj
2
(7.4)
entonces:
fj = µj (8.4)
⎡f f2 fr ⎤
U =⎢ 1 ... = F D-1 (9.4)
⎣ µ1 µ2 µ r ⎥⎦
UTU = (FD-1)T F D-1 = D-1 FTF D-1 = D-1 D2 D-1= D-1 D D D-1 = Ir Ir = Ir
De la (9.4):
29
F = UD (10.4)
AV = UD (11.4)
A = U D VT
i) AA+A = A
ii) A+AA+ = A+ (13.4)
iii) (AA+)T =AA+
iv) (A+A)T = A+A
30
⎡2 1 0 2⎤ ⎡6⎤
⎢1 0 1 ⎥⎥ ⎢ ⎥
⎢ 0 ⎡ x1 ⎤ ⎢ 1 ⎥
⎢1 1 0 1⎥ ⎢x ⎥ ⎢ 3 ⎥
⎢ ⎥ ⎢ 2⎥ = ⎢ ⎥
⎢0 − 1 0 0⎥ ⎢ x3 ⎥ ⎢− 2⎥
⎢1 0 ⎢ ⎥ ⎢ ⎥
0 1⎥ ⎣ x4 ⎦ 1
⎢ ⎥ ⎢ ⎥
⎣⎢1 2 0 1 ⎦⎥ ⎣⎢ 5 ⎦⎥
λ1 = 19.88153, λ2 = 3.11847, λ3 = 0, λ4 = 0
Valores singulares:
µ1 = 4.45887, µ2 = 1.76592, µ3 = 0, µ4 = 0
⎡4.45887 ⎤ ⎡0.22427 ⎤
D=⎢ D −1 = ⎢
⎣ 1.76592⎥⎦ ⎣ 0.56626⎥⎦
⎡0.61986 0.34026 ⎤
⎢0.48120 − 0.87661⎥
V =⎢ ⎥
⎢0.00000 0.00000 ⎥
⎢ ⎥
⎣ 061986 0.34026 ⎦
La matriz F = AV:
⎡ 2.9606 0.4844 ⎤
⎢ 1.2397 0.6805 ⎥⎥
⎢
⎢ 1.7209 − 0.1961⎥
F=⎢ ⎥
⎢− 0.4812 0.8766 ⎥
⎢ 1.2397 0.6805 ⎥
⎢ ⎥
⎣⎢ 2.2021 − 1.0727⎦⎥
La matriz U = FD-1:
31
⎡ 0.6640 0.2743 ⎤
⎢ 0.2780 0.3854 ⎥⎥
⎢
⎢ 0.2860 − 0.1110⎥
U =⎢ ⎥
⎢− 0.1079 0.4964 ⎥
⎢ 0.2780 0.854 ⎥
⎢ ⎥
⎣⎢ 0.4939 − 0.6074⎦⎥
⎡ x1 ⎤ ⎡0.790322⎤
⎢ x ⎥ ⎢1.870968 ⎥
X = ⎢ 2⎥ = ⎢ ⎥ Æ X = X T X = 2.1739
⎢ x3 ⎥ ⎢0.000000⎥
⎢ ⎥ ⎢ ⎥
⎣ x 4 ⎦ ⎣0.790322⎦
El vector error: V = AX – L:
⎡− 0.9677⎤
⎢ 0.5806 ⎥
⎢ ⎥
⎢ 0.4516 ⎥
V =⎢ ⎥ Æ V = V V = 1.93541
T
⎢ 0.1290 ⎥
⎢ 0.5806 ⎥
⎢ ⎥
⎣⎢ 0.3226 ⎦⎥
V TV
σˆ 0 2 = = 0.4839 , σˆ 0 = 0.6956
n − ℜ( A)
32
ΣX = σ02 Q Λ-1 QT
⎡1⎤ ⎡ l1 ⎤
⎢1⎥[ X ] = ⎢l ⎥ (1.5)
⎣⎦ ⎣ 2⎦
dV 2
= 2( x − l1 ) + 2( x − l 2 ) = 0 (3.5)
dx
Entonces:
l1 + l 2
x= (4.5)
2
dV 2
dx
[2 2
]
= 2 w1 ( x − l1 ) + w2 ( x − l 2 ) = 0 (6.5)
de donde:
33
2 2
w1 l1 + w2 l 2
Xw = 2 2
(7.5)
w1 + w2
⎡w 0⎤
W =⎢ 1 (8.5)
⎣0 w2 ⎥⎦
⎡ w1 0 ⎤ ⎡1⎤
[x] = ⎡⎢ 1
w 0 ⎤ ⎡ l1 ⎤
⎢0 ⎥ (9.5)
⎣
⎢ ⎥
w2 ⎦ ⎣1⎦ ⎣0 w2 ⎥⎦ ⎢⎣l 2 ⎥⎦
⎡ w1 ⎤ ⎡ w1l1 ⎤
⎢ w ⎥ [x ] = ⎢ w l ⎥ (10.5)
⎣ 2⎦ ⎣ 2 2⎦
Es decir:
WAX = WL (11.5)
Xw = [(WA)T(WA)] -1 (WA)TWL
Si hacemos:
P = WTW (13.2)
se tiene:
Xw = (ATPA)-1ATPL (14.5)
donde:
⎡w 2 0 ⎤
P=⎢ 1 2⎥
(15.5)
⎣ 0 w2 ⎦
34
columna de la matriz A. En consecuencia, el sistema lineal en cuestión, resulta
inconsistente.
Supongamos que el vector L es una variable estocástica conjunta de dimensión n y σi
son los errores o desvíos estándar de cada componente li. La matriz varianza covarianza
de L es:
⎡σ 1 2 σ 12 ... σ 1n ⎤
⎢ ⎥
⎢ σ 2 2 ... σ 2 n ⎥
ΣL = (16.5)
⎢ O M ⎥
⎢ ⎥
⎣⎢ sim σ n 2 ⎥⎦
Si las observaciones son no correlacionadas, las covarianzas son nulas (σij = 0, i ≠ j),
entonces la (16.5) es:
⎡σ 1 2 ⎤
⎢ ⎥
⎢ σ2 2
⎥
ΣL = (17.5)
⎢ O ⎥
⎢ ⎥
⎣⎢ σ n 2 ⎥⎦
El peso de cada observación se define por:
σ 02
pi = 2 (18.5)
σi
σ 02
σi2 = (19.5)
pi
⎡1 / p1 ⎤
⎢ 1 / p2 ⎥
ΣL = σ 0 ⎢ ⎥ = σ02 P-1
2
(20.5)
⎢ O ⎥
⎢ ⎥
⎣ 1 / pn ⎦
σ02 es la varianza poblacional estimada por la muestra de observaciones [l1, l2,…, ln]T.
La estimación de σ02 está dada por:
35
V T PV
σˆ 0 2 = (22.5)
n − ℜ( A)
X = (ATPA)-1ATPL
ΣX = (Q Λ-1QT ATP) ΣL (Q Λ-1QT ATP)T = (Q Λ-1QT ATP) σ02 P-1(Q Λ-1QT ATP)T
ΣX = σ02 Q Λ-1QT (ATP A)Q Λ-1QT = σ02 N+NN+ = σ02 N+ = σ02 Q Λ-1QT
donde
ΣX = σ02 Q Λ-1QT
es la (42.3) de la sección 3.
⎡2 1 0 2⎤ ⎡6⎤
⎢1 0 1 ⎥⎥ ⎢ ⎥
⎢ 0 ⎡ x1 ⎤ ⎢ 1 ⎥
⎢1 1 0 1⎥ ⎢x ⎥ ⎢ 3 ⎥
⎢ ⎥ ⎢ 2 ⎥ = ⎢ ⎥ , R (A) = 2
⎢0 − 1 0 0⎥ ⎢ x3 ⎥ ⎢− 2⎥
⎢1 0 ⎢ ⎥ ⎢ ⎥
0 1⎥ ⎣ x4 ⎦ 1
⎢ ⎥ ⎢ ⎥
⎣⎢1 2 0 1 ⎦⎥ ⎣⎢ 5 ⎦⎥
36
Las componentes (observaciones) l1 y l2, l3 y l4, l5 y l6 están moderadamente
correlacionadas, mientras que l1 y l2 con l3, l4, l5, l6 y l3 y l4 con l5 y l6 están
débilmente correlacionadas.
Coeficientes de correlación:
σ ij
Se definen como: ρ ij = (24.5)
σ iσ j
Así:
Todos los valores propios de ΣL son positivos, luego la matriz varianza – covarianza
de las observaciones es positivamente definida y la matriz de los pesos también lo
es.
37
Las matrices Λ y Λ-1 (se remueven los valores propios nulos):
⎡51.204 0 ⎤ ⎡0.01953 0 ⎤
Λ=⎢ Λ−1 = ⎢
⎣ 0 9.0109⎥⎦ ⎣ 0 0.11098⎥⎦
⎡0.5222 − 0.4768⎤
⎢0.6743 0.7384 ⎥
Q=⎢ ⎥
⎢ 0 0 ⎥
⎢ ⎥
⎣0.5222 − 0.4768⎦
⎡0.8369⎤
⎢1.7757 ⎥
X =⎢ ⎥ Æ X = X T X = 2.1340
⎢0.0000⎥
⎢ ⎥
⎣0.8369⎦
El vector error: V = AX – L
⎡− 0.8766⎤
⎢ 0.6739 ⎥
⎢ ⎥
⎢ 0.4495 ⎥
V =⎢ ⎥ Æ V = V V = 1.4070
T
⎢ 0.2243 ⎥
⎢ 0.6739 ⎥
⎢ ⎥
⎢⎣ 0.2252 ⎥⎦
Estimación de la varianza:
V T PV
σˆ 0 2 = = 1.2251
n − ℜ( A)
38
Hipótesis Nula H0: σˆ 0 2 = σ 0 2 = 1
νσˆ 0 2 νσˆ 0 2
≤ 1 ≤ Æ 0.441 ≤ 1 ≤ 10.042 Æ La varianza pasa la prueba χ2 al
χ ν , 0.975
2
χ ν ,0.025
2
Los errores estándar de las incógnitas: σx1 = 0.1230, σx2 =0.1853, σx3 = 0
σx4 =0.1230.
⎡ 05 0.2 0 0 0 0⎤
⎢02. 0.7 0 0 0 0 ⎥⎥
⎢
⎢0 0 0.2 0.1 0 0⎥
ΣL = ⎢ ⎥
⎢0 0 0.1 0.4 0 0⎥
⎢0 0 0 0 0.6 0.2⎥
⎢ ⎥
⎢⎣ 0 0 0 0 0.2 0.3⎥⎦
39
⎡ 2.2581 − 0.6452 ⎤
⎢− 0.6452 1.6129 ⎥
⎢ ⎥
⎢ 5.7143 − 1.4286 ⎥
P=⎢ ⎥
⎢ − 1.4286 2.8571 ⎥
⎢ 2.1429 − 1.4286⎥
⎢ ⎥
⎣⎢ − 1.4286 4.2857 ⎦⎥
⎡56.5011 0 ⎤ ⎡0.0172 0 ⎤
Λ=⎢ Λ−1 = ⎢
⎣ 0 9.0288⎥⎦ ⎣ 0 0.1108⎥⎦
La matriz Q:
⎡0.5200 − 0.4792⎤
⎢0.6777 0.7354 ⎥
Q=⎢ ⎥
⎢ 0.000 0.0000 ⎥
⎢ ⎥
⎣0.5200 − 0.4792⎦
40
⎡0.8198⎤
⎢1.7995 ⎥
X =⎢ ⎥Æ X = X T X = 2.1406
⎢0.0000⎥
⎢ ⎥
⎣0.8198⎦
El vector error: V = AX – L
⎡− 0.9214⎤
⎢ 0.6396 ⎥
⎢ ⎥
⎢ 0.4390 ⎥
V =⎢ ⎥ Æ V = V V = 1.9570
T
⎢ 0.2005 ⎥
⎢ 0.6396 ⎥
⎢ ⎥
⎢⎣ 0.2385 ⎥⎦
Estimación de la varianza:
V T PV
σˆ 0 2 = = 1.2466
n − ℜ( A)
⎡0.5 ⎤
⎢ 0.7 ⎥
⎢ ⎥
⎢ 0.2 ⎥
ΣL = ⎢ ⎥
⎢ 0.4 ⎥
⎢ 0.6 ⎥
⎢ ⎥
⎢⎣ 0.3⎥⎦
41
Los valores propios son los elementos diagonales. La matriz ΣL es positivamente
definida.
⎡2 ⎤
⎢ 1.4286 ⎥
⎢ ⎥
⎢ 5 ⎥
P=⎢ ⎥
⎢ 2.5 ⎥
⎢ 1.6667 ⎥
⎢ ⎥
⎢⎣ 3.3333⎥⎦
La matriz N = ATPA
⎡54.4405 0 ⎤ ⎡0.0184 0 ⎤
Λ=⎢ Λ−1 = ⎢
⎣ 0 7.2851⎥⎦ ⎣ 0 0.1373⎥⎦
La matriz Q:
⎡0.5788 − 0.4062⎤
⎢0.5744 0.8186 ⎥
Q=⎢ ⎥
⎢0.0000 0.0000 ⎥
⎢ ⎥
⎣0.5788 − 0.4062⎦
42
El vector de los residuos: V = AX – L
⎡− 1.0297⎤
⎢ 0.6055 ⎥
⎢ ⎥
⎢ 0.3652 ⎥
V =⎢ ⎥
⎢ 0.2403 ⎥
⎢ 0.6055 ⎥
⎢ ⎥
⎣⎢ 0.1249 ⎦⎥
Estimación de la varianza:
V T PV
σˆ 0 2
= = 1.0292
n − ℜ( A)
Este ejemplo muestra que tanto las incógnitas como sus errores estándar, cambian
con la matriz varianza-covarianza de las componentes del vector L; es decir las
observaciones. Ciertos problemas de ingeniería, el ajuste de redes GPS por ejemplo,
requieren determinadas precisiones en las incógnitas. En consecuencia es necesario
tener en cuenta las correlaciones entre las observaciones, cuando existen, a fin de
modelar adecuadamente los errores de observación.
Los dos resultados inmediatos del procesamiento de la fase de la portadora son el vector
entre estaciones, usualmente expresado en diferencias de coordenadas cartesianas
WGS’84, y la matriz varianza-covarianza de orden 3x3, de las diferencias de
coordenadas. Los resultados de un levantamiento GPS se obtienen de esta forma si el
procesamiento de la fase se lleva a cabo vector a vector. Un vector GPS entre dos
estaciones se denota por ∆ y está representado en WGS’84 por las diferencias de
coordenadas o componentes:
43
La matriz varianza-covarianza del vector ∆ es:
⎡σ ∆ X 2 σ ∆X∆Y σ ∆X∆Z ⎤
⎢ ⎥
Σ∆ = ⎢ σ ∆Y 2 σ ∆Y∆Z ⎥ (2.6)
⎢ σ ∆ Z 2 ⎥⎦
⎣ sim
Σ ∆X = εX ≠ 0
Σ ∆Y = εY ≠ 0 (3.6)
Σ ∆Z = εZ ≠ 0
ε = ε X 2 + εY 2 + ε Z 2 (4.6)
está por debajo de una cierta tolerancia, la red GPS podrá ser ajustada mediante algún
algoritmo determinado. El modulo de un vector GPS o distancia entre estaciones es:
2 2 2
∆ = ∆ X + ∆Y + ∆ Z (5.6)
nl
Tol = 2.5 ∑ (σ
k =1
∆k )2 (7.6)
En una red GPS los parámetros a ajustar son las coordenadas cartesianas X, Y, Z de las
estaciones, mientras que las observaciones son las componentes ∆X, ∆Y, ∆Z de los
vectores medidos. Las distancias entre estaciones, que son invariantes respecto del
sistema de coordenadas, pueden incluirse también como observaciones.
En la red GPS existe una relación explícita entre observaciones y parámetros:
La = F (Xa) (8.6)
44
Sea n el número de observaciones y m el número de parámetros de la red. Así, una red
GPS con p estaciones donde se han medido nv vectores, tiene m = 3p parámetros
incógnitas y n = 4nv observaciones si se incluyen las distancias.
El vector Xa se expresa:
Xa = Xº + X (9.6)
F (Xº + X) = Lb + V (11.6)
⎛ ∂F ⎞
F(X º ) + ⎜ ⎟ X = Lb + V (12.6)
⎝ ∂X ⎠ 0
⎛ ∂F ⎞
⎜ ⎟ X = Lb − F ( X º ) + V (13.6)
⎝ ∂X ⎠ 0
⎛ ∂F ⎞
⎜ ⎟ X = L +V (14.6)
⎝ ∂X ⎠ 0
AX=L+V (15.6)
n
V T PV = ∑ pi vi
2
(16.6)
i =1
45
donde P es la matriz de los pesos (21.5). Si las observaciones son solamente las
componentes de los vectores GPS medidos, la matriz varianza-covarianza de la red, es
diagonal por bloques de orden 3 x 3. Así, el orden de la matriz ΣL (y también de la
matriz P) es 3nv x 3nv.
De la (15.6):
V=AX–L (17.6)
Φ ( X ) = ( AX − L) T P( AX − L)
Φ ( X ) = ( X T AT − LT )( PAX − PL)
Φ ( X ) = X T AT PAX − X T AT PL − LT PAX + LT PL
dΦ ( X ) = (2 X T AT PA − 2 LT PA)dX (18.6)
dΦ ( X )
=0 (19.6)
dX
De la (18.6):
dΦ ( X )
= 2 X T AT PA − 2 LT PA = 0 (20.6)
dX
X = (ATPA)-1ATPL (23.6)
46
orientación: rumbo ψ y elevación θ:
∆Y ∆Z
ψ = arctg , θ = arctg (24.6)
∆X ∆X 2 + ∆Y 2
La escala queda determinada por la distancia entre estaciones:
∆ = ∆X 2 + ∆Y 2 + ∆Z 2
Los vectores GPS fijan tres grados de libertad, orientación (rumbo y elevación) y
escala, mientras que quedan libres los tres desplazamientos respecto del origen
según los ejes coordenados.
Si una red GPS se ajusta sin estar vinculada a punto fijo alguno (constreñimiento
externo), se dice libre o no constreñida. Si, en cambio, se ajusta vinculada a sólo un
punto fijo, se dice fija mínimamente constreñida y si se la ajusta ligada a dos o más
puntos fijos, se dice fija sobre constreñida. La matriz normal N en una red libre, es
defectuosa de rango debido a la incertidumbre del origen (defecto del datum)
producido por los tres desplazamientos sin fijar. En consecuencia, la matriz normal
es positivamente semidefinida con tres valores propios nulos. La solución óptima se
obtiene mediante la pseudoinversa de Moore-Penrose, (39.3):
X = Q Λ-1 QT AT P L (25.6)
Denotamos la componente ∆X ajustada por ∆Xaij, para un vector GPS entre las
estaciones I y J.
47
Haciendo Xºj – Xºi = ∆ºXij:
⎡ M ⎤
⎢ dX ⎥
⎢ i⎥
⎡... ... ... ... ... ... ... ... ...⎤ ⎢ dYi ⎥ ⎡ M ⎤ ⎡ M ⎤
⎢... − 1 0 0 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ... 1 0 0 ...⎥⎥ ⎢ dZ i ⎥ ⎢ L∆Xij ⎥ ⎢v ∆Xij ⎥
⎢... 0 − 1 0 ... 0 1 0 ...⎥ ⎢ M ⎥ = ⎢ L∆Yij ⎥ + ⎢ v ∆Yij ⎥ (32.6)
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢... 0 0 − 1 ... 0 0 1 ...⎥ ⎢dX j ⎥ ⎢ L∆Zij ⎥ ⎢v ∆Zij ⎥
⎢⎣... ... ... ... ... ... ... ... ...⎥⎦ ⎢ dY ⎥ ⎢ M ⎥ ⎢ M ⎥
⎢ j⎥ ⎣ ⎦ ⎣ ⎦
⎢ dZ j ⎥
⎢ M ⎥
⎣ ⎦
∆ = ( X j − X i ) 2 + (Y j − Yi ) 2 + ( Z j − Z i ) 2 = f ( X i , Yi , Z i , X j , Y j , Z j ) (33.6)
48
⎛ ∂f ⎞ 1 ∆X º i j
⎜⎜ ⎟⎟ = − 2( X º j − X º i ) = − = − cos α (34.6)
⎝ ∂X i ⎠0 2∆ º i j ∆º i j
Análogamente:
⎛ ∂f ⎞ ∂f ⎞
⎜⎜ ⎟⎟ = − cos β ; ⎛⎜ ⎟ = − cos γ
⎝ ∂Yi ⎠ 0 ⎝ ∂Zi ⎠ 0
⎛ ∂f ⎞ ⎛ ⎞ ⎛ ⎞
⎜ ⎟ = cos α ; ⎜ ∂f ⎟ = cos β ; ⎜ ∂f ⎟ = cos γ
⎜ ∂X ⎟ ⎜ ∂Y ⎟ ⎜ ∂Z ⎟
⎝ j ⎠0 ⎝ j ⎠0 ⎝ j ⎠0
-cos α dXi – cos β dYi – cos γ dZi + cos α dXj + cos β dYj+ cos γ dZj = ∆bij – ∆ºij + v∆ij
-cos α dXi – cos β dYi – cos γ dZi + cos α dXj + cos β dYj + cos γ dZj = L∆ij + v∆ij (36.6)
⎡ M ⎤
⎢ dX ⎥
⎢ i⎥
⎢ dYi ⎥
⎢ ⎥
⎡... ... ... ... ... ... ... ... ...⎤ ⎢ dZ i ⎥ ⎡ M ⎤ ⎡ M ⎤
⎢... − cos α − cos β − cos γ ... cos α cos β cos γ ...⎥⎥ ⎢ M ⎥ = ⎢ L∆ij ⎥ + ⎢v ∆ij ⎥
⎢ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣... ... ... ... ... ... ... ... ...⎥⎦ ⎢ j ⎥ ⎢⎣ M ⎥⎦ ⎢⎣ M ⎥⎦
dX
⎢ dY ⎥
⎢ j⎥
⎢ dZ j ⎥
⎢ M ⎥
⎣ ⎦
Si la estación I, por ejemplo, tiene coordenadas conocidas con errores estándar σXi, σYi,
σZi, podemos asignar a dichas coordenadas la categoría de observaciones, cuyas
ecuaciones son:
49
Las Xºi, Yºi, Zºi, son las coordenadas aproximadas y las Xbi, Ybi, Zbi son las coordenadas
conocidas que se consideran como “observadas”. Las (38.6) se escriben:
Hemos dicho que la distancia entre dos estaciones I y J, es igual al módulo del vector
GPS que las conecta:
∆= ∆X 2 + ∆Y 2 + ∆Z 2 = f (∆X , ∆Y , ∆Z ) (42.6)
50
Desarrollando en serie de Taylor y conservando términos lineales solamente:
∂f ∂f ∂f
∆= d∆X + d∆Y + d∆Z (43.6)
∂∆X ∂∆Y ∂∆Z
∂f ∂f ∂f
∆= ( ∆X − ∆X 0 ) + ( ∆Y − ∆Y 0 ) + ( ∆Z − ∆Z 0 ) (44.6)
∂∆X ∂∆Y ∂∆Z
∂f ∂f ∂f ∂f ∂f ∂f
∆= ∆X + ∆Y + ∆Z − ( ∆X 0 + ∆Y 0 + ∆Z 0 )
∂∆X ∂∆Y ∂∆Z ∂∆X ∂∆Y ∂∆Z
En notación matricial:
⎡∆X ⎤
⎡ ∂f ∂f ∂f ⎤ ⎢ ⎥
∆=⎢ ∆Y − Cte (45.6)
⎣ ∂∆X ∂∆Y ∂∆Z ⎥⎦ ⎢ ⎥
⎢⎣ ∆Z ⎥⎦
⎡ ∂f ⎤
⎢ ∂∆X ⎥
⎡ ∂f ∂f ∂f ⎤ ⎢ ∂f ⎥
σ∆2 = ⎢ Σ ⎢ ⎥ (46.6)
∂∆Z ⎥⎦
∆
⎣ ∂∆X ∂∆Y ⎢ ∂∆Y ⎥
⎢ ∂f ⎥
⎢⎣ ∂∆Z ⎥⎦
⎡ ∂f ⎤
⎡σ ∆ X 2
σ ∆X∆Y σ ∆X∆Z ⎤ ⎢ ∂∆X ⎥
⎡ ∂f ∂f ∂f ⎤ ⎢ ⎥ ⎢ ∂f ⎥
σ∆ 2
=⎢ σ ∆Y 2 σ ∆Y∆Z ⎥ ⎢ ⎥ (47.6)
⎣ ∂∆X ∂∆Y ∂∆Z ⎥⎦ ⎢⎢ ⎢ ∂∆Y ⎥
⎣ sim σ ∆Z 2 ⎥⎦ ⎢ ∂f ⎥
⎢⎣ ∂∆Z ⎥⎦
2 2 2
⎛ ∂f ⎞ ⎛ ∂f ⎞ ⎛ ∂f ⎞
σ∆ 2
=⎜ ⎟ σ ∆X + ⎜
2
⎟ σ ∆Y + ⎜
2
⎟ σ ∆Z +
2
51
∂f ∆X ∂f ∆Y ∂f ∆Z
= cos α = ; = cos β = ; = cos γ =
∂∆X ∆ ∂∆Y ∆ ∂∆Z ∆
Remplazando en (48.6):
2 2 2
⎛ ∆X ⎞ ⎛ ∆Y ⎞ ⎛ ∆Z ⎞
σ∆ 2
=⎜ ⎟ σ ∆X + ⎜
2
⎟ σ ∆Y + ⎜
2
⎟ σ ∆Z +
2
⎝ ∆ ⎠ ⎝ ∆ ⎠ ⎝ ∆ ⎠
∆X∆Y ∆X∆Z ∆Y∆Z
+2 σ ∆X∆Y + 2 2 σ ∆X∆Z + 2 2 σ ∆Y∆Z
∆2
∆ ∆
2
σ ∆2 = [0.5 (∆X2σ∆X2 + ∆Y2σ∆Y2 + ∆Z2σ∆Z2) + ∆X∆Yσ∆X∆Y + ∆X∆Zσ∆X∆Z +
∆2
+ ∆Y∆Zσ∆Y∆Z]
Ejemplo 1.6: Se ha medido un vector GPS entre las estaciones I, J con dos receptores
geodésicos (doble frecuencia) y el procesamiento de la fase de la portadora arroja el
siguiente resultado:
1
2
( 2 2 2
)
∆X 2σ ∆X + ∆Y 2σ ∆Y + ∆Z 2σ ∆Z = 605.300200 m 4
52
∆X ∆Y σ∆X∆Y = -148.819121 m4
∆X ∆Z σ∆X∆Z = 12.870143 m4
∆Y ∆Z σ∆Y∆Z = -55.589726 m4
------------------ -------------------
Suma = -191.538704 m4
2
σ∆ 2 = [605.300200 + (−191.538704)] = 3.56200510 −6 m 2
232319438 .421
σ∆ = 0.001887 m ≈ 0.002 m = 2 mm
(σ ∆ ) 2
FE = (51.6)
σ ∆2
(Σ∆) = FE Σ∆ (52.6)
(σ ∆ ) 2 4.0804110 −4
FE = = = 114.5535
σ ∆2 3.56200510 −6
Aplicando (52.6):
P = (Σ∆)-1 (53.6)
Ejemplo 2.6: Sean tres estaciones 1, 2, 3 conectadas por tres vectores GPS ∆1, ∆2, ∆3.
Escribir la matriz varianza-covarianza escalada, (Σ∆), y la matriz de los pesos, P.
53
Datos:
vector org.- extr. Componentes distancia
∆1 1 2 ∆X1 ∆Y1 ∆Z1 ∆1
∆2 2 3 ∆X2 ∆Y2 ∆Z2 ∆2
∆3 1 3 ∆X3 ∆Y3 ∆Z3 ∆3
⎡σ ∆X 1 2 σ ∆X 1∆Y 1 σ ∆X 1∆Z 1 ⎤ ⎡σ ∆X 2 2 σ ∆X 2 ∆Y 2 σ ∆X 2 ∆Z 2 ⎤
⎢ ⎥ ⎢ ⎥
Σ ∆1 =⎢ σ ∆Y 1 2 σ ∆Y 1∆Z 1 ⎥ , Σ ∆2 =⎢ σ ∆Y 2 2 σ ∆Y 2 ∆Z 2 ⎥
⎢ sim σ ∆Z 1 2 ⎥⎦ ⎢ sim σ ∆Z 2 2 ⎥⎦
⎣ ⎣
⎡σ ∆X 32 σ ∆X 3∆Y 3 σ ∆X 3∆Z 3 ⎤
⎢ ⎥
Σ∆3 =⎢ σ ∆Y 32 σ ∆Y 3∆Z 3 ⎥
⎢ sim σ ∆Z 32 ⎥⎦
⎣
Factores de escala:
(σ ∆1 ) 2 (σ ∆ 2 ) 2 (σ ∆ 3 ) 2
FE1 = , FE 2 = , FE3 =
σ ∆1 2 σ ∆2 2 σ ∆3 2
⎡(σ ∆1 ) 2 ⎤
⎢ ⎥
(σ ∆ ) 2 = ⎢ (σ ∆ 2 ) 2
⎥
⎢ (σ ∆ 3 ) 2 ⎥⎦
⎣
54
⎡ q11 q12 q13 ⎤
⎢ q q 22 q 23 ⎥
⎢ 21 ⎥
⎢ q31 q32 q33 ⎥
⎢ ⎥
⎢ q 44 q 45 q 46 ⎥
⎢ q54 q55 q56 ⎥
⎢ ⎥
⎢ q 64 q 65 q 66 ⎥
Q=⎢ ⎥
q 77 q 78 q 79
⎢ ⎥
⎢ q87 q88 q89 ⎥
⎢ q97 q98 q99 ⎥
⎢ ⎥
⎢ (σ ∆1 ) 2 ⎥
⎢ ⎥
⎢ (σ ∆ 2 ) 2 ⎥
⎢⎣ (σ ∆ 3 ) 2 ⎥⎦
P = Q-1
⎡ 1 ⎤
⎢ ⎥
⎢ (σ ∆1 )
2
⎥
1
P1 = Q1-1, P2 = Q2-1, P3 = Q3-1, P4 = [ (σ∆)2] -1 = ⎢ ⎥
⎢ (σ ∆ 2 ) 2 ⎥
⎢ 1 ⎥⎥
⎢
⎢⎣ (σ ∆ 3 ) 2 ⎥⎦
La prueba chi-cuadrado: Sea una red GPS con n observaciones. Se tiene entonces una
muestra de tamaño n. El vector de los residuos de la red ajustada es V = A X – L, cuyas
componentes son vi , i = 1,…, n. La variable estocástica que representa a los residuos es
v, con varianza estimada:
n
T
V PV
∑pv i i
2
σˆ 0 2 = = i =1
ν ν
55
n
∑pv
2
σˆ 2 V T PV i i
χ 2 =ν 02 = = i =1
(54.6)
σ0 σ 02 σ 02
que distribuye chi-cuadrado con ν grados de libertad si v distribuye normal con media
cero y varianza σ02.
Se formulan las siguientes hipótesis:
σ02 = σ̂ 0
2
Hipótesis nula (H0):
Hipótesis alternativa (H1): σ 0 ≠ σ̂ 0
2 2
[ ]
E σˆ 0 = σ 0
2 2
(55.6)
de la (54.6)
σˆ 0 2
χ 2ν ,α2 p ν p χ 2ν ,1− α
σ0 2 2
1 σ0
2
1 1
f f
χ 2
ν,
α
ν σˆ 0 2
χ 2
ν ,1−
α
2 2
νσˆ 0 2 νσˆ 0 2
p σ 0
2
p (57.6)
χ 2ν ,1− α2 χ 2ν ,α2
56
deberá rechazarse la hipótesis nula. La no aceptación de H0 significa que el ajuste
mínimos cuadrados de la red no es correcto.
Si adoptamos un nivel de significación α = 0.05, el nivel de confianza es 0.95 y el
intervalo de confianza será:
νσˆ 0 2 νσˆ 0 2
p σ 0
2
p (58.6)
χ 2ν , 0.975 χ 2ν , 0.025
νσˆ 0 2 νσˆ 0 2
p 1 p (59.6)
χ 2ν , 0.975 χ 2ν , 0.025
Cuando se cumple la condición (59.6), estamos aceptando al 95% de confianza que los
residuos vi, i = 1, n distribuyen normal con media cero y varianza σ02, tal como lo
predice la teoría de los errores de Gauss.
El rechazo de la hipótesis nula se interpreta como una indicación de que algo anda mal
en el ajuste. Una causa frecuente de rechazo de H0 es la presencia de uno o más errores
no tolerables en las observaciones. Un modelo matemático inadecuado o la modelación
incorrecta de los errores de observación, son causales de rechazo de la hipótesis nula.
La red óptima:
La red óptima es aquella que permite lograr las precisiones preestablecidas a costo
mínimo. Uno de los factores con fuerte incidencia en el costo de una red, es el número
de observaciones. Se trata pues, de lograr las precisiones requeridas con un mínimo de
observaciones.
Toda selección de la red óptima tiene significado, solamente si hemos hecho una
definición sobre como comparar las diferentes redes. Debe definirse algún tipo de
prueba que pueda dar una indicación útil. Se requiere de una medida que sea invariante
respecto del origen y cualquier rotación; es decir que sea invariante respecto del sistema
de referencia.
57
Si consideramos todos los puntos de la red como incógnitas, tenemos una red libre de
constreñimientos externos donde la solución óptima está dada por la pseudoinversa N+
que es única. La traza de la matriz varianza-covarianza del vector incógnita X, ΣX, es:
∑ (σ )= σ
k
+ σ Yi + σ Zi
2 2 2 2
tr (ΣX) = Xi 0 tr ( N + ) (60.6)
i =1
donde k es el número de estaciones y σXi, σYi, σZi son los errores estándar de las
coordenadas Xi, Yi, Zi, respectivamente. La (60.6) resulta invariante respecto del
sistema coordenado.
Una medida adecuada para comparar las distintas redes, es la varianza singular media
(Bjerhammar, 1973):
σ sm 2 =
1 k
∑
k i =1
( 1
)
σ X i 2 + σ Y i 2 + σ Z i 2 = σ 0 2 tr ( N + )
k
(61.6)
que es una expresión invariante, de todas las coordenadas. La división por el número de
estaciones de la red, permite una medida que puede usarse para comparar redes con
diferente número de estaciones.
La matriz normal N = ATPA, depende de la matriz de diseño A y de la matriz de los
pesos, P. La matriz A se construye a partir de las coordenadas aproximadas adoptadas a
priori y la matriz de los pesos puede obtenerse con los errores a-priori de las distancias,
obviando en primera instancia las correlaciones entre las componentes de los vectores
GPS. Así, la pseudoinversa N+ y la matriz varianza-covarianza ΣX, con σ02 = 1,
permiten estudiar distintas alternativas hasta lograr la red óptima; es decir aquella que
presenta la menor varianza singular media.
Otra medida invariante respecto del sistema de referencia, es el elipsoide de error en
cada estación de la red GPS libre. Sea:
⎡σ Xj 2 σ XjYj σ XjZj ⎤
⎢ ⎥
Σ X j ,Y j , Z j = ⎢ σ Yj 2 σ YjZj ⎥ (62.6)
⎢ sim σ Zj 2 ⎥⎦
⎣
el j-ésimo bloque diagonal de orden 3x3 de la matriz ΣX. De los elementos de la matriz
(62.6), se obtienen los semiejes A, B, C del elipsoide de error y sus orientaciones
espaciales (cosenos directores).
La ecuación del elipsoide de error para un nivel de confianza 1 - α, es:
2 2 2
z1 z2 z3
+ + =1 (62.6a)
σˆ 0 2 ( λ1 3F α 3,n − m ) 2 σˆ 0 2 ( λ 2 3F α 3,n − m ) 2 σˆ 0 2 ( λ3 3F α 3,n − m ) 2
donde:
- λ1, λ2, λ3 son los valores propios, ordenados de mayor a menor, del boque
diagonal de orden 3x3 correspondiente a la estación nueva Ej en la matriz varianza-
covarianza ΣX de la red. Puesto que ΣX es simétrica positivamente definida, sus
valores propios son números reales positivos y sus vectores propios son ortogonales
entre sí.
58
- z1, z2, z3 son los ejes coordenados definidos por los vectores propios del bloque
diagonal 3x3, correspondientes a los valores propios λ1, λ2, λ3, centrados en la
estación nueva Ej:
- La matriz varianza-covarianza de la red, es:
Σ X = σˆ 0 ( AT PA) −1 = σˆ 0 N −1
2 2
(62.6b)
V T PV
σ̂ 0 2
= (62.6c)
n−m
A = σˆ 0 λ1 3F α 3,n − m
B = σˆ 0 λ 2 3F α 3,n − m (62.6d)
C = σˆ 0 λ3 3F α 3, n − m
donde:
FE = 3F α 3,n − m (62.6e)
es el factor de escala.
Si consideramos la varianza a-priori σ02 = 1, las expresiones (62.6d), nos dan los
semiejes escalados a-priori, que permiten hacer una estimación previa del error de
posicionamiento; es decir, sin necesidad de los vectores GPS observados. Basta
solamente conocer las coordenadas aproximadas Xº, Yº, Zº de las estaciones para
construir la matriz de diseño A, y los errores estándar especificados de las líneas-
base para estimar la matriz P de los pesos a-priori.
La matriz varianza-covarianza ΣX, esta dada por:
Σ X = N −1 = Q Λ−1 Q T (62.6f)
donde Λ es una matriz diagonal cuyos elementos diagonales son los valores propios,
todos positivos, de la matriz normal N que es simétrica positivamente definida. Q es
una matriz ortogonal cuyas columnas son los vectores propios normalizados de N.
Para la estación nueva Ej, se tiene una submatriz de orden 3x3 simétrica, que es un
bloque diagonal de la matriz ΣX :
59
⎡σ Xj 2 σ XjYj σ XjZj ⎤
⎢ ⎥
Σ ( X ,Y , Z ) j = ⎢ σ Yj 2 σ YjZj ⎥ (62.6g)
⎢ sim σ Zj 2 ⎥⎦
⎣
Se calculan los valores propios λ1, λ2, λ3 de la matriz Σ(X, Y, Z) j, se reemplazan en las
2
(62.6d) y, considerando la varianza a-priori σ0 = 1, se obtienen los semiejes a-priori
escalados al 95% de confianza. Las componentes de los vectores propios normalizados;
es decir, los cosenos directores de los semiejes, definen sus respectiva orientaciones en
el espacio. Puede calcularse los rumbos ψ y las elevaciones θ que también definen la
orientación de los semiejes.
Frecuentemente se desea conocer la precision del posisionamiento GPS en dos
dimensiones. Se prefiere hacerlo con tres elipses de error, una horizontal y dos
verticales, en los planos coordenados del sistema geodésico horizontal local, centrado
en cada una de las estaciones Ei de la red. Los ejes coordenados son n, e, h; es decir
norte, este y la dirección de la normal al elipsoide de referencia en la estación Ei.
Según la ley general de la propagación de la varianza-covarianza:
⎡σ n 2 σ ne σ nh ⎤
⎢ ⎥
Σ ni , ei , hi = R (Σ X i , Y i , Z i ) R T = ⎢ σ e2 σ eh ⎥ (63.6)
⎢ sim σ h 2 ⎥⎦
⎣
donde:
⎡σ n 2 σ ne ⎤ ⎡σ n 2 σ nh ⎤ ⎡σ e 2 σ e h ⎤
⎢ ⎥; ⎢ ⎥; ⎢ 2⎥
(65.6)
⎣ sim σ e2 ⎦ ⎣ sim σ h2 ⎦ ⎣ sim σ h ⎦
(
λ2 − (σ n 2 + σ e 2 )λ + σ n 2σ e 2 − σ n e 2 = 0 ) (66.6)
Con los valores propios máximo y mínimo, λmáx., λmín. (raíces del polinomio
característico), se calculan los semiejes de la elipse horizontal n-e:
60
Semieje mayor: A = λ máx . , Semieje menor: B = λ mín . (67.6)
1 2σ n e
ϕ = arctg (68.6)
2 σ n2 −σ e2
Probabilidad 1 - α
ν 95% 98% 99%
Para comparar las distintas redes, puede usarse también la suma de las áreas de las
elipses de error, denominada el área de incertidumbre:
k
Area = π ∑ Ai Bi (69.6)
i =1
que califica el tamaño de las elipses de error, y la suma de las excentricidades:
61
k
Ai − Bi
Excentr. = ∑ (70.6)
i =1 Ai
que califica la forma de las elipses de error.
Fiabilidad:
La teoría aquí delineada sigue a Baarda (Leick, A.1995 y Chueca Pazos, 2000) y está
relacionada con la estadística del ajuste.
La configuración apropiada de las figuras geométricas constituyentes de la red, la
pequeñez de los residuos y varianzas, la compatibilidad estadística de los estimadores
de la varianza de la observación de peso 1 a priori y a posteriori, la compatibilidad de la
red libre y la sometida a constreñimientos externos y la buena configuración de las
elipses de error, entre otras, son pruebas de buena calidad de una red. Sin embargo
puede no ser suficiente. Así, un error grosero introducido en una observación, influye en
todos los residuos de la red y desequilibra su calidad. Se llama fiabilidad interna de la
red a su capacidad, expresada numéricamente, de control general y especifico de las
observaciones junto con la detección y particularización de posibles errores groseros.
Del mismo modo, es necesario relacionar los posibles errores no eliminados o
remanentes de la red con su influencia en los parámetros ajustados. Se llama entonces
fiabilidad externa a la respuesta y sensibilidad de la red ante un nivel de error cualquiera
en sus observaciones.
Recordando las expresiones de las matrices varianza-covarianza del vector Lb de las
observaciones y del vector X de las incógnitas:
Σ L b = σˆ 0 P −1 = σˆ 0 QL b
2 2
(71.6)
Σ X = σˆ 0 N + = σˆ 0 Q X
2 2
(72.6)
V = AX – L
V = A N+ATPL – L
V = (AN+ATP – I) L
ΣV = σ̂ 0 (AN+AT- P – 1) (PAN+AT – I)
2
62
ΣV = σ̂ 0 [AN+ (ATPA) N+AT- AN+AT-AN+AT + P-1]
2
ΣV = σ̂ 0 [-AN+AT + P-1]
2
(75.6)
La = Lb + V = Lb +AX - L
La = Lb + AN+ATPL – L
La = AN+ATPL + Lº (77.6)
ΣLa = σ̂ 0 A (N+NN+) AT
2
ΣLa = σ̂ 0 A N+ AT
2
(79.6)
ΣX = σ̂ 0 QX = σ̂ 0 N+
2 2
63
tr(QVP) = n – R (A) = ν
n
tr(QVP) = ∑r
i =1
i = n – R (A) = ν (82.6)
donde qi, pi son los elementos de orden i de la diagonal principal de las matrices QV y P.
Los elementos de la diagonal principal de QV son todos mayores que cero por tratarse
de una matriz cofactor, lo mismo sucede con los elementos diagonales de QLa y
teniendo en cuenta la (84.6):
1
0 ≤ qi ≤ (85.6)
pi
0 ≤ qi pi ≤ 1
0 ≤ ri ≤ 1 (86.6)
ri ≈ 1 (88.6)
qi pi ≈ 1 (89.6)
1
qi ≈ (90.6)
pi
64
qai = pi-1 – qi ≈ 0 (91.6)
σˆ a i 2 = σˆ 0 2 q a i ≈ 0 (92.6)
σˆ 0 2 pi −1 = σˆ 0 2 qi (93.6)
ri ≈ 0 (94.6)
qi ri ≈ 0 (95.6)
qi ≈ 0 (96.6)
σˆ 0 2 qi ≈ 0 (97.6)
σˆ 0 2 q a i ≈ σˆ 0 2 pi −1 (98.6)
Σ L b = σˆ 0 P −1
2
σ 02
pi = (99.6)
σi2
65
Pero siendo:
ΣV = σˆ 0 QV = σˆ 0 ( P −1 − AN + AT )
2 2
σˆ v i = σˆ 0 qi (100.6)
de donde:
ri s σ 2
σˆ v i = σˆ 0 = σ 0 ri i 2
pi σ0
σi
σˆ v i = σˆ 0 ri (101.6)
σ0
σˆ v i ≈ σ i (102.6)
ν n − ℜ( A)
rM = = (103.6)
n n
66
La i-ésima componente del vector L es: Li + ∇i.
De las (73.6) y (76.6):
V = -QV PL (105.6)
⎡ L1 ⎤ ⎧⎡ L1 ⎤ ⎡0⎤ ⎫
⎢ L ⎥ ⎪⎢ ⎥ ⎢ ⎥ ⎪
⎢ 2 ⎥ ⎪ ⎢ L2 ⎥ ⎢ 0 ⎥ ⎪
⎢ M ⎥ ⎪⎪⎢ M ⎥ ⎢ M ⎥ ⎪⎪
V = -QV P ⎢ ⎥ = -QV P ⎨⎢ ⎥ − ⎢ ⎥ ∇ i ⎬
⎢ Li + ∇ i ⎥ ⎪⎢ Li ⎥ ⎢1⎥ ⎪
⎢ M ⎥ ⎪⎢ M ⎥ ⎢ M ⎥ ⎪
⎢ ⎥ ⎪⎢ ⎥ ⎢ ⎥ ⎪
⎣⎢ Ln ⎦⎥ ⎪⎩⎣⎢ Ln ⎦⎥ ⎣⎢0⎦⎥ ⎪⎭
V/H1 = QV Pei ∇i – QV PL
Los residuos individuales vi son a su vez, variables estocásticas que distribuyen normal
con media qi pi∇i y varianza σ02qi, es decir:
(v1 / H 1 )
ω1 / H 1 = (112.6)
σ vi
67
y teniendo en cuenta que σ v i = σ 0 qi , podemos escribir:
(v i / H 1 ) qi pi ∇ i
ω1 / H 1 = ∼ n( , 1) (113.6)
σ 0 qi σ 0 qi
qi pi ∇ i
E (ω1 / H 1 ) = (114.6)
σ0
Entonces:
(v i / H 1 ) qi pi ∇ i
ω1 / H 1 = ∼n( , 1) (115.6)
σ vi σ0
(v i / H 0 )
H0: ω 0 = ∼ n (0,1) (116.6)
σ vi
El parámetro de no-centralidad, traslación o desplazamiento; es decir, la media de una
distribución gaussiana no-central, se denota por δi y es:
∇ i p i qi
δi = (117.6)
σ0
σ 02
Puesto que: pi = 2
σi
σ 0 = σ i pi (118.6)
∇ i pi q i
δi = (119.6)
σ i pi
∇ i pi pi qi ∇ i pi qi
δi = =
σ i pi σi
68
∇ i ri
δi = (120.6)
σi
δ iσ i
∇i = (121.6)
ri
α = 0.001
β = 0.90
69
3.29 1.28
β = 0.90
1/2 α = 0.0005
δ = 4.57
1
0.5 − α = 0.5 − 0.0005 = 0.4995
2
obteniéndose:
t = 3.29
Para que el parámetro de desplazamiento δ0 de lugar a β = 0.90, será preciso entrar con
el argumento 0.90 – 0.50 = 0.40, obteniendo t = 1.28.
Con lo que resulta inmediatamente:
δ 0σ i σi
∇0i = ≥ 4.57 (124.6)
ri ri
será rechazado con una fiabilidad de β = 0.90. Podrán deslizarse, por tanto, hasta un
10% de errores iguales o superiores al indicado y será preciso admitir como norma
general los inferiores al valor establecido en (124.6).
70
Especialmente importante es contrastar la adecuacion de los pesos y errores a priori
imputados a las observaciones. Si la precisión supuesta a priori resulta ser muy
inferior a la lograda, el número de observaciones rechazadas será elevado y la
descripcion de la red será irreal. La aceptación de la prueba chi-cuadrado para la
varianza a posteriori, es una buena indicación de la adecuación de los pesos y
errores a priori de las observaciones.
La elección del parámetro de significación α y la potencia del test β tampoco es
arbitraria, mereciendo la pena frecuentemente realizar más de una prueba. Puede
empezarse con los valores presentados (α = 0.001 y β = 0.90) y, si el resultado, por
cualquier razón no es satisfactorio, ensayar alguna pareja de valores distintos, cuyo
cálculo es sencillo. La siguiente tabla ofrece pares α y β junto al parametro de
traslación asociado (Chueca Pazos, 2000):
α β δ0
0.050 0.80 2.80
0.025 0.80 3.10
0.001 0.80 4.12
0.050 0.90 3.24
0.025 0.90 3.52
0.001 0.90 4.57
δ0
µ IN i = (125.6)
ri
71
obtenido directamente de la expresion (124.6). Independientemente de σi, su
variación relativa en cuanto menor sea, califica más favorablemente la
homogeneidad de la red. Se prefieren valores absolutos pequeños que significan
altas redundancias (ri ≈ 1). La fiabilidad interna de una red queda, por tanto, definida
por los siguientes elementos:
∇X = -N+ATPei∇i (127.6)
∇X 0 i N ∇ X 0 i
T
λ0 i =
2
(129.6)
σ 02
( N + AT Pei ∇ 0 i ) T N ( N + AT Pei ∇ 0 i )
λ0 i =
2
σ 02
72
∇ 0 i ei PA ( N + NN + ) AT Pei ∇ 0 i
T
λ0 i =
2
σ 02
∇ 0 i ei PA N + AT Pei ∇ 0 i
T
λ0 i =
2
(130.6)
σ 02
1 1
λ0 i 2 = 2
∇ 0 i (ei Pei − ei PQV Pei ) =
T T 2 2
∇ 0 i ( pi − pi qi )
σ0 2
σ0 2
1
λ0 i 2 = 2
pi ∇ 0 i (1 − ri )
σ0 2
1
λ0 i 2 = δ 0 2σ i 2 pi (1 − ri ) (132.6)
riσ 0
2
σ 02
De la definición de peso, pi = , sustituyendo en (132.6):
σi2
1 1
λ0 i 2 = δ 0 2σ i 2σ 0 2 (1 − ri ) = δ 0 (1 − ri )
2
riσ i σ 0
2 2
ri
1 − ri
µ EX i = δ 0 (133.6)
ri
73
(128.6). Puesto que hay n onservables pueden computarse n vectores ∇X0i, mostrando el
efecto o influencia de cada minimo error detectable sobre todos los parámetros
ajustados o estimados. Es deseable que el módulo del vector influencia total IT=
⎜⎜∇X0i⎜⎜sea menor que el error esférico radial medio estándar (EERMest.=
σ X 2 + σ Y 2 + σ Z 2 ); es decir, IT< EERMest.
Un criterio mas restrictivo es el siguiente: ⎜⎜∇X0i⎜⎜< DIE, donde DIE es la distancia
desde el punto j-ésimo hasta la intersección n de la direccion del vector ∇X0i con el
elipsoide de error estandar, según la figura siguiente:
ZE
YE
n b
c ∇ xOi
j Y
a
XE
X
El sistema de referencia (j, XE, YE, ZE) está definido por los vectores propios de la
submatriz diagonal de orden 3x3 (62.6), correspondiente a la estacion j-ésima en la
matriz varianza covarianza ΣX=N+ de la solución mínimos cuadrados.
La ecuación del elipsoide de error estandar en dicho sistema es:
2 2 2
xE y z
2
+ E2 + E2 = 1 (134.6)
a b c
Las componentes del vector influencia ∇X0i en el sistema (j, XE, YE, ZE), son:
donde Q es una matriz 3x3 cuyas columnas son los vectores propios de la matriz (62.6).
La ecuación de la recta que pasa por la estacion j-ésima y está dirigida por el vector
(∇X0i)E, es:
74
xE y z
= E = E =µ (136.6)
∇ XE ∇ YE ∇ ZE
entonces:
Reemplazando en (134.6).
⎡⎛ ∇x E ⎞ 2 ⎛ ∇y E ⎞ 2 ⎛ ∇z E ⎞ 2 ⎤
µ ⎢⎜ 2 ⎟ + ⎜ 2 ⎟ + ⎜ 2 ⎟ ⎥ = 1
2
⎢⎣⎝ a ⎠ ⎝ b ⎠ ⎝ c ⎠ ⎥⎦
de donde:
1
µ= 2 2 2
(138.6)
⎛ ∇x E ⎞ ⎛ ∇y E ⎞ ⎛ ∇z E ⎞
⎜ 2 ⎟ +⎜ 2 ⎟ +⎜ 2 ⎟
⎝ a ⎠ ⎝ b ⎠ ⎝ c ⎠
2 2
⎛ ∇ x ⎞ ⎛ ∇y ⎞ ⎛ ∇ z ⎞ 1
Haciendo K = ⎜ 2E ⎟ + ⎜ 2E ⎟ + ⎜ 2E ⎟ ; se tiene µ = y reemplazando en
⎝ a ⎠ ⎝ b ⎠ ⎝ c ⎠ K
(137.6), las coodenadas del punto intersección n, son:
∇x E ∇y E ∇z E
xn = ; yn = ; zn = (139.6)
K K K
1 2 2 2
DIE = ∇ x E + ∇ y E + ∇z E (140.6)
K
En las redes GPS, los parámetros a ajustar son las coordenadas tridimensionales de los
vértices referidas al sistema geodésico absoluto WGS’84. Los observables son las
componentes ∆X, ∆Y, ∆Z de los vectores GPS medidos entre los vértices de la red.
Dichas componentes son variables estocásticas correlacionadas. Por cada vector GPS
observado, existe una matriz varianza_covarianza definida por:
⎡ σ 2 ∆X σ ∆X∆Y σ ∆X∆Z ⎤
⎢ ⎥
∑∆ = ⎢σ ∆Y∆X σ 2 ∆Y σ ∆Y∆Z ⎥
⎢σ ∆Z∆X σ ∆Z∆Y σ 2 ∆Z ⎥⎦
⎣
75
donde ∆ = [∆X, ∆Y, ∆Z]T es el vector GPS observado.
Puede incluirse como observable el módulo del vector ∆: ∆ = ∆X 2 + ∆Y 2 + ∆Z 2
El módulo del vector ∆ es una función no lineal que debe linealizarse por un desarrollo
en serie de Taylor.
La varianza del módulo ∆, obtenida de la matriz varianza_covarianza ∑∆, es:
σ ∆2 =
2 ⎡1
2 ⎢
∆ ⎣2
( ) ⎤
∆X 2σ ∆X + ∆Y 2σ ∆Y + ∆Z 2σ ∆Z + ∆X∆Yσ ∆X∆Y + ∆X∆Zσ ∆X∆Z + ∆Y∆Zσ ∆Y∆Z ⎥
2 2 2
donde a = 5 mm y b = 1 ppm son valores típicos para los receptores doble frecuencia.
Es necesario definir un factor de escala FE, a fin de escalar correctamente la matriz
varianza_covarianza ∑∆ :
FE =
(σ )
∆
2
σ ∆2
(Σ∆) = FE Σ∆
76
- Elipsoides de error absolutos: semiejes y sus orientaciones.
- Elipses de error absolutas horizontales y verticales en el sistema
geodésico horizontal local para cada vértice de la red.
- Fiabilidad interna y externa.
- Transferencia a coordenadas: Vectores de fiabilidad externa.
- Observables ajustados y sus errores estándar.
- Error en ppm de cada línea base ajustada.
- Posiciones geodésicas ajustadas en WGS’84.
Esquema de la red:
Tocota
2
Mina 3
San Francisco 1
Campamento
Base
4 Villa
Nueva
Punto ϕ0 λ0 h0
1 -30º 51’ 59” -69º 13’ 20” 2694 m
2 -30 19 37 -69 25 45 2634
3 -30 49 52 -69 37 36 2798
4 -31 01 47 -69 27 19 1804
77
Componentes observadas y varianzas_covarianzas a priori:
Errores de Cierre:
Malla I:
Triangulo 1: ∑∆X = -0.036 m, ∑∆Y = 0.078 m, ∑∆Z = 0.065 m
Triangulo 2: ∑∆X = 0.043 m, ∑∆Y = 0.054 m, ∑∆Z = 0.141 m
σ ∑∆ = σ 2 21 + σ 2 32 + σ 213 = 0.062 m => Tol = 2.6 σ ∑∆ = 0.161 m
2 2 2
Triangulo 1: ε I, 1 = (Σ∆X )1 + (Σ∆Y )1 + (Σ∆Z )1 = 0.108m => ε I, 1 < Tol
2 2 2
Triangulo 2: ε I, 2 = (Σ∆X ) 2 + (Σ∆Y ) 2 + Σ∆Z ) 2 = 0.157 m => ε I, 2 < Tol
Malla II:
Triangulo 1: ∑∆X = -0.014 m, ∑∆Y = 0.061 m, ∑∆Z = - 0.089 m
Triangulo 2: ∑∆X = 0.065 m, ∑∆Y = 0.037 m, ∑∆Z = - 0.013 m
σ Σ∆ = σ 213 + σ 2 34 + σ 214 = 0.061 => Tol = 2.6 σ Σ∆ = 0.158m
78
Triangulo 2: ε II, 2 = 0.076 m => ε II, 2 < Tol
95% de confianza con valores críticos: χ2 15, 0.025 = 6.26, χ2 15, 0.975 =
27.5. Error estándar de la línea base en el ajuste: σ LB = 5 mm + 0.88
ppm
0.05
Elipsoides de error del 95% de confianza ( F3,15 = 3.29 )
Pto A(m) ψº θº B(m) ψº θº C(m) ψº θºEERM Vol(cm3)
1 0.078 107.7 28.3 0.038 279.8 61.5 0.022 15.9 3.3
0.089 274.523
2 0.093 110.8 32.9 0.042 283.7 56.9 0.026 18.7 3.2
0.105 432.281
3 0.085 107.2 28.2 0.030 256.2 58.0 0.025 9.5 13.9
0.093 262.510
4 0.113 102.6 26.4 0.041 234.0 53.1 0.033 359.9 23.8
0.124 642.338
Σ = 1611.652
A, B, C son los semiejes mayor, intermedio y menor del elipsoide del 95% de
confianza, mientras que ψ y θ son sus respectivos rumbos y elevaciones.
79
Elipses de Error Verticales del 95% N-n (FM =2.71)
Fiabilidad:
80
∆1-3 -0.0143 -0.4198 0.8767 0.110
∆4-1 0.0045 0.1752 0.7231 0.101
∆3-4 -0.0144 -0.6762 0.5961 0.101
∆1-3 0.0408 1.2008 0.8767 0.110
Suma de redundancias: Sr =
∑r 1
i = 15
Sr
Redundancia Media: rM = = 0.625
24
81
IT (m): 0.0135 0.0151
EERMest: 0.0335 0.0296
DIE (m): 0.0087 0.0098
82
Observable 10: componente ∆X4-1
P1 P2 P3 P4
ISX (m): 0.0119 IT<DIE IT<DIE -0.0187
ISY (m): -0.0010 -0.0059
ISZ (m): -0.0031 0.0022
IT (m): 0.0124 0.0197
EERMest: 0.0284 0.0396
DIE (m): 0.0079 0.0113
83
Observable 15: componente ∆Z3-4
P1 P2 P3 P4
ISX (m): IT<DIE -0.0011 -0.0014 0.0022
ISY (m): -0.0031 -0.0104 0.0154
ISZ (m): -0.0174 -0.0281 0.0443
IT (m): 0.0177 0.0300 0.0470
EERMest: 0.0335 0.0296 0.0396
DIE (m): 0.0160 0.0123 0.0159
84
Observable 20: línea base ∆3-2
P1 P2 P3 P4
ISX (m): IT<DIE 0.0096 -0.0077 IT<DIE
ISY (m): -0.0081 0.0050
ISZ (m): 0.0167 -0.0080
IT (m): 0.0209 0.0122
EERMest: 0.0335 0.0296
DIE (m): 0.0123 0.0087
85
Observaciones Ajustadas y sus Errores Estándar.
vec ∆X(m) σ∆X ∆Y(m) σ∆Y ∆Z(m) σ∆Z ∆(m) σ∆
2-1 14296.362 0.01 17820.966 0.02 -19700.256 0.03 30167.432 0.02
3-2 18070.510 0.02 -3464.697 0.04 16362.949 0.03 24623.029 0.02
1-3 -32366.872 0.02 -14356.299 0.04 3337.307 0.03 35564.805 0.01
4-1 24254.637 0.02 -1642.684 0.05 15055.727 0.03 28594.768 0.02
3-4 8112.235 0.02 15998.983 0.04 -18393.034 0.03 25692.012 0.02
1-3 -32366.872 0.02 -14356.299 0.04 3337.307 0.03 35564.805 0.01
- Según los valores de los semiejes mayores de las elipses de error del
95% de confianza, los puntos con mayor precisión en el
posicionamiento horizontal y vertical, son el 1 y el 3. Esto es así,
porque a ellos llegan cuatro vectores GPS, mientras que al 2 y al 4
llegan solamente 2 vectores.
- Los parámetros ωi de Baarda se mantienen, en todos los casos, menores
en valor absoluto, que el valor crítico t15, 0975 = 2.13. En consecuencia,
no se rechaza ninguna observación.
- Las observaciones de componentes están bien controladas (0.4 ≤ ri ≤
1), salvo las componentes ∆X2-1, ∆Y2-1, ∆X3-4 y ∆Z3-4 que están
débilmente controladas (0.1 ≤ ri ≤ 0.4). Las distancias (líneas base)
están todas bien controladas. La redundancia media es igual a 0.625;
esto califica, en promedio, a la red como bien controlada.
86
- El ajuste libre supera la prueba chi _ cuadrado para la varianza a
posteriori al 95% de confianza habiéndose modelado los errores
externos con 0.88 ppm. Los errores estándar de los observables
ajustados indican un error promedio de 0.526 ppm.
- Según los estándares geodésicos del CNUGGI, la red GPS es categoría
B1, puesto que las distancias están comprendidas entre los 10 km y los
100 km, y los semiejes mayores de las elipses horizontales del 95% de
confianza, son menores que 0.04 m en todos los casos. Los semiejes no
superan el radio de tolerancia, que es igual a 0.10 m.
X1 = 1944529.018 m
Y1 = -5125442.034 m
Z1 = -3254580.807 m
87
Ajuste Libre No- Correlacionado y Control de Calidad:
En este caso se anulan la covarianzas en la (2.6) para cada vector GPS; es decir, σ∆X∆Y =
σ∆X∆Z = σ ∆Y∆Z = 0 y se consideran solamente las varianzas σ2∆X, σ2∆Y, σ2∆Z de las
componentes.
95% de confianza con valores críticos: χ2 15, 0.025 = 6.26, χ2 15, 0.975 =
27.5. Error estándar de la línea base en el ajuste: σ LB = 5 mm + 0.92
ppm
0.05
Elipsoides de error del 95% de confianza ( F3,15 = 3.29 )
Pto A(m) ψº θº B(m) ψº C(m) ψº θº EERM Vol(cm3)
θº
1 0.054 94.5 11.8 0.041 267.3 78.1
0.024 4.2 1.5 0.072 221.278
2 0.062 92.2 22.5 0.048 256.1 66.7
0.030 359.8 5.8 0.084 370.253
3 0.052 94.2 9.2 0.032 240.4 78.9
0.024 3.2 6.1 0.066 166.031
4 0.075 91.8 10.8 0.043 234.8 76.6
0.031 0.3 7.9 0.092 418.027
Σ = 1175.589
A, B, C son los semiejes mayor, intermedio y menor del elipsoide del 95% de
confianza, mientras que ψ y θ son sus respectivos rumbos y elevaciones.
88
Elipses de Error Verticales del 95% N-n (FM =2.71)
Fiabilidad:
89
Fiabilidad Interna y Externa:
24
Suma de redundancias: Sr =
∑r
1
i = 15
Sr
Redundancia Media: rM = = 0.625
24
90
Observable 5: componente ∆Y3-2
P1 P2 P3 P4
ISX (m): -0.0015 -0.0005 0.0017 0.0003
ISY (m): 0.0181 0.0414 -0.0341 -0.0253
ISZ (m): -0.0013 0.0052 -0.0024 -0.0015
IT (m): 0.0182 0.0417 0.0343 0.0254
EERMest: 0.0228 0.0266 0.0210 0.0293
DIE (m): 0.0167 0.0192 0.0166 0.0235
91
Observable 10: componente ∆X4-1
P1 P2 P3 P4
ISX (m): 0.0107 IT<DIE IT<DIE -0.0149
ISY (m): -0.0026 0.0025
ISZ (m): -0.0020 0.0029
IT (m): 0.0111 0.0154
EERMest: 0.0228 0.0293
DIE (m): 0.0080 0.0103
92
Observable 15: componente ∆Z3-4
P1 P2 P3 P4
ISX (m): IT<DIE -0.0000 -0.0007 -0.0010
ISY (m): -0.0067 -0.0091 0.0197
ISZ (m): -0.0177 -0.0254 0.0442
IT (m): 0.0189 0.0269 0.0484
EERMest: 0.0266 0.0210 0.0293
DIE (m): 0.0167 0.0109 0.0154
93
Observable 20: línea base ∆3-2
P1 P2 P3 P4
ISX (m): IT<DIE 0.0092 -0.0067 IT<DIE
ISY (m): -0.0051 0.0057
ISZ (m): 0.0205 -0.0104
IT (m): 0.0230 0.0137
EERMest: 0.0266 0.0210
DIE (m): 0.0130 0.0094
94
Observaciones Ajustadas y sus Errores Estándar.
vec ∆X(m) σ∆X ∆Y(m) σ∆Y ∆Z(m) σ∆Z ∆(m) σ∆
2-1 14296.363 0.01 17820.984 0.02 -19700.256 0.02 30167.425 0.02
3-2 18070.514 0.02 -3464.705 0.03 16362.952 0.02 24623.035 0.02
1-3 -32366.876 0.01 -14356.279 0.03 3337.304 0.02 35564.805 0.02
4-1 24254.635 0.02 -1642.700 0.04 15055.735 0.02 28594.768 0.02
3-4 8112.241 0.01 15998.978 0.03 -18393.040 0.02 25692.012 0.02
1-3 -32366.876 0.01 -14356.279 0.03 3337.304 0.02 35564.805 0.02
- Según los valores de los semiejes mayores de las elipses de error del
95% de confianza, los puntos con mayor precisión en el
posicionamiento horizontal y vertical, son el 1 y el 3. Esto es así,
porque a ellos llegan cuatro vectores GPS, mientras que al 2 y al 4
llegan solamente 2 vectores.
- Los parámetros ωi de Baarda se mantienen, en todos los casos, menores
en valor absoluto, que el valor crítico t15, 0975 = 2.13. En consecuencia,
no se rechaza ninguna observación.
- Las observaciones de componentes están bien controladas (0.4 ≤ ri ≤
1), salvo las componentes ∆X2-1, ∆Y2-1, ∆X3-4 y ∆Z3-4 que están
débilmente controladas (0.1 ≤ ri ≤ 0.4). Las distancias (líneas base)
están todas bien controladas. La redundancia media es igual a 0.625;
esto califica, en promedio, a la red como bien controlada.
95
- El ajuste libre no-correlacionado supera la prueba chi _ cuadrado para
la varianza a posteriori al 95% de confianza habiéndose modelado los
errores externos con 0.92 ppm. Los errores estándar de los observables
ajustados indican un error promedio de 0.578 ppm.
- Según los estándares geodésicos del CNUGGI, la red GPS es categoría
B1, puesto que las distancias están comprendidas entre los 10 km y los
100 km, y los semiejes mayores de las elipses horizontales del 95% de
confianza, son menores que 0.04 m en todos los casos. Los semiejes no
superan el radio de tolerancia, que es igual a 0.10 m.
Se ejecutó con la aplicación MATLB REDGPS_ALV tras anular las covarianzas de las
componentes de los vectores GPS. Se adoptó como punto fijo al Campamento Base (P1)
con las siguientes coordenadas rectangulares:
X1 = 1944529.018 m
Y1 = -5125442.034 m
Z1 = -3254580.807 m
96
Los resultados de los ajustes correlacionados y no correlacionados, tanto libres como
vinculados, no difieren significativamente. En muchos casos se obtienen resultados
satisfactorios desestimando las covarianzas entre las componentes de los vectores GPS.
En general, una red que satisfaga al mismo tiempo todos los requerimientos para
máxima precisión, alta fiabilidad y mínimo costo, puede no necesariamente existir. Sin
embargo, puede lograrse una solución satisfactoria para un problema de diseño,
balanceando los requerimientos de los tres criterios. El objetivo consiste, precisamente,
en lograr un diseño satisfactorio de una red GPS por el método” prueba y error” asistido
por computadora.
El método “prueba y error” consiste en los siguientes pasos (Kuang, Shanlong 1996):
La aplicación MATLAB, REDGPS_DNC1, ejecuta los pasos del diseño sin tener en
cuenta las correlaciones entre los observables (las componentes de los vectores GPS)
puesto que su modelación a priori resulta muy dificultosa. Los datos de entrada son las
coordenadas geodésicas aproximadas de los puntos de la red y los orígenes y extremos
de los vectores GPS codificados con los identificadores numéricos de los puntos de la
red. Esta información se introduce en MATLAB mediante planillas EXCEL.
Se construye la matriz de diseño A, considerando ecuaciones de observación para
componentes y para líneas base. Para construir la matriz de los pesos P, se introducen
97
por pantalla los valores a en milímetros y b en partes por millón obtenidos de algún
estándar geodésico, FGCS 1988 por ejemplo, que permiten estimar el error estándar de
una línea base y los errores estándar de las componentes para modelar los pesos de los
observables. La matriz P es diagonal debido a la desestimación de las covarianzas de las
componentes. La matriz varianza covarianza de la solución mínimos cuadrados,
denotada por ΣX, es igual a la pseudoinversa Moore-Penrose de la matriz normal N =
ATPA y se obtiene mediante los valores propios y vectores propios normalizados de la
matriz normal N. Entonces ΣX = N+.
Los semiejes del elipsoide de error del 95% de confianza y sus orientaciones respecto
del sistema geodésico geocéntrico absoluto se obtienen de la matriz ΣX. Los semiejes de
las elipses de error del 95% de confianza y sus orientaciones respecto de los ejes n, e y h
de los planos coordenados del sistema geodésico horizontal local centrado en cada
estación, también se obtienen de la matriz ΣX, previa transformación de coordenadas
efectuada con los valores de latitud y longitud geodesicas en cada punto de la red.
Se ingresa por pantalla el parámetro de desplazamiento o no-centralidad de una
distribución gaussiana, calculado en función de los índices de sensibilidad de la red α y
β; es decir las probabilidades de un error de tipo I y tipo II, respectivamente. Se calculan
ahora los parámetros de fiabilidad siguiendo la teoría de Baarda (1968) (Leick, Alfred
1995); es decir los números de redundancia ri, los mínimos errores detectables ⎢∇0i⎢y
los parámetros de fiabilidad interna µINi y de fiabilidad externa µEXi para cada
observable. El vector de fiabilidad externa ∇X0i, permite calcular las influencias del
mínimo error detectable de cada observable sobre las coordenadas ajustadas de los
puntos de la red. Si ISXj, ISYj, ISZj son las componentes del vector de fiabilidad
externa ∇X0i correspondiente al i-ésimo observable, el módulo del vector (ISXj, ISYj,
ISZj)T, se denomina la influencia total del mínimo error detectable ⎢∇0i⎢del i-ésimo
observable sobre el punto j y se denota por ITj , así: IT j = ISX j 2 + ISY j 2 + ISZ j 2
El error esférico radial medio estándar, EERMest., en cada punto de la red, se calcula en
función de los errores estándar σX, σY, σZ de sus coordenadas; es decir,
EERMest. = σ X 2 + σ Y 2 + σ Z 2 . Consideramos que una red geodésica es de fiabilidad
satisfactoria si la influencia total IT es menor que el error esférico radial medio
estándar, EERMest., en todos sus puntos.
La DIE, es la distancia entre el centro del elipsoide de error estándar y el punto de
intersección de la dirección del vector influencia total IT con el elipsoide estándar. Un
criterio más restrictivo para calificar la fiabilidad de la red, consiste en la condición de
que la influencia total, sea menor que la distancia de intersección con el elipsoide
estándar (IT<DIE). En ese caso el vector de influencia estaría totalmente contenido
dentro del elipsoide de error estándar en cada punto de la red.
Vamos a ejecutar ahora el diseño de la red propuesta en la seccion 7 (7.- Ajuste de una
Red GPS Real), con los siguientes postulados de precisión:
98
Seleccionamos el error estandar para una línea base: σ∆ = 5mm + 1 ppm ∆(mm) y
consideramos los seis vectores GPS originales que conectan las cuatro estaciones de la
red. Se obtienen así, los resultados siguientes:
0.05
Elipsoides de error del 95% de confianza ( F3,15 = 3.29 )
Pto. A(m) ψº θº B(m) ψº θº C(m) θº EERM(m) Vol.(cm3)
ψº
1 0.056 110.0 31.2 0.047 217.8 26.7 0.047 160.0
-46.7 0.087 524.099
2 0.110 110.8 30.6 0.106 20.7 0.1 0.080 110.5
-59.4 0.173 3939.205
3 0.054 111.4 31.3 0.047 13.4 13.0 0.043 263.7
55.5 0.084 463.764
4 0.065 110.5 32.4 0.058 201.0 0.8 0.051 292.2
57.6 0.100 794.393
Σ = 5721.461
Este diseño no resulta satisfactorio puesto que no se cumplen los postulados de
precisión especificados en i) y ii).
Intentaremos un nuevo diseño probando con σ∆ = 4.08 mm + 0.51 ppm ∆(mm) obtenido
del Federal Geodetic Control Subcomitee (FGCS 1988), Estandares Geométricos en
Posicionamiento Relativo para Levantamientos Tri-Dimensionales, Sistema de
Referencia Geodésico Nacional, Red Secundaria, orden B (nivel de confianza 95% error
base en centímetros, 0.5 y error dependiente de la línea base 1; es decir 1:1000000).
Se obtienen así, los siguientes resultados:
0.05
Elipsoides de error del 95% de confianza ( F3,15 = 3.29 )
Pto. A(m) ψº θº B(m) ψº θº C(m) θº EERM(m) Vol.(cm3)
ψº
1 0.030 110.0 31.2 0.026 13.9 9.9 0.026 268.4
56.9 0.047 83.756
2 0.059 110.8 30.6 0.057 20.7 0.2 0.043 110.3
-59.4 0.092 600.302
3 0.029 111.4 31.3 0.026 13.4 12.5 0.024 261.1
54.8 0.046 74.201
4 0.036 110.5 32.4 0.032 201.0 0.8 0.028 292.3
57.6 0.055 132.163
Σ = 890.722
Este diseño no resulta satisfactorio puesto que los semijes A y B del elipsoide del 95%
de confianza en el punto 2, no cumplen aún con el postulado i).
Probamos ahora insertando el vector 2-4 y conservando el estándar anterior para el error
de una línea base (σ∆ = 4.08 mm + 0.51 ppm ∆(mm)). Se tienen siete vectores y cuatro
estaciones; habida cuenta que se trata de un diseño de red libre, la redundancia es ν =
19. Se obtienen así los siguientes resultados:
0.05
Elipsoides de error del 95% de confianza ( F3,15 = 3.13 )
Pto. A(m) ψº θº B(m) ψº θº C(m) ψº θº EERM(m) Vol.(cm3)
1 0.029 109.9 31.4 0.025 253.6 53.7 0.024 9.7 16.2 0.045 71.656
2 0.050 110.7 30.7 0.048 20.9 -0.3 0.036 111.4 -59.3 0.078 355.071
3 0.028 111.5 31.6 0.024 7.0 22.2 0.022 248.1 49.8 0.043 63.352
4 0.031 110.5 32.5 0.028 201.4 1.5 0.024 193.8 57.5 0.048 85.205
Σ = 575.284
Se cumplen así, los postulados de precisión: i) y ii).
99
Analizaremos ahora las elipses de error y los parámetros de fiabilidad interna y externa.
100
∆X 1-3 0.7878 0.070 3.1547 1.4533
∆Y 1-3 0.6972 0.075 3.3535 1.8455
∆Z 1-3 0.6982 0.075 3.3510 1.8410
∆X 2-4 0.7389 0.143 3.2573 1.6644
∆Y 2-4 0.7476 0.142 3.2384 1.6270
∆Z 2-4 0.8115 0.1363 3.1082 1.3495
∆ 2-1 0.7695 0.116 3.1918 1.5323
∆ 3-2 0.7497 0.109 3.2338 1.6180
∆ 1-3 0.8084 0.070 3.1142 1.3632
∆ 4-1 0.6528 0.065 3.4656 2.0421
∆ 3-4 0.6292 0.061 3.5292 2.1493
∆ 1-3 0.8084 0.070 3.1142 1.3632
∆ 2-4 0.8468 0.133 3.0428 1.1919
Σ = 19
RM = 0.6786
101
ISZ(m) 0.0005 -0.0031 0.0013
IT(m) 0.0099 0.0345 0.0151
EERMest(m) 0.0147 0.0253 0.0141
DIE(m) 0.0079 0.0157 0.0080
102
DIE(m) 0.0081 0.0091
103
Observable 15: ∆Z 3-4. r = 0.5265
Punto3 Punto 4
ISX(m) -0.0006 0.0000
ISY(m) -0.0031 0.0044
ISZ(m) -0.0146 0.0168
IT(m) 0.0149 0.0174
EERMest(m) 0.0141 0.0156
DIE(m) 0.0081 0.0087
104
Observable 21: ∆Z 2-4. r = 0.8115
Punto2 Punto 4
ISX(m) 0.0020 -0.0010
ISY(m) -0.0049 0.0025
ISZ(m) -0.0167 0.0095
IT(m) 0.0171 0.0098
EERMest(m) 0.0253 0.0156
DIE(m) 0.0136 0.0088
105
Observable 28: ∆ 2-4. r = 0.8468
Punto2
ISX(m) 0.0029
ISY(m) -0.0061
ISZ(m) -0.0109
IT(m) 0.0128
EERMest(m) 0.0253
DIE(m) 0.0116
Comentarios:
-En aquellos observables cuyos números de redundancia son menores o iguales que 0.65
(r ≤ 0.65) el módulo del vector influencia total IT, supera al error esférico radial medio
estándar EERMest. (IT > EERMest.). Los números de redundancia elevados garantizan
la fiabilidad de la red.
-Solamente para la componente ∆X1-3 y la línea base ∆1-3, cuyos números de
redundancia son muy elevados (aproximadamente 0.8), la influencia total IT no supera a
la distancia de intersección con el elipsoide DIE; es decir, IT ≤ DIE en los cuatro puntos
o estaciones de la red. No obstante, puede considerarse como satisfactorio este diseño.
-Cuando se tiene una red de mayor envergadura; es decir, con un número considerable
de estaciones, es conveniente comenzar el diseño con una malla triangular.
Generalmente algunos puntos periféricos no cumplen los postulados de precisión
establecidos. Se agregan entonces, vectores que vinculen a dichos puntos entre sí, hasta
lograr un diseño satisfactorio. El número de triangulos que conforman la red, puede
obtenerse en forma aproximada por la expresión nt = -1.6017 + 0.8092 ne + 0.0375 ne2,
donde nt es el número de triangulos y ne es el número de estaciones de la red. El
número de vectores del diseño inicial es, aproximadamente nv = -2.6017 + 1.8092 ne +
0.0375 ne2.
Conclusiones:
106
9.- ANEXO
Se presenta el listado de la aplicación MATLAB, REDGPS_ALV con la que se efectuó
el cálculo y compensación de la red GPS real de la sección 7:
REDGPS_ALV
clear
home
disp(' ')
disp(' ')
disp(' Programa REDGPS_ALV: Ajusta una Red GPS LIBRE resolviendo el
Sistema de Ecuaciones')
disp(' de Observación, por la descomposición SVD,adaptada para
matrices simétricas.')
disp(' Los códigos,vectores GPS y factores de pesos se almacenan en la
matríz OGPS.')
disp(' Las coordenadas aproximadas se almacenan en la matríz P0GPS.')
disp(' Muestra coordenadas ajustadas y sus errores estándar, elipses
de error absolutas')
disp(' al 95% de confianza horizontales (N-E) y verticales (V-.N y V-
E), fiabilidad')
disp(' interna y externa, observables ajustados y sus errores
estándard.')
disp(' -RAUL A. MARQUEZ-')
107
DX=OGPS(icuen,3);
DY=OGPS(icuen,4);
DZ=OGPS(icuen,5);
DS2=DX^2+DY^2+DZ^2;
T1=0.5*(DX^2*Q(1,1)+DY^2*Q(2,2)+DZ^2*Q(3,3));
T2=DX*DY*Q(1,2)+DX*DZ*Q(1,3)+DY*DZ*Q(2,3);
ST2=2*(T1+T2)/DS2;
SR2=((a+b*0.001*sqrt(DS2))/1000)^2;
FP=SR2/ST2;
FP
Q
Q=FP*Q;
QINV=pinv(Q);
QINV
pause
PAX(i,1)=QINV(1,1);
PAX(i,2)=QINV(1,2);
PAX(i,3)=QINV(1,3);
PAX(i+1,1)=QINV(2,1);
PAX(i+1,2)=QINV(2,2);
PAX(i+1,3)=QINV(2,3);
PAX(i+2,1)=QINV(3,1);
PAX(i+2,2)=QINV(3,2);
PAX(i+2,3)=QINV(3,3);
end
dpz=0;
for i=1:3:nql
for j=0:2
for k=1:3
P(i+j,k+dpz)=PAX(i+j,k);
end
end
dpz=dpz+3;
end
for i=1:nv
SD=sqrt(OGPS(i,3)^2+OGPS(i,4)^2+OGPS(i,5)^2);
P(3*nv+i,3*nv+i)=1/((a+b*0.001*SD)/1000)^2;
end
108
% Ingresa puntos Fijos y sus Pesos.-
np=input(' *Cuántos Puntos Fijos? ');
disp(' ')
if np>0
for k=1:np
npf=input(' *Identifique Punto Fijo* ');
pf(k)=npf;
end
disp(' ')
for k=1:length(pf)
disp(' *Punto '),disp(pf(k))
XF(pf(k))=input(' *XF= ');
PXF(pf(k))=input('*Peso ');
disp(' ')
YF(pf(k))=input(' *YF= ');
PYF(pf(k))=input('*Peso ');
disp(' ')
ZF(pf(k))=input(' *ZF= ');
PZF(pf(k))=input('*Peso ');
A(n+3*k-2,3*pf(k)-2)=1;
A(n+3*k-1,3*pf(k)-1)=1;
A(n+3*k,3*pf(k)) =1;
disp(' ')
end
for kk=1:length(pf)
P(n+3*kk-2,n+3*kk-2)=PXF(pf(kk));
P(n+3*kk-1,n+3*kk-1)=PYF(pf(kk));
P(n+3*kk,n+3*kk) =PZF(pf(kk));
end
end
disp(' ')
NIT=input(' Cuántas Iteraciones? ');
disp(' ')
% Parámetros del elipsoide global(WGS'84).-
AA=6378137;
F=1/298.2572221;
E2=2*F-F^2;
EP2=E2/((AA^2)*(1-E2));
% Arma la matríz de diseño A.Comienza proceso iterativo.-
NCUEN=0;
while NCUEN<=NIT
NCUEN=NCUEN+1;
disp(' ')
disp(' Iteración ');disp( NCUEN )
disp(' ')
pause
for k=1:nv
i =OGPS(k,1);
j =OGPS(k,2);
109
DX=OGPS(k,3);
DY=OGPS(k,4);
DZ=OGPS(k,5);
SD=sqrt(DX^2+DY^2+DZ^2);
% Matríz de diseño A.-
A(3*k-2,3*i-2)=-1;
A(3*k-1,3*i-1)=-1;
A(3*k,3*i) =-1;
A(3*k-2,3*j-2)= 1;
A(3*k-1,3*j-1)= 1;
A(3*k,3*j) = 1;
A(3*nv+k,3*i-2)=-(DX/SD);
A(3*nv+k,3*i-1)=-(DY/SD);
A(3*nv+k,3*i) =-(DZ/SD);
A(3*nv+k,3*j-2)= (DX/SD);
A(3*nv+k,3*j-1)= (DY/SD);
A(3*nv+k,3*j) = (DZ/SD);
DX0=AGPS(j,1)-AGPS(i,1);
DY0=AGPS(j,2)-AGPS(i,2);
DZ0=AGPS(j,3)-AGPS(i,3);
LT(3*k-2) =(DX-DX0);
LT(3*k-1) =(DY-DY0);
LT(3*k) =(DZ-DZ0);
LT(3*nv+k)=(SD-sqrt(DX0^2+DY0^2+DZ0^2));
end
if np>0
for kk=1:length(pf)
LT(n+3*kk-2)=(XF(pf(kk))-AGPS(pf(kk),1));
LT(n+3*kk-1)=(YF(pf(kk))-AGPS(pf(kk),2));
LT(n+3*kk) =(ZF(pf(kk))-AGPS(pf(kk),3));
end
end
N=A'*P*A;
[V,D]=eig(N);
110
NORM_X=sqrt(dot(X,X))
pause
disp(' ')
QX=V*inv(D)*V';
%disp(' *CORRECCIONES A LAS COORDENADAS APROXIMADAS*')
%disp(' ')
%pause
%X=QX*A'*P*LT;
%pause
Vr=A*X-LT;
%disp(' *CORRECCIONES A LAS OBSERVACIONES (RESIDUOS)')
%disp(' ')
%pause
%Vr
disp(' *VARIANZA A POSTERIORI Y NORMA DEL VECTOR DE CORRECCIONES*')
disp(' ')
nu=length(A(:,1))-rank(A);
VAR=(Vr'*P*Vr)/nu
NORM_X=sqrt(dot(X,X))
pause
disp(' ')
disp(' *REDUNDANCIA* ');disp(nu)
disp(' ')
disp(' *INGRESE VALORES CHI CUADRADO*')
disp(' ')
CHI0025= input(' CHI_0025= ');
CHI0975= input(' CHI_0975= ');
CHI1=(nu)*VAR/CHI0975;
CHI2=(nu)*VAR/CHI0025;
if 1 > CHI1 & 1 < CHI2
disp(' *PASA EL TEST CHI CUADRADO AL 95%* ')
disp(' ')
else
disp(' NO PASA EL TEST CHI CUADRADO AL 95%')
disp(' ')
pause
end
pause
x=reshape(X,3,m/3);
AGPS=AGPS+x';
LT=LT';
end
format bank
disp(' ')
disp(' *COORDENADAS AJUSTADAS*')
disp(' ')
disp(' PUNTO X Y Z')
pause
for i=1:npt
COORDA(i,1)=i;
for j=2:4
COORDA(i,j)=AGPS(i,j-1);
end
end
COORDA
pause
format short
disp(' ')
disp(' *ERRORES ESTANDAR DE LAS COORDENADAS AJUSTADAS*')
disp(' ')
disp(' PUNTO ERRX. ERRY. ERRZ. EERM(est.)')
111
pause
ERRXYZ=sqrt(VAR)*sqrt(diag(QX));
paso=0;
for i=1:npt
zum=0;
ERROR(i,1)=i;
for j=2:4
ERROR(i,j)=ERRXYZ(j-1+paso);
zum=zum+ERROR(i,j)^2;
end
ERROR(i,5)=sqrt(zum);
paso=paso+3;
end
ERROR
pause
disp(' ')
disp(' *ELIPSOIDES DE ERROR ESTANDAR*')
disp(' ')
disp(' ')
disp(' *REDUNDANCIA*')
nu
disp(' ')
disp(' *INGRESE VALOR DE TABLA F(alfa = 0.05)')
disp(' ')
F= input(' F = ');
disp(' ')
FE=sqrt(3*F);
pas= 0;
for k=1:3:m-2
Q(1,1)=QX(k,k);
Q(1,2)=QX(k,k+1);
Q(1,3)=QX(k,k+2);
Q(2,1)=Q(1,2);
Q(2,2)=QX(k+1,k+1);
Q(2,3)=QX(k+1,k+2);
Q(3,1)=Q(1,3);
Q(3,2)=Q(2,3);
Q(3,3)=QX(k+2,k+2);
pas=pas+1;
disp(' ')
disp(' *PUNTO*');disp(pas)
[V,D]=eig(Q);
disp(' *Semiejes del elipsoide de error del 95%')
disp(' ')
AS=sqrt(VAR)*sqrt(D(1,1))*FE;
RU=(atan(V(2,1)/V(1,1))+pi-(pi/2)*sign(V(2,1))-
(pi/2)*sign(V(2,1)/V(1,1)))*180/pi;
EL=atan(V(3,1)/sqrt(V(1,1)^2+V(2,1)^2))*180/pi;
fprintf(' A = %5.3f m\n',AS);
fprintf(' RUMBO = %3.1f grados\n',RU);
fprintf(' ELEVAC. = %3.1f grados\n',EL);
disp(' ')
BS=sqrt(VAR)*sqrt(D(2,2))*FE;
RU=(atan(V(2,2)/V(1,2))+pi-(pi/2)*sign(V(2,2))-
(pi/2)*sign(V(2,2)/V(1,2)))*180/pi;
EL=atan(V(3,2)/sqrt(V(1,2)^2+V(2,2)^2))*180/pi;
fprintf(' B = %5.3f m\n',BS);
fprintf(' RUMBO = %3.1f grados\n',RU);
fprintf(' ELEVAC. = %3.1f grados\n',EL);
disp(' ')
CS=sqrt(VAR)*sqrt(D(3,3))*FE;
112
RU=(atan(V(2,3)/V(1,3))+pi-(pi/2)*sign(V(2,3))-
(pi/2)*sign(V(2,3)/V(1,3)))*180/pi;
EL=atan(V(3,3)/sqrt(V(1,3)^2+V(2,3)^2))*180/pi;
fprintf(' C = %5.3f m\n',CS);
fprintf(' RUMBO = %3.1f grados\n',RU);
fprintf(' ELEVAC. = %3.1f grados\n',EL);
disp(' ')
SPOS=sqrt(AS^2+BS^2+CS^2);
VOL=(4/3)*pi*AS*BS*CS*1000000;
fprintf(' ERROR DE POSICIONAMIENTO(m) = %5.3f \n',SPOS);
fprintf(' VOLUMEN(cm3) = %5.3f \n',VOL);
pause
end
disp(' ')
disp(' *ELIPSES DE ERROR EN LOS PLANOS COORDENADOS DEL SGHL.')
disp(' ')
disp(' *REDUNDANCIA*')
nu
disp(' ')
disp(' *INGRESE FACTOR DE MAGNIFICACION*')
disp(' ')
FM=input(' *FAC. MAG.= ');
disp(' ')
disp('** ELIPSES DE ERROR: HORIZONTAL Y VERTICALES EN EL S.G.T. **')
disp(' ')
for kk=1:3
if kk == 1
disp(' ')
disp('*** ELIPSES Norte-Este ***')
disp(' ')
end
if kk == 2
disp(' ')
disp('*** ELIPSES Norte-Vertical ***')
disp(' ')
end
if kk == 3
disp(' ')
disp('*** ELIPSES Este-Vertical ***')
disp(' ')
end
SAE=0;
SEX=0;
for k=1:m/3
XA=AGPS(k,1);
YA=AGPS(k,2);
ZA=AGPS(k,3);
AL=atan2(YA,XA);
PE=sqrt(XA^2+YA^2);
b=AA*sqrt(1-E2);
NUM=ZA*AA;
DEN=PE*b;
TITA=atan2(NUM,DEN);
NUM=ZA+EP2*b*(sin(TITA)^3);
DEN=PE-E2*AA*(cos(TITA)^3);
FI=atan2(NUM,DEN);
R(1,1)=-sin(FI)*cos(AL);
R(1,2)=-sin(FI)*sin(AL);
R(1,3)=cos(FI);
R(2,1)=-sin(AL);
R(2,2)=cos(AL);
113
R(2,3)=0;
R(3,1)=cos(FI)*cos(AL);
R(3,2)=cos(FI)*sin(AL);
R(3,3)=sin(FI);
disp(' *ELIPSE PUNTO*');disp(k)
if kk == 1
MQ=R*QX(3*k-2:3*k,3*k-2:3*k)*R';
SQ=[MQ(1,1) MQ(1,2);MQ(2,1)MQ(2,2)];
end
if kk == 2
MQ=R*QX(3*k-2:3*k,3*k-2:3*k)*R';
SQ=[MQ(1,1) MQ(1,3);MQ(3,1) MQ(3,3)];
end
if kk == 3
MQ=R*QX(3*k-2:3*k,3*k-2:3*k)*R';
SQ=[MQ(2,2) MQ(2,3);MQ(3,2) MQ(3,3)];
end
SD=abs(eig(SQ));
AA=sqrt(VAR)*sqrt(max(SD))*FM;
B =sqrt(VAR)*sqrt(min(SD))*FM;
AE=pi*AA*B;
EX=1-(B/AA)^2;
SAE=SAE+AE;
SEX=SEX+EX;
T=2*SQ(1,2)/(SQ(1,1)-SQ(2,2));
RU=(atan(T)/2)*180/pi;
fprintf(' *SEMIEJE MAYOR A=%5.4f m\n',AA);
fprintf(' *SEMIEJE MENOR B=%5.4f m\n',B);
fprintf(' *AZIMUT FI=%5.2f grados\n',RU);
fprintf(' *EXCENT. =%5.4f \n',EX);
fprintf(' *AREA (cm2) =%5.2f \n',AE*10000);
disp(' ')
disp(' ')
RU=RU*pi/180;
theta=0:2*pi/100:2*pi;
r=(AA*B)./sqrt(AA^2*sin(theta-RU).^2+B^2*cos(theta-RU).^2);
polar(theta,r),title('Elipse de Error
95%')
pause
end
fprintf(' *SUMA EXCENT. =%6.4f \n',SEX);
fprintf(' *SUMA AREA (cm2) =%6.2f \n',SAE*10000);
disp(' ')
end
disp(' ')
disp(' FIABILIDAD: SI:INGRESE 1, NO.INGRESE 0')
disp(' ')
FIAB=input(' FIAB =');
if FIAB==1
disp(' ')
disp(' Ingrese DELTA0')
disp(' ')
DELTA0=input(' DELTA0= ');
disp(' ')
nfl=length(A(:,1));
COVL=VAR*A*QX*A';
DLA=diag(COVL);
QV=inv(P)-A*QX*A';
QVP=QV*P;
I=eye(nfl);
for i=1:n
114
c=I(:,i);
w(i)=(c'*P*Vr)/sqrt(c'*P*QV*P*c);
end
MAUX=zeros(nfl,5);
%DSV=VAR*diag(QV);
R=diag(QVP);
MAUX(:,4)=R;
MAUX(:,2)=Vr;
for k=1:n
if k<=3*nv
MAUX(k,1)=k;
else
MAUX(k,1)=k-3*nv;
end
SIGI=sqrt(VAR)/sqrt(P(k,k));
MAUX(k,3)=w(k);
MAUX(k,5)=DELTA0*SIGI/sqrt(R(k));
%MAUX(k,6)=-VR(k)/MAUX(k,4);
%MAUX(k,7)=(1-R(k))*MAUX(k,6);
end
disp(' ')
disp(' *FIABILIDAD INTERNA*')
disp(' ')
disp(' Obs. Res. Fact.Baarda Nro.Redun. Min.Err.Det. ')
pause
alto=3;
for i=1:n
if i>=alto
alto=alto+3;
pause
end
MAUX(i,:)
end
disp(' ')
SUR=sum(MAUX(:,4));
RM=SUR/n;
fprintf(' SUMA DE REDUNDANCIAS = %6.4f\n',SUR);
fprintf(' REDUNDANCIA MEDIA = %6.4f\n',RM );
fprintf(' GRADOS DE LIBERTAD = %2.0f\n',nu);
disp(' ')
pause
disp(' ')
disp(' TRANSFERENCIA A COORDENADAS: VECTORES DE FIABILIDAD EXTERNA')
disp(' ')
pause
disp(' ')
disp(' RESULTADOS: SI:INGRESE 1, NO:INGRESE 0')
disp(' ')
RESULT=input(' RESULT =');
if RESULT==1
for k=1:nfl
e(k)=0;
end
e=e';
disp(' ')
for k=1:nfl
disp('***********************************')
disp('**OBSERVABLE**');disp(k)
e(k)=1;
DELTAX=QX*A'*P*e*MAUX(k,5);
115
e(k)=0;
for j=1:m/3
i=3*j-2;
Q(1,1)=QX(i,i);
Q(1,2)=QX(i,i+1);
Q(1,3)=QX(i,i+2);
Q(2,1)=Q(1,2);
Q(2,2)=QX(i+1,i+1);
Q(2,3)=QX(i+1,i+2);
Q(3,1)=Q(1,3);
Q(3,2)=Q(2,3);
Q(3,3)=QX(i+2,i+2);
[V,D]=eig(Q);
V=inv(V);
% MODULO DEL VECTOR INFLUENCIA
vi=sqrt(DELTAX(i)^2+DELTAX(i+1)^2+DELTAX(i+2)^2);
% SEMIEJES DEL ELIPSOIDE ABSOLUTO ESTANDAR
ae=sqrt(VAR*D(1,1));
be=sqrt(VAR*D(2,2));
ce=sqrt(VAR*D(3,3));
% COORDENADAS DEL VECTOR INFLUENCIA EN EL SISTEMA DEL ELIPSOIDE
ABSOLUTO
XE=V(1,1)*DELTAX(i)+V(1,2)*DELTAX(i+1)+V(1,3)*DELTAX(i+2);
YE=V(2,1)*DELTAX(i)+V(2,2)*DELTAX(i+1)+V(2,3)*DELTAX(i+2);
ZE=V(3,1)*DELTAX(i)+V(3,2)*DELTAX(i+1)+V(3,3)*DELTAX(i+2);
% COORDENADAS DE LA INTERSECCION DEL VECTOR INFLUENCIA CON EL
ELIPSOIDE
K=(XE/ae)^2+(YE/be)^2+(ZE/ce)^2;
xn=XE/sqrt(K);
yn=YE/sqrt(K);
zn=ZE/sqrt(K);
%DISTANCIA INTERSECCION CON EL ELIPSOIDE
dn=sqrt(xn^2+yn^2+zn^2);
if vi-dn > 0.0006
disp(' Punto');disp(j)
fprintf(' Influencia sobre X = %7.4f m\n',DELTAX(i));
fprintf(' Influencia sobre Y = %7.4f m\n',DELTAX(i+1));
fprintf(' Influencia sobre Z = %7.4f m\n',DELTAX(i+2));
disp(' ')
fprintf(' Influencia total = %7.4f m\n',vi);
fprintf(' EERM(est) = %7.4f m\n',ERROR(j,5));
fprintf(' Dist.Inters._elips.= %7.4f m\n',dn);
disp(' ')
pause
end
end
end
end
end
disp(' ')
% Componentes ajustadas, error ppm.
COVL=VAR*A*QX*A';
for k=1:nv
DX=OGPS(k,3)+Vr(3*k-2);
DY=OGPS(k,4)+Vr(3*k-1);
DZ=OGPS(k,5)+Vr(3*k);
S =sqrt(OGPS(k,3)^2+OGPS(k,4)^2+OGPS(k,5)^2)+Vr(3*nv+k);
disp(' ')
disp(' ')
disp(' *COMPONENTES AJUSTADAS (m): VECTOR* '),disp(k)
fprintf(' *DELTA X = %12.3f\n',DX)
116
error=sqrt(DLA(3*k-2));
fprintf(' *error = %12.3f\n',error)
fprintf(' *DELTA Y = %12.3f\n',DY)
error=sqrt(DLA(3*k-1));
fprintf(' *error = %12.3f\n',error)
fprintf(' *DELTA Z = %12.3f\n',DZ)
error=sqrt(DLA(3*k));
fprintf(' *error = %12.3f\n',error)
fprintf(' *MODULO = %12.3f\n',S)
error=sqrt(DLA(3*nv+k));
fprintf(' *error = %12.3f\n',error)
eppm=(error/S)*1000000;
fprintf(' *error ppm = %10.3f\n',eppm)
pause
end
disp(' ')
disp(' ')
disp(' *Posiciones Geodésicas Ajustadas*')
disp(' ')
ntp=length(AGPS(:,1));
a=6378137;
f=1/298.2572235;
e2=2*f-f^2;
b=a*sqrt(1-e2);
ep2=(a^2-b^2)/(b^2);
for i=1:ntp
X=AGPS(i,1);
Y=AGPS(i,2);
Z=AGPS(i,3);
p=sqrt(X^2+Y^2);
tita=atan((Z*a)/(p*b));
LA=atan(Y/X)*180/pi;
GI(i,2)=LA*pi/180;
N=Z+ep2*b*(sin(tita))^3;
D=p-e2*a*(cos(tita))^3;
FI=atan(N/D);
GN=a/sqrt(1-e2*(sin(FI))^2);
h=(p/cos(FI))-GN;
FI=FI*180/pi;
GI(i,1)=FI*pi/180;
FIG=sign(FI)*fix(abs(FI));
FIM=fix((abs(FI)-abs(FIG))*60);
FIS=((abs(FI)-abs(FIG))*60-FIM)*60;
LAG=sign(LA)*fix(abs(LA));
LAM=fix((abs(LA)-abs(LAG))*60);
LAS=((abs(LA)-abs(LAG))*60-LAM)*60;
disp(' ')
disp(' *Latitud y Longitud*')
fprintf(' %2.0f %5.0f %3.0f %9.6f\n',i,FIG,FIM,FIS);
fprintf(' %2.0f %5.0f %3.0f %9.6f\n',i,LAG,LAM,LAS);
disp(' *Altura Elipsoidal: h*')
fprintf(' %2.0f %10.3f\n',i,h);
disp(' ')
disp(' ')
pause
end
QX=VAR*QX;
disp(' Borrar variables auxiliares: 1; no borrar: 0')
clave = input(' clave = ')
if clave == 1
clear A
117
clear AA
clear AE
clear AGPS
clear AL
clear ALG
clear ALM
clear ALS
clear AS
clear B
clear BS
clear CHI0025
clear CHI0975
clear CHI1
clear CHI2
clear COVL
clear CS
clear D
clear DELTA0
clear DELTAX
clear DEN
clear DLA
clear DS2
clear DX
clear DX0
clear DY
clear DY0
clear DZ
clear DZ0
clear E2
clear EL
clear EP2
clear ERROR
clear ERRXYZ
clear EX
clear F
clear FE
clear FI
clear FIAB
clear FIG
clear FIM
clear FIS
clear FM
clear FP
clear K
clear GN
clear I
clear LA
clear LAG
clear LAM
clear LAG
clear LAM
clear LAS
clear LT
clear MAUX
clear MQ
clear N
clear NCUEN
clear NIT
clear NORM_X
clear NUM
clear OGPS
118
clear P
clear P0GPS
clear PAX
clear PE
clear PXF
clear PYF
clear PZF
clear Q
clear QINV
clear QL
clear QV
clear QVP
clear R
clear RESULT
clear RM
clear RU
clear S
clear SAE
clear SD
clear SEX
clear SIGI
clear SPOS
clear SQ
clear SR2
clear ST2
clear SUR
clear T
clear T1
clear T2
clear TITA
clear V
clear VAR
clear VOL
clear VX
clear Vr
clear X
clear XA
clear XE
clear XF
clear Y
clear YA
clear YE
clear YF
clear Z
clear ZE
clear ZA
clear ZF
clear a
clear aa
clear ae
clear alto
clear ans
clear b
clear be
clear c
clear ce
clear dn
clear cnd
clear dpz
clear e
clear e2
119
clear ep2
clear eppm
clear error
clear f
clear gn
clear h
clear i
clear icuen
clear j
clear k
clear kk
clear l
clear m
clear n
clear naa
clear nfl
clear np
clear npf
clear npt
clear nql
clear ntp
clear nu
clear nv
clear p
clear pas
clear paso
clear pf
clear r
clear theta
clear tita
clear tol
clear vi
clear w
clear x
clear xn
clear yn
clear zn
clear zum
end
clear clave
disp(' ')
disp(' ')
disp('**************')
disp('**Terminé!!!**')
disp('**************')
120
La aplicación MATLAB REDGPS_DNC1 para diseño de Redes GPS, por el método
“prueba y error”.
clear
home
disp(' ')
disp(' ')
disp(' Programa REDGPS_DNC1:Diseña una Red GPS resolviendo el Sistema
de Ecuaciones ')
disp(' de Observación, por la descomposición SVD,adaptada para
matrices simétricas.')
disp(' Los datos,códigos pesos y coordenadas aproximadas se almacenan
en las matrices')
disp(' VGPS y P0GPS, respectivamente. Muestra elipses de error
absolutas al 95% de')
disp(' confianza horizontal(N-E) y verticales (V-N y V-E)Y
confiabilidad.')
disp(' ')
disp(' -RAUL A.
MARQUEZ-')
disp(' ')
load VGPS.mat;
load P0GPS.mat;
nv=length(VGPS(:,1));
n=3*nv+nv;
npt=length(P0GPS(:,1));
m=length(P0GPS(:,1))*3;
K=m/3;
A=zeros(n,m);
disp(' ')
disp('*INGRESE a y b en mm,según el ESTANDAR correspondiente*')
disp(' ')
a=input(' a? ');
disp(' ')
b=input(' b? ');
disp(' ')
%parámetros del elipsoide global(WGS'84)
AA=6378137;
E2=0.00669438;
for k=1:nv
i=VGPS(k,1);
j=VGPS(k,2);
FIG=-P0GPS(i,2);
FIM=-P0GPS(i,3);
FIS=-P0GPS(i,4);
ALG=-P0GPS(i,5);
ALM=-P0GPS(i,6);
ALS=-P0GPS(i,7);
h=P0GPS(i,8);
FI=(FIG+FIM/60+FIS/3600)*pi/180;
AL=(ALG+ALM/60+ALS/3600)*pi/180;
GN=AA/sqrt(1-E2*sin(FI)^2);
Xi=(GN+h)*cos(FI)*cos(AL);
Yi=(GN+h)*cos(FI)*sin(AL);
Zi=(GN*(1-E2)+h)*sin(FI);
FIG=-P0GPS(j,2);
FIM=-P0GPS(j,3);
FIS=-P0GPS(j,4);
ALG=-P0GPS(j,5);
121
ALM=-P0GPS(j,6);
ALS=-P0GPS(j,7);
h=P0GPS(j,8);
FI=(FIG+FIM/60+FIS/3600)*pi/180;
AL=(ALG+ALM/60+ALS/3600)*pi/180;
GN=AA/sqrt(1-E2*sin(FI)^2);
Xj=(GN+h)*cos(FI)*cos(AL);
Yj=(GN+h)*cos(FI)*sin(AL);
Zj=(GN*(1-E2)+h)*sin(FI);
DX=Xj-Xi;
DY=Yj-Yi;
DZ=Zj-Zi;
SD=sqrt(DX^2+DY^2+DZ^2);
PEZO=1/((a+b*0.000001*SD*1000)/1000)^2;
PESO(3*k-2)=PEZO;
PESO(3*k-1)=PEZO;
PESO(3*k)=PEZO;
PESO(3*nv+k)=PEZO;
%matriz de diseño
A(3*k-2,3*i-2)=-1*sqrt(PEZO);
A(3*k-1,3*i-1)=-1*sqrt(PEZO);
A(3*k,3*i)=-1*sqrt(PEZO);
A(3*k-2,3*j-2)=1*sqrt(PEZO);
A(3*k-1,3*j-1)=1*sqrt(PEZO);
A(3*k,3*j)=1*sqrt(PEZO);
A(3*nv+k,3*i-2)=-(DX/SD)*sqrt(PEZO);
A(3*nv+k,3*i-1)=-(DY/SD)*sqrt(PEZO);
A(3*nv+k,3*i)=-(DZ/SD)*sqrt(PEZO);
A(3*nv+k,3*j-2)=(DX/SD)*sqrt(PEZO);
A(3*nv+k,3*j-1)=(DY/SD)*sqrt(PEZO);
A(3*nv+k,3*j)=(DZ/SD)*sqrt(PEZO);
end
% Ingresa puntos Fijos y sus Pesos.-
np=input(' *Cuántos Puntos Fijos? ');
disp(' ')
if np>0
for k=1:np
npf=input(' *Identifique Punto Fijo* ');
pf(k)=npf;
end
disp(' ')
for k=1:length(pf)
disp(' *Punto '),disp(pf(k))
XF(pf(k))=input(' *XF= ');
PXF(pf(k))=input('*Peso ');
disp(' ')
YF(pf(k))=input(' *YF= ');
PYF(pf(k))=input('*Peso ');
disp(' ')
ZF(pf(k))=input(' *ZF= ');
PZF(pf(k))=input('*Peso ');
A(n+3*k-2,3*pf(k)-2)=1*sqrt(PXF(pf(k)));
A(n+3*k-1,3*pf(k)-1)=1*sqrt(PYF(pf(k)));
A(n+3*k,3*pf(k)) =1*sqrt(PZF(pf(k)));
disp(' ')
end
for kk=1:length(pf)
PESO(n+3*kk-2)=PXF(pf(kk));
PESO(n+3*kk-1)=PYF(pf(kk));
PESO(n+3*kk) =PZF(pf(kk));
end
122
end
[V,D]=eig(A'*A);
l=0;
disp(' ')
disp('*VALORES PROPIOS*')
disp(' ')
format short e
Y=sort(diag(D))
disp(' ')
format
tol=input('*TOLERANCIA* ');
disp(' ')
for k=1:m
if abs(D(k,k)) < tol
l=l+1;
NC(l)=k;
end
end
if l ~= 0
NFC=NC(1);
for k=1:length(NC);
D(NFC,:)=[];
D(:,NFC)=[];
V(:,NFC)=[];
end
QX=V*inv(D)*V';
else
QX=V*inv(D)*V';
end
disp('*VARIANZA SINGULAR MEDIA')
disp(' ')
VMS=sum(diag(QX))/K
n=length(A(:,1));
disp(' ')
disp('*GRADOS DE LIBERTAD*')
NU=n-rank(A)
disp(' ')
pause
disp(' ')
disp(' *ELIPSOIDES DE ERROR ESTANDAR*')
disp(' ')
disp(' ')
disp(' *REDUNDANCIA*')
NU
disp(' ')
disp(' *INGRESE VALOR DE TABLA F(alfa = 0.05)')
disp(' ')
F= input(' F = ');
disp(' ')
FE=sqrt(3*F);
pas= 0;
for k=1:3:m-2
Q(1,1)=QX(k,k);
Q(1,2)=QX(k,k+1);
Q(1,3)=QX(k,k+2);
Q(2,1)=Q(1,2);
Q(2,2)=QX(k+1,k+1);
Q(2,3)=QX(k+1,k+2);
Q(3,1)=Q(1,3);
Q(3,2)=Q(2,3);
123
Q(3,3)=QX(k+2,k+2);
pas=pas+1;
disp(' ')
disp(' *PUNTO*');disp(pas)
[V,D]=eig(Q);
disp(' *Semiejes del elipsoide de error del 95%')
disp(' ')
AS=sqrt(D(1,1))*FE;
RU=(atan(V(2,1)/V(1,1))+pi-(pi/2)*sign(V(2,1))-
(pi/2)*sign(V(2,1)/V(1,1)))*180/pi;
EL=atan(V(3,1)/sqrt(V(1,1)^2+V(2,1)^2))*180/pi;
fprintf(' A = %5.3f m\n',AS);
fprintf(' RUMBO = %3.1f grados\n',RU);
fprintf(' ELEVAC. = %3.1f grados\n',EL);
disp(' ')
BS=sqrt(D(2,2))*FE;
RU=(atan(V(2,2)/V(1,2))+pi-(pi/2)*sign(V(2,2))-
(pi/2)*sign(V(2,2)/V(1,2)))*180/pi;
EL=atan(V(3,2)/sqrt(V(1,2)^2+V(2,2)^2))*180/pi;
fprintf(' B = %5.3f m\n',BS);
fprintf(' RUMBO = %3.1f grados\n',RU);
fprintf(' ELEVAC. = %3.1f grados\n',EL);
disp(' ')
CS=sqrt(D(3,3))*FE;
RU=(atan(V(2,3)/V(1,3))+pi-(pi/2)*sign(V(2,3))-
(pi/2)*sign(V(2,3)/V(1,3)))*180/pi;
EL=atan(V(3,3)/sqrt(V(1,3)^2+V(2,3)^2))*180/pi;
fprintf(' C = %5.3f m\n',CS);
fprintf(' RUMBO = %3.1f grados\n',RU);
fprintf(' ELEVAC. = %3.1f grados\n',EL);
disp(' ')
SPOS=sqrt(AS^2+BS^2+CS^2);
VOL=(4/3)*pi*AS*BS*CS*1000000;
fprintf(' ERROR DE POSICIONAMIENTO(m) = %5.3f \n',SPOS);
fprintf(' VOLUMEN(cm3) = %5.3f \n',VOL);
pause
end
disp(' ')
disp(' *ERRORES ESTANDAR DE LAS COORDENADAS AJUSTADAS*')
disp(' ')
disp(' PUNTO ERRX. ERRY. ERRZ. EERM(est.)')
pause
ERRXYZ=sqrt(diag(QX));
paso=0;
for i=1:npt
zum=0;
ERROR(i,1)=i;
for j=2:4
ERROR(i,j)=ERRXYZ(j-1+paso);
zum=zum+ERROR(i,j)^2;
end
ERROR(i,5)=sqrt(zum);
paso=paso+3;
end
ERROR
disp(' ')
disp('** ELIPSES DE ERROR: HORIZONTAL Y VERTICALES EN EL S.G.T. **')
disp(' ')
disp(' *REDUNDANCIA*')
124
NU
disp(' ')
disp('*INGRESE FACTOR DE MAGNIFICACION*')
disp(' ')
FM=input('*FAC. MAG.= ');
for kk=1:3
if kk == 1
disp(' ')
disp('*** ELIPSES Norte-Este ***')
disp(' ')
end
if kk == 2
disp(' ')
disp('*** ELIPSES Norte-Vertical ***')
disp(' ')
end
if kk == 3
disp(' ')
disp('*** ELIPSES Este-Vertical ***')
disp(' ')
end
SAE=0;
SEX=0;
for k=1:m/3
FIG=-P0GPS(k,2);
FIM=-P0GPS(k,3);
FIS=-P0GPS(k,4);
FI=(FIG+FIM/60+FIS/3600)*pi/180;
ALG=-P0GPS(k,5);
ALM=-P0GPS(k,6);
ALS=-P0GPS(k,7);
AL=(ALG+ALM/60+ALS/3600)*pi/180;
R(1,1)=-sin(FI)*cos(AL);
R(1,2)=-sin(FI)*sin(AL);
R(1,3)=cos(FI);
R(2,1)=-sin(AL);
R(2,2)=cos(AL);
R(2,3)=0;
R(3,1)=cos(FI)*cos(AL);
R(3,2)=cos(FI)*sin(AL);
R(3,3)=sin(FI);
disp('*ELIPSE PUNTO*');disp(k)
if kk == 1
MQ=R*QX(3*k-2:3*k,3*k-2:3*k)*R';
SQ=[MQ(1,1) MQ(1,2);MQ(2,1)MQ(2,2)];
end
if kk == 2
MQ=R*QX(3*k-2:3*k,3*k-2:3*k)*R';
SQ=[MQ(1,1) MQ(1,3);MQ(3,1) MQ(3,3)];
end
if kk == 3
MQ=R*QX(3*k-2:3*k,3*k-2:3*k)*R';
SQ=[MQ(2,2) MQ(2,3);MQ(3,2) MQ(3,3)];
end
SD=abs(eig(SQ));
AA=sqrt(max(SD))*FM;
B=sqrt(min(SD))*FM;
AE=pi*AA*B;
EX=1-(B/AA)^2;
SAE=SAE+AE;
SEX=SEX+EX;
125
T=2*SQ(1,2)/(SQ(1,1)-SQ(2,2));
RU=(atan(T)/2)*180/pi;
fprintf('*SEMIEJE MAYOR A=%5.4f m\n',AA);
fprintf('*SEMIEJE MENOR B=%5.4f m\n',B);
fprintf('*AZIMUT FI=%5.2f grados\n',RU);
fprintf('*EXCENT. =%5.4f \n',EX);
fprintf('*AREA (cm2) =%5.2f \n',AE*10000);
disp(' ')
disp(' ')
RU=RU*pi/180;
theta=0:2*pi/100:2*pi;
r=(AA*B)./sqrt(AA^2*sin(theta-RU).^2+B^2*cos(theta-RU).^2);
polar(theta,r),title('Elipse de Error
95%')
pause
end
fprintf('*SUMA EXCENT. =%6.4f \n',SEX);
fprintf('*SUMA AREA (cm2) =%6.2f \n',SAE*10000);
disp(' ')
end
disp(' ')
disp('FIABILIDAD : Ingrese Parámetro de Desplazamiento')
disp(' ')
DELTA0=input('DELTA0 ');
disp(' ')
n=length(A(:,1));
PES=eye(n);
for k=1:n
for l=1:m
A(k,l)=(PESO(k)^-0.5)*A(k,l);
end
end
for k=1:n
PES(k,k)=PESO(k);
end
R=eye(n)-A*QX*A'*PES;
MAUX=zeros(n,3);
MAUX(:,2)=diag(R);
DSLA=diag(inv(PES)-A*QX*A');
for k=1:n
if k<=3*nv
MAUX(k,1)=k;
else
MAUX(k,1)=k-3*nv;
end
SIGI=1/sqrt(PESO(k));
MAUX(k,3)=DELTA0*SIGI/sqrt(MAUX(k,2));
end
for k=1:n
MAUX(k,4)=DELTA0/sqrt(R(k,k));
MAUX(k,5)=DELTA0*sqrt((1-R(k,k))/R(k,k));
end
disp(' FIABILIDAD INTERNA')
disp(' ')
disp(' Obs. Nro.Reund. Min.Err.Det. Prm.Fiab.Int.
Prm.Fiab.Ext.')
pause
MAUX
disp(' ')
SUR=sum(MAUX(:,2));
RM=SUR/n;
126
fprintf('SUMA DE REDUNDANCIAS = %6.4f\n',SUR);
fprintf('REDUNDANCIA MEDIA = %6.4f\n',RM );
fprintf('GRADOS DE LIBERTAD = %2.0f\n',NU );
disp(' ')
disp(' ')
pause
disp('TRANSFERENCIA A COORDENADAS: VECTORES DE FIABILIDAD EXTERNA')
disp(' ')
for k=1:n
e(k)=0;
end
e=e';
for k=1:n
disp('***************************')
disp(' ')
disp(' ')
disp('**OBSERVABLE**');disp(k)
e(k)=1;
DELTAX=QX*A'*PES*e*MAUX(k,3);
e(k)=0;
for j=1:m/3
i=3*j-2;
Q(1,1)=QX(i,i);
Q(1,2)=QX(i,i+1);
Q(1,3)=QX(i,i+2);
Q(2,1)=Q(1,2);
Q(2,2)=QX(i+1,i+1);
Q(2,3)=QX(i+1,i+2);
Q(3,1)=Q(1,3);
Q(3,2)=Q(2,3);
Q(3,3)=QX(i+2,i+2);
[V,D]=eig(Q);
V=inv(V);
% MODULO DEL VECTOR INFLUENCIA
vi=sqrt(DELTAX(i)^2+DELTAX(i+1)^2+DELTAX(i+2)^2);
% SEMIEJES DEL ELIPSOIDE ABSOLUTO ESTANDAR
ae=sqrt(D(1,1));
be=sqrt(D(2,2));
ce=sqrt(D(3,3));
% COORDENADAS DEL VECTOR INFLUENCIA EN EL SISTEMA DEL ELIPSOIDE
ABSOLUTO
XE=V(1,1)*DELTAX(i)+V(1,2)*DELTAX(i+1)+V(1,3)*DELTAX(i+2);
YE=V(2,1)*DELTAX(i)+V(2,2)*DELTAX(i+1)+V(2,3)*DELTAX(i+2);
ZE=V(3,1)*DELTAX(i)+V(3,2)*DELTAX(i+1)+V(3,3)*DELTAX(i+2);
% COORDENADAS DE LA INTERSECCION DEL VECTOR INFLUENCIA CON EL
ELIPSOIDE
K=(XE/ae)^2+(YE/be)^2+(ZE/ce)^2;
xn=XE/sqrt(K);
yn=YE/sqrt(K);
zn=ZE/sqrt(K);
%DISTANCIA INTERSECCION CON EL ELIPSOIDE
dn=sqrt(xn^2+yn^2+zn^2);
if vi-dn > 0.0006
disp(' Punto');disp(j)
fprintf(' Influencia sobre X = %7.4f m\n',DELTAX(i));
fprintf(' Influencia sobre Y = %7.4f m\n',DELTAX(i+1));
fprintf(' Influencia sobre Z = %7.4f m\n',DELTAX(i+2));
disp(' ')
fprintf(' Influencia total = %7.4f m\n',vi);
fprintf(' EERM(est) = %7.4f m\n',ERROR(j,5));
127
fprintf(' Dist.Inters._elips.= %7.4f m\n',dn);
disp(' ')
pause
end
end
end
disp('**Terminé!!!**')
La siguiente planilla EXCEL muestra las matrices de datos que usan las
aplicaciones REDGPS_ALV y REDGPS_DNC1. La matriz POGPS contiene las
posiciones geodésicas aproximadas, latitud, longitud y altura
elipsoidal y se utiliza en ambas aplicaciones. La matriz VGPS contiene
la codificación de los vectores según las estaciones que involucran
(origen y extremo) y se utiliza en la aplicación de diseño solamente.
La matriz OGPS contiene las codificaciones de los vectores y las
componentes ∆X, ∆Y, ∆Z, se utiliza en la aplicación de ajuste libre y
vinculado. La matriz QL contiene las covarianzas de los vectores
observados y se utiliza en la aplicación de ajuste libre y
vinculado.Una vez copiadas en la planilla EXCEL, las matrices de datos
se transfieren fácilmente a MATLAB.
Los datos restantes se ingresan por pantalla durante la ejecución del
proceso.
1 30 51 59 69 13 20 2694
2 30 19 37 69 25 45 2634
3 30 49 52 69 35 36 2798
4 31 1 47 69 27 19 1804
2 1
3 2
1 3
4 1
3 4
1 3
2 4
1.02E-03 0 0
-1.30E-03 3.25E-03 0
-6.02E-04 1.37E-03 1.09E-02
1.96E-04 0 0
128
-2.56E-04 6.25E-04 0
-1.25E-04 2.84E-04 2.56E-04
3.61E-04 0.00E+00 0
-4.65E-04 1.16E-03 0
-2.05E-04 4.69E-04 4.00E-04
2.56E-04 0.00E+00 0
-3.08E-04 1.37E-03 0
-1.06E-04 4.20E-04 3.61E-04
4.41E-04 0.00E+00 0
-2.59E-04 3.32E-03 0
-2.57E-04 1.12E-03 1.16E-03
6.76E-04 0.00E+00 0
-4.19E-04 4.90E-03 0
-3.75E-04 1.70E-03 1.70E-03
129
BIBLIOGRAFIA
130