Repblica Bolivariana de Venezuela.

Universidad del Zulia.

Facultad de Ingeniera.
Escuela de Geodsica.
Departamento de Mediciones y Clculos Geodsicos.
Clculo de Compensacin II.
Prof. Antonio Gonzlez.

Modelo general de Colocacin

por Cuadrados Mnimos.

Br. Daniela A. Obeso H.

CI: 19.844.749.

Maracaibo, Octubre de 2013.

Ajustes Mnimos Cuadrados:

1.1. Modelos matemticos de ajustes.
1.2. Descomposicin general de un observable.
1.3. Principio de mnimos cuadrados.
Modelo general de Colocacin Mnimos Cuadrados:
2.1. Modelo funcional.
2.2. Modelo estocstico.
2.3 Aplicaciones.
I.-Ajustes Mnimos Cuadrados:
1.1.- Modelos matemticos de ajustes:
En todo problema geodsico aparecen involucrados tres tipos de
elementos de carcter fundamental. En primer lugar estn los que
llamamos parmetros, son incgnitas del problema, magnitudes que
nos representan aquello que deseamos determinar. En segundo lugar
estn los observables que son aquellas magnitudes que podemos
determinar directa o indirectamente por observacin. En tercer lugar
estn las funciones o relaciones matemticas establecidas entre los
parmetros y los observables. Al conjunto de parmetros, observables
y funciones 10 llamamos modelo matemtico.
Entonces, mediante un modelo matemtico trataremos de describir
o representar una situacin o fenmeno fsico o geomtrico con el que
intentaremos explicar la realidad del problema.
El modelo matemtico suele considerarse constituido por dos
partes: el modelo funcional y el modelo estocstico.
El modelo funcional o determinista establece las propiedades fsicas
o geomtricas del problema dando las relaciones matemticas, entre
las variables involucradas de forma implcita o explcita,
independientemente de los de los valores numricos que tomen dichas
variables; estar constituido por las funciones que relacionen los
parmetros con los observables incluyendo algunas constantes
propias del fenmeno estudiado si ello fuera necesario. En forma
implcita general podemos escribir un modelo funcional como:

F(X,L) = o, (1. 1 )
tambin puede adoptar una forma explcita en L:
L = F (X)

(1.2)

X = F (L)

(1. 3)

o en X:

o, en ausencia de parmetros, la forma de un modelo condicin:

F (L)=0

(1. 4)

En estas expresiones F es un conjunto de funciones, que pueden

ser la misma en cada caso, X son los parmetros, que son variables
independientes entre s y que no se pueden observar, salvo en el caso
trivial del modelo (1.3) y L son los observables, variables del problema
a las que se les podr asignar valores por observacin.
El modelo estocstico establece las caractersticas o propiedades
estocsticas de las variables aleatorias involucradas en el modelo
funcional. La necesidad del modelo estocstico surge del hecho inicial
de que las observaciones que entran en el problema son variables
aleatorias, al ser el resultado de un proceso de medida en el que
incuestionablemente se cometen errores de observacin; adems
otras variables del modelo como los parmetros, e incluso las propias
funciones pueden tener tambin carcter aleatorio. El modelo
estocstico se especifica generalmente dando la esperanza
matemtica de las variables aleatorias que intervengan y sus matrices
de varianza-covarianza.
Las variables X, L Y las funciones F constituirn tres espacios
matemticos formados por todos los elementos que se puedan
presentar de cada clase. As, el conjunto de todos los posibles
vectores solucin X constituye el
espacio de parmetros que
supondremos de dimensin n. El conjunto de todos los posibles
vectores de observaciones L constituye el espacio de observaciones
que supondremos de dimensin m. Y el conjunto de todos los posibles
vectores de funciones F constituyen el espacio de funciones de
dimensin c.

Para un tratamiento adecuado, desde un punto de vista matemtico,

de nuestros modelos en los problemas de ajuste que hemos de
plantear es necesario un buen conocimiento de la estructura de estos
tres espacios, cuyas propiedades juegan un papel fundamental en la
teora y en nuestras aplicaciones.
Desde un primer momento es necesario darse cuenta de que un
modelo matemtico, tal como el F(X, L) o por ejemplo, se verifica
exactamente para los valores X de los parmetros y los valores L de
las observaciones que entonces llamaremos valores ajustados. Las
observaciones reales l no coinciden con los valores L porque adolecen
del error de observacin, a su diferencia que representamos por el
vector v la llamaremos vector de errores residuales, y escribiremos:
L= l+ v

(1. 5)

Donde el signo ms es convencional. Adems, los valores L que

verifican el modelo tampoco son los valores verdaderos de los
observables de manera que los errores v no son los errores
verdaderos. Evidentemente, con los valores verdaderos de los
observables, LV y con los valores verdaderos de los errores, E,
tendramos una relacin anloga a la (1.5):
LV = l + E

(1 .6)

pero LV y E son por principio imposibles de conocer o determinar.

1.2.- Descomposicin general de un observable:

En los problemas de ajuste es muy importante conocer las
caractersticas de los observables. Cuando en un cierto instante T y en
un cierto lugar P efectuamos una observacin o medida, lo que
pretendemos hacer es obtener el valor que en ese instante y en ese
lugar toma una cierta variable, por ello se han definido los observables
como aquellas cantidades fsicas o geomtricas susceptibles de
observacin, es decir, que de forma directa o indirecta pueden ser
obtenidas como resultado de una observacin u operacin de medida.

La geodesia nos proporciona una gran cantidad de observables

como por ejemplo: direcciones, ngulos, distancias, diferencias de
altitudes, gravedades, direcciones y distancias a satlites, diferencias
de distancias, etc.
Efectuada una observacin, lo que obtenemos es un nmero que
representa el valor que en un instante y en un lugar toma un
observable, pero este valor est en cierto modo enmascarado por el
error de observacin que est incluido en el nmero obtenido. As
pues, en toda observacin aparece una componente genuinamente
aleatoria, que es el error de observacin, junto al valor del observable.
As se ha supuesto en (1.5).
El conocimiento que se tenga, por otra parte, del observable en
cuestin, e independientemente de que se mida o no, nos llevar a
asignarle una cierta constitucin; as en su forma ms general
podemos considerarlo compuesto por una parte determinista que
incluir el valor esperado del observable y posiblemente una parte
aleatoria que sea propia del fenmeno estudiado y nada tenga que ver
con el error de observacin. Entonces, en vez (1.5) podemos escribir:
L=l + r + s

(1. 7)

Donde L es el valor ajustado del observable, l es el valor

observado, r es el error aleatorio de medida que ahora llamamos
ruido y s es otra parte aleatoria propia del campo en el que se realiza
el experimento, que no depende del sistema o equipo de medida y que
llamaremos seal.
Con esta descomposicin, la parte aleatoria completa del
observable, que seguiremos llamando residual v, est constituida por
el ruido y la seal:
v=r+s
(1. 8)
En conformidad con (1.5). El ruido r lo constituyen cantidades
aleatorias estadsticamente independientes de esperanza matemtica
cero, las seales por su parte sern cantidades aleatorias
estadsticamente dependientes de media cero.

Un hecho diferencial es que al repetir varias veces observaciones en

un mismo punto, los diferentes valores del ruido sern distintos,
aunque su esperanza matemtica ser E{r}=0, mientras que la seal
en ese punto deber ser la misma, por lo que E{s}=s; esta seal
cambiar cuando cambiemos de punto de observacin y en todo el
espacio considerado su media ser M{s}= 0, siendo entonces lgico
tomar M{r}= r. Evidentemente, si como hace Moritz (1980) definimos la
media total M = EM resulta M{r}=0 y M{s} = 0, es decir con respecto a
esta media total ambas cantidades son centradas.
Una ltima cuestin puede ser el considerar la existencia en e el
propio observable de una parte sistemtica que indicar alguna
tendencia o sesgo de la propia observacin y esta parte debidamente
formulada podra entrar a formar parte de la expresin (1.7); este sera
el caso de sistematismos instrumentales o efectos perturbadores de la
observacin como por ejemplo la refraccin atmosfrica. La expresin
(1.7) supone que las observaciones han sido corregidas de efectos
sistemticos lo que es corriente en geodesia.
1.3.- Principio de mnimos cuadrados:
Los problemas de ajuste o compensacin en geodesia surgen del
hecho de que en general se dispone, despus de la fase de
observacin, de ms observaciones de las estrictamente necesarias
para la resolucin del problema geodsico planteado, adems, estas
observaciones siempre adolecen de los inevitables errores de
observacin que son desconocidos.
Si consideramos un modelo matemtico regular en el que estas
observaciones se toman como valores de los observables, desde un
punto de vista algebraico y debido a la superabundancia indicada,
tendremos varias posibilidades de obtener soluciones aproximadas del
problema, tantas como combinaciones podamos efectuar con las
observaciones tomadas en nmero mnimo necesario para que cada
sub-modelo particular pueda resolverse. Ahora bien, ninguna de estas
soluciones particulares resolver exactamente el problema general
debido a la existencia de los errores de observacin. Es entonces
cuando entran en juego los errores residuales que vienen a ser las
discrepancias o diferencias entre los valores tericos proporcionados
por el modelo (observaciones ajustadas) y los valores numricos
obtenidos con las observaciones reales. A cada conjunto de soluciones

o valores ajustados corresponder un conjunto de errores residuales

que hacen el modelo consistente y como, adems de los parmetros,
los residuales son incgnitas del problema nos encontramos con ms
incgnitas que ecuaciones y por tanto con infinitas soluciones del
modelo lineal o linealizado.
Evidentemente, de entre las infinitas soluciones posibles
deseamos la "mejor" y para obtenerla necesitamos algn criterio
adicional. Este criterio adicional es el principio de mnimos cuadrados
justificado plenamente por el anlisis matemtico y la estadstica
(Sevilla, 1986). Este principio establece en su forma elemental que la
suma de los cuadrados de los errores residuales debe ser mnima; con
la mtrica euclidea ordinaria esto es:

(1.9)
y si dicha mtrica viene definida en el espacio de observaciones por la
matriz P, matricialmente escribimos:
(1.10)
En definitiva la solucin ptima de un problema de ajuste o
compensacin es aquella que adems de satisfacer exactamente las
ecuaciones del modelo en su forma lineal de lugar a unos errores
residuales que satisfagan el principio de mnimos cuadrados.
II.-Modelo general de Colocacin Mnimos Cuadrados:
2.1.- Modelo funcional:
El modelo general de colocacin constituye un caso muy general de
mnimos cuadrados, su caracterstica principal es que adems de los
parmetros y los errores de observacin permite estimar otras
cantidades aleatorias de gran inters en muchos problemas
geodsicos. El observable L lo suponemos en la forma (1.7) que
incluye en la observacin t una parte aleatoria de esperanza
matemtica cero que sern los errores de observacin o ruido r, y otra

parte tambin aleatoria de media cero o seal s, siendo r y s

incorrelados. Entonces con respecto de la observacin tomamos

(2.1)
Suponemos, por parte que nos encontramos ante un modelo
explicito en L lineal, L= F (X) que en su forma lineal escribimos:
(2.2)
Con la misma notacin que en la seccin anterior. Entonces, con
(2.1) y (2.2) el toma la forma:
(2.3)
y llamamos t:
(2.4)
podemos escribir:
(2.5)
Para completar el planteamiento del problema de colocacin,
supondremos m observaciones l (y por tanto m ruidos r, y m seales s
en puntos de observacin) y n parmetros x con m>n para disponer de
observaciones superabundantes: supondremos, adems, que
deseamos estimar seales en puntos que pueden ser los mismos
(seales s) o distintos de los de observacin, el vector de seales en
los puntos distintos lo representamos por z y lo supondremos de
dimensin k y tambin incorrelado con r.
Entonces, la determinacin de los parmetros x es un problema de
ajuste, la de la seal z en puntos distintos a los de observacin una
prediccin y la eliminacin del ruido un problema de filtrado. La
combinacin en un solo procedimiento del ajuste, la prediccin
(interpolacin o extrapolacin) y el filtrado constituye el problema de
colocacin general (Moritz, 1980).

Transformemos la expresin (2.5) para tener en cuenta todas las

seales. Introducimos una matriz B definida de la siguiente forma:

(2.6)
Esto es, constituido por tres cajas, una primera caja con la (mxm)matriz unidad cambiada de signo, otra segunda con la (mxk)-matriz de
ceros y una tercera con otra (mxm)-matriz unidad cambiada de signo.
Definimos asimismo un vector v, formado por toda la parte aleatoria de
nuestro problema, de la forma:

(2.7)
Entonces es evidente que:
(2.8)
De manera que el modelo (2.5) toma la forma estndar:
(2.9)
Formalmente las ecuaciones de condicin as obtenidas para la
colocacin (2.9) responden a un modelo de ajuste mixto de
observaciones con condiciones y parmetros y este hecho nos va a
servir para obtener de forma inmediata las estimaciones mnimos
cuadrados de los parmetros, de las seales y del ruido y sus
correspondientes precisiones a posteriori.
2.2.- Modelo estocstico:

Supongamos de momento que la varianza de referencia a priori

de las observaciones es la unidad. Entonces las matrices cofactor
coincidirn con las matrices covarianza a priori. En particular sabemos
que con respecto a la media total M introducida en 1.2 se verifica:

(2.10)
Donde por (2.7) la matriz de covarianza
matrices en la forma:

viene dada por

(2.11)
Por lo que debemos analizar por separado las matrices covarianza
de la seal, Css, Czz, del ruido Crr y cruzadas Csz, Csr, Czr, que por sus
especiales caractersticas hemos representado por la letra C, evitando
la utilizacin de
que se usa ordinariamente para cantidades
genuinamente a1eatorias (como los errores de observacin).
En primer lugar como la seal y el ruido son variables incorreladas,
los trminos Csr, Czr, y Crs, Crz, son cero y (2.11) queda reducida a:

(2.12)
En segundo lugar, si consideramos las propias observaciones l
cuya parte aleatoria es s+r, como Csr = 0 resulta:
(2.13)
Es decir, la matriz covarianza de las observaciones es la suma de
las matrices covarianza de la seal y del ruido en los puntos de
observacin.

En lo que sigue supondremos conocidas y de rango completo todas

las matrices covarianza de las seales y del ruido que figuran en
(2.12), las primeras pueden obtenerse por el clculo en el campo de
las seales y la segunda por la precisin de las medidas. Es decir,
todas las funciones covarianza han de ser definidas positivas.
Propiedades de la Colocacin por Cuadrados Mnimos:
La solucin expresada anteriormente tiene las siguientes
propiedades:

El resultado es independiente del nmero P de las cantidades de

las seales a ser calculadas.

Tanto las observaciones y cantidades calculadas pueden ser

completamente heterogneas.

Las observaciones pueden ser sin error o afectadas por errores

de mediciones (ruido).

El mtodo es invariante con respecto a las transformaciones

lineales de los datos o de los resultados.

La solucin es ptima en el sentido de que se obtienen los

mejores resultados precisos obtenidos sobre la base de los datos

avalados.
2.3- Aplicaciones:
Existen varias aplicaciones del Mtodo de Colocacin por
Cuadrados Mnimos. Entre las cuales se encuentran las siguientes:
Transformaciones de la Geodesia y Fotogrametra:
Consideramos dos redes locales con puntos comunes.
Transformamos un sistema al otro; permanecen discrepancias
residuales o perturbaciones, que son irregulares pero bastantes
correlacionadas.

Ax: Frmula de transformacin.

S: Discrepancias de residuales.
N: Efectos de errores de las mediciones.
L: Mediciones terrestres de distancias o ngulos horizontales y
verticales o mediciones de las coordenadas en el equipo
fotogramtrico.
Determinacin del Campo Gravitatorio Terrestre:
Si usamos solamente mediciones de una misma manera,
resolvemos un problema de la interpolacin. Pero la colocacin no
est restringida a este caso; podemos utilizar datos heterogneos.
Aprovechemos y una seal bsica, por ejemplo, el potencial de la
perturbacin (la diferencia entre el potencial gravitatorio terrestre y un
potencial del campo gravitatorio normal). Las seales de todos los
puntos se construyen por:
T=B *T
Siendo:
B: Una matriz de funcionales (en forma lineal), que describen la
dependencia entre T y otras seales del campo; tenemos por ejemplo,
entre anomalas y T la conexin siguiente (en aproximacin esfrica):
T + 2 T + g = 0
r
R
Con:
R: 6.371 km. Radio de la esfera de referencia.
/r: Derivada radial.
T: Valores de la seal fundamental.
g: Anomala gravimtrica, valores de la seal de datos heterogneos.

Determinacin
Satelitales.

de

los

Armnico

Esfricos

de

datos

Consideramos las observaciones a satlites desde estaciones

terrestres de rastreo, por instancia de: observaciones fotogrficas de
ascensin recta y declinacin , mediciones electrnicas de
distancias d a el satlite y la velocidad radial r por el efecto Doppler
(actualmente integrado para obtener una diferencia de distancia (d 2
d1).
El movimiento del satlite r (t) , r (t) en un sistema de referencia
sigue la siguiente ecuacin:
D2 r = - r + Fi
Dt2
r3
Con r (to) = ro , r (to) = ro
En donde - r: es el trmino Kepleriano
R3
Fi: Representa todas las fuerzas.
Como:
a.- Fuerzas Gravitacionales:
Debido al neopotencial grad (u - /r)
Debido a la deformacin de la tierra elstica bajo accin del sol y la
luna.
b.- Fuerzas no gravitacionales:
Drag atmosfrico.
Presin directa de la radiacin solar.
Presin indirecta de la radiacin (efecto Albedo de la tierra)
c.- Fuerzas Aparentes:
Debido al cambio del sistema de referencia (coriolis y fuerzas
complementarias).
Mediciones Gravimtricas:
L: Lecturas del gravmetro.

S: Anomala de gravedad.
N: Errores de la lecturas.
Ax: Algunos parmetros sistemticos. Por ejemplo, la frmula de la
gravedad normal o variaciones del equipo.
Mediciones de Satlites:
L: Mediciones pticas o electrnicas al satlite.
Ax: rbita normal del satlite.
S: Perturbaciones de las rbita causadas por efectos del campo
gravitacional terrestre.
N: Efectos aleatorios. Por ejemplo, errores de medicin.