Establecimiento de Redes Geodésicas: Objetivos y Fases

Los objetivos principales al establecer una red geodésica son:

• Conseguir precisiones que sean compatibles con la finalidad del trabajo.
• Lograr precisiones uniformes en las coordenadas estimadas de los puntos de la red.
• Asegurar una alta fiabilidad.
• Optimizar los tiempos y los costes del proyecto.

Para alcanzar estos objetivos, se deben seguir las siguientes fases:

1. Diseño y materialización de la red
2. Observación
3. Cálculo
4. Compensación
5. Análisis estadístico de los resultados

Clasificación de las Proyecciones Cartográficas

Según el Aspecto de la Cuadrícula en el Plano

• Proyecciones circulares: Los metameridianos y metaparalelos se representan como arcos circulares.
• Proyecciones pseudocónicas: Los

V.Paralelos O° o 180° v=<4,6,2> U<2,3,3> V=KU Solo si todas las K son iguales

COMBINACION LINEAL vectores U1=(1,-1,2) U2(2,3,-2) U3(-2,1,-1) V=(1,2,-4) V=k1u1+k2u2+k3u3

 k1+2k2-2k3=1   Luego hacer G-J

-k1+3k2+k3=7   Si la det dif.= tiene Sol.Unica

2k1-2k2-k3=-4   ejem [0,0,o/-23] V no es comb.Lineal

CombiLineal Polin Grado 2

P(x)=k1p1(x)+k2p2(x)+k3p3(x)

-6x^2-5x+15=k1(x^3+x-2)+k2(2x^2+3x-3)+k3(3x^2+2x-8)

-6x^2-5x+15=k1x^2+k1x-2k1+2k2x^2+3k2x-3k2+3k3x^2k3x-k3

-6x^2=k1x^2+2k2x^2+3k3x^2 /x^2

15=-2k1-3k2-8k3

K1+2k2+3k3=-6

k1+3k2+2k3=-5

-2k1-3k2-8k3=15

sen²x + cos²x = 1
1 + tan²x = sec²x
1 + cot²x = csc²x
tan x = sen x / cos x
csc x = 1 / sen x
sec x = 1 / cos x
cot x = 1/ tan x = cosx/senx
1 + cotg²a = cosec²a
sin (a + b) = sina · cosb + cosa· sinb
cos (a +... Continuar leyendo "Tabla sen cos tan" »

y 2: Medidas de Tendencia Central y Dispersión

Medidas de Tendencia Central

• Frecuencia relativa: f_i = n_i / N
• Media aritmética:
  • x̅ = ∑x_i / N
  • x̅ = (∑x_i · n_i) / N
  • x̅ = ∑x_i · f_i

Medidas de Posición Centradas

• Mediana (N par): Me_Npar = x_[(N+1)/2]
• Mediana (N impar): Me_Nimpar = [x_(N/2) + x_(N/2)+1] / 2
• Mediana (datos agrupados): Me = L_i-1Me + (N/2 - N_Me-1) / n_iMe · Ɑ_Me
• Moda (datos agrupados): Mo = L_i-1Mo + (d_iMo+1 / (d_iMo+1 + d_iMo-1)) · Ɑ_Mo
• Transformación lineal de la mediana: Me_y = a + b · Me_x

Medidas de Posición No Centradas

• Cuartiles
• Octiles
• Deciles

Medidas de Dispersión Absolutas

• Varianza: S_x² = ∑(x_i - x̅)² · n_i / N
• Desviación estándar: S_x = √S_x²

Medidas de Dispersión Relativas

• Coeficiente de Apertura: A = x_max / x_min
• Coeficiente de Variación:

Respuesta Impulsional

Definición y visualización de la respuesta impulsional de un sistema.

n=-10:1:30;
b=[-1 2 3 6 ...];
A=1;
x=zeros(1,41);
x(11)=1;
y1=filter(B,A,x); % Nota: La variable 'b' está definida, pero se usa 'B' en la función filter. Se mantiene el original.
stem(n,y1);
grid;

Función zerpol(B,A)

Función para calcular y visualizar los ceros y polos de un sistema.

function [ceros,polos]=zerpol(B,A);
bs =roots(B);
as=roots(A);
ceros=bs;
polos=as;
polar(angle(bs),abs(as),'x'); % Nota: Se grafica abs(as) (polos) en lugar de abs(bs) (ceros). Se mantiene el original.
hold off;

Función respfrec(B,A,nfrec)

Función para calcular la respuesta en frecuencia de un sistema, incluyendo módulo y fase.

function [modulo,fase,frecuencia]=respfrec(

Medidas de Dispersión: Conceptos Clave en Estadística

Las Medidas de Dispersión son parámetros estadísticos que indican cómo se alejan los datos respecto de la media aritmética.

Desviación Media

Es la media aritmética de los valores absolutos de las diferencias de cada dato respecto a la media.

Desviación Estándar

Mide el grado de dispersión de los datos con respecto a la media. Mientras menor sea la desviación estándar, los datos son más homogéneos, es decir, existe menor dispersión. Un incremento en la desviación estándar indica una mayor variabilidad de los datos.

Varianza

Sirve para medir la dispersión de los valores de una variable respecto a la media y corresponde a la media aritmética de los cuadrados de las desviaciones... Continuar leyendo "Estadística Descriptiva: Medidas de Dispersión, Posición y Curtosis" »

Regresión Estadística: Conceptos y Aplicaciones

La regresión estadística es una herramienta fundamental para comprender la relación entre variables y realizar predicciones. A continuación, se detallan sus principios, métodos y el proceso de investigación asociado.

1. Definición de Regresión

La regresión estadística determina en qué medida los cambios en los valores de una variable están asociados a cambios en los valores de otra. Su objetivo principal es descubrir qué variable o variables pueden predecir mejor los valores que adquirirá otra variable.

• Regresión Simple: Si el estudio implica una única variable pronosticadora.
• Regresión Múltiple: Si el estudio implica dos o más variables pronosticadoras.

2. Criterio de Mínimos

Análisis de correspondencias

El análisis de correspondencias es un análisis factorial aplicado a datos no métricos. No hay diferencias de grado, sino de clase. No se puede partir de la matriz de correlaciones ni se puede aplicar el análisis factorial. Para ello se desarrolló el análisis de correspondencias, que trata de reducir dimensiones y comparte los objetivos, pero trabaja con variables categóricas.

Jean Paul Benzecri desarrolló el análisis de correspondencias (apenas tiene 50 años). Trata de reducir las categorías de las variables a un número menor de dimensiones, habitualmente no más de 2 o 3. El objetivo fundamental es la reducción dimensional. Para ello, hay que tomar alguna medida cuantitativa de las categorías, para... Continuar leyendo "Introducción al análisis de correspondencias: una técnica de reducción dimensional" »

Teorema de Birnbaum El principio de verosimilitud es equivalente a los principios de suficiencia y condicionalidad.Dem:dados dos puntos x e y en dos experimentos E₁, E₂ tales que L₁(θ|x) = c(x, y)L₂(θ|y), sobre el experimento mixto E^* construido a partir de E₁ y E₂ mediante el principio de condicionalidad, se define el estadistico T(j, x_j) = (1, x) si j = 1 y x₁ = x; (1,x) si j = 2 y x₂ = y; (j,x_j) en el resto. El estadistico T es suficiente ya que f((1,x)|T = (1,x)) = (1 + c(x,y))^-1, f((2,y)|T = (1,x)) = c(x,y)/(1 + c(x,y)), f((j, xj)|T = (j, xj)) = 1 y f((j,xj)|T = (j,xj)) = 0 esto es, no depende del parametro. Siendo f la distribucion condicionada por el estadistico se tiene: f((1,x)|T = (1,x)) = [1 + c(x,y)[^-1. Si se aplica el principio