Teoría Ajustes Observaciones

El grado de precisión indica la magnitud de los errores aleatorios. V. F.

El error verdadero hace referencia a la precisión. V. F.

El error probable hace referencia a la exactitud. V. F.

De uno de los postulados de gauss se deduce que la media aritmética de una serie de observaciones suficientemente grande está exenta de errores aleatorios. V. F.

Una de las formas de minimizar errores sistemáticos es incluirlos como parámetros del ajuste. V. F.

Los errores aleatorios de mismo valor absoluto y distinto signo aparecen el mismo número de veces. V. F.

El grado de control de los errores sistemáticos está expresado por la exactitud. V. F.

El modelo funcional de un fenómeno experimental es determinista. V. F.

La componente aleatoria de una medida no puede en modo alguno eliminarse. V. F.

La fase de observación de un fenómeno físico no concluye mientras los datos tengan grandes dispersiones. V. F.

En el modelo matemático que representa una realidad la parte determinista la aportan los observables y la estocástica los parámetros. V. F.

La precisión es un indicador de la dispersión de las medidas con respecto al valor adoptado para la magnitud. V. F.

En el modelo matemático que representa una realidad la parte determinista la aportan los parámetros y la estocástica los observables. V. F.

Un proceso se dice determinista cuando su resultado es diferente aunque la causa sea la misma. V. F.

En general ni los errores ni las incertidumbres son conocidos, aunque los primeros pueden estimarse de una muestra representativa. V. F.

La varianza de la diferencia de v.a independientes con distinta varianza cada una es la diferencia de las varianzas de cada v.a. V. F.

La varianza de la media de v.a independientes con distinta varianza cada una es la media de las varianzas de las v.a. V. F.

Dadas las v.a y1=f1(x1,x2,x3) e y2=f2(x1,x2,x3) responder. La dimensión de la matriz de varianzas-covarianzas de y es de 3x3 y la de x de 2x2. La dimensión de la matriz de varianzas-covarianzas de y es de 3x3 y la de x tambien. La dimensión de la matriz de varianzas-covarianzas de y es de 2x2 y la de x de 3x3.

Si dos variables aleatorias son independientes su covarianza es cero. V. F.

La varianza de la suma de v.a independientes con distinta varianza cada una es la suma de las varianzas de cada v.a. V. F.

Si el coeficiente de correlación de dos variables aleatorias es cero las variables son independientes. V. F.

La media del producto de dos variables aleatorias es el producto de las medias de cada una de ellas. V. F.

A la vista de la siguiente matriz de varianzas covarianzas se puede decir que las variables aleatorias x1,x3 son independientes pero que x1,x2 no lo son. V. F.

La diferencia entre error e incertidumbre es que el primero no no está sujeto a las leyes de la probabilidad. V. F.

Dada la siguiente relación entre v.a. vectoriales y=Ax si las matrices de diseño y de varianzas-covarianzas de x son las adjuntas calcular la covarianza de la v.a y3 A =[1 -1 0 1 0 2] Sx = 0.0010 0 0 0.0300. 0.0300. 0.1200. 0.0310.

En un proceso de ajuste la incertidumbre obtenida como resultado del ajuste tiene un bajo nivel de confianza. Sobre el 50-68%. V. F.

Los métodos de ajuste por mm.cc. elige la mejor solución en el sentido de la norma y con cambios mínimos en las observaciones . V. F.

En un proceso de ajuste no lineal se ajustan valores aproximados de los parámetros, se ajustan errores y se ajustan observaciones . V. F.

Las unidades de las matrices de varianzas son las mismas en las que se hayan introducido las varianzas de las observaciones. V. F.

Si no conocemos las precisiones de las observaciones para poder determinar las precisiones de los valores estimados y ajustados debemos estimar previamente el factor de referencia a posteriori. V. F.

Si no se conocen las varianzas de las observaciones se pueden deducir las matrices de varianzas-covarianzas sin realizar previamente el ajuste. V. F.

Las matrices de varianzas- covarianzas de un ajuste pueden deducirse conociendo las varianzas de las observaciones y la matriz de diseño y aplicando las leyes de propagación de varianzas sin necesidad de realizar el ajuste. V. F.

En general la solución mm.cc. es aquella que hace que el error estimado sea ortogonal al espacio generado por las columnas de la matriz de diseño. V. F.

Para una única variable medida n veces la solución mm.cc. coincide con la media aritmética. V. F.

La incertidumbre de un parámetro estimado en un ajuste se encuentra en los elementos de la diagonal de la matriz de varianzas-covarianzas, con un cierto nivel de confianza. V. F.

La matriz de pesos de un sistema de ecuaciones de observación es una matriz diagonal si no hay covarianzas entre las observaciones. V. F.

Cuando se realiza un ajuste sin pesos, la única información sobre precisiones viene dada a través del factor de referencia a posteriori. V. F.

Los grados de libertad de un sistema de ecuaciones indican el exceso de observaciones para resolver de forma única el sistema. V. F.

La varianza de las observaciones permite controlar el proceso de ajuste. V. F.

La matriz de varianzas-covarianzas de los parámetros estimados nos da información tanto de la precisión de la estimación como de la dependencia entre los parámetros estimados con un cierto nivel de confianza . V. F.

En un proceso de ajuste la incertidumbre obtenida como resultado del ajuste tiene un alto nivel de confianza. Sobre el 90%. V. F.

El peso de las observaciones permite controlar el ajuste. V. F.

Una de las diferencias entre el ajuste utilizando constreñimientos sobre los parámetros y el ajuste utilizando observaciones sobre los parámetros en la asignación de pesos a las nuevas observaciones. V. F.

En un problema con deficiencia o casi deficiencia de rango no existe una única solución que haga mínimo los errores estimados. V. F.

El nº de condición de una matriz deficiente o casi deficiente de rango es cero, pues no se puede calcular su determinante. V. F.

La deficiencia de rango de una matriz de diseño significa que no hay información suficiente en los datos observados para determinar de forma única los parámetros. V. F.

La matriz asociada a la adición de observaciones sobre los parámetros es siempre de ceros y unos. V. F.

El nº de condición de una matriz deficiente o casi deficiente de rango es muy grande. V. F.

Cuantos más valores fijemos en un ajuste mejor será este. V. F.

En una red bidimensional en que se han observado distancias y direcciones para determinar coordenadas bidimensionales (x,y) para su ajuste con solución única se pueden fijar un punto y una dirección. V. F.

Al fijar parámetros en un ajuste forzamos las observaciones y podemos empeorarlas si la precisión de lo fijado es peor que lo observado. V. F.

El análisis estadístico no puede hacerse en el ajuste libre. V. F.

El modelo funcional correspondiente a una baselinea v GPS es la función distancia entre los extemos de dicha baselinea. V. F.

Cuanto más valores fijemos en un ajuste mejor controlado estará pero a cambio la precisión puede ser peor. V. F.

Según el tipo de observación y las observaciones realizadas a veces fijar parámetros no elimina observaciones. V. F.

Se denomina ajuste libre aquel en que se fijan parámetros con valores arbitrarios. V. F.

Un ajuste libre representa la mejor solución para los parámetros. V. F.

El modelo funcional correspondiente a una baselinea v GPS es: (v1,v2,v3)=(x2-x1,y2-y1,z2-z1). V. F.

La adición de observaciones sobre los parámetros elimina también la deficiencia de rango. V. F.

En una red tridimensional en que se han observado distancias para determinar coordenadas tridimensionales(x,y,z) para su ajuste con solución única se deben fijar como mínimo dos puntos. V. F.

La adición de constreñimientos sobre los parámetros lleva asociada una matriz de varianzas a los constreñimientos que es la varianza de los parámetros implicados,. V. F.

Si los observables en un modelo funcional son baselineas GPS (vector diferencias de coordenadas) bastara fijar un único punto para dar solución única. V. F.

La deficiencia de rango de una matriz de diseño de un problema particular depende del modelo funcional usado y de los parámetros a estimar. V. F.

El modelo de error denominado data-snooping es un modelo que supone que hay un error no aleatorio en todas las observaciones. V. F.

La fiabilidad externa se puede considerar como un sesgo en la determinación de los parámetros estimados del ajuste. V. F.

La realización de otro tipo de observaciones en un ajuste implica cambios en la estructura de la matriz de diseño. V. F.

En el análisis estadístico de un ajuste de observaciones es necesario considerar que tanto las observaciones como los valores estimados y ajustados se comportan como variables aleatorias. V. F.

La aceptación de la hipótesis nula significa que no hay gran evidencia de que la hipótesis planteada sea falsa. V. F.

La estimación mm.cc. es insesgada y por tanto es exacta. V. F.

Para valorar un ajuste basta con analizar la precisión de lo estimado. V. F.

La validez de un ajuste se valora en función de la validación de los modelos funcional y estocástico. V. F.

La precisión de un ajuste puede mejorar mejorando la precisión de las observaciones, realizando más número de observaciones y de distinto tipo. V. F.

Para valorar un ajuste es necesario y suficiente con validar el modelo estocástico. V. F.

El rechazo de la hipótesis nula significa que hay gran evidencia de que la hipótesis planteada es falsa. V. F.

En la estimación mm.cc. lo estimado está cerca de valor verdadero y por tanto es exacta. V. F.

Si el modelo estocástico está mal especificado se pierde quela estimación mm.cc. sea la de mínima varianza. V. F.

La estimación mm.cc. puede ser precisa, pero no es exacta. V. F.

Los errores que se pueden cometer al formular el modelo de ajuste son básicamente los errores en los datos observados. V. F.

La hipótesis nula es siempre lo que quiero probar que no se cumple. V. F.

Si el modelo funcional está mal especificado se pierde quela estimación mm.cc. sea insesgada. V. F.

La precisión de un ajuste depende principalmente de la precisión de las observaciones, supuesto valido el modelo. V. F.

La realización de más observaciones del mismo en un ajuste tipo implica cambios en las dimensiones de la matriz de diseño. V. F.

La realización de otro tipo de observaciones en un ajuste no afecta al modelo funcional pero si al estocástico. V. F.