CENTRO NACIONAL DE INVESTIGACIÓN Y DESARROLLO TECNOLÓGICO. cenidet
|
|
- Adrián Lozano Peña
- hace 8 años
- Vistas:
Transcripción
1 SEP SEIT DGIT CENTRO NACIONAL DE INVESTIGACIÓN Y DESARROLLO TECNOLÓGICO ceidet DESARROLLO DE ALGORITMOS DE PROCESAMIENTO DIGITAL DE SEÑALES USANDO ESPECTROS DE ALTO ORDEN. T E S I S QUE PARA OBTENER EL GRADO DE: MAESTRO EN CIENCIAS EN INGENIERÍA ELECTRÓNICA P R E S E N T A : ING. EDWIN B. SULUB COUOH DIRECTOR DE TESIS DR. MARCO ANTONIO OLIVER SALAZAR. CUERNAVACA, MORELOS. JUNIO 005
2 Abstract. Regardig the digital sigal processig, the spectral aalysis, has proved essetial to the developmet of scietific ad techological advaces like the radar ad the soar. Bispectrum is a higher order of the Power Spectral Desity PSD). I additio it preserves phase iformatio of the sigals ad its harmoically related frequecies. The geeral scheme of this thesis project cosists of the developmet of a aalysis tool, called Spectral Aalyzer, to apply the PSD ad Bispectrum algorithms to discrete time series from real systems. The Spectral Aalyzer is a Widows applicatio, desiged i order to solve the problem of the difficulty of usig these algorithms, facilitatig the work of the ed user, i each ivestigatio disciplie where Biespectro is applied. A importat poit to cosider is the large processig time ecessary to obtai the PSD ad Bispectrum fuctios. It s ecessary to determie the hardware ad software requiremets to miimize the processig time, justifyig or o the use of dedicated processors ad specific software. I this thesis project a theoretical comparative of characteristics betwee IBM PC ad digital sigal processors platforms appears, coverig topics like the processig speed, architecture, memory usage, available ports, programmig type, etc. I additio, based o the software of the Spectral Aalyzer, practical performace evaluatios betwee a Athlo TM processor of a persoal computer versus the TMS30C670 of Teas Istrumets digital sigal processor were made. Fially, i order to validate the Spectral Aalyzer usig real sigals, tests of faults detectio i a iductio motor were made. Some patters related to electrical faults were idetified by phase curret variatios aalysis.
3 Resume. Detro del procesamieto digital de señales, el aálisis espectral, ha sido esecial para el desarrollo de avaces cietíficos y tecológicos como el radar y el soar. El Biespectro es ua etesió de orde superior de la Desidad Espectral de Potecia PSD). Además, preserva la iformació de fase de las señales y de sus frecuecias armóicamete relacioadas. El esquema geeral de este proyecto de tesis, cosiste e el desarrollo de ua herramieta de aálisis, llamada Aalizador Espectral, para aplicar los algoritmos de PSD y Biespectro a datos e tiempo discreto proveietes de sistemas reales. El Aalizador Espectral es ua aplicació tipo Widows diseñada co el propósito de solucioar el problema de la dificultad de uso de estos algoritmos, facilitado el trabajo del usuario fial, e cada disciplia de ivestigació dode se aplica el Biespectro. U aspecto importate a cosiderar, es el alto tiempo de procesamieto ecesario para obteer las fucioes de PSD y Biespectro. Es ecesario determiar los requisitos de hardware y software para miimizar el tiempo de procesamieto, justificado ó o, el uso de procesadores dedicados y de software específico. E este proyecto de tesis se preseta u comparativo teórico de características etre plataformas IBM PC y procesadores digitales de señales, cubriedo tópicos como la velocidad de procesamieto, arquitectura, uso de memoria, puertos dispoibles, tipo de programació, etc. Además, co base e el software del Aalizador Espectral, se realizaro evaluacioes prácticas de desempeño etre u procesador Athlo TM de ua computadora persoal cotra el procesador digital de señales TMS30C670 de Teas Istrumets. Fialmete, co objeto de validar el Aalizador Espectral co señales reales, se realizaro pruebas de detecció de fallas e u motor de iducció. Se idetificaro alguos patroes relacioados co fallas eléctricas mediate el aálisis de las variacioes de la corriete de fase.
4 CONTENIDO. Lista de figuras... iv Lista de tablas.vi Capítulo : Itroducció.. Plateamieto del problema Objetivos Atecedetes Estado del Arte Paorama de Ivestigació y Metodología utilizada Estructuració de la tesis...0 Capítulo : Marco Teórico.. Señales e el domiio del tiempo Mometos Cumulates Relació etre Mometos y Cumulates Uso de cumulates e lugar de mometos Codicioes de simetría de los cumulates...9. Señales e el Domiio de la frecuecia..... Trasformada Discreta de Fourier..... Poliespectros Desidad Espectral de Potecia Biespectro Métodos de Estimació de los poliespectros Métodos de Estimació No Paramétrica de la Desidad Espectral de Potecia Periodograma Periodograma Modificado Método de Welch Métodos de Estimació No Paramétrica del Biespectro Codicioes de Simetría Biperiodograma Biperiodograma Modificado Método de Welch Biespectro Modificado i
5 Capítulo 3: Herramieta de Software Aalizador Espectral. 3. Descripció Especificacioes geerales del Aalizador Espectral Modelo : Aalizador Espectral implemetado e Matlab Desarrollo del software Características fucioales Requerimietos de istalació Coclusioes para este modelo Modelo : Aalizador Espectral implemetado e Visual C para IBM PC o compatible Desarrollo del software Características fucioales Requerimietos de istalació Coclusioes para este modelo Modelo 3: Aalizador Espectral implemetado e Visual C para DSP TMS30C Desarrollo del software Modelo del Protocolo de Comuicacioes Maejo de Memoria Características fucioales Requerimietos de istalació Coclusioes para este modelo Comparativos etre plataformas, basados e el Aalizador Espectral...58 Capítulo 4: Comparativo de características etre plataformas PC y DSP. 4. Hardware especializado Paralelismo U puto de vista de programació Otras formas de Paralelismo Arquitectura de memoria Orgaizació de la memoria Maejo eficiete de la memoria Maejo de flujos de Etrada-Salida Lazos de sobrecarga cero Costo Otras opcioes para sistemas embedded Cosideracioes e el diseño de u comparativo...66 ii
6 Capítulo 5: Resultados de los comparativos realizados. 5. Diseño y cosideracioes del comparativo Comparativo PC, DSP y DSP IDRAM para FFT Comparativo PC, DSP y DSP IDRAM para FFT Comparativo PC, DSP y DSP IDRAM para Cumulates de do Orde Comparativo PC, DSP para Cumulates de 3do Orde Comparativo fial de aplicació del Aalizador Espectral etre PC y DSP Coclusioes...8 Capítulo 6: Caso de aplicació: Detecció de fallas e u motor de iducció trifásico. 6. Detecció de fallas e u motor de iducció trifásico Descripció de la técica de moitoreo de fases Operació ormal del motor trifásico Codició de Referecia Codició de Referecia si carga Codició de Referecia para carga de 776 N-m Fallas Eléctricas Desbalace de tesió etre fases Falla Mecáica Rotor Bloqueado Coclusioes...99 Capítulo 7: Aportacioes del proyecto y trabajos futuros. 7. Aportacioes Trabajos futuros...0 Capítulo 8: Coclusioes. Coclusioes...0 Referecias Aeo : Características de las plataformas PC y DSP empleadas... 0 Aeo : Maual del Aalizador Espectral e Matlab Aeo 3: Maual del Aalizador Espectral e Visual C iii
7 Lista de figuras. Figura. Diagrama a bloques del proyecto...9 Figura. Simetría e el domiio del tiempo....9 Figura. Propiedades de simetría de los cumulates...0 Figura.3 Fucioes de vetaa co u ídice de tiempo...7 Figura.4 Simetría del Biespectro e el domiio de la frecuecia...30 Figura.5 Simetría óptima del biespectro...3 Figura.6 Fucioes de vetaa co dos ídices de tiempo...34 Figura.7 Vetaa óptima para el cálculo del Biespectro...34 Figura.8 Comparativo Biespectro cotra Biespectro modificado Figura 3. Aalizador Espectral implemetado e Matlab...40 Figura 3. Maejo de gráficas del Aalizador Espectral e Matlab....4 Figura 3.3 Gráficas de Salida e Visual C Figura 3.4 Gráfica de salida de la PSD e Measuremet Studio para Visual C Figura 3.5 Iterfase de Usuario del Aalizador e Visual C Figura 3.6 Modelo del protocolo de comuicacioes...50 Figura 3.7 Diagrama de flujo del protocolo de comuicacioes desde el puto de vista del DSP TMS30C Figura 3.8 Diagrama de flujo del protocolo de comuicacioes desde el puto de vista de la IBM PC...53 Figura 3.9 Mapa de memoria del DSP TMS30C Figura 3.0 Memoria ecesaria para el Aalizador Espectral e térmios de potecias eteras de Figura 4. Comparativo de ejecució de FFT realizado etre DSP s y el Petium III Berkeley Desig Techology Ic. 00)....6 Figura 4. Arquitectura Vo Neuma Figura 4.3 Arquitectura Harvard Figura 4.4 Comparativo total realizado etre DSP s y el Petium III Berkeley Desig Techology Ic. 004)...67 Figura 5. Iterfase del programa e la PC utilizado e el comparativo Figura 5. Ejemplo de tipos de aálisis y obteció del tiempo de procesamieto...70 Figura 5.3 Evaluació de la latecia de ciclos, mediate iteracioes del proceso....7 Figura 5.4 Comparativo co el algoritmo de FFT efectuado 000 veces...7 Figura 5.5 Comparativo co el algoritmo de FFT efectuado 0 veces...73 Figura 5.6 Comparativo co el algoritmo de FFT efectuado 00 veces...73 Figura 5.7 Comparativo co el algoritmo de FFT efectuado 0,000 veces...74 Figura 5.8 Comparativo co el algoritmo de Cumulates de do Orde C efectuado vez...75 Figura 5.9 Comparativo co el algoritmo de Cumulates de do Orde C efectuado 0 veces Figura 5.0 Comparativo co el algoritmo de Cumulates de do Orde C efectuado 00 veces Figura 5. Comparativo co el algoritmo de Cumulates de 3er Orde C3 efectuado sola vez iv
8 Figura 5. Comparativo co el algoritmo de Cumulates de 3er Orde C3 efectuado 0 veces Figura 5.3 Comparativo co el algoritmo de Cumulates de 3er Orde C3 efectuado 00 veces Figura 5.4 Comparativo del Aalizador Espectral calculado la PSD mediate el método directo Figura 5.5 Comparativo del Aalizador Espectral calculado la PSD mediate el método Idirecto...79 Figura 5.6 Comparativo del Aalizador Espectral calculado el Biespectro mediate el método directo Figura 5.7 Comparativo del Aalizador Espectral calculado el Biespectro mediate el método idirecto...80 Figura 6. Esquema geeral de las pruebas eperimetales Figura 6. Corrietes del motor e operació ormal...85 Figura 6.3 Desidad espectral de potecia de la operació ormal si carga...86 Figura 6.4 Biespectro de la operació ormal si carga Figura 6.5 Codicioes de operació ormal cortes de D del Biespectro y Biespectro Modificado Figura 6.6 PSD para la codició de operació ormal para carga de 776 N-m Figura 6.7 Cortes -D Para la codició de operació ormal para carga de 776 N-m...89 Figura 6.8 Corrietes trifásicas del motor e desbalace de fase...9 Figura 6.9 PSD para la codició de operació ormal para carga de 776 N-m....9 Figura 6.0 Corte -D del biespectro para la codició de desbalace de fase si carga...94 Figura 6. Corte -D del biespectro, codició de desbalace de fase para carga de 776 N- m Figura 6. Corrietes trifásicas para la codició de rotor bloqueado...98 Figura 6.3 Codició de rotor bloqueado...99 v
9 Lista de tablas. Tabla -Cálculo de los mometos y cumulates de 4to orde e térmios de los mometos....8 Tabla 3- Listado de mesajes eviados al DSP...5 Tabla 3- Listado de estados de operació del DSP....5 Tabla 6-Características e tiempo y frecuecia de los vectores de datos...84 Tabla 6- Parámetros eléctricos del motor e operació ormal si carga...84 vi
10 Capítulo : Itroducció. Capítulo Itroducció. El procesamieto digital de señales es ua disciplia que se ocupa del maejo de señales e forma digital, para aalizar, modificar y etraer iformació de señales del sistema. Su objetivo es procesar u cojuto fiito de datos mediate el uso de algoritmos, remover iterferecias o ruidos de las señales que represeta, idetificar sistemas, obteer el espectro de los datos o trasformar la señal e ua forma más adecuada para su aálisis. El procesamieto digital es actualmete utilizado e muchas áreas sustituyedo los métodos aalógicos, y e aplicacioes uevas, dode el uso de técicas aalógicas es muy complejo o prácticamete imposible, proporcioado u desempeño superior, precisió, repetibilidad y fleibilidad. Las áreas de aplicació icluye, procesamieto de imágees, ecualizació y trasmisió de audio e imágees, istrumetació y cotrol, telecomuicacioes, biomedicia, geofísica, acústica, aplicacioes idustriales y militares, etc. Ua de las herramietas fudametales y de gra utilidad e el procesamieto digital de señales, es el Aálisis Espectral, pues provee ua represetació alterativa e el domiio de la frecuecia de la señal origial e el domiio del tiempo. Esto puede realizarse mediate el cálculo de la fució de Desidad Espectral de Potecia Power Spectral Desity, PSD, por sus siglas e iglés), la cual ha permitido la creació de avaces cietíficos y tecológicos como la iveció del radar y el soar [].
11 Capítulo : Itroducció. Otra aproimació para el aálisis espectral, es el uso de las fucioes poliespectrales, éstas so ua etesió de la PSD, que cotiee además de la iformació de amplitud, tambié la iformació de fase del sistema. El poliespectro puede obteerse trasladado al domiio de la frecuecia a las estadísticas de alto orde High Order Statistics, HOS, por sus siglas e iglés) de ua señal. Ejemplos de HOS so los mometos y los cumulates. Casos especiales de los espectros de alto orde so el Biespectro BIS), que por defiició es la trasformada de Fourier de dos dimesioes de las estadísticas de tercer orde, y el Triespectro, el cuál es la trasformada de Fourier de tres dimesioes de las estadísticas de cuarto orde []. El Biespectro provee iformació de la geeració de armóicas producidas por acoplamietos de pares de frecuecias y es más ampliamete usado que el Triespectro. La razó de utilizar el Biespectro sobre el Triespectro radica e que ua represetació gráfica del Triespectro requiere de cuatro dimesioes. Además su estimació demada u esfuerzo computacioal mucho mayor al del cálculo del Biespectro e térmios de requerimietos de memoria y tiempo de procesamieto [3]. El Biespectro es ua herramieta relativamete ueva e el procesamieto de señales y aálisis de secuecias, e campos como la biomedicia, geofísica, telecomuicacioes, procesamieto de señales de voz, ecoomía, etc. Etre las aplicacioes del Biespectro destaca, el filtrado atural de ruido Gaussiao [4]; el estudio de iteraccioes o lieales etre secuecias usado e detecció de periodicidades e idetificació de sistemas [5]. Otro uso comú del Biespectro es la detecció de acoplamietos de fase [5], utilizado e ciertas aplicacioes como aálisis de datos e oceaografía, física de plasma, flujo de fluidos, vibracioes mecáicas, electro-ecefalogramas ECG) [], idetificació de sistemas, filtrado de señales [4], etc. Las herramietas de procesamieto digital, como los espectros de alto orde, so u tópico que ha comezado a ser de iterés e el área de moitoreo, debido a sus iteresates propiedades [6]. Estas herramietas ha sido utilizadas para moitorear codicioes de sistemas relativamete simples, co pocas etesioes de esas técicas a equipos complejos. U ejemplo de este tipo de sistemas es la máquia de iducció, usada e u gra úmero de aplicacioes, debido a su robustez y su diseño relativamete secillo. Las
12 Capítulo : Itroducció. maquias de iducció falla comúmete como resultado de evejecimieto, por ua costrucció pobre, por mala istalació o por el tipo de trabajo que desempeña. Ua falla de la maquiaria repercute e daños e la producció de algú bie o servicio, afectado a los costos de forma directa. La maera optima de preveir esos daños es moitoreado sus codicioes de operació; esto permite ua detecció tempraa de la degradació de la máquia y por lo tato facilita ua respuesta prevetiva, permitiedo programar actividades de mateimieto, miimizado los tiempo de caída y maimizado la productividad. Auque e este campo se ha desarrollado técicas de preveció, tales como el uso de redes euroales artificiales para moitoreo, las cuales ha demostrado éito e la idetificació de las fallas e su etapa iicial, si embargo tiee como u requisito previo de su operació los datos de fallas a priori. Esto impide la operació práctica de tales métodos, porque o es usual teer datos completos de las fallas. Otra forma de lograr estas prediccioes es mediate el modelado co técicas de respuesta al impulso y aálisis de elemetos fiitos prediciedo el comportamieto de la máquia bajo varias codicioes de operació. Auque estas técicas so muy valiosas, so diseñadas para u tipo de máquia específico y requiere de u alto grado de precisió e la descripció de las respuestas a las codicioes de etrada para que su aplicació sea efectiva [6]. La PSD ha sido utilizada históricamete para moitoreo de máquias de iducció, y recietemete se ha usado el Biespectro para detecció y diagostico de codicioes de falla e este tipo de máquias [7]. La iformació procesada es ua señal que puede proveir de u sesor de vibració motado e la carcaza del motor, o puede ser ua señal de corriete de fase. El cambio e la salida y la codició de falla puede ser correlacioadas permitiedo ua idetificació de fallas eplicita. No se requiere datos a priori que describa las codicioes de falla. El método es aplicable a máquias de iducció de corriete altera y geeralmete es ivariable a la carga y la velocidad [6], [7], [8] y [9]. U aspecto importate del uso de estas técicas es la complejidad de las tareas de procesamieto, por lo que estas fucioes se destiaba tradicioalmete a procesadores 3
13 Capítulo : Itroducció. digitales de señales Digital Sigal Processors, DSP s, por sus siglas e iglés). Los DSP s so procesadores especialmete diseñados para presetar u alto desempeño e tareas repetitivas co operacioes matemáticas complejas. Actualmete, co el icremeto e la capacidad y velocidad de procesamieto de los procesadores de propósito geeral, el surgimieto de microcotroladores co características orietadas a tareas DSP, e icluso DSP s híbridos, co módulos fucioales que so tradicioalmete asociados a u microcotrolador, como el maejo de múltiples puertos SPI, IC, CAN, maejo de PWM por hardware, etc.), se hace ecesario determiar cuál es el más adecuado para la realizació de ua tarea especifica.. Plateamieto del problema. De lo epuesto ateriormete se desprede la ecesidad de ua herramieta de aálisis espectral, que calcule las fucioes de PSD y Biespectro, e la plataforma de procesamieto adecuada y al meor costo posible. Auque eiste paquetes de software como Matlab, LabView y LabWidows, que provee fucioes para la trasformada de Fourier o la PSD, comúmete o cueta co las fucioes de estimació de espectros de alto orde. Por ejemplo, e Matlab, es ecesario adquirir herramietas de software adicioales [0]. Además de que el maejo de este tipo de paquetes es complejo, y las fucioes so demasiado geerales, esto requiere de tiempo y esfuerzo por parte del usuario para aplicarlas. Por otro lado, debido a la variedad de aplicacioes del biespectro, se cosidera iecesario, que el usuario de cada disciplia de ivestigació, por ejemplo, u igeiero mecáico o u médico, tega que coocer cómo utilizar las fucioes de u ambiete de programació, para poder obteer provecho de ellas. La dificultad e el maejo de herramietas de aálisis es u factor que limita la efectividad e su aplicació. Es ecesario que la operació de esta herramieta sea amigable, que presete los resultados de forma práctica, que permita almacear y maejar los resultados para su uso posterior. Otro problema a cosiderar, es el tiempo de procesamieto requerido para obteer las fucioes de PSD y BIS. Se debe determiar los requisitos de hardware y software para miimizar el tiempo de procesamieto, justificado o o, el uso de procesadores dedicados 4
14 Capítulo : Itroducció. y de software específico. E este puto es importate realizar evaluacioes de desempeño etre procesadores de uso geeral y de uso especifico. Como se describió ateriormete, el creciete desarrollo e los procesadores, DSP s y microcotroladores obliga a realizar u aálisis ates de escoger la plataforma adecuada para desarrollar u equipo, comprediedo tópicos como la velocidad de procesamieto, arquitectura, maejo de memoria, puertos dispoibles, tipo de programació, madurez de las herramietas de desarrollo dispoibles e el mercado, etc. E la idustria, se prefiere los procesadores que presete u equilibrio e estas características, y que permita desarrollar u equipo e el meor tiempo y co la meor catidad de periféricos eteros posible, esto permite recuperar rápidamete el costo de la iversió iicial. Por último, se busca validar la aplicació e señales proveietes de sistemas reales e iterpretar los resultados del aálisis. U caso práctico lo ecotramos e la detecció de patroes de respuesta al Biespectro relacioados co fallas de aturaleza eléctrica, como el desbalace de tesió e ua de las fases de u sistema eléctrico. Auque tradicioalmete el moitoreo de codicioes de falla se ha realizado mediate señales de vibració, obteidas co piezoeléctricos motados e la carcaza del motor, ua forma práctica y ecoómica es aalizado las variacioes de la corriete de fase.. Objetivos. Desarrollar ua herramieta de procesamieto digital de señales para aplicacioes e señales de sistemas reales. De forma específica se tiee los objetivos siguietes: Programar y validar los algoritmos de PSD y BIS e u DSP. Comparació de tiempos de procesamieto etre ua plataforma de computadora persoal IBM o compatible Persoal Computer) o PC y u DSP. Aplicació de la herramieta de aálisis espectral a señales proveietes de u motor para detecció de fallas. 5
15 Capítulo : Itroducció..3 Atecedetes. E el ceidet se ha realizado proyectos de tesis que usa el Biespectro. E el trabajo [7] se ecuetra e forma detallada la teoría relacioada a las estadísticas de alto orde HOS), e el domiio del tiempo y de la frecuecia, se implemetaro fucioes e Matlab para obteer el Biespectro y la PSD, y se aplicaro a señales de vibració para detecció de fracturas e vigas e catiliver. E [8] se implemetó u sistema de software e plataforma PC desarrollado e Borlad C++ V.4.5, para cotrolar al DSP de Aalog Devices ADSP 00. El sistema es capaz de procesar señales, para estimar frecuecia, fase y amplitud de señales relacioadas co sistemas sujetos a vibració tato e frecuecia costate como e frecuecia variable. E este mismo trabajo se desarrollaro fucioes de despliegue grafico y tabular de la iformació procesada para el posterior aálisis y diagóstico de estos sistemas, tambié se efectuó ua validació eperimetal de los algoritmos..4 Estado del Arte. E los últimos 0 años [] las estadísticas de alto orde particularmete el Biespectro), se ha utilizado e diversos campos sustituyedo a la PSD y haciedo uso de la iformació etra que preseta sobre ésta y sobre la fució de autocorrelació. Se ha hecho aplicacioes e física de plasma, flujo de fluidos, vibracioes mecáicas, biomedicia, procesamieto de datos e sismografía, recostrucció de imágees, estimació de retardos, filtrado adaptativo, etc. []. Se ha empleado co éito para efretar el problema de detectar series de datos o Gaussiaos e el domiio del tiempo e presecia de ruido Gaussiao o o Gaussiao midiedo la relació señal a ruido resultate [4]. E [] se preseta al Biespectro como ua herramieta útil e la recostrucció de señales debido a sus propiedades de preservar la iformació de magitud y fase, y de ser meos sesible al ruido Gaussiao. Se propoe dos efoques para calcular el biespectro solamete detro de la regió pricipal 6
16 Capítulo : Itroducció. del biespectro, dode se cumple estas propiedades, aú para señales de tipo determiístico e presecia de ruido. Co respecto al uso del Biespectro para detecció de fallas e motores de iducció, e el trabajo [6] se describe u método de detecció del tipo y magitud de 3 codicioes de falla de la máquia de iducció, mediate u sesor de vibració. E esta ivestigació se cosidera al motor como u sistema simple e dode u cambio e la etrada alterará la salida e forma predecible. Mediate ua correlació co la codició de falla es posible ua detecció eplicita de las codicioes de falla. Tambié mecioa las técicas actuales de moitoreo de motores de iducció co sus vetajas y desvetajas), como el uso de redes euroales artificiales, respuesta al impulso y aálisis de elemeto fiito. E la ivestigació [7] se aplica dos métodos basados e HOS, el primero, u aálisis o paramétrico de la magitud de las señales de vibració y segudo, el modelado paramétrico lieal o o lieal para detecció de fallas e motores de iducció. E [8] se describe u método de aálisis espectral de la corriete del motor para localizació y detecció de aormalidades mecáicas y eléctricas, que pudiera idicar ua falla e el motor de iducció. Esta técica se basa e el aálisis de la corriete del estator para determiar las frecuecias relacioadas co las codicioes de falla. Se ha aplicado la técica de las corrietes de fase e la detecció de aormalidades eléctricas y mecáicas e motores de iducció [9], mediate el aálisis espectral de la corriete del motor se puede detectar daños e la flecha del motor e máquias de iducció. Este trabajo documeta las pricipales codicioes de falla e motores de iducció y las técicas utilizadas para detecció de fallas. E los últimos años se ha hablado mucho acerca de comparacioes etre plataformas de procesadores de uso geeral Geeral Purpose Processors, GPP s, por sus siglas e iglés) y procesadores dedicados como los procesadores digitales de señales DSP s), si embargo ates de hacer ua comparació es ecesario eteder los avaces recietes e el desarrollo 7
17 Capítulo : Itroducció. de sus respectivas arquitecturas, así como las vetajas y desvetajas que preseta e el desarrollo de u aplicació, las cuales puede ir desde la dispoibilidad de herramietas de desarrollo hasta el costo total del sistema. La documetació de estos aspectos se preseta e [3]. Alterativamete al uso de los DSP s y GPP s, actualmete ha surgido los llamados Procesadores de Propósito Geeral co capacidades DSP y DSP s hibridos, los cuales tiee características de ambas plataformas, e [3] y [4] se puede ecotrar u paorama de estas tecologías. El desempeño de u procesador puede medirse de muchas maeras, la forma más comú es midiedo el tiempo e el que desempeña ua cierta tarea, tambié puede hacerse midiedo el uso de memoria y el cosumo de potecia depediedo de la aplicació, pero geeralmete el factor tiempo es el más utilizado. Eiste varias formas de realizar estos comparativos, e [5] se documeta fudametalmete tres tipos, la métrica simple, por aplicació y mediate segmetos de código kerels). Actualmete, eiste compañías especializadas e desarrollar este tipo de pruebas y comercializar los resultados, alguos ejemplos so Berkeley Desig Techology, Ic. BDTI) y EDN Embedded Microprocessor Bechmark Cosortium EEMBC) [6]..5 Paorama de Ivestigació y Metodología utilizada. El esquema geeral de este proyecto de tesis, cosiste e el desarrollo de ua herramieta de aálisis, que a partir de datos e tiempo discreto, proveietes de u sistema real o de simulacioes, permita aplicar los algoritmos de desidad espectral de potecia y biespectro E el diagrama de la Figura. se muestra el proceso de aplicació esta herramieta a datos e tiempo discreto, para la obteció de los resultados. El uso de la plataforma de hardware adecuada líeas puteadas), ya sea u procesador de uso geeral o u DSP y de ua iterfase gráfica de usuario amigable y versátil, permite u desempeño óptimo y facilita el maejo de los resultados para su iterpretació. 8
18 Capítulo : Itroducció. Datos e Tiempo Discreto Aálisis PSD y BIS PC/DSP Iterfase Gráfica De Usuario. Iterpretació de Resultados Figura. Diagrama a bloques del proyecto. Se realizó ua búsqueda bibliográfica de los algoritmos de estadísticas de alto orde e el domiio del tiempo, específicamete los mometos y cumulates hasta el orde 3 y sus correspodietes represetacioes e la frecuecia llamadas poliespectros, coocidos como la desidad espectral de potecia PSD) y el biespectro BIS) respectivamete. Se realizó ua ivestigació acerca de la plataforma de desarrollo óptima para implemetar la herramieta de software para el procesamieto del Biespectro. Por familiaridad co el ambiete se desigó de forma iicial la programació de los algoritmos e Matlab. La variedad de fucioes ivolucradas, justifica la ecesidad de ecapsular dichas fucioes e ua Iterfase Gráfica de Usuario Graphics User Iterface, GUI, por sus siglas e iglés) que facilite el aálisis de datos y el maejo de los resultados. Esta primera versió del programa se deomió Aalizador Espectral. Alguos aspectos tales del Aalizador Espectral realizado e Matlab como el tiempo de respuesta e la obteció del Biespectro, justificaro la ecesidad de llevar el código al leguaje C compatible co el estádar ANSI. Posteriormete se implemetó el Aalizador Espectral e el DSP TMS30C670 de Teas Istrumets. 9
19 Capítulo : Itroducció. Co objeto de validar el Aalizador Espectral co señales reales, se realizaro pruebas de detecció de fallas e u motor de iducció de jaula de ardilla de polos, co alimetació trifásica, dode se idetificaro ciertos patroes relacioados co fallas eléctricas. Fialmete se realizaro comparacioes de desempeño ó bechmarks para las aplicacioes de Aalizador Espectral basadas e PC y DSP..6 Estructuració de la tesis E el capítulo se preseta el marco teórico, se itroduce los coceptos de estadísticas de alto orde e el domiio del tiempo, específicamete los mometos y cumulates hasta el orde 3 y sus correspodietes represetacioes e la frecuecia llamadas poliespectros, coocidos como la desidad espectral de potecia PSD) y el biespectro BIS) respectivamete. Esto co el fi de familiarizar al lector co los métodos de estimació eistetes, y setar las bases de los algoritmos utilizados e la programació. E el capítulo 3 se preseta las justificacioes de desarrollar ua herramieta de software co ua iterfase gráfica de usuario, así como las especificacioes del Aalizador Espectral. Además, se preseta las tres versioes del Aalizador Espectral, el primer modelo se realizó para su uso e Matlab, el segudo modelo del Aalizador Espectral fue desarrollado e Visual C para ua IBM PC o compatible y fialmete el tercer modelo del Aalizador Espectral, que se ejecuta e el procesador digital de señales DSP TMS30C670 de Teas Istrumets. Se mecioa los putos pricipales del desarrollo de software y los requisitos míimos para su uso y fialmete las coclusioes acerca de cada modelo. E este capítulo se preseta u protocolo de comuicacioes propietario etre ua computadora persoal y el DSP TMS30C670, el cual puede aplicarse de ua forma geeral para comuicar dos procesadores mediate baderas y semáforos. E el capítulo 4 se realiza u comparativo teórico de características etre plataformas de procesadores PC y DSP. Este capítulo permite justificar los resultados de desempeño 0
20 Capítulo : Itroducció. obteidos si ecesidad de realizar cálculos complejos de ciclos de máquia y tiempos de procesamieto. E el capítulo 5 se documeta el comparativo práctico etre las plataformas PC y DSP. Se resume los resultados de las diversas pruebas realizadas. E estas pruebas se emplearo seccioes de código fudametales para la obteció del Biespectro y la PSD, como so la Trasformada Rápida de Fourier y los espectros de alto orde. Tambié se preseta resultados de desempeño de los tres modelos del Aalizador Espectral. E el capítulo 6 se documeta la técica de moitoreo de señales de las corrietes de fase, que se empleó para la idetificació de patroes relacioados co fallas eléctricas e u motor de iducció trifásico. Se preseta los resultados obteidos para la PSD y el Biespectro. E el capítulo 7 se putualiza las aportacioes y las recomedacioes para futuros trabajos relacioados al tema. Fialmete e el capítulo 8 se establece las coclusioes del proyecto para cada uo de los objetivos propuestos. Adicioalmete se icluye los siguietes aeos: Aeo. Características de las plataformas PC y DSP empleadas. Aeo. Maual del Aalizador Espectral V.6. implemetado e Matlab. Aeo 3. Maual del Aalizador Espectral V..0. implemetado e Visual C para IBM PC y DSP TMS30C670.
21 Capítulo : Marco Teórico Capítulo Marco Teórico. Ua caracterizació estadística completa de ua variable o proceso aleatorio requiere que sea posible determiar la probabilidad de cualquier eveto defiido detro de su espacio muestra. Si embargo, o siempre es ecesario realizar ua caracterizació completa, si se puede coocer el comportamieto promedio del proceso aleatorio. El empleo de las estadísticas de alto orde HOS) hace posible caracterizar sistemas o procesos, e los cuales las estadísticas covecioales o tiee éito, como e sistemas sujetos a ruido de tipo Gaussiao o e aálisis de feómeos sociales, como el desempleo o aturales como las migracioes [9]. E este capítulo se preseta alguos coceptos básicos, si preteder profudizar e la teoría de HOS; e [8] se puede ecotrar coceptos de series de datos e el domiio del tiempo y de probabilidad aplicada a procesos aleatorios discretos; e [] y [3] se preseta las defiicioes de mometos y cumulates e térmios de la fució característica, e [] se ecuetra ua descripció de las estadísticas de alto orde e térmios de la fució geeradora de mometos y cumulates. El objetivo pricipal de esta secció es fudametar de forma práctica los coceptos que se emplea e el desarrollo de los algoritmos de aálisis de este proyecto, por tato se efoca pricipalmete a secuecias de datos e el tiempo discreto a meos que se especifique lo cotrario.
22 Capítulo : Marco Teórico. Señales e el domiio del tiempo. Sea la variable aleatoria discreta ) ua secuecia de datos de u proceso aleatorio. A cotiuació se defie las estadísticas de alto orde para ).. Mometos. El valor esperado o promedio estadístico deotado E []. de la variable discreta ) se defie como: [ ] E [ X ] = ) P ).) Dode P[)] es la fució de probabilidad discreta de ). Al promedio estadístico de ) se le llama mometo de primer orde de ) o media estadística. Eiste mometos de orde superior, los cuales so útiles para determiar otras relacioes estadísticas, tales como la correlació y la variaza. Se defie el mometo k-ésimo de ) deotado m k, k, como el valor esperado de ) ; es decir: [ ] k k, E[ ) ] = ) P mk = ).) Cuado más de ua variable aleatoria está ivolucrada e u proceso, el mometo se calcula sobre todo el cojuto de variables. Por ejemplo: Para dos variables aleatorias,, el mometo cojuto dode la suma k +k es el orde del mometo) se defie: k k mk, k = E[ ) )].3) E u proceso aleatorio estacioario {)}, para = 0,,, 3, N-. El mometo de orde k de u proceso puede defiirse, como el mometo cojuto de orde k de las variables 3
23 Capítulo : Marco Teórico aleatorias discretas { ), + ), + ),... + k )}, dode 0,,.. k so los desplazamietos de tiempo discreto a partir de. Esto es: m k, 0 k = + k,,.. ) E[ ), + ), + ),... )].4) E sistemas estacioarios de tipo ergódico las estadísticas de varias salidas e u istate fijo de tiempo, so iguales a las obteidas de ua sola realizació e distitos istates de tiempo. De esta forma las variables aleatorias {,... }, se asocia a desplazamietos e el tiempo ), ), + ),... + )}, co fija e el proceso aleatorio ), por { + k ejemplo: = ), = + ),... Si se supoe que el proceso es estacioario, el mometo de orde k será fució solamete de los k- desplazamietos. Los mometos hasta orde 4 del proceso aleatorio {)} so: m m m m,, 3, 4, ) = E[ )] ) = E[ ) + )], ) = E[ ) + ) + )],, ) = E[ ) + ) + ) + )] 3 3.5).. Cumulates. Sea las coleccioes X = {,... } y V { v v,... }, =, dode X es ua colecció de variables aleatorias. Los cumulates de orde de estas variables so defiidos como los coeficietes{ v, v,... v } e la epasió por Series de Taylor de la fució geeradora de cumulates []: K v) = l E{ep jv' )}..6), v El térmio cumulate se refiere a mometos acumulados; eiste ua estrecha relació etre mometos y cumulates, tato es así, que e procesos de media cero los cumulates y 4
24 Capítulo : Marco Teórico 5 mometos so iguales, esto se cumple hasta orde 3, y e geeral se puede defiir a los cumulates e térmios de los mometos. Los primeros cumulates hasta orde 4, para la variable aleatoria so: ] [ 3 ] [ ] [ 4 ] [ ] [ ] [ 6 ] [ ] [ ] [ 3 ] [ ] [ ] [ ] [ ] [ E E E E E E E c E E E E c E E c E c + = + = = =.7) Se debe difereciar etre el cumulate de u cojuto de variables aleatorias vectores) y el cumulate de ua variable de u proceso. El cumulate cojuto de orde k de k variables aleatorias puede calcularse a partir de los mometos cojutos. Por ejemplo, para las variables y el cumulate cojuto de segudo orde es: ] [ ] [ ] [ E E E c =.8) Sea {)} u proceso aleatorio estacioario, para = 0,,, 3, N-. El cumulate de orde k del proceso puede defiirse como el cumulate cojuto de orde k de las variables aleatorias discretas )} ),... ), ), { k, dode 0,.., k so los desplazamietos de tiempo discreto a partir de. Esto es: )] ),... ), ), [ ),.., 0, = k k k cum c.9) A cotiuació se muestra los cumulates hasta orde 4 del proceso aleatorio: )] [ )] [ )] [ )] [ )] ) [ )] [ )] ) [ )] [ )] ) [ )] ) ) [ ), )] [ )] [ )] ) [ ) )] [ ) 3,,, = + + = = E E E E E E E E E E c E E E c E c
25 Capítulo : Marco Teórico 6 )] [ )] [ )] [ )] [ 6 )] ) [ )] [ )] [ )] ) [ )] [ )] [ )], ) [ )] [ )] [ )] ) [ )] [ )] [ )] ) [ )] [ )] [ )], ) [ )] [ )] [ )] ) [ )] ) [ )] ) [ )] ) [ )], ) [ )] ) [ )] ) ) [ )] [ )] ) ) [ )] [ )] ) ) [ )] [ )] ) ) [ )] [ )] ) ) ) [ ),, , = E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E E c.0)..3 Relació etre Mometos y Cumulates. Los cumulates so fució de los mometos, y es posible obteerse uos a partir de los otros. Sea { } X,..., = ua colecció de variables aleatorias y { } I X,..., = el cojuto de ídices de los compoetes de X. Si X I I, etoces I es el subvector de X co ídices perteecietes a I []. Sea la partició de I e ua colecció o ordeada de cojutos o vacíos, o itersectates, deotada I p, tal que todos los subcojutos I p forme el cojuto I. Se deota al mometo y al cumulate de I como ) I m y ) I c respectivamete. El mometo de I se defie como el valor esperado de los elemetos de los subcojutos formados, es decir, [ ] I E I m = ). Las relacioes etre mometos y cumulates se puede resumir e fórmulas. Los cumulates se relacioa co los mometos mediate la fórmula mometo a cumulate []: = = = = I I U q p p q p q p I m q I c ) )! ) ).) dode: = = I I U p q p = Sumatoria de todas las particioes de I. q = Número de subcojutos del vector X. p = Ídice de los subcojutos del vector X.
26 Capítulo : Marco Teórico.) m q p=.) = Mometo de orde. = Producto de los elemetos desde p a q. Por otro lado, se puede obteer el mometo a partir de los cumulates mediate la epresió fórmula cumulate a mometo) []: dode: q U = I p = I m I ) = q q U = = = I p I p p c I ) p = Sumatoria de todas las particioes de I. q p c.) = Número de subcojutos del vector X. = Ídice de los subcojutos del vector X. = Cumulate de orde. p.) q p=.) = Producto de los elemetos desde p a q. E la Tabla - se muestra el uso de las relacioes ateriores para I = {,,3,4}. El sigificado práctico de los mometos de ua variable aleatoria depede del orde del mometo. Por ejemplo, el mometo de primer orde represeta la media del proceso; el mometo de segudo orde es coocido tambié como la variaza de los datos, mietras que la raíz cuadrada de la variaza es la desviació estádar. Además, el mometo de tercer orde de la variable aleatoria llamado skewess, da ua medida de la asimetría alrededor de la media, es decir que para ua distribució simétrica es igual a cero [3]. Por otro lado los cumulates o cueta co ua iterpretació ta práctica, si embargo, preseta propiedades estadísticas más robustas que los mometos, por lo que se utiliza más comumete para el cálculo de estadísticas de alto orde. 7
27 Capítulo : Marco Teórico Tabla -Cálculo de los mometos y cumulates de 4to orde e térmios de los mometos. q q I I I 3 I 4 Q q c I) = ) q )! m I ) m I) = c I ) p q U = = = I p I p p q U = = = I p I p p E[ ] E[ ] E[ 3 ] E[ 4 ] c[ ] c[ ] c[ 3 ] c[ 4 ], E[ ]E[ 3 ]E[ 4 ] c[ ]c[ 3 ]c[ 4 ],3 4 3 E[ 3 ]E[ ]E[ 4 ] c[ 3 ]c[ ]c[ 4 ],4 3 3 E[ 4 ]E[ ]E[ 3 ] c[ 4 ]c[ ]c[ 3 ],3 4 3 E[ 3 ]E[ ]E[ 4 ] c[ 3 ]c[ ]c[ 4 ],4 3 3 E[ 4 ]E[ ]E[ 3 ] c[ 4 ]c[ ]c[ 3 ] 3,4 3 E[ 3 4 ]E[ ]E[ ] c[ 3 4 ]c[ ]c[ ], 3,4 -E[ ]E[ 3 4 ] c[ ]c[ 3 4 ],3,4 -E[ 3 ]E[ 4 ] c[ 3 ]c[ 4 ],4,3 -E[ 4 ]E[ 3 ] c[ 4 ]c[ 3 ],,3 4 -E[ 3 ]E[ 4 ] c[ 3 ]c[ 4 ],,4 3 -E[ 4 ]E[ 3 ] c[ 4 ]c[ 3 ],3,4 -E[ 3 4 ]E[ ] c[ 3 4 ]c[ ],3,4 -E[ 3 4 ]E[ ] c[ 3 4 ]c[ ],,3,4 E[ 3 4 ] c[ 3 4 ] Cum[ 3 4 ] E[ 3 4 ] p..4 Uso de cumulates e lugar de mometos. A cotiuació se resume alguas de las propiedades importates de los cumulates [] y [8]: Los cumulates so comutativos e sus argumetos, es decir, que el cumulate de ua serie de datos es igual al cumulate de las distitas permutacioes de los datos: c 0,,.. k ) = ck, k, 0,.. ).3) k, Los cumulates so asociativos e la suma de sus argumetos: Para ua costate a, se tiee: c y,,.. ) = c,,.. ) c y,,.. ).4) k, 0 + k k, 0 k + k, k c a,,.. ) c,,.. ).5) k, 0 + k = k, 0 k Si u subcojuto de variables aleatorias so idepedietes de los demás elemetos del cojuto de tamaño k, etoces: 8
28 Capítulo : Marco Teórico c,,.. ) 0.6) k, 0 k =..5 Codicioes de simetría de los cumulates. Adicioalmete, los cumulates cueta co propiedades de simetría que facilita su obteció de tal maera que solamete es ecesario calcular el cumulate e ua regió determiada para coocer todo su comportamieto, a esta regió se le llama domiio de soporte. Esta propiedad permite dismiuir la catidad de operacioes ecesarias para calcular el cumulate. El domiio de soporte del cumulate de tercer orde c, ) está determiado por la regió delimitada e la Figura.. 3, IV III V II VI I Domiio de Soporte de Cumulates de orde 3. Figura. Simetría e el domiio del tiempo. La parte sombreada e el primer cuadrate represeta la regió pricipal. Para sistemas estacioarios, coociedo el cumulate e esta secció e geeral e cualquiera de las regioes I a VI) puede obteerse el valor completo de la matriz de cumulate de tercer orde. Esto se justifica debido a que el cumulate de tercer orde está relacioado co los mometos de tercer orde y éstos últimos tiee las propiedades de simetría siguietes aálogas a las propiedades de simetría de la autocorrelació): 9
29 Capítulo : Marco Teórico 0 ), ), ), ), ), ), = = = = = m m m m m m ), ), ), ), ), ), 3, 3, 3, 3, 3, 3, = = = = = c c c c c c.7) E muchos casos de aálisis se cosidera vectores de datos causales, es decir que iicia e t = 0; por este motivo, todos los cálculos se efectúa sobre el primer cuadrate. Si embargo, cosiderado las propiedades de simetría, basta co calcular la regió I para el cumulate de tercer orde, para obteer ua represetació completa del mismo. La Figura. preseta la secció o redudate del cumulate de ua secuecia de datos comparada co la matriz de cumulates obteido de forma completa. El uso de la simetría e cálculo del cumulate dismiuye el tiempo de procesamieto e el cálculo del cumulate. Figura. Propiedades de simetría de los cumulates.
30 Capítulo : Marco Teórico. Señales e el Domiio de la frecuecia... Trasformada Discreta de Fourier. El espectro de ua señal represeta las características de su comportamieto e el domiio de la frecuecia, esto es útil para el aálisis de señales y sistemas. Las propiedades espectrales está coteidas e la trasformada de Fourier de la señal. Dada ua señal e tiempo discreto T ), la Trasformada Discreta de Fourier DFT; X k) de T ) está defiida por [0]: N ) = X k = 0 T ) e k jπ N para k = 0,,,... N..8) Si embargo, e señales y procesos aleatorios, ua trasformació directa de la señal o siempre es adecuada y e alguos casos podría o eistir, por ese motivo se busca obteer ua represetació espectral de la potecia de la señal... Poliespectros. Ua represetació espectral de u proceso puede obteerse a partir de la trasformada de Fourier de fucioes e el domiio del tiempo. E el caso de los mometos y cumulates, de forma geeral se prefiere a los cumulates, por las razoes ya epuestas. Si embargo, e alguos casos particulares, por ejemplo, e datos co media cero = 0 ), el uso de los mometos simplifica el cálculo de los poliespectros. Los casos particulares de orde y 3 de los poliespectros so abordados e este trabajo. Si el cumulate eiste, el Poliespectro de orde - es defiido como la trasformada de Fourier de dimesió -) de los cumulates de orde y se deota como []: k i i C k... c,,... ) ep j π.9) i= N, k... k ) = = =
31 Capítulo : Marco Teórico..3 Desidad Espectral de Potecia. Para =, se observa que la trasformada de Fourier del cumulate de orde, es igual a la fució de desidad espectral PSD). k C ) ep jπ ).0) N k) = c, = E ua señal periódica determiística, el espectro de potecia represeta la descomposició armóica de la eergía total, cocetrada sobre la logitud del período. Esto se represeta mediate la PSD e tiempo discreto. Si la fució es determiística y o periódica, la PSD represeta la descomposició de la distribució de la desidad de potecia sobre u rago cotiuo de frecuecias [3]. La desidad espectral de potecia es ua trasformació lieal y es ua fució del ídice de frecuecia. E térmios de igeiería represeta la distribució de la potecia de la señal e las diferetes frecuecias que la compoe...4 Biespectro. Etediedo la defiició de Poliespectros a sistemas de tercer orde, = 3, se obtiee el Biespectro, el cual se represeta como: k + k ) C k, k) = c3,, )ep jπ.) = = N Debe otarse que la fució BIS es ua fució compleja de dos ídices de frecuecia, que represeta los acoplamietos armóicos de pares de frecuecias.la diferecia pricipal etre la PSD y el Biespectro cosiste e que, mietras la primera represeta la distribució de la potecia de la señal sobre u rago de frecuecias, la última solamete represeta la distribució de potecia sobre los pares de frecuecia dode ocurra ua iteracció etre ellos[3].
32 Capítulo : Marco Teórico..5 Métodos de Estimació de los poliespectros. E la práctica, es ecesario estimar el poliespectro a partir de u cojuto fiito de datos. Eiste dos efoques que se usa para el cálculo, al primero se le llama covecioal ó de Fourier, mietras que el otro efoque se basa e modelos ARMA autoregresivos y de promedios móviles) tambié llamado parámetrico []. E esta tesis se implemeta los métodos o parámetricos tato para la obteció de la PSD como del biespectro..3 Métodos de Estimació No Paramétrica de la Desidad Espectral de Potecia. La Fució de Desidad Espectral de Potecia PSD) represeta la distribució de potecia de las armóicas de la señal. Es importate mecioar que el espectro obteido mediate la PSD o matiee la iformació de la fase y o puede detectar acoplamietos armóicos etre frecuecias. Estas características so limitates e el aálisis de sistemas o lieales o aquellos e los que se requiera la iformació de fase. El método o paramétrico de estimació de la PSD se divide e Directo e Idirecto []. Método Directo La desidad espectral de potecia PSD de T), puede defiirse e térmios de su trasformada de Fourier deotada X k), como: Dode []. [ X k) X )] * k P k) = E.) E es el valor estadístico esperado, o promedio de, y X * k ) es el complejo cojugado de X k). E señales discretas se debe obteer el valor promedio para reducir los efectos del tamaño del bloque de muestras. 3
33 Capítulo : Marco Teórico Metodo Idirecto. a) Cálculo a partir de Cumulates. La PSD se obtiee mediate la trasformada de Fourier del cumulate de segudo orde, coocido como fució de covariaza.0). A esta epresió se le cooce como la fórmula de Wieer-Kichie []. k PSD ) ep jπ ).3) N k) = c, = b) Cálculo a partir de Mometos. E sistemas co media cero los cumulates y los mometos de orde so idéticos, esto es fácilmete comprobable e.0). De esta forma, es más fácil obteer la PSD mediate el cálculo del mometo de segudo orde de la señal discreta sustrayédole la media. Redefiiedo.0), teemos: k PSD k) = E[ t) t + )]ep jπ ).4) = N.3. Periodograma. A la estimació del espectro de ua secuecia fiita ) de N datos se le deomia Periodograma, esto es equivalete a obteer el espectro de ua señal muestreada, multiplicada co ua vetaa rectagular de logitud N. Estrictamete hablado, [] y [] se refiere al cálculo del espectro mediate el método directo FFT) como Periodograma, si embargo, el efoque maejado e este documeto será aplicar este térmio tambié al método idirecto [3]. 4
34 Capítulo : Marco Teórico Para el método Directo el periodograma se defie como: [ X k) X )] * k PSD k) = E Método Directo)..5) w w Dode la trasformada de Fourier de la secuecia ) modificada mediate la vetaa rectagular se defie como: X w k) = N = 0 T ) w T ) e k j π N.6) Para el método Idirecto el periodograma se defie como: PSD k) N = = 0 c k ) w )ep jπ N.7), ) Dode el cumulate de segudo orde del proceso ) está determiado por.8)..3. Periodograma Modificado. Al uso de ua vetaa diferete a la vetaa rectagular w) = ) co el fi de producir ua estimació cosistete del espectro de potecia, suavizado el periodograma por medio de ua fució de poderació, se le llama periodograma modificado [], [] y []. Además de proveer ua estimació cosistete del espectro, el efecto producido co el uso de la vetaa es reducir la variaza de la PSD y producir ua represetació espectral suave, resaltado los verdaderos valores de frecuecia dode la potecia es máima. Si embargo, tambié tiee efectos ideseables, pues icremeta la desviació del espectro calculado co respecto del verdadero espectro de potecia, además de reducir la resolució espectral, debido al efecto suavizate. Para compesar los cambios de magitud producidos por el uso de la vetaa e el método Directo, se utiliza ua costate de ormalizació U, que depede de la vetaa seleccioada [0] y que se puede calcular mediate: 5
Capítulo 2. Operadores
Capítulo 2 Operadores 21 Operadores lieales 22 Fucioes propias y valores propios 23 Operadores hermitiaos 231 Delta de Kroecker 24 Notació de Dirac 25 Operador Adjuto 2 Operadores E la mecáica cuática
Más detallesMedidas de Tendencia Central
EYP14 Estadística para Costrucció Civil 1 Medidas de Tedecia Cetral La Media La media (o promedio) de ua muestra x 1, x,, x de tamaño de ua variable o característica x, se defie como la suma de todos los
Más detallesSolución del examen de Investigación Operativa de Sistemas de septiembre de 2004
Solució del eame de Ivestigació Operativa de Sistemas de septiembre de 4 Problema (,5 putos: Ua marca de cereales para el desayuo icluye u muñeco de regalo e cada caja de cereales. Hay tres tipos distitos
Más detalles5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO 00. Lecció. Fucioes y derivada. 5. Aproimació de fucioes: poliomios de Taylor y teorema de Taylor. Alguas veces podemos aproimar fucioes complicadas mediate otras
Más detallesSeñales y sistemas discretos (1) Transformada Z. Definiciones
Trasformada Z La trasformada Z es u método para tratar fucioes discretas e el tiempo El papel de la trasformada Z e sistemas discretos e el tiempo es similar al de la trasformada de Laplace e sistemas
Más detallesTransformada Z. Transformada Z. Señales y sistemas discretos (1) Señales y sistemas discretos (2)
Trasformada Z La trasformada Z es u método tratar fucioes discretas e el tiempo El papel de la trasformada Z e sistemas discretos e el tiempo es similar al de la trasformada de Laplace e sistemas cotiuos
Más detallesESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.
ESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Juliá de la Horra Departameto de Matemáticas U.A.M. 1 Itroducció Cuado estamos iteresados e estudiar algua característica de ua població (peso, logitud de las hojas,
Más detalles1 Sucesiones. Ejemplos. a n = n a n = n! a n = n n. a n = p n. a n = 2n3 + n 2 + 5 n 2 + 8. a n = ln(n)
1 Sucesioes De ició. Ua sucesió, a, es ua fució que tiee como domiio el cojuto de los úmeros aturales y como cotradomiio el cojuto de los úmeros reales: a : N! R. Se usa la siguiete otació: a () = a :
Más detallesTEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA. En los problemas de Programación Lineal nos encontraremos con:
TEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA.- Itroducció E los problemas de Programació Lieal os ecotraremos co: - Fució Objetivo: es la meta que se quiere alcazar, y que será la fució a
Más detallesBINOMIO DE NEWTON página 171 BINOMIO DE NEWTON
págia 171 Los productos otables tiee la fialidad de obteer el resultado de ciertas multiplicacioes si hacer dichas multiplicacioes. Por ejemplo, cuado se desea multiplicar los biomios cojugados siguietes:
Más detallesANEXO I ANEXO I CONCEPTOS SÍSMICOS BÁSICOS
AEXO I COCEPTOS SÍSMICOS BÁSICOS E este aeo se compila alguos de los coceptos sísmicos básicos pero ecesarios. Se itroduce los tipos de movimietos vibratorios, así como su descripció y otació matemática.
Más detallesAnálisis en el Dominio de la Frecuencia. Análisis en el Dominio de la Frecuencia. Sistemas de Control. Análisis en el Dominio de la Frecuencia
Aálisis e el Domiio de la Frecuecia Sistemas de Cotrol El desempeño se mide por características e el domiio del tiempo Respuesta e el tiempo es díficil de determiar aalíticamete, sobretodo e sistemas de
Más detalles2. LEYES FINANCIERAS.
TEMA 1: CONCEPTOS PREVIOS 1. INTRODUCCIÓN. Se va a aalizar los itercambios fiacieros cosiderado u ambiete de certidumbre. El itercambio fiaciero supoe que u agete etrega a otro u capital (o capitales),
Más detallesMidiendo el Desempeño
Midiedo el Desempeño Prof. Mariela J. Curiel H. Midiedo el Desempeño Qué variables se desea medir Cuáles so las herramietas dispoibles Qué tecicas se utiliza para calcular los parámetros de etrada de u
Más detalles1.1. Campos Vectoriales.
1.1. Campos Vectoriales. Las fucioes, ampliamete empleadas e la igeiería, para modelar matemáticamete y caracterizar magitudes físicas, y cuyo domiio podría ser multidimesioal, puede teer u rago uidimesioal
Más detallesDISTRIBUCION DE FRECUENCIA (DATOS AGRUPADOS)
Los valores icluidos e u grupo de datos usualmete varía e magitud; alguos de ellos so pequeños y otros so grades. U promedio es u valor simple, el cual es cosiderado como el valor más represetativo o típico
Más detallesUNIDAD 8 MODELO DE ASIGNACIÓN. características de asignación. método húngaro o de matriz reducida.
UNIDAD 8 MODELO DE ASIGNACIÓN características de asigació. método húgaro o de matriz reducida. Ivestigació de operacioes Itroducció U caso particular del modelo de trasporte es el modelo de asigació,
Más detallesEstimación puntual y por intervalos de confianza
Ídice 6 Estimació putual y por itervalos de cofiaza 6.1 6.1 Itroducció.......................................... 6.1 6. Estimador........................................... 6. 6.3 Método de costrucció
Más detallesGUÍA DE ESTUDIO ÁLGEBRA LINEAL
GUÍ DE ESUDIO ÁLGER LINEL ema 3. rasformacioes Lieales. QUÉ ES UN RNSFORMCIÓN? E térmios geerales, ua trasformació es ua fució que permite trasformar u vector que perteece a u espacio vectorial (domiio)
Más detallesCRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS
CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS Curso Preparació y Evaluació Social de Proyectos Sistema Nacioal de Iversioes Divisió de Evaluació Social de Iversioes MINISTERIO DE DESARROLLO SOCIAL
Más detallesAnálisis en el Dominio del Tiempo para Sistemas Discretos
OpeStax-CNX module: m12830 1 Aálisis e el Domiio del Tiempo para Sistemas Discretos Do Johso Traslated By: Erika Jackso Fara Meza Based o Discrete-Time Systems i the Time-Domai by Do Johso This work is
Más detallesREVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL
375 REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL 376 Revisió de alguos idicadores para medir desigualdad Medidas de Desigualdad Para medir el grado de desigualdad e la
Más detallesTema 6. Sucesiones y Series. Teorema de Taylor
Nota: Las siguietes líeas so u resume de las cuestioes que se ha tratado e clase sobre este tema. El desarrollo de todos los tópicos tratados está recogido e la bibliografía recomedada e la Programació
Más detallesGradiente, divergencia y rotacional
Lecció 2 Gradiete, divergecia y rotacioal 2.1. Gradiete de u campo escalar Campos escalares. U campo escalar e R es ua fució f : Ω R, dode Ω es u subcojuto de R. Usualmete Ω será u cojuto abierto. Para
Más detallesCapítulo I. La importancia del factor de potencia en las redes. eléctricas
La importacia del factor de potecia e las redes eléctricas. Itroducció Las fuetes de alimetació o geeradores de voltaje so las ecargadas de sumiistrar eergía e las redes eléctricas. Estas so de suma importacia,
Más detallesAnálisis de datos en los estudios epidemiológicos II
Aálisis de datos e los estudios epidemiológicos II Itroducció E este capitulo cotiuamos el aálisis de los estudios epidemiológicos cetrádoos e las medidas de tedecia cetral, posició y dispersió, ídices
Más detallesAnálisis de Señales y Sistemas Digitales. Concepto Algoritmo Implementación
Aálisis de Señales y Sistemas Digitales FFT Cocepto Algoritmo Implemetació 2010 FFT Trasformada Rápida de Fourier Cocepto La trasformada rápida de fourier (FFT) es u algoritmo que permite él cálculo eficiete
Más detallesTema 9 Teoría de la formación de carteras
Parte III Decisioes fiacieras y mercado de capitales Tema 9 Teoría de la formació de carteras 9.1 El problema de la selecció de carteras. 9. Redimieto y riesgo de ua cartera. 9.3 El modelo de la media-variaza.
Más detalles7.2. Métodos para encontrar estimadores
Capítulo 7 Estimació putual 7.1. Itroducció Defiició 7.1.1 U estimador putual es cualquier fució W (X 1,, X ) de la muestra. Es decir, cualquier estadística es ua estimador putual. Se debe teer clara la
Más detallesTransformaciones Lineales
Trasformacioes Lieales 1 Trasformacioes Lieales Las trasformacioes lieales iterviee e muchas situacioes e Matemáticas y so alguas de las fucioes más importates. E Geometría modela las simetrías de u objeto,
Más detallesEstimación puntual y por Intervalos de Confianza
Capítulo 7 Estimació putual y por Itervalos de Cofiaza 7.1. Itroducció Cosideremos ua v.a X co distribució F θ co θ descoocido. E este tema vemos cómo dar ua estimació putual para el parámetro θ y cómo
Más detallesANEXO F CRITERIOS DE EVALUACIÓN ECONÓMICA DE LAS OPCIONES DE PML TÉCNICAMENTE VIABLES
ANEXO F CRITERIOS DE EVALUACIÓN ECONÓMICA DE LAS OPCIONES DE PML TÉCNICAMENTE VIABLES Las medidas de PML a ser implemetadas, se recomieda e base a las opcioes de PML calificadas como ecoómicamete factibles.
Más detallesDada una secuencia g[n] se define su transformada Z (TZ) directa G(z), como. La relación entre la secuencia y su transformada se denota por:
Tema 4. Trasformada Z. La trasformada Z para sistemas discretos desempeña u papel aálogo a la trasformada de Laplace para sistemas cotiuos. os va a permitir represetar la relació etrada salida de u sistema
Más detallesASIGNATURA: MATEMATICAS FINANCIERAS
APUNTES DOCENTES ASIGNATURA: MATEMATICAS FINANCIERAS PROFESORES: MARIN JAIMES CARLOS JAVIER SARMIENTO LUIS JAIME UNIDAD 3: EVALUACIÓN ECONÓMICA DE PROYECTOS DE INVERSIÓN EL VALOR PRESENTE NETO VPN Es ua
Más detallesProgramación Entera (PE)
Programació Etera (PE) E geeral, so problemas de programació lieal (PPL), e dode sus variables de decisió debe tomar valores eteros. Tipos de PE Cuado se requiere que todas las variables de decisió tome
Más detallesCONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA
CAPÍTULO I CONCEPTOS BÁSICOS DE PROBABILIDAD Y ESTADÍSTICA El campo de la estadística tiee que ver co la recopilació, presetació, aálisis y uso de datos para tomar decisioes y resolver problemas. Motgomery
Más detallesMétodos Estadísticos de la Ingeniería Tema 9: Inferencia Estadística, Estimación de Parámetros Grupo B
Métodos Estadísticos de la Igeiería Tema 9: Iferecia Estadística, Estimació de Parámetros Grupo B Área de Estadística e Ivestigació Operativa Licesio J. Rodríguez-Aragó Abril 200 Coteidos...............................................................
Más detallesLA TRANSFORMADA Z { } CAPÍTULO SEIS. T n n. 6.1 Introducción
CAPÍTULO SEIS LA TRANSFORMADA Z 6. Itroducció E el Capítulo 5 se itrodujo la trasformada de Laplace. E este capítulo presetamos la trasformada Z, que es la cotraparte e tiempo discreto de la trasformada
Más detallesFórmula de Taylor. Si f es continua en [a,x] y derivable en (a,x), existe c (a,x) tal que f(x) f(a) f '(c) = f(x) = f(a) + f '(c)(x a)
Aproimació de ua fució mediate u poliomio Cuado yf tiee ua epresió complicada y ecesitamos calcular los valores de ésta, se puede aproimar mediate fucioes secillas (poliómicas). El teorema del valor medio
Más detallesCONCEPTOS BÁSICOS DE PRESTAMOS.
GESTIÓN FINANCIERA. TEMA 8º. PRESTAMOS. 1.- Coceptos básicos de préstamos. CONCEPTOS BÁSICOS DE PRESTAMOS. Coceptos básicos de prestamos. Préstamo. U préstamo es la operació fiaciera que cosiste e la etrega,
Más detallesTEMA 3.- OPERACIÓN FINANCIERA
. DEFINICIÓN Y CLASIFICACIÓN. TEMA 3.- OPEACIÓN FINANCIEA Se deomia operació fiaciera a todo itercambio o simultáeo de capitales fiacieros pactado etre dos agetes, siempre que se verifique la equivalecia,
Más detallesEstadística Descriptiva
Igacio Cascos Ferádez Dpto. Estadística e I.O. Uiversidad Pública de Navarra Estadística Descriptiva Estadística ITT Soido e Image curso 2004-2005 1. Defiicioes fudametales La Estadística Descriptiva se
Más detallesELEMENTOS DE ÁLGEBRA MATRICIAL
ELEMENTOS DE ÁLGEBRA MATRICIAL Ezequiel Uriel DEFINICIONES Matriz Ua matriz de orde o dimesió p- o ua matriz ( p)- es ua ordeació rectagular de elemetos dispuestos e filas y p columas de la siguiete forma:
Más detalles16 Distribución Muestral de la Proporción
16 Distribució Muestral de la Proporció 16.1 INTRODUCCIÓN E el capítulo aterior hemos estudiado cómo se distribuye la variable aleatoria media aritmética de valores idepedietes. A esta distribució la hemos
Más detallesPráctica 6: Vectores y Matrices (I)
Foamets d Iformàtica 1r curs d Egiyeria Idustrial Práctica 6: Vectores y Matrices (I) Objetivos de la práctica El objetivo de las prácticas 6 y 7 es itroducir las estructuras de datos vector y matriz e
Más detallesESTADÍSTICA BÁSICA. Discretas. Función de masa de probabilidad: P(X=x i ) Sólo se toma un conjunto finito valores {x 1, x 2,...}
ESTADÍSTICA BÁSICA 1.) Coceptos básicos: Estadística: Es ua ciecia que aaliza series de datos (por ejemplo, edad de ua població, altura de u equipo de balocesto, temperatura de los meses de verao, etc.)
Más detallesCADENAS DE MARKOV. Métodos Estadísticos en Ciencias de la Vida
CADENAS DE MARKOV Itroducció U proceso o sucesió de evetos que se desarrolla e el tiempo e el cual el resultado e cualquier etapa cotiee algú elemeto que depede del azar se deomia proceso aleatorio o proceso
Más detallesCuadro II.1 Valores absolutos de peso (kg) de niños y niñas < 5 años de Costa Rica, 1966. pc3. pc25 5.3 5.6 5.7 6.1 7.2 5.5 7.6 7.8 8.4 6.4 7.4 9.
II. CRECIMIENTO FÍSICO EN CENTROAMÉRICA Y REPÚBLICA DOMINICANA: MEDIDAS ABSOLUTAS PESO Y TALLA, POR EDAD Y SEXO Y COMPARACIÓN CON EL PATRÓN CRECIMIENTO LA OMS (2005) A. Por países 1. Costa Rica E los cuadros
Más detallesA = 1. Demuestra que P (1) es cierta. 2. Demuestra que si P (h) es cierta, entonces P (h + 1) es cierta.
. POTENCIAS DE MATRICES CUADRADAS E este capítulo vamos a tratar de expoer distitas técicas para hallar las potecias aturales de matrices cuadradas. Esta cuestió es de gra importacia y tiee muchas aplicacioes
Más detallesTEMA 5: INTERPOLACIÓN
5..- ITRODUCCIÓ TEMA 5: ITERPOLACIÓ Supogamos que coocemos + putos (x,y, (x,y,..., (x,y, de la curva y = f(x, dode las abscisas x k se distribuye e u itervalo [a,b] de maera que a x x < < x b e y k = f(x
Más detalleswww.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve Correo electrónico: josearturobarreto@yahoo.com
Autor: José Arturo Barreto M.A. Págias web: www.abaco.com.ve www.abrakadabra.com.ve www.miprofe.com.ve El cocepto de límite Correo electróico: josearturobarreto@yahoo.com Zeó de Elea (90 A.C) plateó la
Más detallesSoluciones Hoja de Ejercicios 2. Econometría I
Ecoometría I. Solucioes Hoja 2 Carlos Velasco. MEI UC3M. 2007/08 Solucioes Hoja de Ejercicios 2 Ecoometría I 1. Al pregutar el saldo Z (e miles de euros) de su cueta de ahorro cojuta a u matrimoio madrileño
Más detallesUNIDAD Nº 2. Leyes financieras: Interés simple. Interés compuesto. Descuento.
UNIDAD Nº 2 Leyes fiacieras: Iterés simple. Iterés compuesto. Descueto. 2.1 La Capitalizació simple o Iterés simple 2.1.1.- Cocepto de Capitalizació simple Es la Ley fiaciera segú la cual los itereses
Más detallesMC Fco. Javier Robles Mendoza Primavera 2009
1 BENEMÉRITA UNIVERSIDAD AUTÓNOMA DE PUEBLA FACULTAD DE CIENCIAS DE LA COMPUTACIÓN APUNTES CURSO: ALGEBRA SUPERIOR INGENIERIA EN CIENCIAS DE LA COMPUTACIÓN MC Fco. Javier Robles Medoza Primavera 2009 2
Más detalles1. Lección 11 - Operaciones Financieras a largo plazo - Préstamos (Continuación)
Aputes: Matemáticas Fiacieras 1. Lecció 11 - Operacioes Fiacieras a largo plazo - Préstamos (Cotiuació) 1.1. Préstamo: Método de cuotas de amortizació costates E este caso se verifica A 1 = A 2 = = A =
Más detallesPolinomios. Definición de polinomio y sus propiedades. Grado de un polinomio e igualdad de polinomios
Poliomios Defiició de poliomio y sus propiedades U poliomio puede expresarse como ua suma de productos de fucioes de x por ua costate o como ua suma de térmios algebraicos; es decir U poliomio e x es ua
Más detallesPlanificación contra stock
Plaificar cotra stock 5 Plaificació cotra stock Puede parecer extraño dedicar u tema al estudio de métodos para plaificar la producció de empresas que trabaja cotra stock cuado, actualmete, sólo se predica
Más detallesFigura 9.1: Respuesta típica al escalón unitario de un sistema de control. Análisis de Sistemas Lineales 95 Ing. Eduardo Interiano
(VSHFLILFDFLRQHVHQHOGRPLQLRGHOWLHPSR E capítulos ateriores se ha estudiado la respuesta de estado estable de los sistemas lieales ( cuado tæ ), estudiaremos ahora la respuesta trasitoria. La respuesta
Más detallesPara qué medir? Midiendo el Desempeño. M. Curiel 1. Midiendo el Desempeño. Qué variables se desea medir? Cuáles son las herramientas disponibles?
Midiedo el Desempeño Mariela Curiel 009 (Alguas trasparecias so tomadas del libro de Juiz, Molero, etc) Para qué medir? teder el fucioamieto de u sistema o aplicació - cotrar los segmetos que se usa de
Más detalles3 Ruido en el canal PLC
3 Ruido e el caal PLC 3.1 Itroducció E el capítulo aterior, se presetó ua breve explicació de la tecología PLC, su clasificació, fucioamieto y problemas. Queda claro que uo de los pricipales problemas
Más detallesSistemas Automáticos. Ing. Organización Conv. Junio 05. Tiempo: 3,5 horas
Sistemas Automáticos. Ig. Orgaizació Cov. Juio 05. Tiempo: 3,5 horas NOTA: Todas las respuestas debe ser debidamete justificadas. Problema (5%) Ua empresa del sector cerámico dispoe de u horo de cocció
Más detallesAPLICACIÓN DEL PROGRAMA SPSS EN EL CONTROL DE CALIDAD DE PROCESOS Y PRODUCTOS QUÍMICOS
APLICACIÓN DEL PROGRAMA SPSS EN EL CONTROL DE CALIDAD DE PROCESOS Y PRODUCTOS QUÍMICOS Esperaza Mateos, Aa Elías, Gabriel Ibarra Uiversidad del País Vasco iapmasae@lg.ehu.es Resume Ua de las asigaturas
Más detallesBIOESTADISTICA (55-10536) Estudios de prevalencia (transversales) 1) Características del diseño en un estudio de prevalencia, o transversal.
Departameto de Estadística Uiversidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de prevalecia (trasversales) CONCEPTOS CLAVE 1) Características del diseño e u estudio de prevalecia, o trasversal
Más detallesPara efectuar la evaluación de los criterios de integración se utilizó correspondiente a las distancias relativas de Hamming. i=1
3.4 Evaluació de la implemetació y su compatibilidad co NC PAS:99:2008 La aplicació del modelo del CMI y la herramieta de medició (el CM ODUN) permitió cotrastar los resultados co lo establecido por la
Más detallesOPERACIONES ALGEBRAICAS FUNDAMENTALES
MATERIAL DIDÁCTICO DE PILOTAJE PARA ÁLGEBRA 2 OPERACIONES ALGEBRAICAS FUNDAMENTALES ÍNDICE DE CONTENIDO 2. Suma, resta, multiplicació y divisió 6 2.1. Recoociedo la estructura de moomios y poliomios 6
Más detalles4. CONCEPTO BASICOS DE PROBABILIDADES
4. CONCEPTO BASICOS DE PROBABILIDADES Dr. http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ 41 4.1 Espacio Muestral y Evetos 4.1.1 1 Experimetos Aleatorios y Espacios
Más detallesSOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª. 1. Sean a, b y n enteros positivos tales que a b y ab 1 n. Prueba que
SOLUCIONES DE LOS PROBLEMAS DE LA OME 49ª Sea a, b y eteros positivos tales que a b y ab Prueba que a b 4 Idica justificadamete cuádo se alcaa la igualdad Supogamos que el resultado a demostrar fuera falso
Más detallesIES Fco Ayala de Granada Sobrantes de 2008 (Modelo 3 Junio) Solución Germán-Jesús Rubio Luna 12 2 = 3 12. , es decir
IES Fco Ayala de Graada Sobrates de 008 (Modelo Juio) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS JUNIO 008 (MODELO ) OPCIÓN A EJERCICIO _A 0 a b Sea las matrices A= y B= 0 6 a) ( 5 putos)
Más detallesEjercicios Resueltos ADC / DAC
Curso: Equipos y Sistemas de Cotrol Digital Profesor: Felipe Páez M. Programa: Automatizació, espertio, 010 Problemas Resueltos: Ejercicios Resueltos ADC / DAC ersió 1.1 1. Se tiee u DAC ideal de 10 bits,
Más detallesSucesiones numéricas.
SUCESIONES 3º ESO Sucesioes uméricas. Ua sucesió es u cojuto ordeado de úmeros reales: a 1, a 2, a 3, a 4, Cada elemeto de la sucesió se deomia térmio, el subídice es el lugar que ocupa e la sucesió. El
Más detallesUna serie de potencias puede ser interpretada como una función de x. f(x) = n=0
Tema 4 Series de Potecias Ua expresió de la forma a 0 + a 1 (x c) + a 2 (x c) 2 +... + a (x c) +... = recibe el ombre de serie de potecias cetrada e c. a (x c) Ua serie de potecias puede ser iterpretada
Más detallesGENERALIDADES. La Empresa de Transmisión Eléctrica, S. A. (ETESA) maneja 151 estaciones, clasificadas de la siguiente manera:
GENERALIDADES I. DEFINICIÓN DE METEOROLOGÍA Es la ciecia iterdiscipliaria que estudia el estado del tiempo, el medio atmosférico, los feómeos allí producidos y las leyes que lo rige. Es el estudio de los
Más detallesAPLICACIONES LINEALES.
APLICACIONES LINEALES. INTODUCCIÓN: APLICACIONES ENTE CONJUNTOS. Ua aplicació etre dos cojutos A y B es ua regla que permite asigar a cada elemeto de A, uo de B. La aplicació del cojuto A e el cojuto B
Más detalles11. TRANSFORMADOR IDEAL
. TAFOMADO DEA.. TODUCCÓ Cuado el flujo magético producido por ua bobia alcaza ua seguda bobia se dice que existe etre las dos bobias u acople magético, ya que el campo magético variable que llega a la
Más detallesMETODOLOGÍA UTILIZADA EN LA ELABORACIÓN DEL ÍNDICE DE PRECIOS AL POR MAYOR EN LA REPÚBLICA DE PANAMÁ I. GENERALIDADES
METODOLOGÍA UTILIZADA EN LA ELABORACIÓN DEL ÍNDICE DE PRECIOS AL POR MAYOR EN LA REPÚBLICA DE PANAMÁ I. GENERALIDADES La serie estadística de Ídice de Precios al por Mayor se iició e 1966, utilizado e
Más detallesPROGRAMACIÓN POR RESTRICCIONES PARA SOLUCIONAR PROBLEMAS DE PLANIFICACIÓN
PROGRAMACIÓN POR RESTRICCIONES PARA SOLUCIONAR PROBLEMAS DE PLANIFICACIÓN Daiel Díaz Araya, Fracisco S. Ibáñez y Raymudo Q. Forradellas Departameto e Istituto de Iformática Uiversidad Nacioal de Sa Jua,
Más detallesMODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO
FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA MECANICA MODELO PARA EL ESTUDIO DEL REEMPLAZO DE UN EQUIPO PRODUCTIVO FERNANDO ESPINOSA FUENTES Necesidad del reemplazo. Si se matiee u riesgo durate u tiempo
Más detallesMatemáticas I - 1 o BACHILLERATO Binomio de Newton
Matemáticas I - o Bachillerato Matemáticas I - o BACHILLERATO El biomio de Newto es ua fórmula que se utiliza para hacer el desarrollo de la potecia de u biomio elevado a ua potecia cualquiera de expoete
Más detallesLey de los números grandes
Capítulo 2 Ley de los úmeros grades 2.. La ley débil de los úmeros grades Los juegos de azar, basa su sistema de gaacias, fudametalmete e la estabilidad a largo plazo garatizada por las leyes de la probabilidad.
Más detallesSELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 5)
IES Fco Ayala de Graada Sobrates de 008 (Modelo 5) Germá-Jesús Rubio Lua SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 008 (MODELO 5) OPCIÓN A EJERCICIO 1_A De las restriccioes que debe cumplir las
Más detallesPor: Lic. Eleazar J. García. República Bolivariana de Venezuela Tinaco.- Estado Cojedes. INTEGRALES INDEFINIDAS
Por: Lic. Eleazar J. García. República Bolivariaa de Veezuela Tiaco.- Estado Cojedes. INTEGRALES INDEFINIDAS Usted está familiarizado co alguas operacioes iversas. La adició y la sustracció so operacioes
Más detallesTema 9. Inferencia Estadística. Intervalos de confianza.
Tema 9. Iferecia Estadística. Itervalos de cofiaza. Idice 1. Itroducció.... 2 2. Itervalo de cofiaza para media poblacioal. Tamaño de la muestra.... 2 2.1. Itervalo de cofiaza... 2 2.2. Tamaño de la muestra...
Más detallesMedios de Transmisión
39 Medios de Trasmisió 3. Fibra Optica La fibra óptica trasporta iformació e forma de u haz de luz que fluctúa e su itesidad. Luz es ua oda electromagética que se propaga a ua frecuecia mayor que la que
Más detallesModelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo
Modelos lieales e Biología, 5ª Curso de Ciecias Biológicas Clase 8/10/04 Estimació y estimadores: Distribucioes asociadas al muestreo Referecias: Cualquiera de los textos icluidos e la bibliografía recomedada
Más detallesFORMACIÓN DE FAMILIAS DE PRODUCTOS PARA 4 LÍNEAS DE EMPAQUE DE UNA EMPRESA FARMACÉUTICA
FORMACIÓN DE FAMILIAS DE PRODUCTOS PARA 4 LÍNEAS DE EMPAQUE DE UNA EMPRESA FARMACÉUTICA Isidro Soria Arguello y José Guadalupe Gómez García * soriaarguelloisidro@hotmail.com, imi.91@hotmail.com* Uiversidad
Más detallesdenomina longitud de paso, que en un principio se considera que es constante,
883 Aálisis matemático para Igeiería. M. MOLERO; A. SALVADOR; T. MENARGUEZ; L. GARMENDIA CAPÍTULO 3 Métodos uméricos de u paso El objetivo de este capítulo es itroducir los métodos uméricos de resolució
Más detallesESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA
ESTIMACIÓN PUNTUAL Y ESTIMACIÓN POR INTERVALOS DE CONFIANZA Autores: Ágel A. Jua (ajuap@uoc.edu), Máimo Sedao (msedaoh@uoc.edu), Alicia Vila (avilag@uoc.edu). ESQUEMA DE CONTENIDOS Defiició Propiedades
Más detallesMODELOS Y MÉTODOS DE SIMULACIÓN ESTOCÁSTICA. APLICACIÓN EN LA VALORACIÓN DE OPCIONES FINANCIERAS
E INVESTIGACIÓN OPERATIVA I MODELOS Y MÉTODOS DE SIMULACIÓN ESTOCÁSTICA. APLICACIÓN EN LA VALORACIÓN DE OPCIONES FINANCIERAS Begoña Vitoriao bvitoriao@mat.ucm.es Uiversidad Complutese de Madrid ÍNDICE
Más detallesTeorías de falla bajo cargas estáticas
Teorías de falla bajo cargas estáticas Carlos Armado De Castro P. Coteido: - Itroducció - Falla de materiales dúctiles - Falla de materiales frágiles. Itroducció La falla es la pérdida de fució de u elemeto
Más detallesMEDIDAS DE RESUMEN. Jorge Galbiati Riesco
MEDIDAS DE RESUMEN Jorge Galbiati Riesco Las medidas de resume sirve para describir e forma resumida u cojuto de datos que costituye ua muestra tomada de algua població. Podemos distiguir cuatro grupos
Más detallesPRIMERA SESIÓN. l. Se considera la sucesión de números reales definida por la relación de recurrenc1a: U n+l = a Un + ~ U n-1, con n > O
PRIMERA SESIÓN Problema N l. l. Se cosidera la sucesió de úmeros reales defiida por la relació de recurreca: U +l = a U + ~ U -, co > O Siedo: a y ~ úmeros fijos. Se supoe tambié coocidos los dos primeros
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA ESCUELA DE QUIMICA FACULTAD DE CIENCIAS INSTRUMENTAL ANALITICO GUIA DE CROMATOGRAFÍA
UNIVESIDD CENTL DE VENEZUEL ESCUEL DE QUIMIC FCULTD DE CIENCIS INSTUMENTL NLITICO GUI DE COMTOGFÍ Caracas 2008 Tabla de Coteido DEFINICIONES IMPOTNTES...3 Cromatografía...3 Clasificació de los Métodos
Más detallesUna de las herramientas más utilizadas por los analistas técnicos es la llamada media móvil.
Medias Móviles Ua de las herramietas más utilizadas por los aalistas técicos es la llamada media móvil. La media móvil de u istrumeto fiaciero es simplemete el promedio de u úmero, predetermiado, de valores
Más detallesIMPLEMENTACIÓN DEL SISTEMA DE REGISTRADORES AUTOMÁTICOS DE PERTURBACIONES EN EL SISTEMA NACIONAL DE TRANSMISION
IMPLEMENTACIÓN DEL SISTEMA DE REGISTRADORES AUTOMÁTICOS DE PERTURBACIONES EN EL SISTEMA NACIONAL DE TRANSMISION Kléber Vásquez TRANSELECTRIC S.A. RESUMEN U sistema de potecia está sujeto a cotigecias que
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA PARCIAL N o 3 Profesor: Hugo S. Salias. Primer Semestre 2012 1. El ivel
Más detallesMATEMÁTICAS FINANCIERAS
MATEMÁTIAS FINANIERAS Secció: 1 Profesores: ristiá Bargsted Adrés Kettlu oteido Matemáticas Fiacieras: Iterés Simple vs Iterés ompuesto Valor Presete y Valor Futuro Plaificació estratégica Matemáticas
Más detallesProgresiones. Objetivos. Antes de empezar. 1.Sucesiones.. pág. 74 Definición. Regla de formación Término general
5 Progresioes Objetivos E esta quicea aprederás a: Recoocer ua sucesió de úmeros. Recoocer y distiguir las progresioes aritméticas y geométricas. Calcular él térmio geeral de ua progresió aritmética y
Más detalles1. Demuestra que si p es un natural y p es compuesto, entonces existe un divisor m de p con 1 < m p.
Divisibilidad Matemática discreta Dados dos úmeros aturales a y b, escribiremos a b y leeremos a divide a b si existe u c N tal que ac = b. E este caso, decimos que a es u divisor de b o que b es divisible
Más detallesPropuesta A. { (x + 1) 4. Se considera la función f(x) =
Pruebas de Acceso a Eseñazas Uiversitarias Oficiales de Grado (0) Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II El alumo deberá cotestar a ua de las dos opcioes propuestas A o B. Se podrá utilizar
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Uidad Cetral del Valle del Cauca acultad de Ciecias Admiistrativas, Ecoómicas y Cotables Programa de Cotaduría Pública Curso de Matemáticas iacieras Profesor: Javier Herado Ossa Ossa Ejercicios resueltos
Más detalles