Página 1 de 34. FILTROS ADAPTIVOS LMS RMS Filtro Kalman INTRODUCCION

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Página 1 de 34. FILTROS ADAPTIVOS LMS RMS Filtro Kalman INTRODUCCION"

Transcripción

1 Págia de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma INTRODUCCION El cocepo de filro adapaivo, sugiere el de u disposiivo que iea modelizar la relació ere señales e iempo real de forma ieraiva. Se diferecia de los filros digiales e que ésos úlimos iee coeficiees ivariaes e el iempo, mieras que u filro adapaivo puede cambiar su forma de comporarse, es decir, puede cambiar sus coeficiees de acuerdo co u algorimo adapivo. De hecho, o se cooce los coeficiees del filro cuado se diseña, debido a que esos coeficiees so calculados cuado el filro se implemea y se reajusa auomáicamee e cada ieració mieras dura su fase de apredizaje. El hecho de que esos filros o sea ivariaes emporales y que ampoco sea lieales, hace que su esudio sea más complejo que el de u filro digial, ya que o se puede aplicar, salvo e u par de ecepcioes, las rasformacioes e frecuecia, domiio Z, ec. El presee eo raa e forma iroducoria el ema de filros adapivos. E pricipio se realiza ua breve iroducció sobre procesos aleaorios a iempo coiuo y esimació de parámeros. Seguidamee se defie al filro de Wieer, como méodo para la esimació esadísica de la respuesa al impulso uiario de u sisema. Por ulimo se aborda el ema de filros adapivos, haciedo referecia a los algorimos adapivos de máima pediee, el algorimo LMS, el algorimo RLS y filro de Kalma. PROCESOS ALEATORIOS A TIEMPO CONTINUO Cada vez que se realiza la observació o el sesado de algú eveo emporal, se obedrá señales elécricas disias cada vez que se quiera, debido a la auraleza o caracerísicas aleaorias implícias que esas presea. E el esquema de la Figura, se muesra el modelo ípico de u sisema que puede ser lieal e ivariae e el iempo y de las diferees señales emporales que ieracúa. Por raarse de señales aleaorias, esas so pare de las realizacioes de procesos aleaorios viculados al sisema. De esa maera se cuea co u proceso aleaorio de erada al sisema {}, que da lugar al proceso aleaorio de salida del sisema {Y}. Las realizacioes del proceso {Y}, esará disorsioadas por las realizacioes señal ruido del proceso {N}, dado como resulado las realizacioes del proceso aleaorio {Z}. Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

2 Págia de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Ruido Erada SISTEMA f y Salida z y Figura : Esquema del sisema de aálisis, dode la erada del sisema correspode a las realizacioes o señales elécricas del rasducor emisor del proceso {}, la salida correspode a las realizacioes o señales elécricas del rasducor recepor del proceso {Z} y f la fució de rasferecia del sisema. Al represear odas las realizacioes de u proceso, al como idica la Figura, se observa a u cojuo de ifiias fucioes del iempo. Esas fucioes esá asigadas a u eveo o puo muesral de u suceso o eperimeo aleaorio, de allí su desigació como fucioes muesrales. Si las mismas se esudia de maera separada, eso es, cosiderar solo u eveo e paricular ξ, se esaría ae la presecia de ua oda de poecia fiia, pudiédose caracerizar a ravés del valor medio de la señal m ξ, del produco escalar de la fució co su versió desplazada e diversos iempos lags o fució de auocorrelacio R, τ ξ y co la poecia de la señal como auocorrelacio e el orige P ξ, respecivamee: m ξ lim T T R τ, ξ lim T T P ξ R T, ξ, ξ d T, ξ τ, ξ d Al produco escalar de la fució o fució de auocorrelacio se lo eiede como ua medida del grado de similiud de la señal co su versió desplazada e el iempo de τ. El desplazamieo e el iempo τ es arbirario y el sigificado de la fució auocorrelació, es dar iformació de la variació e el iempo de la señal e u seido promediado su, 997; Papoulis ad Pillai, ; Maolakis, e al., 5. Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

3 Págia 3 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma ξ, Ampliudes Realizacioes: ξ ξn- ξn ξn ξn iempo Figura : Proceso aleaorio represeado por sus realizacioes esamble, resulado de disios eperimeos. Cada ua de las realizacioes lleva asociada ua forma de oda e el iempo. Cuado se cosidera del proceso aleaorio los disios valores que oma cada eveo para u iempo fijo, se esará ae la presecia de ua variable aleaoria VA caracerizada por su correspodiee fució desidad de probabilidad o PDF por sus siglas e igles de Probabiliy Desiy Fucio, f,, lo que permie deermiar a lo parámeros esadísicos o momeos de orde de la VA. E alguos casos coociedo esos parámeros esadísicos, se puede llegar a caracerizar la VA como por ejemplo las de disribució Gaussiaa su, 997; Papoulis ad Pillai,. Pero la caracerizació del proceso es odavía escasa, ya que hasa ahora o se iee ua caracerizació e dode se coemple la evolució cojua ao del iempo como e cada uo de los eveos. Para ello es ecesario dispoer de ua fució desidad de probabilidad, eiedo e cuea que u proceso aleaorio esará caracerizado co las PDF de las variables aleaorias que lo compoe, por lo ao, dado u cojuo de variables aleaorias obeidas para isaes de iempo,,., fijos; su caracerizació probabilísica puede represearse por ua colecció de PDF cojuas: f f f,,, ; ;,, ; ;, e dode la fució PDF cojua es la probabilidad de que el proceso ome valores e el iervalo, d e el iempo, e, d e el iempo,,e, d para e iempo. Como e el Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

4 Págia 4 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma caso de ua VA, coociedo del proceso la PDF cojua, es posible deermiar sus parámeros esadísicos como por ejemplo la fució media y los momeos de orde, la fució auocorrelació y la fució covariaza, respecivamee: { } { } { } [ ][ ] { },,, ;.,,.,., τ μ μ τ τ μ τ μ τ τ τ τ μ R E K d d f E R d f E m d f E 3 e dode E{}, represea el valor esperado. Del momeo de orde se obiee la fució error medio cuadráico y de la fució de covariaza, si τ obeemos la fució de variaza. Esacioariedad y Ergodicidad Eise alguos feómeos que da lugar a procesos aleaorios, cuyas propiedades o parámeros esadísicos se maiee cosaes e el iempo, e ese caso, los procesos aleaorios so esacioarios. E ese ipo de procesos, cuao más abarque la idepedecia del iempo sobre los parámeros esadísicos, mas esrico es el crierio de esacioariedad. De esa forma, se dice que u proceso es esacioario e seido amplio de segudo orde, si su fució media es idepediee del iempo y su fució de auocorrelació depede solo del icremeo emporal τ. Además, si la PDF cojua de segudo orde, es idepediee de las raslacioes e el iempo, se dice que el proceso aleaorio es esacioario e seido esrico de segudo orde su, 997; Papoulis ad Pillai,, por lo ao se verifica lo siguiee: { } { } f f R E R ce E, ;, ;,,. τ τ τ τ τ μ μ 4

5 Págia 5 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Se eiede como la desidad especral del proceso, a la poecia de odas las realizacioes, e promedio, respeco de u acho de bada ifiiesimal alrededor de cada frecuecia su, 997. E el caso de u proceso esacioario, se verifica que su área es la poecia del proceso o auocorrelacio e τ igual a cero. Cuado el proceso es esacioario la desidad especral de poecia será igual a la rasformada de Fourier de la auocorrelació, eso es: S j ω R τ. e ϖτ dτ 5 Por lo que la fució de auo correlació, se puede obeer a ravés de la rasformada iversa de Fourier de la desidad especral de poecia: R τ π S. j e ωτ dω 6 Esas relacioes so posibles ya que se cosidera a los procesos esacioarios como coiuos, difereciales e iegrables e seido medio cuadráico; a ravés del Teorema de Wieer Khichi Papoulis ad Pillai,. Para casos e que es ecesario coocer la depedecia esadísica ere dos procesos {} e {Y}, o el grado de parecido de los mismos, se lo hace a ravés de la fució correlació cruzada: {. y } R Y, τ E τ 7 E el caso de que ambos procesos sea esacioarios, la fució correlació cruzada será idepediee del iempo y edrá las mismas cosideracioes que la fució auocorrelació, respeco de la coiuidad, difereciació e iegració. E ese caso su rasformada de Fourier será la desidad especral de poecia cruzada: Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

6 Págia 6 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma jωτ S R τ. e dτ 8 Y Y Al igual que e la fució de auocorrelació, aplicado la rasformada iversa de Fourier de la desidad especral de poecia cruzada se obiee la fució de correlació cruzada. A meudo cuado se raa de procesos esacioarios, los promedios e el esamble puede ser reemplazados co éio por los promedios emporales de ua muesra. A ales procesos se los llama ergódicos. Esa cocepció arificial de los procesos esacioarios obedece a ua limiació que se presea e la prácica cuado o se dispoe de más de ua realizació del proceso o de la PDF cojua, e cuyo caso a parir de ua realizació, se preede eeder o deermiar los parámeros esadísicos de u proceso aleaorio esacioario. E ese caso, se prueba que u proceso aleaorio esacioario de segudo orde ergódico presea las siguiees igualdades: μ E R { } τ E m lim T T T d { τ } R τ lim T T T τ d 9 Procesos Aleaorios y Sisemas Lieales Cuado las realizacioes de u proceso {}, se aplica a u sisema como el de la Figura, co caracerísicas de liealidad e ivariaza e el iempo, se obiee a su salida oro proceso aleaorio deomiado {Y}, cuyas realizacioes esá relacioadas mediae la respuesa impulsioal del sisema h a ravés de la iegral de covolució de la ecuació. E el caso de procesos esacioarios los parámeros esadísicos de los procesos esá relacioados a ravés de la misma propiedad, por lo que la fució media del proceso de salida del sisema esará dada por. E y h ς. ς dς ς h ς dς μ. μ y { y } h. E{ ς } dς E{ }. Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

7 Págia 7 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma E la epresió el ermio, correspode a la respuesa e frecuecia ω a frecuecia cero. El parecido esadísico o correlació del proceso de salida co el proceso de erada, será dado por la siguiee epresió: RY τ h ς. R τ ς dς R τ h τ La epresió de la desidad especral de poecia puede obeerse de la siguiee maera: S ω. S ω 3 Y De la misma forma, puede obeerse la correlació cruzada ere los procesos {Y} y {}, juo a la auocorrelacio del proceso de salida de la siguiee maera: R S Y Y τ h τ R τ R ω ω. S ω S Y Y τ ω 4 Respeco del proceso de salida {Y}, la fució de auocorrelacio del proceso será fució de la auocorrelació del proceso de erada. Trasladado esa relació, a sus respecivas desidades especrales de poecia, se iee: R τ h τ h τ R Y S ω Y ω S ω; S τ ω R 5 Cuado las realizacioes del proceso de salida, se ve disorsioadas por ua señal ruido como e la siuació que se grafica e la Figura, las relacioes ere la erada del sisema y la ueva salida que ese iee, va a ser afecadas por la señal ruido. Si esa señal es idepediee de la señal de erada, lo Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

8 Págia 8 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma imporae a deermiar es el grado de afecació de las realizacioes del proceso de salida, e érmios de las desidades especrales de los procesos. La maera de hacerlo, es observado aquellos coeidos de frecuecia que se geera a la salida del sisema y que o so produco de la relació ere la erada y la salida e el sisema lieal. Esa idea es la que sugiere la defiició de coherecia especral Maolakis e al., 5, dode su modulo se epresa de la siguiee maera: γ ω S Y ω. SY ω 6 S ω S ω Y E el caso que la salida o se ecuere disorsioada, para cualquier ω lieal, la coherecia especral es la uidad e odo el marge de frecuecia. Por oro lado, ae la presecia de ruido blaco o correlado co la erada, la desidad especral de poecia cruzada ere el ruido y la erada S N ω, la desidad especral de poecia del ruido S N ω y la desidad especral de poecia de la salida S ω, será resuelos de la siguiee maera: Y S S S N N Y ω ω F{ R ω S N τ } F{ N ω. ω S. δ τ } N N ω 7 e dode RN τ es la fució de auocorrelació del ruido, igual a ua dela de Dirac de peso N. Susiuyedo eoces las epresioes de 7 e la ecuació 6, se obiee la siguiee epresió: γ ω S ω N ω. S ω SNR ω SNR ω SNR ω 8 e dode SNR ω, se cooce como relació señal ruido del sisema e érmios de la frecuecia ω. Se puede observar e 8, como ifluye e el valor de la coherecia especral la relació SNR, haciedo que esa decaiga por debajo de la uidad cuado esa relació es pequeña. E oras palabras, decir que Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

9 Págia 9 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma el coeido e ua bada de frecuecia de ua señal es coheree co el de ora señal e la misma bada, implica que ua de las dos se puede obeer de la ora mediae ua rasformació lieal, es por ello que e la prácica se busca que la relació SNR sea lo mas grade posible. Esimació de Parámeros y Calidad de u Esimador El cocepo de ergodicidad es úil, cuado se preede ecorar los parámeros esadísicos o caracerizar a u proceso esacioario co solo ua realizació del proceso. Pero la cocepció de ergodicidad es limiada ya que las señales so de duració fiia y las represeacioes de los parámeros esadísicos a parir de los promedios emporales variará ere las realizacioes o señales que se dispoga. Por oro lado, dado u proceso aleaorio como erada de u sisema, puede ocurrir que el proceso o sea esacioario o que el sisema o sea lieal e ivariae e el iempo. Ae esas siuacioes, uilizado ua o pocas realizacioes del proceso aleaorio, solo se esará logrado la esimació de los parámeros esadísicos de u proceso aleaorio Maolakis e al., 5. Dado u proceso aleaorio {}, la esimació de u parámero θ a parir de ua realizació,ξ es equivalee eoces, a plaear cual es la probabilidad de que el valor correco coicida co u valor dado de θ. De esa maera el parámero a esimar es ua VA que ese relacioada co los daos observados, caracerizada por su PDF codicioal f θ /, ξ. Por lo ao, el parámero ópimo será aquel que maimiza la probabilidad codicioal su, 997; Papoulis ad Pillai, ; Maolakis, e al., 5: [ f θ /, ξ dθ ] arg ma[ Pr θ < Θ < θ dθ /, ] θmap arg ma ξ 9 θ θ a esa epresió se la deomia máimo a poseriori o MAP por sus siglas e igles de Maimum a Poseriori. Ese es u crierio ópimo para la esimació del parámero θ, pero acarrea la dificulad de ecesiar de ua fució PDF codicioal que muchas veces o se cooce o es difícil e deermiar. Uilizado el eorema de Bayes para represear dicha probabilidad, se obiee la epresió, e dode el deomiador de esa epresió o paricipa del proceso de maimizació de la probabilidad por lo que puede descararse. f, ξ / θ. f θ f θ /, ξ f, ξ / θ. f θ f, ξ Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

10 Págia de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma El crierio MAP queda resuelo eoces, por la maimizació de la PDF codicioal de los daos codicioada al parámero θ, muliplicad por la PDF del parámero θ. La PDF codicioal de los daos codicioada al parámero θ, se la cooce como verosimiliud likelihood y la PDF del parámero θ, como ua iformació a priori del parámero, respeco del coocimieo de su PDF. Cuado la PDF del parámero θ es uiforme o se iee el máimo descoocimieo o la míima iformació de su disribució, el crierio MAP se logra maimizado la verosimiliud o ML por sus siglas e igles de Maimum Likelihood, al como se idica e la siguiee epresió: [ f, ξ / θ ] θ ML arg ma θ Ese crierio es más uilizado que el crierio MAP, ya que es meos compleja la deermiació de su PDF, si embargo a diferecia del MAP, ese crierio es subópimo debido a la poca fiabilidad que se iee del coocimieo de la PDF del parámero θ. Ora maera de realizar la esimació cosise e esimar el parámero que meos se desvía del valor correco, e érmios del error medio cuadráico. El crierio se cooce como MSE por sus siglas e igles de Mea Square Error dado por la siguiee epresió: θ [ E{ θ θ /, ξ }] arg mi θ θ f θ /, ξ dθ arg mi θ θ MSE Se demuesra de que el crierio MSE es la fució media codicioal del parámero θ codicioada a los daos, ya que esa fució, es la que aula la derivada del error medio cuadráico respeco del parámero correco, eso es: E θ { θ θ /, ξ } θ MSE θ θ. f θ /, ξ dθ θ. f θ /, ξ dθ 3 Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

11 Págia de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Por lo ao, cuado el valor de la media de la PDF codicioal coicide co el valor máimo de su disribució, el crierio MSE coicidirá co el MAP, siedo e ese caso u crierio ópimo. Eise muchas fucioes de disribució de probabilidad, icluida la Gaussiaa, dode su fució media coicide co el valor máimo de su disribució. Eise ua maera de evaluar la calidad de los esimadores MAP, ML, MSE o la de cualquier oro a parir de las siguiees propiedades de ausecia de sesgo, eficiecia, cosisecia y suficiecia Papoulis ad Pillai,. Si al cosiderar el caso de que el parámero a esimar eise y se iee la seguridad de que vale θ, se puede ierprear la area de esimar a parir de las observacioes, como ua VA θˆ cuyo valor medio de las esimacioes realizadas sea igual al parámero correco. E el caso que eso o sea posible se dice que el esimador es sesgado o que iee sesgo b, defiido por: [ { } ] b E ˆ θ θ 4 Cuado la duració de las realizacioes aumea ediedo a ifiio, el sesgo iede a cero, e ese caso se dice que el esimador es asióicamee isesgado y se defie de la siguiee maera: { θ } θ lim E ˆ 5 Pero la ausecia de sesgo o es codició suficiee para defiir u bue esimador, se busca que la VA θˆ ega ua desviació respeco de la media, pequeña o míima variaza, y esa caracerísica ere esimadores isesgados dirá cua eficiee es uo del oro. Si el esimador es asióicamee isesgado y además su variaza iede a cero, se dice que el esimador iee la propiedad de cosisecia, eso es: { ˆ θ } E 6 σ θ E {} ˆ ˆ θ E θ Para cada esimador isesgado se obedrá eoces, ua variaza mayor que cero, si las observacioes so de duració fiia. El más eficiee de esos esimadores, edrá ua variaza acoada por el límie Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

12 Págia de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma de Cramer Rao, como se idica e 7. Si la variaza del esimador isesgado, coicide co el límie de Cramer Rao, se dice que iee eficiecia absolua o que el esimador iee la propiedad de suficiecia. σθ E log [ f, ξ / θ ] θ 7 FILTRO WIENER El filro de Wieer es uo de los filros lieales ópimos más imporaes, que permie deermiar o esimar la respuesa o el comporamieo de u sisema, a la vez que mejora la apariecia de señales digiales e lo que respeca a la relació señal ruido SNR. Se defie eoces a [] ua señal discrea de N elemeos, cuya epresió vecorial es igual a: T [,,...,,..., N, ] N 8 De la misma maera, se defie a h [] como la respuesa impulsioal de u filro FIR a esimar, de Q coeficiees de logiud, cuyas caracerísicas de lugar a la señal discrea y ˆ[ ] lo más parecida posible a ua señal discrea de referecia deomiada d [ ] de NQ muesras de logiud. El parecido ere las señales, se lo evalúa e érmios del míimo error medio cuadráico o MSE su, 997; Papoulis ad Pillai, ; Maolakis, e al., 5, como se idica e 9. E la Figura 3 se resume al siuació. { ε[ ] } { [ ] ˆ [ ] } ξ E E d y 9 Erada [] FILTRO WIENER h [] Salida ŷ [] ε[] Referecia d[] Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

13 Págia 3 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Figura 3: Esquema del filro de Wieer, co idicació de daos, salida, referecia y el error. La señal de salida del sisema puede ecorarse a ravés de la covolució de la señal de erada [] co la respuesa impulsioal cojugada h [ ] del sisema a esimar, cuya represeació maricial es la siguiee: yˆ[ ] h [ ] [ ] h. h [ ] [ ]. [ Q ] 3 el superídice del vecor de respuesa impulsioal idica que el vecor es raspueso cojugado, el vecor esa coformado por los desplazamieos hasa Q de la señal [] ru ime vecor, obeiedo de esa maera u vecor de salida de NQ elemeos. Al desarrollar el valor esperado de 9, eiedo e cuaa la ecuació 3, se obiee la epresió del error a miimizar: siedo R E{. } { ] } ξ E d [ h. Rh. h. P P. h 3 la mariz de correlació de la señal de erada [] co los Q primeros valores de la fució de auocorrelació, mariz del ipo Toepliz de QQ elemeos dado por 3; {. [ ]} P E d es el vecor de Q elemeos, cuyas eradas correspode a los valores de la correlació cruzada ere la señal de erada [] y la señal de referecia z [] hasa el orde Q. Derivado la epresió del error respeco del vecor e igualado a cero, se obiee el vecor ópimo para la respuesa impulsiva del sisema o filro Wieer, cuya epresió esa dada por 33. La señal de salida y ˆ[ ] de ese sisema será eoces la de ecuació 34. h Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

14 Págia 4 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma R E {. } r r r Q r r r Q r Q r Q r 3 op. h R P filro Wieer 33 y ˆ[ ] h. P R. 34 op El error míimo MSE que se obiee a parir del vecor ópimo de la respuesa impulsiva se obiee de reemplazar 33 e 3, obeiedo: { ] } { ] } ξmi E d [ P. R. P E d [ hop. Rh. op 35 Por lo epueso, si miimizar el error es miimizar la orma del vecor ε [], uilizado la defiició de produco escalar, el error será orogoal al plao de los daos de la señal de erada, por lo que el pricipio de orogoalidad es el que se epresa e 36. Por lo ao, cuao meos se parezca la señal de erada del error o dicho de ora maera o correladas, los coeficiees de la respuesa impulsiva esará más cerca del valor ópimo. { ε } ε E [ ] [ q] co q,, Q 36 Para aalizar la forma de rabajar del filro de Wieer e el domiio de la frecuecia, es ecesario eeder las ecuacioes de diseño para u filro de respuesa impulsioal ifiia o filro IIR, e lugar del caso del filro FIR causal. Cosiderado eoces para el diseño, la correlació de la señal de referecia co el de la señal de erada al filro de Q coeficiees, se iee: Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

15 Págia 5 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Q q R l h q. R l q 37 Z Si e la epresió 37 los límies de la sumaoria va desde a, el comporamieo del filro Wieer puede represearse e el domiio de la frecuecia, de la siguiee maera: S S S S 38 ω ω Z ω ω ω Z ω siedo ω la respuesa e frecuecia del filro Wieer. Ya que se raa de u sisema discreo se debería escribir z ep jωt, co z como la rasformada Z de los coeficiees del filro y co T como el periodo de muesreo. Aplicado el eorema de Parseval a la epresió 35, se puede obeer la epresió del míimo error MSE e érmios de las desidades especrales de poecia como: { ] } ξmi E d[ hop. P SZ ω ω. SZ ω. dω π SZ ω. SZ ω SZ ω. dω SZ ω γ ω. dω π S ω. SZ ω π 39 Se observa e 39, la depedecia del míimo error MSE co la coherecia e implíciamee co la relació SNR, ere los daos de la señal de erada y de la señal de referecia. De esa maera, la coherecia especral permie aicipar cua efecivo será el filro de Wieer, mosrado e que frecuecias va a eisir u míimo error MSE Maolakis e al., 5. Por la limiada caidad de realizacioes que se dispoe por lo geeral de los procesos aleaorios implicados y por el descoocimieo de sus PDF cojuas, la mariz de auocorrelació de la señal de erada [], como el vecor de correlació cruzada ere la señal de erada [] y la señal de referecia z [], co sus respecivas desidades especrales, va a ser esimadas. Maolakis e al. 5, demuesra que u bue esimador de la mariz de auocorrelació y de la fució de auocorrelació, es el que se epresa e 4. Paricularmee, el esimador de la fució de auocorrelació, se lo deomia esimador sesgado ormalizado de la auocorrelació. Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

16 Págia 6 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Rˆ.Toepliz N Rˆ m N N m. [ ]. [ m] m,, N 4 Mieras que para la desidad especral de poecia de la señal [], u esimador basae uilizado es el de la siguiee epresió: N j π k/ N S k S. RS. [ ]. e k S S N N j π / N j π / N Q S e e 4 dode k, es la rasformada discrea de Fourier o DFT. FILTROS ADAPTIVOS Debido a que e la auraleza es posible regisrar señales, co caracerísicas de o esacioariedad, el filro de Wieer o resula apropiado para su uilizació, ya que ese solo brida la solució ópima para el caso de sisemas esacioarios. Cosiderado el supueso de o esacioariedad, para el caso del filro Wieer FIR de la epresió 33, la o esacioariedad implica el cosiderar los procesos aleaorios como o esacioarios y que los coeficiees del filro que miimiza el error de la epresió 3 depede de. De esa maera el cocepo del filro adapaivo variae e el iempo cosise e ecorar para cada isae de iempo de ieració del algorimo, u cojuo de coeficiees ópimos, a ravés de cosiderar las acualizacioes de los pesos del filro: h h μ f h 4 Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

17 Págia 7 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma dode μ f h es u facor de correcció que se aplica a los coeficiees h e el isae para obeer el uevo cojuo de coeficiees h e el isae. Esa ecuació de acualizació es la base de los algorimos adapivos y el diseño de cada filro adapivo requiere defiir el facor μ f h. El algorimo uilizado para aplicar la correcció del facor μ f h debe ser al, que e u esceario esacioario, el cojuo de coeficiees del filro h coverja a la solució ópima de Wieer de la epresió 33. Mieras que para señales o esacioarias, el filro debe ser capaz de adaparse a los cambios esadísicos y alcazar la solució al evolucioar e el iempo. E la Figura 4, se muesra el esquema geeral de los filros adapivos. E los párrafos siguiees se presea ua síesis de los algorimos ípicos de filros adapivos. Puede ampliar el ema de filros adapivos e Maolakis e al. 5. Referecia Erada [] FILTRO WIENER h [] ŷ [] Salida d[] μh [] ε[] ALGORITMO ADAPTIVO Figura 4: Esquema geeral de los filros adapivos, co idicació de daos, salida, referecia y el error. Méodo de Gradiee de Máima Pediee A parir de los coeficiees ópimos del filro Wieer y del valor de míimo error de la epresió 35, es posible coar co ua epresió del error MSE para cualquier respuesa impulsioal e fució de la ópima: ξ h ξ h h R h h 43 mi op op siedo u úmero que epresa las ieracioes e el proceso de apredizaje. Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

18 Págia 8 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Como puede observarse e la epresió 43, eise ua depedecia cuadráica del valor del error co los coeficiees y cuyo míimo error se logra cuado se esa ae los coeficiees ópimos del filro Wieer. La superficie lograda de esa epresió, iee el aspeco de u paraboloide, cuyas curvas de ivel correspode a elipses. E la Figura 5 puede observarse el mecaismo de apredizaje a realizar, desde u esado h a oro esado mejor h, el cual cosise e omar la direcció coraria al gradiee del MSE y rasladarse ua deermiada caidad e dicha direcció. De lo aerior, se deduce la siguiee regla de apredizaje: h h μ ξ h h μ Rh P 44 e dode la caidad μ correspode al paso de adapació, el cual deermia la velocidad de apredizaje que se desea imprimir al sisema. ξ h GRADIENTE DEL ERROR ξ mi hop h h Figura 5: Curva del MSE e fució de los coeficiees. Su comporamieo cuadráico colleva que el gradiee cambiado de sigo, e cualquier posició, marca la direcció a seguir para alcazar el míimo. Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

19 Págia 9 de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Si bie la represeació de la Figura 5 es adecuada para la eplicació, ua represeació e dos dimesioes revela que el méodo del gradiee a solo deoa ua direcció de meor error. Si embargo, depediedo de su posició, o ecesariamee esa direcció correspode a la direcció del míimo error ver Figura 6. E dicha figura, las curvas de ivel represea las líeas de igual error medio cuadráico. Sólo e el caso de que esas líeas de igual error sea circuferecias, el gradiee e cualquier puo apuará siempre al míimo error. h h ξ mi Figura 6: Curvas de ivel del error para el caso de u filro de dos coeficiees, e dode se observa diversos vecores de gradiee. Las magiudes de los vecores gradiees so es iversamee proporcioales a la separació ere las curvas de ivel. Realizado u cambio de variables e la epresió 43 de maera de comprobar la relació ere la forma de las curvas de ivel y la mariz de correlació, se iee: ξ h ξ h Rh 45 mi Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

20 Págia de 34 Uiversidad Nacioal de Cordoba FILTROS ADAPTIVOS LMS RMS Filro Kalma Ese cambio de variables producirá el cerado de las curvas de ivel e el valor ópimo h op. De ese modo, el gradiee del error de la epresió 43, e cualquier puo de la superficie, puede epresarse e érmios de la ueva variable como: ξ h Rh 46 E paricular, el gradiee e los puos eremos de los ejes de las curvas de ivel es u vecor que pasa por el orige de coordeadas y por lo ao es de la forma kh, por lo que las direccioes de los ejes pricipales viee dadas por los auovecores de la mariz R. Se demuesra eoces, la siguiee epresió ere los auovalores de R y la superficie de error: Q mi Λ mi Λ mi i 47 i ξ z ξ h E E h ξ z z ξ λ z i e dode E correspode a la mariz de vecores propios y Λ a la mariz diagoal de auovalores de la mariz R. De esa maera se logra ua roació del sisema coordeado, quedado los ejes de las op curvas de error alieados co las uevas coordeadas z E h h ver Figura 7. La curvaura e ese uevo sisema coordeado, se obiee de calcular la seguda derivada de la epresió del error de 47 respeco de z i, igual a λ i. Por lo que la direcció del eje de meor logiud del grafico de la Figura 7, esará asociada al vecor propio de mayor auovalor, y viceversa. Maolakis e al. 5 eucia que la ecericidad de las curvas de ivel de la fució de error depede de cua disios so los auovalores de la mariz de correlació. Esa observació esa íimamee relacioada co la velocidad de covergecia. Cosiderado la regla de apredizaje de la epresió 44 y eiedo e cuea el cambio de variable realizado para obeer el gradiee de la epresió 46, se deduce la regla de apredizaje e oro a la variable h : Procesamieo Digial de Señales UNC FILTROS ADAPTIVOS LMS RMS Filro Kalma

FUNCIONES EXPONENCIALES

FUNCIONES EXPONENCIALES 1 FUNCIONES EXPONENCIALES Las fucioes epoeciales iee muchas aplicacioes, e especial ellas describe el crecimieo de muchas caidades de la vida real. Defiició.-La fució co domiio odos los reales y defiida

Más detalles

CAPÍTULO 3 MARCO TEÓRICO. A lo largo de este capítulo se explican los conceptos básicos que se debieron tener y

CAPÍTULO 3 MARCO TEÓRICO. A lo largo de este capítulo se explican los conceptos básicos que se debieron tener y Capíulo 3 Marco eórico CAPÍTULO 3 MARCO TEÓRICO A lo largo de ese capíulo se explica los cocepos básicos que se debiero eer y cosiderar para la elaboració de la clasificació de maerias primas, los modelos

Más detalles

ANÁLISIS DE FOURIER. m(el asterisco indica el conjugado complejo), se desea expandir una función arbitraria f (t) en una serie infinita de la forma

ANÁLISIS DE FOURIER. m(el asterisco indica el conjugado complejo), se desea expandir una función arbitraria f (t) en una serie infinita de la forma CAPÍULO RES ANÁLISIS DE FOURIER IEMPO CONINUO Iroducció La represeació de la señal de erada a u sisema (eediedo como sisema u cojuo de elemeos o bloques fucioales coecados para alcazar u objeivo deseado)

Más detalles

Series de Fourier. 1. Tratamiento Digital de Señal. Series de Fourier

Series de Fourier. 1. Tratamiento Digital de Señal. Series de Fourier Series de Fourier. Traamieo Digial de Señal. Series de Fourier Series de Fourier. Preámbulo El aálisis de Fourier fue iroducido e 8 e la Théorie aalyiique de la chaleur para raar la solució de problemas

Más detalles

TRANSFORMADA z Y DE FOURIER

TRANSFORMADA z Y DE FOURIER Uiversidad de Medoa Dr Ig Jesús Rubé Aor Mooya Aálisis de Señales OBJEIVOS: RANSFORMADA Y DE FOURIER - Expoer los cocepos de fucioes discreas e cuao a la visió del proceso de raamieo de señales que pare

Más detalles

SEÑALES Y SISTEMAS CAPÍTULO UNO. 1.1 Introducción

SEÑALES Y SISTEMAS CAPÍTULO UNO. 1.1 Introducción CAPÍTULO UNO SEÑALES Y SISTEMAS. Iroducció Los cocepos de señales y sisemas surge e ua gra variedad de campos y las ideas y écicas asociadas co esos cocepos juega u papel imporae e áreas a diversas de

Más detalles

SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO

SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO CAPÍTULO DOS SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO. Iroducció E ese capíulo se iroduce y discue varias propiedades básicas de los sisemas. Dos de ellas, la liealidad y la ivariabilidad e el iempo,

Más detalles

Tema 8B El análisis fundamental y la valoración de títulos

Tema 8B El análisis fundamental y la valoración de títulos PARTE III: Decisioes fiacieras y mercado de capiales Tema 8B El aálisis fudameal y la valoració de íulos 8B.1 Iroducció. 8B.2 El aálisis fudameal y la valoració de íulos. 8B.3 Modelos para la valoració

Más detalles

PRONÓSTICOS. Tema Nº 2 FACILITADOR LIC. ESP. MIGUEL OLIVEROS

PRONÓSTICOS. Tema Nº 2 FACILITADOR LIC. ESP. MIGUEL OLIVEROS UNIVERSIDAD DE LOS ANDES FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ESCUELA DE ADMINISTRACIÓN Y CONTADURÍA PUBLICA DEPARTAMENTO DE CIENCIAS ADMINISTRATIVAS ADMINISTRACIÓN DE LA PRODUCCIÓN Y LAS OPERACIONES

Más detalles

José Morón SEÑALES Y SISTEMAS

José Morón SEÑALES Y SISTEMAS SEÑALES Y SISTEMAS José Moró SEÑALES Y SISTEMAS Uiversidad Rafael Urdaea Auoridades Recorales Dr. Jesús Esparza Bracho, Recor Ig. Maulio Rodríguez, Vicerrecor Académico Ig. Salvador Code, Secreario Lic.

Más detalles

UNIVERSIDAD AUTÓNOMA CHAPINGO CÁLCULO MULTIVARIADO Y ECUACIONES DIFERENCIALES

UNIVERSIDAD AUTÓNOMA CHAPINGO CÁLCULO MULTIVARIADO Y ECUACIONES DIFERENCIALES UNIVERSIDAD AUTÓNOMA CHAPINGO PREPARATORIA AGRÍCOLA ÁREA DE MATEMÁTICAS CÁLCULO MULTIVARIADO Y ECUACIONES DIFERENCIALES f : R R ( ) h p AUTOR Vícor Rafael Valdovios Chávez Ooño de AUTOR Vícor Rafael Valdovios

Más detalles

TEMA 5: CAPITALIZACIÓN COMPUESTA 1.- INTRODUCCIÓN

TEMA 5: CAPITALIZACIÓN COMPUESTA 1.- INTRODUCCIÓN TEMA 5: CAPITALIZACIÓN COMPUESTA 1- INTRODUCCIÓN Llamamos capializació compuesa a la ley fiaciera segú la cual los iereses producidos por u capial e cada periodo se agrega al capial para calcular los iereses

Más detalles

2. MATRICES Y DETERMINANTES

2. MATRICES Y DETERMINANTES Marices y Deermiaes 2. MTRICES Y DETERMINNTES SUMRIO: INTRODUCCIÓN OBJETIVOS INTRODUCCIÓN TEÓRIC 1.- Marices. 2.- Operacioes co Marices. 3.- Equivalecia de Marices. Trasformacioes Elemeales de Marices.

Más detalles

FUNCIONES ACTUARIALES COMO VARIABLES ALEATORIAS SOBRE UNA SOLA VIDA Por Oscar Aranda Martínez Nadia Araceli Castillo García Abril 2010

FUNCIONES ACTUARIALES COMO VARIABLES ALEATORIAS SOBRE UNA SOLA VIDA Por Oscar Aranda Martínez Nadia Araceli Castillo García Abril 2010 FUNCIONES ACUARIALES COMO VARIABLES ALEAORIAS SOBRE UNA SOLA VIDA Por Oscar Arada Maríez Nadia Araceli Casillo García Abril E ese primer documeo se presea el ueo efoque del cálculo acuarial, e dode las

Más detalles

PLANEACIÓN Y CONTROL DE LA PRODUCCIÓN

PLANEACIÓN Y CONTROL DE LA PRODUCCIÓN PLANEACIÓN Y CONTROL E LA PROUCCIÓN GRUPO: 0 M. I. Silvia Herádez García M. I. Susaa Casy Téllez Balleseros TEMARIO: I. Iroducció. II. Programació y corol de la producció. III. Balaceo de líea. IV. Sisemas

Más detalles

Diseño y desarrollo de un Software para el análisis y procesamiento de señales de voz

Diseño y desarrollo de un Software para el análisis y procesamiento de señales de voz Diseño y desarrollo de u Sofware para el aálisis y procesamieo de señales de voz. Laforcada *, D. Miloe, C. Maríez,. Rufier Laboraorio de Ciberéica, Deparameo de Bioigeiería, Faculad de Igeiería, Uiversidad

Más detalles

Un modelo para el cálculo de la pérdida esperada en una cartera de préstamos hipotecarios

Un modelo para el cálculo de la pérdida esperada en una cartera de préstamos hipotecarios U modelo para el cálculo de la pérdida esperada e ua carera de présamos hipoecarios Jua Bazerque a Jorge ader b BCU F Depo. Esudios BCU F Depo. Esudios Resume E ese rabao se aaliza u aspeco deado de lado

Más detalles

TEMA 10. La autofinanciación o financiación interna de la empresa

TEMA 10. La autofinanciación o financiación interna de la empresa Iroducció a las Fiazas TEM La auofiaciació o fiaciació iera de la empresa La fiaciació iera y sus compoees La auofiaciació esá formada por los recursos fiacieros que afluye a la empresa desde ella misma

Más detalles

LA TRANSFORMADA DE LAPLACE

LA TRANSFORMADA DE LAPLACE Circuio y Siema Diámico (3º IIND) Tema 2 A TRANSFORMADA DE APACE Curo 23/24 Tema 2: a Traformada de aplace 2. Iroducció: de dóde veimo y a dóde vamo 2.2 Defiició de la raformada de aplace 2.3 Traformada

Más detalles

Apuntes Sistemas Lineales Dinámicos - 543 214

Apuntes Sistemas Lineales Dinámicos - 543 214 Uiversidad de Cocepció Faculad de Igeiería Depo. de Igeiería Elécrica Apues Sisemas Lieales Diámicos - 543 4. f () = si(5) f (kt) = f (kt) f () = si() kt -..5..5. 4 ava edició Prof. José R. Espioza C.

Más detalles

Tema 5. DIAGONALIZACIÓN DE MATRICES

Tema 5. DIAGONALIZACIÓN DE MATRICES José Maía Maíe Mediao Tema DGONLZCÓN DE MTRCES oducció Poecia de ua mai Sea Supogamos que se desea calcula : 7 7 8 8 Deemia ua egla paa o esula imediao Compobemos, aes de segui adelae, que MDM, siedo M

Más detalles

Mercado de Capitales. Tema 6. Valoración n de bonos. Gestión n de carteras de renta fija

Mercado de Capitales. Tema 6. Valoración n de bonos. Gestión n de carteras de renta fija Mercado de Capiales Tema 6. Valoració de boos. Gesió de careras de rea fija Liceciaura e Admiisració y Direcció de Empresas Cuaro Curso Liceciaura e Derecho y Admiisració y Direcció de Empresas Sexo Curso

Más detalles

CAPÍTULO I CIRCUITOS EN EL DOMINIO DE LA FRECUENCIA

CAPÍTULO I CIRCUITOS EN EL DOMINIO DE LA FRECUENCIA APÍTULO UTOS EN EL DOMNO DE LA FEUENA.. SSTEMAS LNEALES NAANTES roducció U iema lieal ivariae e repreea uualmee mediae u bloque e el que e muera ao la exciació como la repuea Exciació x () Siema lieal

Más detalles

CAPÍTULO 1 CIRCUITOS EN EL DOMINIO DE LA FRECUENCIA.

CAPÍTULO 1 CIRCUITOS EN EL DOMINIO DE LA FRECUENCIA. APÍTULO UTOS EN EL DOMNO DE LA FEUENA... SSTEMAS LNEALES NAANTES. roducció. U iema lieal ivariae e repreea uualmee mediae u bloque e el que e muera ao la exciació como la repuea Exciació x ( Siema lieal

Más detalles

CONVERSORES D/A Y A/D

CONVERSORES D/A Y A/D Uiversidad Nacioal de osario Faculad de iecias Exacas, Igeiería y Agrimesura Escuela de Igeiería Elecróica eparameo de Elecróica ELETÓNIA III ONVESOES /A Y A/ Federico Miyara A / 11010110 00001011 11000110

Más detalles

Resolución numérica de problemas de valor inicial (versión preliminar)

Resolución numérica de problemas de valor inicial (versión preliminar) (versió prelimiar) Cocepos iiciales.- Sea la ecuació diferecial de primer orde co las codició iicial x = f(,x) x( 0 ) = x 0 Para resolverla uméricamee será ecesario previamee comprobar si hay solució y

Más detalles

CAPÍTULO 1: ESTIMACIÓN DE LOS INTERESES FUTUROS MEDIANTE NÚMEROS BORROSOS

CAPÍTULO 1: ESTIMACIÓN DE LOS INTERESES FUTUROS MEDIANTE NÚMEROS BORROSOS Pare II: Esimació de la esrucura emporal de los ipos de ierés a ravés de subcojuos borrosos y esimació de los ipos de ierés fuuros APÍTULO : ESTIMAIÓN DE LOS INTERESES FUTUROS MEDIANTE NÚMEROS BORROSOS

Más detalles

NORMA DE CARACTER GENERAL N

NORMA DE CARACTER GENERAL N NORMA DE CARACTER GENERAL N REF.: MODIFICA EL TÍTULO III DEL LIBRO IV, SOBRE VALORIZACIÓN DE LAS INVERSIONES DEL FONDO DE PENSIONES Y DEL ENCAJE, DEL COMPENDIO DE NORMAS DEL SISTEMA DE PENSIONES. Saiago,

Más detalles

REVISTA INVESTIGACION OPERACIONAL Vol. 23, No. 3, 2002

REVISTA INVESTIGACION OPERACIONAL Vol. 23, No. 3, 2002 REVISTA INVESTIGACION OPERACIONAL Vol. 23, No. 3, 22 MATRICES ESCALONADAS Y METODOS PRIMAL DUAL DE PUNTO INTERIOR Alibei Kakes Cruz, Deparameo de Maemáica Aplicada, Faculad de Maemáica y Compuació, Uiversidad

Más detalles

1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA

1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA hp://www.vinuesa.com 1.- ALGORITMOS RÁPIDOS PARA LA EJECUCIÓN DE FILTROS DE PILA 1.1.- INTRODUCCIÓN Los filros de pila consiuyen una clase de filros digiales no lineales. Un filro de pila que es usado

Más detalles

REVISTA INVESTIGACION OPERACIONAL Vol. 24, No. 1, 2003

REVISTA INVESTIGACION OPERACIONAL Vol. 24, No. 1, 2003 REVITA IVETIGACIO OPERACIOAL Vol. 4, o., 3 TEORIA DE LA VALORACIO MEDIATE MODELO FIACIERO ETOCATICO, E TIEMPO DICRETO Y E TIEMPO COTIUO Josefia Maríez arbeio, Uiversidade de A Coruña, España Julio García

Más detalles

RESOLUCIÓN DE CIRCUITOS APLICANDO TRANSFORMADA DE LAPLACE

RESOLUCIÓN DE CIRCUITOS APLICANDO TRANSFORMADA DE LAPLACE A.4. TEORÍA DE CIRCUITOS I CAPÍTUO RESOUCIÓN DE CIRCUITOS APICANDO TRANSFORMADA DE APACE Cáedra de Teoría de Circuio I Edició 03 RESOUCION DE CIRCUITOS APICANDO TRANSFORMADA DE APACE.. Iroducció El cálculo

Más detalles

Modelo De Simulación de Ingresos para el Agro

Modelo De Simulación de Ingresos para el Agro Modelo De Simulación de Ingresos para el Agro Basado en el programa AgRisk desarrollado en Ohio Sae Universiy hp://www-agecon.ag.ohio-sae.edu/programs/agrisk/defaul.hm CP. Menichini Amilcar 1 Lic. Lazzai

Más detalles

Transformada Z. Transformada Z. Señales y sistemas discretos (1) Señales y sistemas discretos (2)

Transformada 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 detalles

Señales y sistemas discretos (1) Transformada Z. Definiciones

Señales 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 detalles

Análisis de flujos en lámina libre y su interacción con sólidos y estructuras por el método de partículas y elementos finitos (PFEM)

Análisis de flujos en lámina libre y su interacción con sólidos y estructuras por el método de partículas y elementos finitos (PFEM) Aálisis de flujos e lámia libre y su ieracció co sólidos y esrucuras por el méodo de parículas y elemeos fiios (PFEM) E. Oñae B. Suárez F. Salazar R. Morá M.A. Celiguea S. Laorre Publicació CIMNE Nº-365,

Más detalles

Para las comparaciones hay que tener en cuenta dos aspectos importantes:

Para las comparaciones hay que tener en cuenta dos aspectos importantes: Esadísica Descriiva: Números Ídices Faculad Ciecias Ecoómicas y Emresariales Dearameo de Ecoomía Alicada Profesor: Saiago de la Fuee Ferádez NÚMEROS ÍNDCES Los úmeros ídices so ua medida esadísica que

Más detalles

Análisis en el Dominio de la Frecuencia. Análisis en el Dominio de la Frecuencia. Sistemas de Control. Análisis en el Dominio de la Frecuencia

Análisis 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 detalles

REVISIÓN DE ALGUNOS INDICADORES PARA MEDIR LA DESIGUALDAD XAVIER MANCERO CEPAL

REVISIÓN 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 detalles

Valor de Rescate. Elementos Actuariales para su Determinación Por: Pedro Aguilar Beltrán. Octubre de 2008

Valor de Rescate. Elementos Actuariales para su Determinación Por: Pedro Aguilar Beltrán. Octubre de 2008 alor de escae Elemeos Acuariales ara su Deermiació Por: Pedro Aguilar Belrá Ocubre de 28 El alor de rescae es u coceo que se refiere al moo que le oorgará la aseguradora al asegurado o beeficiario, e caso

Más detalles

Estadística Descriptiva

Estadística 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 detalles

ANÁLISIS DE LA RENTABILIDAD

ANÁLISIS DE LA RENTABILIDAD ANÁLISIS DE LA RENTABILIDAD DE LOS FONDOS DE PENSIÓN COMISIÓN TÉCNICA DE INVERSIONES DE LA AIOS. INTRODUCCION El documeo cosa del aálisis de cico aspecos écicos referidos al ema de reabilidad: El cálculo

Más detalles

4. VARIABLES ALEATORIAS Y SUS PROPIEDADES

4. VARIABLES ALEATORIAS Y SUS PROPIEDADES 4. VARIABLES ALEATORIAS Y SUS PROPIEDADES Dr. hp://mah.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ 4. Variables Aleaorias Ua variable aleaoria es ua fucio que asume sus

Más detalles

Una recomendación para cuantificar el riesgo operativo en entidades financieras en Colombia

Una recomendación para cuantificar el riesgo operativo en entidades financieras en Colombia Ua recomedació para cuaificar el riesgo operaivo e eidades fiacieras e Colombia Adrés Mora* RESUMEN Ese arículo presea dos efoques para cuaificar riesgo operaivo e eidades fiacieras. U efoque es el propueso

Más detalles

PERÍODO INFORMADO: Enero a Junio 2009 $ 395.182.780 $ 200.000.000

PERÍODO INFORMADO: Enero a Junio 2009 $ 395.182.780 $ 200.000.000 FORMATO No 4 PLANES DE ACCIÓN U OPERATIVOS Promover el uso de la Irae Guberameal. PERÍODO INFORMADO: Eero a Juio 009 NUMERO ÁREAS INVOLUCRADAS ACTIVIDADES RECURSOS RESPONSABLES TIEMPO PROGRAMADO INDICADORES

Más detalles

Manual del índice de precios de inmuebles residenciales (IPIR)

Manual del índice de precios de inmuebles residenciales (IPIR) Para la mayor pare de los ciudadaos, la compra de u imueble residecial ua vivieda es la operació más imporae de oda la vida. Los imuebles resideciales hogares y, al mismo iempo, el acivo más valioso. Los

Más detalles

5. Aproximación de funciones: polinomios de Taylor y teorema de Taylor.

5. 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 detalles

Capítulo 2. Operadores

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 detalles

GUÍA DE ESTUDIO ÁLGEBRA LINEAL

GUÍA 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 detalles

b. La primera parte del apartado es igual al apartado a, con la diferencia de que el segundo medio es agua.

b. La primera parte del apartado es igual al apartado a, con la diferencia de que el segundo medio es agua. Septiembre 0. Preguta B.- Se tiee u prisma rectagular de vidrio de ídice de refracció,4. Del cetro de su cara A se emite u rayo que forma u águlo a co el eje vertical del prisma, como muestra la figura.

Más detalles

TEMA 1. VECTORES Y MATRICES 1.2. MATRICES. OPERACIONES ELEMENTALES

TEMA 1. VECTORES Y MATRICES 1.2. MATRICES. OPERACIONES ELEMENTALES TEM VECTORES Y MTRICES MTRICES OPERCIONES ELEMENTLES VECTORES Y MTRICES MTRICES: OPERCIONES ELEMENTLES Cocepo de riz Eleeos Tipos de rices Su y difereci de rices Produco de u úero por u riz Trsposició

Más detalles

7.2. Métodos para encontrar estimadores

7.2. 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 detalles

Tema 6. Sucesiones y Series. Teorema de Taylor

Tema 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 detalles

Modelos lineales en Biología, 5ª Curso de Ciencias Biológicas Clase 28/10/04. Estimación y estimadores: Distribuciones asociadas al muestreo

Modelos 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 detalles

LA TRANSFORMADA Z { } CAPÍTULO SEIS. T n n. 6.1 Introducción

LA 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 detalles

Figura 1. Se dice que un subespacio vectorial F de E es A-invariante si los vectores u de F siguen estando en F al transformarse por A, esto es,

Figura 1. Se dice que un subespacio vectorial F de E es A-invariante si los vectores u de F siguen estando en F al transformarse por A, esto es, VALORES Y VECORES PROPIOS Y LA REDUCCION DE CÓNICAS A) EL PROBLEMA PROPIO oda matriz cuadrada A de orde co elemetos (reales o complejos) es u operador lieal que actúa sobre el espacio vectorial E, dimesioal,

Más detalles

DATOS GENERALES DE LA REPÚBLICA DE PANAMÁ

DATOS GENERALES DE LA REPÚBLICA DE PANAMÁ DATOS GENERALES DE LA REPÚBLICA DE PANAMÁ Superficie: Toal de la República: 75,57 km 2 Població Toal: Segú proyeccioes de la Coraloría Geeral de la República la població oal al º de Julio de 2005 es de

Más detalles

CADENAS DE MARKOV. Métodos Estadísticos en Ciencias de la Vida

CADENAS 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 detalles

Planificación contra stock

Planificación 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 detalles

Clasificación de señales. Clasificación de señales. Clasificación de señales. Vectores

Clasificación de señales. Clasificación de señales. Clasificación de señales. Vectores Clasificació de señales Señales de Eergía y Señales de Pecia Señal de Eergía: Señal e fra de puls que ralee exise sól durae u ierval fii de iep, al es la ayr pare de su eergía se ecuera ccerada e u ierval

Más detalles

Dada 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:

Dada 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 detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. Invesigación y écnicas de Mercado Previsión de Venas ÉCNICAS CUANIAIVAS ELEMENALES DE PREVISIÓN UNIVARIANE. (II) écnicas elemenales: Modelos Naive y Medias Móviles. Medición del error de previsión. Profesor:

Más detalles

ESTADÍSTICA DESCRIPTIVA: UNA VARIABLE Julián de la Horra Departamento de Matemáticas U.A.M.

ESTADÍSTICA 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 detalles

UNIDAD 8 MODELO DE ASIGNACIÓN. características de asignación. método húngaro o de matriz reducida.

UNIDAD 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 detalles

Tema 9 Teoría de la formación de carteras

Tema 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 detalles

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 5 ) Solución Germán-Jesús Rubio Luna OPCIÓN A

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 5 ) Solución Germán-Jesús Rubio Luna OPCIÓN A IES Fco Ayala de Graada Sobrates de 2006 (Modelo 5 ) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A Sea la regió defiida por las siguietes iecuacioes: x/2 + y/3 1 ; - x + 2y 0; y 2. (2 putos) Represete

Más detalles

UNIDAD Nº 2. Leyes financieras: Interés simple. Interés compuesto. Descuento.

UNIDAD 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 detalles

Una serie de potencias puede ser interpretada como una función de x. f(x) = n=0

Una 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 detalles

A = 1. Demuestra que P (1) es cierta. 2. Demuestra que si P (h) es cierta, entonces P (h + 1) es cierta.

A = 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 detalles

1 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 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 detalles

ESTADÍSTICA BÁSICA. Discretas. Función de masa de probabilidad: P(X=x i ) Sólo se toma un conjunto finito valores {x 1, x 2,...}

ESTADÍSTICA 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 detalles

Capítulo I. La importancia del factor de potencia en las redes. eléctricas

Capítulo 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 detalles

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- II FUNDAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1

RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- II FUNDAMENTOS DE DIRECCIÓN FINANCIERA. Fundamentos de Dirección Financiera Tema 3- Parte I 1 RENTABILIDAD Y RIESGO DE CARTERAS Y ACTIVOS TEMA 3- II FUNDAMENTOS DE DIRECCIÓN FINANCIERA Tema 3- Parte I Etapas del Modelo de Markowitz I. DETERMINACIÓN DEL CONJUNTO DE POSIBILIDADES DE INVERSIÓN - Se

Más detalles

Estimación puntual y por intervalos de confianza

Estimación 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 detalles

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes 2014 (Modelo 2 ) Soluciones Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates 014 (Modelo ) Solucioes Germá-Jesús Rubio Lua SELETIVIDAD ANDALUÍA MATEMÁTIAS SS SOBRANTES 014 MODELO OPIÓN A EJERIIO 1 (A) (1 75 putos) Represete gráficamete la regió

Más detalles

PROCESOS ESTOCÁSTICOS PROCESOS ESTOCÁSTICOS INTEGRAL ESTOCÁSTICA ECUACIONES DIFERENCIALES ESTOCASTICAS: LEMA DE ITO

PROCESOS ESTOCÁSTICOS PROCESOS ESTOCÁSTICOS INTEGRAL ESTOCÁSTICA ECUACIONES DIFERENCIALES ESTOCASTICAS: LEMA DE ITO PROCESOS ESOCÁSICOS PROCESOS ESOCÁSICOS INEGRAL ESOCÁSICA ECUACIONES DIFERENCIALES ESOCASICAS: LEMA DE IO Procesos esocásicos Un proceso esocásico describe la evolución emporal de una variable aleaoria.

Más detalles

Soluciones Hoja de Ejercicios 2. Econometría I

Soluciones 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 detalles

UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA

UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA UNA MODELIZACIÓN PARA LOS ACCIDENTES DE TRABAJO EN ESPAÑA Y ANDALUCÍA Por Mónica Orega Moreno Profesora Esadísica. Deparameno Economía General y Esadísica RESUMEN El aumeno de la siniesralidad laboral

Más detalles

SOLUCIONES 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. 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 detalles

Consideraciones metodológicas para la evaluación de la sostenibilidad y vulnerabilidad fiscal

Consideraciones metodológicas para la evaluación de la sostenibilidad y vulnerabilidad fiscal Colecció Baca Ceral y Sociedad BANCO CENTRAL DE VENEZUELA Coideracioe meodológica para la evaluació de la oeibilidad y vulerabilidad fical Elizabeh Ochoa Lizbeh Seija Harold Zavarce Serie Documeo de Trabajo

Más detalles

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 2 Septiembre) Solución Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2006 (Modelo 2 Septiembre) Solución Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 006 (Modelo Septiembre) Solució Germá-Jesús Rubio Lua OPCIÓN A EJERCICIO 1_A (1 5 putos) Represete gráficamete el recito defiido por el siguiete sistema de iecuacioes:

Más detalles

0-3 2 0 4-2 -2 0-1 0-1 0-3-13-1

0-3 2 0 4-2 -2 0-1 0-1 0-3-13-1 IS Fco Ayala de Graada Sobrates 009 (Modelo 6) Solució Germá-Jesús Rubio Lua OPCIÓN A JRCICIO 1 ( putos) Sea las matrices: -1 4-1 - 1 5 - -6 A ; B 0-1 y C 0-1 1 0 1-0 -1 Determie X e la ecuació matricial

Más detalles

IES Fco Ayala de Granada Sobrantes de 2011 (Modelo 1) Enunciado Germán-Jesús Rubio Luna

IES Fco Ayala de Granada Sobrantes de 2011 (Modelo 1) Enunciado Germán-Jesús Rubio Luna IES Fco Ayala de Graada Sobrates de 011 (Modelo 1) Euciado Germá-Jesús Rubio Lua SOLUCIONES PRUEBA DE ACCESO A LA UNIVERSIDAD DEL AÑO 010-011 ANDALUCÍA MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II

Más detalles

MEDIDAS DE RESUMEN. Jorge Galbiati Riesco

MEDIDAS 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 detalles

TEMA 2.- MODELOS DE PROGRAMACION LINEAL. SOLUCION GRAFICA. En los problemas de Programación Lineal nos encontraremos con:

TEMA 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 detalles

Análisis de Series de Tiempo

Análisis de Series de Tiempo Aálii de Serie de Tiempo Noe que dada la erucura de difereciar la fució de veroimiliud e mu complicado por ao difícil de opimizar. eo cao e aplica méodo umérico co eimadore iiciale dado e la eimació prelimiar.

Más detalles

Figura 9.1: Respuesta típica al escalón unitario de un sistema de control. Análisis de Sistemas Lineales 95 Ing. Eduardo Interiano

Figura 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 detalles

Examen Parcial de Econometría II. Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo:

Examen Parcial de Econometría II. Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo: Escuela Superior Poliécnica del Lioral Faculad de Economía y Negocios 30-11-2011 Examen Parcial de Economería II Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo: REGLAMENTO DE EVALUACIONES Y CALIFICACIONES

Más detalles

Análisis en el Dominio del Tiempo para Sistemas Discretos

Análisis 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 detalles

IES Fco Ayala de Granada Sobrantes 2009 (Modelo 3 Junio) Soluciones Germán-Jesús Rubio Luna+

IES Fco Ayala de Granada Sobrantes 2009 (Modelo 3 Junio) Soluciones Germán-Jesús Rubio Luna+ IES Fco Ayala de Graada Sobrates 009 (Modelo 3 Juio) Solucioes Germá-Jesús Rubio Lua+ MATEMÁTICAS CCSS JUNIO 009 (MODELO 3) SELECTIVIDAD ANDALUCÍA OPCIÓN A EJERCICIO 1 Sea la igualdad A X + B = A, dode

Más detalles

CRITERIOS DE DECISIÓN EN LA EVALUACION DE PROYECTOS

CRITERIOS 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 detalles

PRIMERA 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. 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 detalles

SELECTIVIDAD ANDALUCÍA MATEMÁTICAS CCSS SOBRANTES 2008 (MODELO 5)

SELECTIVIDAD 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 detalles

APUNTES DE MATEMÁTICAS

APUNTES DE MATEMÁTICAS APUNTES DE MATEMÁTICAS 4º ESO º Trimestre Autor: Vicete Adsuara Ucedo INDICE Tema : Vectores e el Plao.. Ejercicios Tema 9 Tema : Depedecia Lieal...7 Ejercicios Tema. 0 Tema 3: El Plao Afí...... Ejercicios

Más detalles

(PROBABILIDAD) (tema 15 del libro)

(PROBABILIDAD) (tema 15 del libro) (PROBABILIDAD) (tema 15 del libro) 1. EXPERIMENTOS ALEATORIOS. ESPACIO MUESTRAL. SUCESOS Defiició: U feómeo o experiecia se dice aleatorio cuado al repetirlo e codicioes aálogas o se puede predecir el

Más detalles

Métodos de Previsión de la Demanda Datos

Métodos de Previsión de la Demanda Datos Daos Pronósico de la Demanda para Series Niveladas Esime la demanda a la que va a hacer frene la empresa "Don Pinzas". La información disponible para poder esablecer el pronósico de la demanda de ese produco

Más detalles

Espacio vectorial ESPACIO VECTORIAL. 8.- Intersección y suma de subespacios vectoriales

Espacio vectorial ESPACIO VECTORIAL. 8.- Intersección y suma de subespacios vectoriales ESPACIO VECTORIAL.- Itroducció.- Espacio Vectorial.- Subespacios vectoriales 4.- Geeració de Subespacios vectoriales 5.- Depedecia e idepedecia lieal 6.- Espacios vectoriales de tipo fiito 7.- Cambio de

Más detalles

TEMA 5: INTERPOLACIÓN

TEMA 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 detalles

DEPARTAMENTO DE MATEMÁTICAS Mate1203 Cálculo Diferencial Parcial 3 (27/10/2010)

DEPARTAMENTO DE MATEMÁTICAS Mate1203 Cálculo Diferencial Parcial 3 (27/10/2010) UNIVERSIDAD DE LOS ANDES DEPARTAMENTO DE MATEMÁTICAS Mate1203 Cálculo Diferecial Parcial 3 (27/10/2010) 1. Cosidere la fució f (x) = 3(x 1) 2/3 (x 1) 2 a) Halle el domiio b) Ecuetre los putos críticos,

Más detalles