Errores en navegación inercial. Modelos de Error. Tema 4: Sistema de navegación autónomo. Navegación inercial. Errores.
|
|
- Lucas Quintana Chávez
- hace 7 años
- Vistas:
Transcripción
1 Navegación Aérea Tema 4: Sistema de navegación autónomo. Navegación inercial. Errores.
2 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Sistema de navegación autónomo: Navegación inercial. La navegación autónoma es aquella que no depende de medidas externas y por tanto no es susceptible a interferencias (accidentales o provocadas) ni a manipulación o error externo. El ejemplo más temprano es la navegación a estima que ya se vio en la introducción histórica. En aviación se emplea la navegación inercial. El objeto de la navegación inercial es determinar la posición, velocidad y actitud de la aeronave, con la mayor precisión posible, a partir de las medidas de la IMU (Inertial Measurement Unit). La IMU se compone de sensores inerciales: giróscopos y acelerómetros. Para la navegación inercial, además de la IMU, es necesaria una estimación inicial (fix) de posición, velocidad y actitud, y un modelo gravitatorio. 2 / 57
3 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Historia de la navegación inercial I Históricamente la navegación inercial no nace hasta el siglo XX. Sus antecedentes se encuentran en la navegación a estima (ya estudiada) y en la invención de los primeros giróscopos. Los giróscopos se inventaron en el siglo XIX; fue Leon Focault quien les dio su nombre, popularizándolo gracias a un experimento (fracasado) en el que los usó para tratar de demostrar la rotación de la Tierra. Un giróscopo mantiene su eje de rotación (en el espacio inercial) frente a perturbaciones. Este efecto se conoce como rigidez giroscópica. Dichas perturbaciones generan un movimiento de precesión y nutación, que se puede medir. Por ejemplo, al forzar la rotación de un giróscopo en un eje distinto a su eje de giro, se produce un efecto que permite estimar la velocidad de rotación. 3 / 57
4 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Historia de la navegación inercial II Por tanto los giróscopos tienen un eje en torno al cual giran permanentemente, otro eje en el cual se detectan perturbaciones y otro eje en el cual se miden dichas perturbaciones. Las plataformas giroestabilizadas se basan en este fenómeno, son plataformas insensibles a perturbaciones que permiten diversas aplicaciones, como por ejemplo emplear una cámara de televisión en un helicóptero. Otra aplicación del efecto es el girocompás o brújula giroscópica, que permite encontrar el Norte geográfico. Modernamente, se emplean giróscopos no mecánicos, más sofisticados que emplean diversos efectos físicos. 4 / 57
5 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Historia de la navegación inercial III En la II Guerra Mundial, se emplearon giróscopos y acelerómetros por primera vez, para guiar misiles V-2. La invención de este sistema de guiado se debe a un estadounidense, Robert Goddard. Tras la guerra, hubo un rápido desarrollo. Los primeros sistemas de navegación inercial consistían en una triada de acelerómetros y giróscopos montados en una plataforma, capaz de rotar y orientarse con libertad. Se diseña la plataforma de manera que siempre mantenga su orientación respecto a un sistema de referencia dado (g o n). Por tanto medimos directamente a n NG y C n b. Estos sistemas a veces se llaman semianaĺıticos. 5 / 57
6 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Historia de la navegación inercial IV Éstos sistemas son funcionales en cualquier sitio de la Tierra: tierra, aire, océanos, bajo el agua... Con navegación inercial el submarino USS Nautilus cruzó bajo el hielo y pasó por el polo Norte en Sin embargo es muy costoso, contiene elementos mecánicos que se desgastan, requiere una perfecta alineación inicial (lenta), y presenta problemas de bloqueo de los gimbals (gimbal lock) si se alinean los ejes de rotación. El sistema inercial más sofisticado que se creó fue el AIRS-Advanced Inertial Reference Sphere, que consiste en una esfera hueca con un fluido donde flota otra esfera con giróscopos y acelerómetros. Mantiene (mediante inyección de chorros) siempre una referencia inercial, con lo que se mide a i NG (que se puede integrar directamente) y Ci b. Por esto se llama geométrico o anaĺıtico. Su coste era enorme, pero se obtiene una gran precisión, con una deriva de 10 5 grados por hora (1,15 o por año). Se usó en misiles baĺısticos y en bombarderos. 6 / 57
7 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Historia de la navegación inercial V En 1956 se patenta la idea del INS strapdown, es decir, fijo (fijado al cuerpo). En éste caso los sensores inerciales miden las magnitudes en ejes cuerpo, es decir, ω b b/i y a b NG. Éste tipo se sistema INS se denomina anaĺıtico o de plataforma anaĺıtica, porque realmente no existe una plataforma y todo se realiza mediante cálculo numérico. Requiere el uso de ordenadores de gran capacidad de cómputo y de sensores precisos (por las vibraciones). Eso sólo fue posible a partir de los 70. Hoy en día es el único que se usa en la práctica. Además, gracias a la navegación integrada (complementar el INS con otros sistemas como el GPS) se pueden emplear sensores de baja calidad, con lo que el coste se ha abaratado enormemente. 7 / 57
8 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial La IMU: sensores inerciales. Una IMU consta de giróscopos y acelerómetros. Estos dispositivos han sido estudiados en otras asignaturas. Un modelo típico de medida sería: ˆm = (1 + σ)m + b + ξ, donde ˆm es la medida obtenida del valor real m, σ es el factor de escala, b es el sesgo y ξ es ruido de medida. Estos valores se pueden calibrar pero están sujetos a variaciones. Las principales características de estos dispositivos son: Ancho de banda: determina la frecuencia máxima de aceleración o giro que son capaces de detectar. Se asimila a la velocidad máxima con la que se toman medidas. Rango de medición. Supervivencia a choques. Ruido (en unidades de medida por Hz). Mide ξ. Se puede usar para calcular como se degrada la medida acumulada. Inestabilidad del sesgo (en unidades de medida). Mide el ruido aleatorio que entra en b. Inestabilidad del factor de escala (en porcentaje). Mide el ruido aleatorio que entra en σ. 8 / 57
9 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Acelerómetros. Precisiones típicas de acelerómetros: 9 / 57
10 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Giróscopos Precisiones típicas de giróscopos (RLG=Ring Laser Gyro, FOG=Fibre Optic Gyro, MEMS=Micro-Electro-Mechanical Systems). 10 / 57
11 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Los acelerómetros y la gravedad I Un acelerómetro no puede medir g. Principio de funcionamiento de un acelerómetro: medir el desplazamiento de una masa testigo. Ejemplo con muelle: Se cumple que mẍ = F kx, donde k es la constante del muelle y F la fuerza en la dirección del eje. Puesto que F = ma, donde a es la aceleración en la dirección del eje, se tiene que a = k/m x + ẍ. Suponiendo que a es aproximadamente constante, x tiende a una posición de equilibrio que cumple a = k/m x, y por tanto a es proporcional a x. Otros acelerómetros más sofisticados no requieren esperar a que se llegue al estado de equilibrio, por ejemplo compensando F con una fuerza contraria para que nunca se desplace x. 11 / 57
12 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Los acelerómetros y la gravedad II Qué sucede si el eje está en la misma dirección de la gravedad? Supongamos que el objeto está en caída libre. Para aplicar la Ley de Newton tenemos que estar en un sistema de referencia inercial, pero puesto que el objeto está en caída libre, tenemos que tener en cuenta que el sistema de referencia fijo en el cuerpo es no inercial! Por tanto: m(ẍ g) = F kx. Por otro lado F = m(a NG g). Por tanto, en el equilibrio: a NG = k/m x. 12 / 57
13 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Los acelerómetros y la gravedad III Es cierto pues que un acelerómetro no puede medir la gravedad? Es cierto que un acelerómetro no puede medir g directamente. En estado de caída libre en cualquier punto de la atmósfera (o en la Luna) sentiría la misma aceleración: cero. Sin embargo, en reposo sobre la superficie de la Tierra (por ejemplo un acelerómetro sobre una mesa), existe una fuerza de reacción R = g, es decir, R = g (apunta hacia arriba ). Por tanto a NG = g y se tiene g = k/m x. Es por tanto una medida indirecta de la gravedad. La definición correcta de acelerómetro es un dispositivo que mide desviaciones del estado de caída libre. Obsérvese que la aceleración debida al geopotencial (añadiendo la rotación de la Tierra) tiene exactamente el mismo carácter que la gravitatoria y por tanto no se puede medir (directamente). 13 / 57
14 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Mecanización en ejes n I En este tema supondremos, para simplificar, que n = g, y que la Tierra es esférica. Mecanizar las ecuaciones quiere decir escribirlas en el sistema de referencia apropiado y de forma que se puedan calcular a partir de las entradas. Partimos de las ecuaciones fundamentales de la navegación: d Velocidad: dt v n = Actitud: Posición: C b n = ( ω n n/e + 2ωn e/i) v n + a n NG + g n ( ω b b/n) C b n φ = λ = v N R e + h ḣ = v D v E cφ(r e + h) Donde sabemos además que: ω n e/i = [ω E cφ 0 ω E sφ] T y ω n n/e = [ v E R e +h v N R e +h v E tan φ R e +h ]T. 14 / 57
15 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Mecanización en ejes n II También disponemos de un modelo de gravedad: g n [0 0 g(h)] T, donde g(h) = µ e (R e. +h) 2 Además nuestra IMU nos proporcionará las medidas de los sensores inerciales: a b NG y ωb b/i. Obsérvese que éstas no son las magnitudes que aparecen en las ecuaciones fundamentales de la navegación: necesitamos a n NG y ωb b/n. Se tiene que a n NG = C b nab NG = (C n b ) T a b NG. Y se tiene que ( ) ω b b/n = ωb b/i ωb e/i ωb n/e = ωb b/i C n b ω n e/i + ωn n/e. Recordemos ( ) que por tanto: ( ) ( ω b b/n = ω b b/i C b n ω n e/i n/e) + ωn (C b n ) T Por tanto las ecuaciones fundamentales de la navegación de velocidad y actitud se modifican: ( d Velocidad: dt v n = ω n n/e e/i) + 2ωn v n + (Cn b ) T a b NG + g n Actitud: C b n = ( ω b b/i) C b n + C b n ( ω n e/i + ωn n/e) 15 / 57
16 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Mecanización en ejes n III Ya disponemos pues de todo lo que necesitamos y podemos esquematizarlo en el siguiente diagrama de bloques: IMU a b NG b! b=i Calculo velocidad b Cn Calculo Actitud v n g n Calculo posicion Modelo gravitatorio (Á; ;h) n n! ; n=e! e=i Calculo de vel. angulares 16 / 57
17 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Mecanización en ejes e En ocasiones, por motivos de integración INS-GPS, conviene mecanizar las ecuaciones en los ejes e (en los que trabaja el GPS). Se llega a las siguientes ecuaciones para velocidad y posición: ( ω e e/i) v e + a e NG + g e = d Velocidad: dt v e = 2 ( 2 ωe/i) e v e + (Ce n ) T (Cn b ) T a b NG + g e d Posición: dt r e = v e. Habría que escribir Ce n en función de r e y v e, escribir un modelo de g e, y escribir la ecuación de la actitud, y se llegaría a un esquema similar al anterior. 17 / 57
18 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Alineamiento inicial I Supongamos que tenemos el avión en reposo en un aeropuerto, y es necesario inicializar el INS con un fix. Cómo se haría? Evidentemente, se tiene que φ, λ y h son las del aeropuerto, o incluso con mayor precisión, las tomadas de un sistema GPS. Puesto el avión está en reposo, v n = 0. Queda encontrar el valor inicial de actitud, es decir, Cn b (t = 0). Para ello se usa la medida obtenida de giróscopos y acelerómetros (en reposo). De la ecuación ( fundamental de la navegación se tiene: 0 = ω n n/e e/i) + 2ωn 0 + a n NG + g n, luego a n NG = g n y por tanto a b NG = C b n a n NG = C b n g n. Por otro lado es claro que ω b b/n = ωb b/i ωb e/i ωb n/e y evidentemente ω b b/n = 0 y ωb n/e = 0. Por tanto:ω b b/i = ω b e/i = C b n ω n e/i. 18 / 57
19 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Alineamiento inicial II Tenemos por tanto dos ecuaciones: a b NG = C b n g n y ω b b/i = C b n ω n e/i. Llamando a las medidas x b 1 = ab NG y x b 2 = ωb b/i, y denotando los modelos como y n 1 = g n y x n 2 = ωn e/i, se tiene que x n 1 = C b n (0)y b 1, x n 2 = C b n (0)y b 2 Tendríamos 6 medidas (las componentes de dos vectores) para 9 grados de libertad (las entradas de la matriz). Es necesario pues generar una medida adicional independiente. 19 / 57
20 La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Alineamiento inicial III Llamemos x 3 = x 1 x 2. Obsérvese que este vector se puede escribir como ( x b 1) x b 2 en el sistema de referencia b, donde X es la matriz antisimétrica que representa el producto vectorial. Por otro lado se tiene que ( x b 1) = C b n (0) tanto x b 3 = ( x b 1) x b 2 = C b n (0) C b n (0) ( y n 1) C n b (0). Por ( y n 1) C n b (0)C b n (0)y n 2 = ( y 1) n y n 2. Por tanto denotando y 3 = y 1 y, se tiene 2 que x b 3 = C n b (0)y n 3. Escribiendo la matriz A como la matriz cuyas columnas son x b 1, x b 2 y x b 3, y la matriz B como la matriz cuyas columnas son y n 1, y n 2 y y n 3, se tiene: A = C n b (0)B y por tanto Cn b (0) = AB 1. No se han tenido en cuenta los errores de medida: Cn b (0) probablemente no saldría ortonormal (habría que emplear un algoritmo más sofisticado que tuviera en cuenta los errores de medida). 20 / 57
21 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Si conociéramos con total precisión las condiciones iniciales, el modelo de gravedad fuera perfecto, y los sensores inerciales no cometieran errores de medida, entonces la navegación inercial sería totalmente exacta. No obstante, ésto no es así, y cada uno de los términos mencionados contiene errores. Errores en condiciones iniciales. Errores en el modelo de gravedad δg n. Errores en los sensores inerciales. Para simplificar los agruparemos en un único valor: δa b NG, δωb b/i. La navegación inercial realiza integración de ecuaciones diferenciales, luego éstos errores se van acumulando. Es importante tener un modelo del error para saber como crece, para cuantificarlo, para aplicar medidas que permitan disminuirlo (como integración con otros sensores), para descubrir que sensores son más críticos (análisis de sensibilidad), etc / 57
22 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Variables de error. En general, para una variable cualquiera de navegación x, se denota con ˆx el valor estimado con el INS. Puesto que este valor no será exacto se define el error como δx = x ˆx. Error en posición: las variables de posición son φ, λ y h. Las variables estimadas serán ˆφ, ˆλ, ĥ. Definimos el error en posición δp como δp = [δφ δλ δh] T = [φ ˆφ λ ˆλ h ĥ] T. Error en velocidad: igualmente se define δv n = v n ˆv n, donde ˆv n es la velocidad calculada por el INS. Para la actitud, cómo definir un error en la matriz de actitud δc b n? No sería correcto considerar una matriz de nueve coeficientes pequeños ya que no necesariamente sería una matriz de actitud. En su lugar, supongamos que el INS estima una actitud de los ejes cuerpo b que, al no ser exactamente la real, denotaremos por ˆb. 22 / 57
23 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Error de actitud. Por tanto, realmente Ĉ b n = C ˆb n, donde se tiene que: n ( ˆψ,ˆθ, ˆϕ) ˆb δφ x x b δφ y S 1 y S 1 δφ z S 2 b z S 2 Se tiene entonces C b n = C bˆb C ˆb n, por analogía con las definiciones anteriores definimos δc b n = C b n Ĉ b n = C bˆb Ĉ b n Ĉ b n = (C bˆb Id)Ĉ b n. Suponiendo que los errores δφ = [δφ x δφ y δφ z ] T son pequeños, se vio que C ˆb b = Id δφ, donde como siempre: 0 δφ z δφ y δφ = δφ z 0 δφ x δφ y δφ x 0 Por tanto, la ecuación que define la matriz de error δc b n es δc b n = (Id δφ Id)Ĉ b n = δφ Ĉ b n.y se tiene C b n = (Id δφ )Ĉ b n. 23 / 57
24 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Ecuaciones de propagación del error Se quiere estudiar como evoluciona el error del INS con el tiempo. Para ello, es necesario encontrar el modelo de propagación del error. Éste modelo se encuentra directamente de las ecuaciones de la navegación inercial, suponiendo que los errores son pequeños, con lo que las ecuaciones se pueden linealizar. Por ejemplo, supongamos que x es una variable que el INS estima como ˆx. La ecuación que verifica x será ẋ = f (x). El INS lo que hará será calcular ˆx a partir de ˆx = f (ˆx). Por tanto: δẋ = ẋ ˆx = f (x) f (ˆx) = f (ˆx + δx) f (ˆx). Desarrollando esta expresión en serie de Taylor y quedándonos el término constante y el lineal: f (ˆx + δx) f (ˆx) + f x x=ˆxδx. Por tanto llegamos a la siguiente expresión: δẋ = f x x=ˆxδx, que es aproximada y sólo sirve para δx pequeño. 24 / 57
25 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error en posición I Se tiene que las ecuaciones de la posición son: φ = λ = v N R e + h v E cφ(r e + h) Por tanto el INS calculará: ḣ = v D ˆφ = ˆλ = ˆv N R e + ĥ ˆv E c ˆφ(R e + ĥ) ĥ = ˆv D Aplicando la teoría antes desarrollada, por ejemplo, para h: δh = ḣ ĥ = v D + ˆv D = δv D. Como la ecuación ya era lineal no hubo que linealizar. 25 / 57
26 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error en posición II Para la latitud: δ φ = φ ˆφ = v N R e +h ˆv N = ˆv N+δv N R e +ĥ R e +ĥ+δh Desarrollando en serie de Taylor y quedándonos hasta el ˆv término lineal: N +δv N = ˆv N + 1 R e +ĥ+δh R e +ĥ R +ĥδv N ˆv N δh e +ĥ)2 ˆv N (R e +ĥ) 2 δh. Por tanto: δ φ = 1 δv R e +ĥ N Operando igualmente con la longitud: 1 δ λ = c ˆφ(R δv e +ĥ) E Poniéndolo todo en una matriz: ˆv E c ˆφ(R δh + ˆv E tan ˆφ e +ĥ) 2 c ˆφ(R δφ e +ĥ) (R e ˆv N R e +ĥ. δṗ = d dt δφ δλ δh = 0 0 ˆv N ˆv E tan ˆφ c ˆφ(Re +ĥ) 0 1 (Re +ĥ)2 Re +ĥ ˆv E c ˆφ(Re +ĥ) c ˆφ(Re +ĥ) δφ δλ δh δv N δv E δv D 26 / 57
27 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error en posición III El resultado se puede escribir abreviadamente como δṗ = C pp δp + C pv δv n, donde: C pp = C pv = 0 0 ˆv N (R e +ĥ)2 ˆv E tan ˆφ c ˆφ(R e +ĥ) 0 ˆv E c ˆφ(R e +ĥ) R e +ĥ c ˆφ(R e +ĥ) , 27 / 57
28 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Errores en velocidad angular Para repetir el procedimiento con las ecuaciones de velocidad y actitud necesitamos antes encontrar el error en ω n e/i y en ω n n/e que denotaremos como δωn e/i y δω n n/e. En primer lugar se tiene que: ˆω n e/i = ω E c ˆφ 0 ω E s ˆφ Por otro lado: ˆω n n/e = δω n n/e = δω n e/i = ˆv E R e +ĥ ˆv N R e +ĥ ˆv E tan ˆφ R e +ĥ 1 R +ĥδv E e 1 R e +ĥ δv N + 1 tan ˆφ δv R e +ĥ E + ˆv E tan ˆφ ω E s ˆφ 0 ω E c ˆφ, por tanto: ˆv E δh (R e +ĥ)2 ˆv N δh (R e +ĥ) 2 δh ˆv E(1+tan 2 ˆφ) δφ (R e +ĥ)2 R e +ĥ δφ 28 / 57
29 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error en velocidad I Las ecuaciones ( de la velocidad ) que calcula el INS serán: d dt ˆv n = ˆω n n/e + 2ˆωn e/i ˆv n + (Ĉn b ) T â b NG + ĝ n Por tanto las ecuaciones del error serán: d ( ( ) dt δv n = δω n n/e e/i) + 2δωn ˆv n ˆω n n/e + 2ˆωn e/i δv n +(δcn b ) T â b NG + (Ĉ n b ) T δa b NG + δg n Recordemos que δcn b = δφ Ĉn b. Los otros términos los hemos calculado, excepto δa b NG (el error en los acelerómetros) y δg n (el error en el modelo gravitatorio). Puesto que 0 0 g n 0 δg n = 0 δh + δg n, donde µ e (R e 2µ e +h) 2 (R e +ĥ) 3 δg n son errores en el modelado gravitatorio. 29 / 57
30 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error en velocidad II Por tanto podremos escribir, como en el caso de la posición, δ v n = C vp δp + C vv δv n + C vφ δφ + C a δa b NG + δg n. Es una ecuación lineal en los errores, donde las matrices están definidas en función de la estimación del INS, y con dos términos forzantes: el error en los acelerómetros δa b NG y el error en el modelo gravitatorio δg n. 30 / 57
31 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error en actitud I Finalmente, calculamos el error en actitud. Recordemos el diagrama considerando una actitud estimada intermedia ˆb: n ( ˆψ,ˆθ, ˆϕ) ˆb δφ x x b δφ y S 1 y S 1 δφ z S 2 b z S 2 ( La actitud real verifica Ċn b = ωb/n) b C b n y la actitud estimada verifica Ĉ ( n b = Ċ ˆb n = ωˆbˆb/n) Ĉ b n. Por tanto ˆω b b/n = ωˆbˆb/n. Cuál es la definición entonces de δω b b/n? Tenemos que definir el error como la realidad menos la estimación: δω b b/n = ωb b/n ωˆbˆb/n. Pero son dos vectores que no están en la misma base!! (sí en una base muy parecida). Descomponemos ω b b/n = ωb b/ˆb + ωbˆb/n y escribimos ω bˆb/n = C bˆb ωˆbˆb/n = ( Id δφ ) ωˆbˆb/n, llegando a: δω b b/n = ωb b/ˆb + ( Id δφ ) ωˆbˆb/n ωbˆb/n = ωb b/ˆb δφ ωˆbˆb/n. 31 / 57
32 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error en actitud II Puesto que los ángulos son muy pequeños, se tiene δ φ = ω b b/ˆb. Por tanto llegamos a δωb b/n = δ φ δφ ˆω b b/n. Por tanto finalmente la ecuación del error de actitud δ φ queda como δ φ = δω b b/n + δφ ˆω b b/n. Para finalizar hay que expresar todo en función de la velocidad angular b/i, que es la que mide el giróscopo. En primer lugar, ˆω b b/n = ˆωb b/i Ĉ n b ecuación: δω b b/n = δωb b/i δc n b ( ˆω n e/i + ˆωn n/e ( ) ˆω n e/i + ˆωn n/e ). Tomando error en esta Ĉ b n ( ) δω n e/i + δωn n/e. Por tanto la ecuación del error de actitud δ φ queda: ( ) ( ) δ φ = δω b b/i + δφ Ĉn b ˆω n e/i + ˆωn n/e Ĉn b δω n e/i + δωn n/e ( ) +δφ ˆω b b/i δφ Ĉn b ˆω n e/i + ˆωn n/e ( ) = δω b b/i Ĉ n b δω n e/i + δωn n/e + δφ ˆω b b/i 32 / 57
33 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Propagación del error del INS. Por tanto podremos escribir, como antes, δ φ = C φp δp + C φv δv n + C φφ δφ + δω b b/i. Es una ecuación lineal en los errores, donde las matrices están definidas en función de la estimación del INS, y con un términos forzante: el error en los giróscopos δω b b/i. Si ponemos todos los errores juntos, llegamos a: d dt δp δv n δφ = C pp C pv 0 C vp C vv C vφ C φp C φv C φφ δp δv n δφ + Además estarán los errores en condiciones iniciales: δp δv n (t = 0). δφ 0 C a δa b NG + δg n δω b b/i Éste es el modelo de propagación del error del INS. Puesto que el término forzante es desconocido (y se modela mediante la estadística) es una ecuación diferencial estocástica. 33 / 57
34 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Ecuación del error en el canal vertical I Si trabajamos sólo con el error en h y V D, y despreciamos todos los términos excepto el gravitatorio, llegamos a la siguiente ecuación: δḣ = δv D µ e δ V D 2 (R e + ĥ) δh. 3 Por otro lado podemos aproximar en el denominador R e + ĥ R e. Teniendo en cuenta que la aceleración de la gravedad al nivel del mar g 0 = µ e, tendríamos las ecuaciones: Re 2 δḣ = δv D δ V D 2g 0 R e δh. Escribiéndolo como una única ecuación para δh: δḧ = 2g 0 R e δh. 34 / 57
35 Variables de error. Error en actitud Modelo de propagación linealizado El canal vertical Ecuación del error en el canal vertical II La solución de la ecuación diferencial es: 2g0 δh = C 1 e Re t + C 2 e 2g0 Re t, donde las constantes son función de las condiciones iniciales de altura y velocidad vertical. Éstas ecuaciones son inestables! El primer término crece hasta el infinito. Físicamente, lo que sucede es lo siguiente: si hay un error de altitud, p.ej. el INS piensa que el avión está más alto de lo que realmente está, el modelo de gravedad predice que la gravedad es menor de lo que es, con lo que el INS predice que el avión se eleva, es decir, el error inicial se amplifica! Éste resultado se mantiene si no se desprecian los términos que no se han considerado. Por tanto el canal vertical del INS es inestable y no se puede usar por sí sólo; empleando otras medidas (p.ej. barométricas) es posible compensar el canal vertical y obtener una medida fiable de la altura. 35 / 57
36 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Fuentes de Error Hemos visto que las ecuaciones de propagación del error son del tipo δẋ = A(ˆx)δx + δɛ, donde δx son las variables de navegación (posición, velocidad, actitud) y los δɛ las fuentes de error. Estas fuentes son: Errores en el modelo de gravedad δg n. Errores en los sensores inerciales δa b NG, δωb b/i. Aparte está el error en las condiciones iniciales δx(t 0 ). Si discretizamos estas ecuaciones en el tiempo, podríamos escribir un modelo algo más sencillo: δx(t k+1 ) = A(t k )δx(t k ) + δɛ(t k ). Cómo se modelan los errores? Cómo se interpretan las ecuaciones que contienen errores? Para responder a estas preguntas es necesario recordar algunos conceptos estadísticos. 36 / 57
37 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Descripción estadística del error Consideremos por ejemplo el caso del error de medida de un acelerómetro: a b NG = âb NG + δab NG, donde δab NG son errores de medida. Una componente de δa b NG, por ejemplo δa x, puede tener el siguiente aspecto: Es imposible conocer el valor con exactitud. Se observa que cambia con el tiempo. Por tanto, se representan sus propiedades usando la estadística. 37 / 57
38 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Variables aleatorias continuas unidimensionales Sea una variable aleatoria X R continua. Recordemos que la función de distribución F (x) es la probabilidad de que X x, que se escribe como F (x) = P(X x). La función de distribución se calcula mediante la función de densidad f (x): F (x) = x f (y)dy. Se define el operador esperanza matemática actuando sobre la función g(x) como E[g(X )] = g(y)f (y)dy. Se trata de un operador lineal, de forma que E[α 1 g 1 (X ) + α 2 g 2 (X )] = α 1 E[g 1 (X )] + α 2 E[g 2 (X )]. Los dos casos importantes son: Media: m(x ) = E[X ] = yf (y)dy. Varianza: V (X ) = E[(X m(x )) 2 ] = E[X 2 ] (E[X ]) 2. Desviación típica σ, la raíz cuadrada de la varianza, σ = V (X ). 38 / 57
39 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Distribución normal o gaussiana I Es la distribución más usada en estadística. Se escribe X N(m, σ 2 ) y su ( función de densidad es f (x) = 1 σ Exp ). (x m)2 2π 2σ 2 Intervalos de confianza: si X N(m, σ 2 ): Intervalo 1-σ: P(X [m σ, m + σ]) = 68,3 %. Intervalo 2-σ: P(X [m 2σ, m + 2σ]) = 95,45 %. Intervalo 3-σ: P(X [m 3σ, m + 3σ]) = 99,74 %. 39 / 57
40 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Distribución normal o gaussiana II El teorema central del ĺımite dice que la suma de variables aleatorias (con cualquier tipo de distribución) tiende en media a la normal. Puesto que los errores a gran escala provienen de la suma y acumulación de muchos errores a pequeña escala, esto justifica el uso de la normal como modelo para errores. Una propiedad importante de la normal es que la suma de normales es de nuevo normal, es decir, si X N(m x, σx) 2 e Y N(m y, σy 2 ) y son independientes, entonces si Z = X + Y se tiene que Z N(m x + m y, σx 2 + σy 2 ). Por tanto σ z = σx 2 + σy 2, es decir, la desviación típica de la suma de errores es la raíz cuadrada de la suma de los cuadrados de las desviaciones típicas de los errores. Esta regla, conocida como Root-Sum-of-Squares (RSS) es muy importante. 40 / 57
41 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Variables aleatorias continuas multidimensionales Sea una variable aleatoria X R n continua multidimensional. Cada componente de X sigue una distribución unidimensional. Como en el caso unidimensional, se define una función de distribución conjunta, que se calcula mediante la función de densidad f (x). Igualmente E[g(X )] = R g(y)f (y)dy. Los dos casos importantes son: n Media: m(x ) = E[X ] = yf (y)dy. R n Matriz de covarianzas: Cov(X ) = E[(X m(x ))(X m(x )) T ] = Σ. Es una matriz simétrica y definida positiva. Los valores de la diagonal representan la varianza de cada componente de X, mientras que los valores fuera de la diagonal la correlación entre dos componentes de X. Se tiene Σ = E[(X X T ] m(x )m(x ) T. Por ejemplo, para n = 3 y escribiendo X = [X, Y, Z]: Σ = σ 2 x E[(X m x )(Y m y )] E[(X m x )(Z m z )] E[(X m x )(Y m y )] σ 2 y E[(Y m y )(Z m z )] E[(X m x )(Z m z )] E[(Y m y )(Z m z )] σ 2 z 41 / 57
42 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Distribución normal multivariante I Se escribe X N n (m, Σ) y su función de densidad es f (x) = 1 Det(Σ)(2π) n/2 Exp ( 1 2 (x m)t Σ 1 (x m) ). Los intervalos de confianza son ahora regiones de R n, definidos por P(X Ω) = P Ω. La forma de estas regiones de confianza es de elipsoides, descritos por la ecuación (x m) T Σ 1 (x m) = d 2, donde d depende de P Ω. Cuanto mayores sean los valores de los autovalores de Σ, mayor será el elipsoide. Las direcciones de los ejes del elipsoide vendrán dados por los autovectores de Σ. 42 / 57
43 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Distribución normal multivariante II Si por ejemplo describimos el error en posición en ejes cuerpo, δr b = [δx δy δz] T, como una normal multivariante con n = 3, de media cero (centrada en el avión) y con matriz de covarianzas: Σ = σ 2 x σ 2 y σ 2 z Entonces σ x representa la magnitud del error ATE (along-track error), σ y del error XTE (cross-track error) y σ z del error VE (vertical error) y podemos asimilar el movimiento del avión al movimiento del elipsoide, que representa una región de incertidumbre donde se puede encontrar el avión con gran probabilidad. Se verifica que si X N n (m x, Σ x ) e Y N n (m y, Σ y ) y son independientes, entonces si Z = X + Y resulta Z N n (m x + m y, Σ x + Σ y ). Igualmente AX + b donde A y b son no-aleatorios verifica que AX + b N n (Am x + b, AΣ x A T ). 43 / 57
44 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Procesos estocásticos. Un proceso estocástico o variable estocástica no es sino una variable aleatoria X (t) que cambia con el tiempo. Los errores de navegación serán este tipo de variables. Por tanto la media y la covarianza también varían con el tiempo: m(t), Σ(t). Para un proceso, se define la autocorrelación como R(t, τ) = E[X (t)x (τ) T ]. La autocorrelación permite conocer hasta que punto la historia pasada de X influye en su valor actual. Proceso gaussiano: Un proceso gaussiano verifica X (t) N n (m(t), Σ(t)), es decir, se distribuye como una normal multivariante cuya media y covarianza varían con el tiempo. 44 / 57
45 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Ruido blanco. Ruido blanco: Se define como ruido blanco un proceso ν(t) que verifica: E[ν(t)] = 0. E[ν(t)ν(t) T ] = σ 2 Id. R(t, τ) = E[ν(t)ν(τ) T ] = δ(t τ)σ 2 Id, donde δ(x) vale 1 si x = 0 y 0 en cualquier otro caso. La última condición quiere decir que el valor del ruido blanco en un instante es independiente de su valor en cualquier instante anterior. Ruido blanco gaussiano: Es un proceso que cumple las condiciones anteriores, y además es gaussiano. Un buen modelo para las fuentes de error (errores de medida, errores gravitatorios) es δɛ(t k ) = b + Dν, donde ν es ruido blanco gaussiano. El valor de b dará la media del error (sesgo, llamado bias en inglés). 45 / 57
46 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Propagación del error. Si en las ecuaciones de propagación del error δx(t k+1 ) = A(k)δx(t k ) + δɛ(t k ) sustituimos δɛ(t k ) = b + Dν, obtenemos el siguiente modelo de propagación del error: δx(t k+1 ) = A(k)δx(t k ) + b + Dν. Observación: típicamente b también está sometido a un error variable, de forma que b(t k+1 ) = b(t k ) + D b ν b. Para simplificar ignoramos esta variación. Se realizan las siguientes hipótesis: ν es ruido blanco gaussiano con varianza σ 2 ν. Inicialmente, δx(t 0 ) N n (m 0, Σ 0 ). Si se conocieran perfectamente, entonces Σ 0 = 0. Además se tiene la hipótesis de que δx(t 0 ) y ν son independientes. Bajo estas condiciones, se tiene que δx(t k ) es un proceso gaussiano, es decir, δx(t k ) N n (m k, Σ k ), donde la media y la covarianza verifican la siguiente evolución: Propagación de la media: m k+1 = Am k + b. Propagación de la covarianza: Σ k+1 = AΣ k A T + σ 2 νdd T. 46 / 57
47 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Propagación del error: ejemplo sencillo Supongamos que tuviéramos una ecuación de propagación del error en una dimensión (por ejemplo la posición en el eje x) dada simplemente por: δx k+1 = δx k + ν, donde: La variable temporal k representa minutos, es decir, x 6 es el error en posición pasados 6 minutos. ν es ruido blanco gaussiano de varianza σν. 2 Inicialmente, δx(t 0 ) = 0. Además δx(t k ) y ν son independientes. Entonces aplicando las fórmulas anteriores, δx(t k ) N(m k, σ k ), donde la media y la varianza verifican: Propagación de la media: m k+1 = m k. Como m 0 = 0, se tendrá m k = 0 para todo k. Propagación de la varianza: σk+1 2 = σ2 k + σ2 nu. Como σ0 2 = 0, se tiene que σk 2 = kσ2 nu. Por tanto la varianza verifica σ k = kσ ν. Si por ejemplo x son metros y el ruido blanco tiene σ ν = 0,1 metros, entonces aunque inicialmente la posición se conoce sin error, pasada una hora σ 60 = 60 0,1 = 0,77, es decir un intervalo 2-σ sería δx [ 1,55, 1,55]. 47 / 57
48 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Propagación del error para un giróscopo Si estuviéramos estimando un giro unidimensional de un ángulo, θ, a partir de la medida de su velocidad angular por un giróscopo, ω, se tiene: θ = ω. Discretizando esta ecuación obtenemos aproximadamente θ k+1 = θ k + T ω, donde T es el periodo de muestreo. El error verificará δθ k+1 = δθ k + T δω y suponiendo que δω es ruido blanco de varianza σ 2 ν, se tiene, como antes: Var[δθ k ] = k( T ) 2 σ 2 ν, y observando que k T = t es el tiempo transcurrido: = Var[δθ k ] = ( ) t T σν. σ θk En las especificaciones de un giróscopo suele venir el dato ARW= T σ ν, en unidades de grados/ tiempo. Para estimar la desviación típica del error en un tiempo t basta multiplicar ARW por t. Existen otros errores que habría también que añadir. 48 / 57
49 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Propagación del error para un acelerómetro I Para un desplazamiento unidimensional se tiene igualmente, para la velocidad, v = a y para la posición, ẋ = v. Esto implica el siguiente sistema de ecuaciones para el error: [ ] [ ] [ ] [ ] d δv 0 0 δv δa = + dt δx 1 0 δx 0 Discretizando en el tiempo: [ ] [ d δvk+1 T 0 = dt δx k+1 1 T ] [ δvk δx k ] + [ 1 0 ] δa k Por tanto, usando las ecuaciones de [ propagación ] y bajo las δvk hipótesis habituales, tenemos que N δx 2 (m k, Σ k ) y k suponiendo que δa es ruido blanco de varianza σa, 2 se tienen las siguientes ecuaciones para m k y Σ k : m k+1 = Am k, [ T 0 donde A = 1 T Σ k+1 = AΣ k A T + σadd 2 T ] [ ] 1, D = 0 49 / 57
50 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Propagación del error para un acelerómetro II Suponiendo que el error inicial es cero y perfectante conocido, m 0 = 0 y Σ 0 = Esto implica m k = 0 para todo k. Por otro lado para Σ, definimos los coeficienes como: [ ] σ 2 Σ k = vk ξ k ξ k σx 2 k Insertando Σ k en las ecuaciones obtenemos σ2 v k+1 ξ k+1 ξ k+1 σ 2 x k+1 Desarrollando: = [ T 0 1 T ] σ2 v k+1 ξ k+1 ξ k+1 σ 2 x k+1 σ 2 v k+1 = σ 2 v k + T 2 σ 2 a [ T 1 0 T ] [ +σ 2 T 2 0 a 0 0 ] ξ k+1 = ξ k + T σ 2 v k σ 2 x k+1 = σ 2 x k + T 2 σ 2 v k + 2 T ξ k 50 / 57
51 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Propagación del error para un acelerómetro III Resolviendo la primera ecuación obtenemos como antes σv 2 k = k T 2 σa. 2 Introduciendo esta ecuación en la segunda obtenemos: ξ k+1 = ξ k + k T 3 σa 2 cuya solución es ξ k = k(k 1)(2k 1) 6 T 4 σa 2 k3 3 T 4 σa. 2 Introduciendo esta ecuación en la tercera obtenemos: σx 2 k+1 = σx 2 k + k T 4 σa 2 + k(k 1) T 4 σa 2 = σx 2 k + k 2 T 4 σa 2 cuya solución es σx 2 k = k(k 1)(2k 1) 6 T 4 σa 2 k3 3 T 4 σa. 2 Recordando k T = t hemos obtenido: σ vk = t T σ a y t σ xk = 3 3 T σa. En las especificaciones de un acelerómetro suele venir el dato ruido en g (aceleración de la gravedad) partido por Hz. Multiplicando este dato por 9.8 obtenemos T σ a, en unidades de m/s 3/2. 51 / 57
52 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Propagación del error para un acelerómetro IV Para estimar la desviación típica de la velocidad y la posición procederíamos como sigue: Para la velocidad: bastaría multiplicar el valor del ruido por t. t Para la posición: bastaría multiplicar el valor del ruido por 3 3. Existen otros errores que habría también que añadir. Ejemplo: supongamos que queremos estudiar la propagación del ruido de un acelerómetro sabiendo que su valor es de 50µg/ Hz ms 2/3. Entonces σ v = t ms 2/3 = ms 1 y σ x = t 3 / ms 2/3 = 62m. Luego un intervalo 2 σ de la velocidad sería v [ˆv 0,06, ˆv + 0,06] y un intervalo 2 σ de la posición sería x [ˆx 125, ˆx + 125]. 52 / 57
53 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Medida del error en 2-D Para el caso 2-D (por ejemplo posición sobre un mapa) y si el error está distribuido como X N 2 (0, Σ), las regiones de confianza serían elipses: Dado Σ podemos escribir Σ = Pdiag{σ 1, σ 2 }P T donde P es una matriz con autovectores y σ i los autovalores. Los autovectores dan la dirección de los ejes de la elipse y los autovalores son proporcionales a su magnitud (cuyo valor exacto dependerá del grado de confianza del intervalo). 53 / 57
54 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación.!"#$$%&'$(")*'+%&*+","!-" Medidas del error. Otras medidas de error en 2-D " &'()"*+,"-#./0/#)."12("3#44(5"#6(2"0/7(8"0'("-#./0/#)."12(".9100(2(5"#6(2"1)"12(1"5:("0#" 7(1.:2(7()0"(22#2.;"<'/."5/.-(2./#)"#$"-#/)0."/."9133(5"1".9100(2"-3#08"='/9'"*+," 7(1.:2(7()0."#2"(.0/710(5"-1217(0(2."12("3/B(3A"0#"C("/."9133(5"0'("9#)$/5()9("2(4/#);"" <'("9#)$/5()9("2(4/#)"/."0'()"1)13A>(5"0#"?:1)0/$A"0'("*+,"-(2$#271)9(".010/.0/9133A;" <'("9#)$/5()9("2(4/#)"=/0'"1"215/:."5(.92/C(."0'("-2#C1C/3/0A"0'10"0'(".#3:0/#)"=/33"C(" =/0'/)"0'(".-(9/$/(5"199:219A;"" CEP: Circular Error Probable. Sustituye la elipse por un " D/4:2("!".'#=."0'(".9100(2"-3#0"#$"0'("EF"./)43("-#/)0"-#./0/#)."#C.(26(5"CA"0'("190:13" círculo en cuyo interior hayg#6h0(3"ijklm*!"2(9(/6(2"$#2"!l"'#:2."1)5"/0."199:219a"215//"#$"nj+"1)5"opk,;" un 50 % de encontrar a la variable. " " # $ %!"!#!$ % $ # " *+,-$.&%/$)$!"#$!$ %&'($)!#!"!"#$ %!&&' &%( )* " " D/4:2("!Q"EF",/)43("+#/)0"-#./0/#)."9#33(90(5"#)"0'("2##$0#-"#$"G#6H0(3"C:/35/)4"$#2"!L" '#:2.":./)4"G#6H0(3"IJKLM*!"2(9(/6(2"1)5"*+,H)0())1"K#5(3"RS!;""" Es más simple de entender pero más complejo de hallar y +,-%./#$"012%3''$%42"0%567"&28%(.345*%% menos representativo estadísticamente " hablando. Si OPK,"/."1"./)43("):7C(2"0'10"(T-2(..(."!O"199:219A;"U)"#25(2"0#"9#7-:0("0'("OPK,"#$" '#2/>#)013"-#./0/#)"(22#2.8"0'(".01)5125"(22#2."V!W"$2#7"0'("B)#=)"-#./0/#)"/)"0'(" σ x /3 σ y 3σ x, entonces 5/2(90/#)."#$"0'("9##25/)10("1T/."12("2(?:/2(5;"" CEP 0,59(σ x + σ y ). " Otra medida comúnmenteopk,"/."0'(".?:12("2##0"#$"0'("16(214("#$"0'(".?:12("(22#2."='/9'"/."5($/)(5"1."$#33#=.q" usada (FAA) es el 2DRMS: círculo " OPK,"X"! " "! que contiene "! del 95 % al 98 % de los puntos. Se calcula!",01)5125"(22#2."v!w"#$"(.0/710(5"9##25/)10(."vt8"aw"#$"(19'"-#/)0"c(/)4"-#./0/#)(5" 91)"C("-2(5/90(5"$2#7"0'("9#22(.-#)5/)4"612/1)9(."#)"0'("5/14#)13"#$"0'(" 9#612/1)9("7102/T;"" DRMS = σ 2 x + σ 2 y. Entonces el 2DRMS es el círculo de radio 2 DRMS. Igualmente!"#$"%" existe el DRMS, 3DRMS / 57
55 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Algoritmo de mínimos cuadrados I En la resolución de problemas de navegación es frecuente encontrar sistemas de ecuaciones sobredeterminados (exceso de medidas) o incluso incompatibles (medidas no coherentes entre sí). Puesto que las medidas contienen errores (de diferente magnitud, según el tipo de medida), es conveniente resolver estos sistemas teniendo en cuenta dicho error. Se puede usar un algoritmo de mínimos cuadrados, que resuelve un sistema del tipo: y = Az + b, donde: y es de dimensión n y conocido (medidas). z es de dimensión m n y es desconocido (datos a calcular). A es conocido (medidas). b son los errores (desconocidos): b N m (0, Σ) Se busca una solución ẑ de forma que Aẑ sea lo más parecido posible a y en el sentido de los mínimos cuadrados. Matemáticamente, se busca ẑ tal que la función de coste J = (y Aẑ) T (y Aẑ) sea mínimo. 55 / 57
56 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Algoritmo de mínimos cuadrados II Se busca J ẑ = 0. En primer lugar: J = y T y 2y T Aẑ + ẑ T A T Aẑ Tomando la derivada: J ẑ = 2y T A + 2ẑ T A T A Igualándola a 0:y T A = ẑ T A T A Despejando ẑ: ẑ T = y T A(A T A) 1 ẑ = (A T A) 1 A T y. Obsérvese que (A T A) 1 A T es la pseudoinversa y existe siempre que A tenga al menos m filas (medidas) independientes. Propiedades estadísticas de la solución: E[ẑ] = E[(A T A) 1 A T y] = (A T A) 1 A T E[y] = (A T A) 1 A T E[Az + b] = (A T A) 1 A T AE[z] = E[z] = z. Cov[ẑ] = Cov[(A T A) 1 A T y] = (A T A) 1 A T Cov[y]A(A T A) 1 = (A T A) 1 A T ( Cov[Az + ) b]a(a T A) 1 = (A T A) 1 A T ACov[z]A T + Σ A(A T A) 1 = (A T A) 1 A T ΣA(A T A) 1 56 / 57
57 Breve recordatorio de estadística Procesos estocásticos. Ruido blanco. Propagación. Medidas del error. Algoritmo de mínimos cuadrados ponderados Existe alguna mejora posible del algoritmo de mínimos cuadrados que disminuya la covarianza de la estimación? Se plantea ponderar las medidas en la función de coste con una matriz de pesos W, de forma que se dé más peso a las medidas más precisas y menos a las menos precisas. Por tanto: J = (y Aẑ) T W (y Aẑ) donde W ha de ser una matriz simétrica definida positiva. Procediendo como antes (se deja como ejercicio) se llega a ẑ = (A T WA) 1 A T W y. Propiedades estadísticas de la solución: E[ẑ] = z. Cov[ẑ] = (A T WA) 1 A T W ΣWA(A T WA) 1 Para minimizar la covarianza, tomar W = Σ 1 ; es simétrica y definida positiva, y se le da más peso a las medidas con menor varianza y menos peso a las de mayor varianza. Llegamos a ẑ = (A T Σ 1 A) 1 A T Σ 1 y; calculando la covarianza se obtiene: Cov[ẑ] = (A T Σ 1 A) / 57
Errores en navegación inercial. Modelos de Error. Tema 4: Sistema de navegación autónomo. Navegación inercial. Errores.
Navegación Aérea Tema 4: Sistema de navegación autónomo. Navegación inercial. Errores. La IMU: sensores inerciales Mecanización en ejes n y en ejes e Alineamiento inicial Sistema de navegación autónomo:
Más detallesFundamentos de Navegación Aérea
Fundamentos de Navegación Aérea Tema 8: Sistema de navegación autónomo. Navegación inercial. Errores. Introducción Mecanización en ejes n y en ejes e Alineamiento inicial Sistema de navegación autónomo:
Más detallesTema 6: Sistemas de navegación integrados. El filtro de Kalman.
Navegación Aérea Tema 6: Sistemas de navegación integrados. El filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Fusión de sensores. Una aeronave actual dispone de una gran diversidad
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesProblemas. Laboratorio. Física moderna 09/11/07 DEPARTAMENTO DE FÍSICA E QUÍMICA. Nombre:
Física moderna 9/11/7 DEPARTAMENTO DE FÍSICA E QUÍMICA Problemas Nombre: 1. Un muelle de constante k =, 1 3 N/m está apoyado en una superficie horizontal sin rozamiento. A 1, m hay un bucle vertical de
Más detallesEstructura estelar estática
Estructura estelar estática Introducción A lo largo de su existencia, una estrella se encuentra en un estado de equilibrio delicado. Pequeños cambios pueden provocar inestabilidades locales o globales.
Más detallesDistribución Gaussiana o normal
FLUCTUACIONES ESTADÍSTICAS Los postulados fundamentales de la teoría estadística de errores establecen que, dado un conjunto de medidas, todas efectuadas en idénticas condiciones, suficientemente grande
Más detalles3. Variables aleatorias
3. Variables aleatorias Estadística Ingeniería Informática Curso 2009-2010 Estadística (Aurora Torrente) 3. Variables aleatorias Curso 2009-2010 1 / 33 Contenidos 1 Variables aleatorias y su distribución
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesLABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
Más detallesCONCEPTO DE CINEMÁTICA: es el estudio del movimiento sin atender a las causas que lo producen
CINEMÁTICA CONCEPTO DE CINEMÁTICA: es el estudio del movimiento sin atender a las causas que lo producen CONCEPTO DE MOVIMIENTO: el movimiento es el cambio de posición, de un cuerpo, con el tiempo (este
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detallesLIM. Integración mediante filtro de Kalman de sensores inerciales y GPS para la estimación de la posición de un vehículo. Trabajo fin de Grado
Trabajo fin de Grado Integración mediante filtro de Kalman de sensores inerciales y GPS para la estimación de la posición de un vehículo Autor: Alejandro Vázquez Fraga Tutores: Miguel Ángel Naya Villaverde
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesIntroducción al cálculo numérico. Método de Euler
Capíítullo T1 Introducción al cálculo numérico. Método de Euler En la figura 1.1 se muestra una masa sometida a la aceleración de la gravedad soportada por un muelle un amortiguador viscoso colocados en
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detalles2. Obtener la posicion x desde la que se ha emitido la señal Resp : :::::::::::::
EXAMEN 2 o PARCIAL DE MECANICA Y ONDAS (Teoria) 6 Julio de 2005 _ Apellidos: Nombre: Grupo: _ Instrucciones : Cada cuestión se puntuará con 10=14 puntos, si la respuesta es completamente correcta. Y entre
Más detallesÁlgebra II (61.08, 81.02) Primer cuatrimestre 2018 Práctica 3. Producto interno
Álgebra II (61.08, 81.02) Primer cuatrimestre 2018 Práctica 3. Producto interno Nota: en todos los casos en que no se indique lo contrario, considere el producto interno canónico en K n (K = R o C). 1.
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesIntroducción a la Robótica Móvil
Introducción a la Robótica Móvil Segundo cuatrimestre de 2016 Departamento de Computación - FCEyN - UBA Teórica - clase 10 Sensado con LASER e IMU Sensado Qué sensores vimos hasta ahora? Sensor de contacto
Más detallesPéndulo de torsión y momentos de inercia
Práctica 4 Péndulo de torsión y momentos de inercia 4.1 Objetivo.- Determinación de los momentos de inercia de diversos sólidos a partir de la medida de su período de oscilación sobre un péndulo de torsión
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detalles1. Características del movimiento
CINEMÁTICA TEMA 1 1. Características del movimiento En el universo todo está en continuo movimiento. Movimiento es el cambio de posición de un cuerpo a lo largo del tiempo respecto a un sistema de referencia
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesEstática y dinámica de un muelle vertical
Prácticas de laboratorio de Física I Estática y dinámica de un muelle vertical Curso 2010/11 1. Objetivos Determinación de la constante del muelle. Estudio de un muelle oscilante como ejemplo de movimiento
Más detallesSistemas inerciales de navegación. Javier Vasquez
Sistemas inerciales de navegación Javier Vasquez Sistema inerciales de navegación qué es la navegación inercial? qué son los IMU? Fuentes de error Marcos de referencia Inicialización X(T)i qué es la navegación?
Más detallesExamen de Física-1, 1 Ingeniería Química Examen final. Septiembre de 2014 Problemas (Dos puntos por problema).
Examen de Física-1, 1 Ingeniería Química Examen final. Septiembre de 014 Problemas (Dos puntos por problema). Problema 1 (Primer parcial): Un cuerpo de masa 10 g se desliza bajando por un plano inclinado
Más detalles10 cm longitud 30 m. Calcular: (a) la velocidad en el pie del plano inclinado si
Las pesas de la figura ruedan sin deslizar y sin 6 cm rozamiento por un plano inclinado 30 y de 10 cm longitud 30 m. Calcular: (a) la velocidad en el pie del plano inclinado si 100 cm las pesas parten
Más detallesNOTA CALI/ORDEN/PRES ORTOGRAFÍA PUNTUACIÓN EXPRESIÓN NOTA FINAL
1. Conteste razonadamente a las siguientes preguntas: a) Puede asociarse una energía potencial a una fuerza de rozamiento? b) Qué tiene más sentido físico, la energía potencial en un punto o la variación
Más detallesSistemas autónomos. Introducción a la teoría cualitativa.
Lección 4 Sistemas autónomos. Introducción a la teoría cualitativa. 4.1 Sistemas autónomos. Mapas de fase. En esta lección nos centraremos en el estudio de sistemas autónomos, es decir, aquellos que pueden
Más detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
Más detallesPRÁCTICA 6: PÉNDULO FÍSICO Y MOMENTOS DE INERCIA
Departamento de Física Aplicada Universidad de Castilla-La Mancha Escuela Técnica Superior Ing. Agrónomos PRÁCTICA 6: PÉNDULO FÍSICO Y MOMENTOS DE INERCIA Materiales * Varilla delgada con orificios practicados
Más detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesII. Vibración libre de un sistema de un grado de libertad
Objetivos: 1. Definir que es vibración libre. 2. Recordar el método de diagrama de cuerpo libre para deducir las ecuaciones de movimiento. 3. Introducir el método de conservación de energía para deducir
Más detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detalles27 de octubre de 2010
Pontificia Universidad Católica de Chile Facultad de Física FIZ 11 Mecánica Clásica Profesor: Andrés Jordán Ayudantes: Eduardo Bañados T. eebanado@uc.cl Ariel Norambuena ainoramb@uc.cl Torque, Momento
Más detallesOCW-V.Muto El problema de mínimos cuadrados. Cap. XIX CAPITULO XIX. EL PROBLEMA DE LOS MINIMOS CUADRADOS: PRELIMINARES
CAPITULO XIX. EL PROBLEMA DE LOS MINIMOS CUADRADOS: PRELIMINARES. SISTEMAS LINEALES DE ECUACIONES SOBREDETERMINADOS La discusión de los problemas algebráicos de la parte anterior se había centrado exclusivamente
Más detallesNumericamente idénticas, pero conceptualmente distintas en Mecánica Clásica. Numérica y conceptualmente distintas en Relatividad General.
FUNDAMENTOS FÍSICOS DE LA INGENIERÍA. CURSO 22/23. PRIMERO INGENIERO DE TELECOMUNICACIÓN. PRIMERA PRUEBA DE SOBRENOTA: MECÁNICA SOLUCIÓN DETALLADA. Las masas inerte y gravitatoria son: Numérica y conceptualmente
Más detallesFísica Ondas 10/11/06
Física Ondas 10/11/06 I.E.S. Elviña DEPARTAMENTO DE FÍSICA E QUÍMICA Nombre Problemas [5 Ptos.] 1. Para el proyectil de la figura, calcula: (a) El vector velocidad con que se incrusta en el suelo. [1]
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
Más detallesFísica y Química 1º Bachillerato LOMCE. Bloque 3: Trabajo y Energía. Trabajo y Energía
Física y Química 1º Bachillerato LOMCE Bloque 3: Trabajo y Energía Trabajo y Energía 1 El Trabajo Mecánico El trabajo mecánico, realizado por una fuerza que actúa sobre un cuerpo que experimenta un desplazamiento,
Más detalles6.8. Descomposición mediante valores singulares. v 2 =
68 Descomposición mediante valores singulares Los valores singulares de una matriz m n Supongamos que A es una matriz real cualquiera Los autovalores de A T A tienen la siguiente propiedad A T Ax = λx
Más detallesEjercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz
Ejercicios: Estimando π con métodos Monte Carlo y cálculo del mayor autovalor de una matriz 6 de marzo de 05. Cálculo de π con métodos Monte Carlo El objetivo de este ejercicio consiste en estimar el valor
Más detallesLas raíces del polinomio característico P (λ) = λ 2 + 4λ + 3 son
Tiempo total: 2 horas 4 minutos Problema 1 [2 puntos]. Colgamos una masa m de un muelle vertical cuya constante de Hooke es λ. El medio ofrece una resistencia igual a µ veces la velocidad instantánea.
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesCÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES
OBJETIVOS CÁLCULO DE INCERTIDUMBRE EN LAS MEDICIONES Reportar correctamente resultados, a partir del procesamiento de datos obtenidos a través de mediciones directas. INTRODUCCION En el capítulo de medición
Más detallesUniversidad Rey Juan Carlos. Prueba de acceso para mayores de 25 años. Física obligatoria. Año 2010. Opción A. Ejercicio 1. a) Defina el vector velocidad y el vector aceleración de un movimiento y escribe
Más detallesApuntes de la asignatura Química Física II (Licenciatura en Química) Tema 4: Postulados de la Mecánica Cuántica
Apuntes de la asignatura Química Física II (Licenciatura en Química) Tema 4: Postulados de la Mecánica Cuántica Ángel José Pérez Jiménez Dept. de Química Física (Univ. Alicante) Índice 1. Descripción de
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesTema 3: Espacios eucĺıdeos
Marisa Serrano, Zulima Fernández Universidad de Oviedo 25 de noviembre de 2009 email: mlserrano@uniovi.es Índice 1 2 3.1 V, R espacio vectorial, la aplicación : V V R ( v, u) v u a) v 1, v 2, u V α, β
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesMediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:
Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres
Más detallesMECANICA CLASICA Coordenadas generalizadas. Grados de libertad. Lagrange.
MECANICA CLASICA Coordenadas generalizadas. Grados de libertad. Lagrange. 1. Se tiene el sistema de la figura, donde x 1, x 2 se miden a partir de las posiciones de equilibrio. Sea q 1 = x 1 + x 2 y q
Más detallesPÉNDULO BALÍSTICO FÍSICO
PÉNDULO BALÍSTICO FÍSICO 1.- OBJETIVO Determinar la velocidad del proyectil que incide sobre el péndulo y la pérdida de energía cinética en el choque.- DESCRIPCIÓN DEL EQUIPO Lanzador Soporte del péndulo
Más detallesTeoría Espectral. Stephen B. Sontz. Centro de Investigación en Matemáticas, A.C. (CIMAT) Guanajuato, Mexico
Teoría Espectral Stephen B. Sontz Centro de Investigación en Matemáticas, A.C. (CIMAT) Guanajuato, Mexico Mini-curso impartido en Colima 29 septiembre 2016 - Tercer día Introducción Hay dos dichos populares
Más detallesPart I. Variables aleatorias unidimensionales. Estadística I. Mario Francisco. Definición de variable aleatoria. Variables aleatorias discretas
Part I unidimensionales de s de s Definición Dado un experimento aleatorio, con espacio muestral asociado Ω, una es cualquier función, X, X : Ω R que asocia a cada suceso elemental un número real, verificando
Más detallesMomento angular de una partícula. Momento angular de un sólido rígido
Momento angular de una partícula Se define momento angular de una partícula respecto de del punto O, como el producto vectorial del vector posición r por el vector momento lineal mv L=r mv Momento angular
Más detallesAcústica y vibraciones mecánicas
Sistemas de un grado de libertar libre Ecuación de movimiento de un sistema masa-resorte Considerando el sistema de la figura y por la aplicación dela segunda ley de Newton o principio de conservación
Más detallesMovimiento Relativo. Velocidad relativa constante
Movimiento Relativo Consideremos un sistema inercial S. El vector posición de una partícula respecto a S es. Queremos describir el movimiento de la partícula relativo a un sistema S que se mueve respecto
Más detallesÁlgebra Lineal. Tema 13. Mínimos cuadrados. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema 3. Mínimos cuadrados Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S. V ILLASEÑOR Índice
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detallesMÉTODOS NUMÉRICOS. Curso o. B Resolución de ecuaciones I (ecuaciones generales f (x) = 0)
MÉTODOS NUMÉRICOS. Curso 06-07. 1 o. B Resolución de ecuaciones I (ecuaciones generales f (x = 0 1. Utiliza el método de bisección para calcular con una precisión de 10 las soluciones de x 3 7x + 14x 6
Más detalles1. RODADURA SOBRE UN PLANO INCLINADO: MONTAJE EXPERIMENTAL
UNIVERSIDAD DEL VALLE Departamento de Física Laboratorio de Física Fundamental I Profesor: Otto Vergara. Diciembre 2 de 2012 NOTAS CLASE 4 1. RODADURA SOBRE UN PLANO INCLINADO: MONTAJE EXPERIMENTAL Figura
Más detallesFísica 2º Bach. Ondas 10/12/04
Física º Bach. Ondas 10/1/04 DEPARTAMENTO DE FÍSICA E QUÍMICA Problemas Nombre: [6 PTOS.] 1. Una partícula de 600 g oscila con M.A.S. Se toma como origen de tiempos el instante en que pasa por el origen
Más detallesMecánica Clásica (B) 2do. cuatrimestre de 2017 AD Primer parcial (con soluciones) 12/10
Mecánica Clásica B) do. cuatrimestre de 017 AD Primer parcial con soluciones) 1/10 Problema 1. El marco exterior de un giróscopo rota con velocidad angular constante ω = ωẑ, como muestra la figura, donde
Más detallesÚltimas notas de SVD
Últimas notas de SVD MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Salvador Botello CIMAT A.C. e-mail: botello@cimat.mx Relación entre los valores singulares
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detalles1. Notas Filtro de Kalman para Sistemas continuos-discretos
1. Notas Filtro de Kalman para Sistemas continuos-discretos Se considera un sistema continuo-discreto como aquel cuya evolución es continua en el tiempo (representada por ecuaciones diferenciales ordinarias)
Más detallesExamen de Física-1, 1 Ingeniería Química Examen final. Enero de 2013 Problemas (Dos puntos por problema).
Examen de Física-1, 1 Ingeniería Química Examen final. Enero de 013 Problemas Dos puntos por problema. Problema 1 Primer parcial: El radio de una noria de feria mide 5 m y da una vuelta en 10 s. a Hállese
Más detallesTEMA 8: LA DESCRIPCION DE LOS MOVIMIENTOS: CINEMÁTICA.
CURSO 2012/2013 DEPARTAMENTO DE CIENCIAS DE LA NATURALEZA FÍSICA Y QUIMICA 1º BACHILLERATO CIENCIAS Y TECNOLOGÍA Profesor: José Criado Ferrándiz TEMA 8: LA DESCRIPCION DE LOS MOVIMIENTOS: CINEMÁTICA. 1.
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesUNIDAD 6 F U E R Z A Y M O V I M I E N T O
UNIDAD 6 F U E R Z A Y M O V I M I E N T O 1. EL MOVIMIENTO DE LOS CUERPOS Un cuerpo está en movimiento si su posición cambia a medida que pasa el tiempo. No basta con decir que un cuerpo se mueve, sino
Más detallesDescenso del paracaidista en una atmósfera uniforme
Descenso del paracaidista en una atmósfera uniforme Cuando un paracaidista se lanza desde el avión suponemos que su caída es libre, el peso es la única fuerza que actúa sobre él, la aceleración es constante,
Más detallesSelectividad Septiembre 2007 SEPTIEMBRE 2007
Bloque A SEPTIEMBRE 2007 1.- Cada instalación de una televisión analógica necesita 10 metros de cable y cada instalación de televisión digital necesita 20 metros. Cada televisión analógica necesita 20
Más detallesConjuntos y matrices. Sistemas de ecuaciones lineales
1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución
Más detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detallesSistemas de referencia acelerados
Sistemas de referencia acelerados Supongamos que tenemos un sistema de referencia que esta rotando con una velocidad angular w. Y supongamos que observamos un vector A cuyas componentes varían en el tiempo
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesFundamentos Físicos de la Ingeniería. Ingeniería Industrial. Prácticas de Laboratorio
Fundamentos Físicos de la Ingeniería Ingeniería Industrial Prácticas de Laboratorio Práctica 16 Ley de Hooke 1 Objetivos El objetivo fundamental de esta práctica es medir la constante elástica de un muelle.
Más detallesTema 1: Conceptos generales del Análisis
Tema 1: Conceptos generales del Análisis Numérico Cálculo Numérico I Anna Doubova y Blanca Climent Ezquerra Dpto. EDAN, Universidad de Sevilla 11 de febrero de 2018 A.Doubova y B. Climent Conceptos generales
Más detallesIntroducción a la Teoría de Errores
Introducción a la Teoría de Errores March 21, 2012 Al medir experimentalmente una magnitud física (masa, tiempo, velocidad...) en un sistema físico, el valor obtenido de la medida no es el valor exacto.
Más detallesCentro de Preparación de Ingenieros
C) Ríos Rosas nº 34, 8003 Madrid Teléfono: 91 546139-915593300 www.academiacpi.es Curso: 017-018 Tema 1: ANÁLISIS DIMENSIONAL VÍDEO 1: (1.1, 1., 1.3.) ECUACIÓN DE DIMENSIONES (Duración 9,40 m) PROBLEMA
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesEjercicio = 216,65 K; P 0. /S para resolver el problema. SOLUCIÓN: Condición de vuelo: M 0
Ejercicio Calcular el exceso de potencia específica y la relación empuje/peso que tiene que tener un avión comercial para que en condiciones de crucero: M 0 = 0,85; a = 11000 m (T 0 = 216,65 K; P 0 = 22,6345
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detalles