1.1. Introducción Método de Identificación por Mínimos Cuadrados Forma Recursiva: Inclusión del Factor de Olvido.
|
|
- Mariano Martín Rojas
- hace 6 años
- Vistas:
Transcripción
1 . Mínimos Cuadrados. Mínimos Cuadrados.. Introducción 2.2. Método de Identificación por Mínimos Cuadrados Forma Recursiva: Inclusión del Factor de Olvido Características Estadísticas de la Estimación Correlación de la Estimación: Influencia del Valor Medio Referencias 33
2 .. Introducción ajuste automático de parámetros = Identificación de Sistemas Excitación Planta Salida de la Planta + Error de Estimación - Modelo Salida del Modelo 2
3 y yˆ.2. Método de Identificación por Mínimos Cuadrados Se considera, a los efectos del análisis, la siguiente planta real: n m = ai y-i + biu i ε xθ ε i= i= 0 [-] = + ε perturbación o incertidumbre. modelo: n m ˆ ˆ + = aˆ i y-i+ + bi u-i= xθ i= i= 0 [-2] donde aˆ y aˆ n y -n+ ˆ θ = x = bˆ 0 u bˆ m u -m N= n+ m+ N= n+ m+ [-3] 3
4 Para cada instante habrá un error o diferencia entre ambas salidas: e = y yˆ [-4] tomando todas las muestra, e+ E ˆ + = = Y + - φ θ [-5] e con aˆ y + ˆ a Y + = n x y y-n+ u u-m ˆ, θ = bˆ, = = φ 0 y x0 y0 y -n u0 u-m bˆ m [-6] 4
5 J Se puede minimizar el error respecto a ˆ θ. = E E [-7] J ˆ p = 2φ Y - 2 φ φθ = p 0 ˆ [-8] el valor de ˆ θ que hace mínimo J es: * ˆ Y θ = φφ φ [-9] 5
6 .2.. Forma Recursiva: Analicemos una forma más cómoda de expresar la ecuación [-9]. Primero definamos la matriz P como sigue: x-n -N - φ φ = P = [ x-n x0] = xi xi = P-+ x x [-0] i=0 x 0 Del mismo modo el vector b será: y -N -N b= φ Y = [ x-n x0] = xi yi= b-+ x y [-] i=0 y 0 Entonces [-9] se expresará ˆ θ = P b [-2] La inversa de la matriz P en un instante puede expresarse en función de su valor anterior más otra matriz - - P = P -+ x x [-3] 6
7 Si la premultiplicamos por P - - = P - x x [-4] P P I = P +P y luego, posmultiplicando por P resulta: P -= P+ P x x P - [-5] o lo que es lo mismo P-- P= P x x P - [-6] Posmultipliquemos [-5] por x P- x= P x+ P x x P-x= P x + x P- x [-7] y agrupemos = P x x P x P x [-8] P Ahora, reemplazando [-8] en [-6] - x x - -- P P P= + - x P o su equivalente x [-9] 7
8 - x x - = P P P P [-20] x P x Haremos lo mismo con el vector θ. Por la ecuación [-8] tenemos ˆ P x x P- θ = P-- [ b-+ x y ] + [-2] x P- x ˆ ˆ P- x x P- θ = θ - - [ - ] b + x y + P- x y [-22] + x P- x por [-8] sabemos que: P- x P x = [-23] + x P- x reemplazando en la anterior ˆ θ = ˆ θ - - P x x P- b-- P x x P- x y+ P- x y [-24] ˆ θ = ˆ ˆ θ - - P x xθ + - P-- P x x P- x y [-25] de [-6] resulta P = P- - P x x P - [-26] quedando 8
9 ˆ θ = ˆ ˆ θ P x x θ - y [-27] en resumen el algoritmo está formado por las dos ecuaciones siguientes: [ y y ] ˆ θ ˆ ˆ θ - - P x - = P x x P P= P-- + x P- x - - [-28] Otra forma equivalente que se suele utilizar en la bibliografía es Px K = + xpx P+ = P KxP ˆ θ = ˆ K ˆ θ + - y xθ - [-29] 9
10 .2.2. Inclusión del Factor de Olvido. En el algoritmo anterior pesamos de igual manera las medidas muy viejas y las nuevas. J = e Q e [-30] donde α 0 Q = [-3] -N 0 0 α La matriz Q pondera las muestras dándole más o menos importancia a la historia con respecto al último valor según el parámetro α el cual se llama factor de olvido. Igual que antes derivamos J para obtener el mínimo. ˆ θ J ˆ = 2φ QY 2φ Qφθ = 0 [-32] θ resultando * ˆ Q Q Y θ = φ φ φ [-33] 0
11 La matriz P ahora será: x-n - φ Q φ = P = [ x -N x 0 ] Q = x 0 P -N i - = α x i x i = αp - + x x i=0 - = φ Q φ = α P-+ x x [-35] [-34] Del mismo modo el vector b será: y -N -N i b= φ Y = [ x-n x0] Q = α xi yi = αb-+ x y [-36] i=0 y 0 b = φ Q Y = αb + [-37] - xy Entonces se expresará
12 ˆ θ = P b [-38] La inversa de la matriz P en un instante puede expresarse en función de su valor anterior más otra matriz P = α P + x x [-39] Si la premultiplicamos por P P P = I = α PP + Px x [-40] y luego, posmultiplicando por P resulta: P = α P + Px x P [-4] o lo que es lo mismo P α P = Px x P [-42] Posmultipliquemos [-4] por x P x = αpx + Px xp x = Px α + xp x [-43] y agrupemos. α + = P x x P x Px [-44] Ahora, reemplazando [-8] en [-6] 2
13 P P ˆ θ P P xxp α P = α + xp x o su equivalente P xxp = P α α + xp x [-45] [-46] Haremos lo mismo con el vector θ. Por la ecuación [-8] tenemos P xxp = P [ α b-+ xy] = α α + xp x - - ˆ P x x P = θ b P x y - y x α+ x P- x + + α α por [-8] sabemos que: P- x x = [-48] α + x P- x reemplazando en la anterior [-47] 3
14 ˆ θ = ˆ θ P xx P-b-+ x y + P-x y α α = ˆ θ - P xx P-b P xx P-x y+ P-x α α = ˆ θ ˆ - P xxθ + - P- P xx P- x y α de [-6] resulta - = P P P x x P α [-50] P Px x P = α P [-5] quedando ˆ θ = ˆ ˆ θ P x x θ - y [-52] y [-49] 4
15 en resumen el algoritmo está formado por las dos ecuaciones siguientes: [ y y ] ˆ θ = ˆ ˆ θ - - P x - P xxp P = P α α + xp x o lo que es lo mismo Px K = α + xpx P+ = ( P KxP) α ˆ θ = ˆ K ˆ θ + - y xθ - [-53] [-54] 5
16 Se puede asemejar esta idea a la introducción de un filtro en el cálculo de la inversa de P según lo muestra la figura siguiente: xx αq P 6
17 .3. Características Estadísticas de la Estimación y y0 y y-n+ u u-m y-n+ y -n φφ = u u0 y0 y -n u0 u-m u-m u-m autocovarianza o covarianza cruzada i = y( 0) [-56] i= 0 φ φ [,] = y y = y r [-55] 7
18 La matriz total se llama matriz de covarianza del algoritmo y será: r y(o) r y(n - ) ruy(n - m - ) ruy(n - ) ruy(n - ) ruy(n - m - ) φφ = ruy (n - m - ) ruy(n - ) ru(0) ru(m) ruy(n - ) ruy(n - m - ) ru(m) ru(0) media de ˆ θ. ˆ - lim E θ lim ˆ E φφ φ Y E θ = = - = lim E φφ φ[ φθ + e] [-58] - = lim E[ θ ] + lim E φφ φe ˆ - E θ = lim E[ θ] + lim E φφ φe [-59] [-57] 8
19 Por lo tanto la media de la estimación coincidirá con el valor real de θ si el error e - es incorrelado con φ φ φ. En cualquier otro caso existirá un sesgo en la estimación. ambién debemos notar que para que exista solución la matrizφ φ debe ser invertible o sea det φ φ 0 [-60] Observando la ecuación 0 podemos inferir que esto se puede lograr si el sistema está persistentemente excitado. 9
20 .3.. Correlación de la Estimación: Calculemos la correlación de θ que tiene la siguiente forma: E ˆ θ -θ ˆ - θ = θ E φ φ φ [ φθ+ e ]- θ φ φ φ [ φθ + e ]- θ r r - - = E φ φ φ e e φ φ φ [-6] si se cumple que e es incorrelado con φ φ φ 4 se verifica: e - - ˆ θ = E φ φ φ e φ φ φ e - = E φ φ E e e [-62] Suponiendo que el ruido es incorrelado consigo mismo llamaremos 2 = E e e = σ e I [-63] 20
21 y se cumplirá que E ee+ τ = 0 τ 0 [-64] por lo tanto la correlación de θ resulta: - 2 ˆ= E rθ φ φ σ e [-65] 2
22 .4. Influencia del Valor Medio Otra consideración a tener en cuenta en una estimación es que las mediciones de u e y no deben tener un valor medio distinto de cero ya que estamos suponiendo que el modelo del sistema es lineal. En caso de que éste exista deberemos eliminarlo. Si las variaciones son muy lentas se puede usar el siguiente filtro de primer orden: x = α x + (- α ) xn [-66] n n- 22
23 Ejemplo. Sistema de Primer Orden. Para familiarizarnos un poco más con el funcionamiento del estimador veamos un ejemplo sencillo. Sea un sistema de primer orden cuya ecuación en diferencias es: y = a y + b u [-67] - - con a = 0,5 y b = y 0 0 u b = 2 b( a) + =,5 3 2 b( a a ) + + =,7 4 b( a a 2 a 3 )
24 El vector φ será, para tres muestras,, 75 φ =,5 su transpuesta, φ =, 75,5 el vector de medidas de la salida,,875 Y =, 75,5 la matriz de covarianza, 6,325 4,25 φ φ = [-68] [-69] [-70] [-7] 24
25 la matriz P: φ φ = y finalmente el vector 7,4063 φ Y = 5,25 [-72] [-73] Con estos datos ya podemos calcular la estimación de los dos parámetros del sistema resultando obviamente, ˆ - 0,5 θ = φ φ φ Y = [-74] 25
26 Ejemplo 2. Medición de una Resistencia Se mide ensión y Corriente sobre una resistencia u = u + e m u i = i + e r m i m la medición de la resistencia es um i m (.75) = [.76] por mínimos cuadrados J = E E = ( U ri ) ( U ri ) (.77) J = 2 I ( U ri) = 0 r mc (.78) I U r = (.79) I I 26
27 Cálculo de r n=000; vi=; vu=; i=+vi*(rand(n,)-.5); u=+vu*(rand(n,)-.5); r=zeros(n,); for =:n r()=u(:)'*i(:)/(i(:)'*i(:)); end plot(r);grid axis([0 n -.5.5]) cov(i); 27
28 plot(u./i);grid; axis([0 n -.5.5]) 28
29 [mean(r) mean(u./i) cov(r) cov(u./i)] ans =
30 Sesgo { } I m U m ( Ir ei ) ( Ur eu) Er ( mc ) =E =E + + Im Im ( Ir + ei) ( Ir + ei) I r Ur r =E = 2 ( I r + e i) ( I r + e i) σ + i I I r r (.80) Método de mínimos cuadrados es ˆ θ φ φ φ Y [ ] = (.8) {[ ] } E () θˆ = E φ φ φ ( φθ e) + (.82) el error está en la salida. No hay error en la entrada 30
31 Variables instrumentales rvi=zeros(n,); L=2; ivi=i; ivi(:length(i)-l)=i(l+:length(i)); for =:n rvi()=u(:)'*ivi(:)/(i(:)'*ivi(:)); end
32 32
33 .5. Referencias i. Ljung, Lennart : System Identification: heory for the User, 2nd Edition, Prentice Hall, Englewood Cliffs, N.J.,999. p 33 ii. Goodwin, G. Sin: Adaptive Filtering, Prediction and Control, Prentice Hall 984. p 52 iii. Äström, K., Wittenmar: Adaptive Control, Prentice Hall 989. p 69 iv. Landau, Ioan Doré. System Identification and Control Design Prentice Hall 990 v. Isermann, R.: Digital Control Systems, Springer Verlag 98. p
1. Ajuste de los Modelos 1
03 b Ajuste de Modelos Identificacion.doc. Ajuste de los Modelos. Ajuste de los Modelos.. Introducción 2.2. Obtención Experimental del Modelo 2.2.. Modelado en Lazo Abierto 3.3. Otros Métodos 2.4. Obtención
Más detalles1. Mínimos Cuadrados. 05-Mínimos Cuadrados.doc 1
. Mínimos Cuadrados. Mínimos Cuadrados.. Introducción 2.2. Método de Mínimos Cuadrados 2... Forma Recursiva: 4..2. Inclusión del Factor de Olvido. 5.3. Características Estadísticas de la Estimación 8..3.
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
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 detallesPlanificaciones. 6665 - Control Digital. Docente responsable: ZANINI ANIBAL JOSE ANTONIO. 1 de 5
Planificaciones 6665 - Control Digital Docente responsable: ZANINI ANIBAL JOSE ANTONIO 1 de 5 OBJETIVOS El alumno deberá finalizar la asignatura manejando fluidamente las diferentes técnicas de modelización
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detalles1. Control con Modelo de Referencia
1. Control con Modelo de Reerencia 1. Control con Modelo de Reerencia 1 1.1. Introducción 2 1.2. Control con Modelo de Reerencia Determinista 2 1.3. Control con Modelo de Reerencia Estocástico 7 1.4. Simulaciones
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesConcepto de VA bidimensional. Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL. Concepto de VA bidimensional. Concepto de VA bidimensional
Concepto de VA bidimensional Tema 3: VARIABLE ALEATORIA BIDIMENSIONAL Carlos Alberola López Lab. rocesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar
Más detalles1 0 4/ 5 13/
1 1 1 7 1 0 4/ 5 13/ 5 R1 R 1+1/5R3 0 0 0 2 R2 R3 0 5 9 22 0 5 9 22 0 0 0 2 Como la matriz tiene un renglón (0, 0, 0, 2) indica que el sistema no tiene solución ya que no existe un número que sea 2 y al
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo
Más detallesEjercicios de Procesos Estocásticos
Ejercicios de Procesos Estocásticos Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Ejemplo Considerar
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesAlgunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices
Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2
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 detallesCOMPENSADOR DE TEMPERATURA PARA CELDAS DE CARGA
COMPENSADOR DE TEMPERATURA PARA CELDAS DE CARGA 1 Roberto Salas, 2 M. Velasco 1 MIDE, Metrología Integral y Desarrollo S. A. de C. V., Querétaro, México. 2 CENAM (Centro Nacional de Metrología), Querétaro,
Más detallesDiseño de un controlador adaptativo neuronal usando Filtro Kalman Por: Diego Fernando Cano *
Diseño de un controlador adaptativo neuronal usando Filtro Kalman Por: Diego Fernando Cano * Introducción 71 Resumen El control, basado en modelo de referencia (MRAS), ha tenido gran acogida en los últimos
Más detalles4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR
4 IDENTIFICACIÓN DE MODELOS LINEALES DE LA PLANTA SOLAR Los sistemas de E/S quedan determinados por su función de transferencia, que puede expresarse como una función temporal (respuesta impulsional) o
Más detalles2. ESTADÍSTICAS BIDIMENSIONALES
TEMA. ESTADÍSTICAS BIDIMENSIONALES.... Definición. Objetivos.... Coeficiente de Correlación. Lineal... 4 3. Rectas de regresión.... 7 . Definición. Objetivos En el tema anterior hemos estudiado las distribuciones
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesComo el sistema es homogéneo, sabemos que es compatible ( rang(a) = rang(a ) ). Estudiemos el máximo rango posible de A,
OPCIÓN A, se pide: Problema A.. Dado el sistema de ecuaciones lineales a)deducir, raonadamente, para qué valores de α el sistema sólo admite la solución (,, ) (0,0,0). (5 puntos) Solución: Estudiemos el
Más detallesy x Estimar por MCO un modelo lineal entre la variable explicada (y) y las
Ejercicio MLG Disponemos de los siguientes datos y x x3 7 6 0 4 3 7 8 6 3 6 6 5 8 9 8 Se pide. Estimar por MCO un modelo lineal entre la variable explicada (y) y las explicativas (x).. Comprobar que el
Más detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesEJERCICIOS DE SELECTIVIDAD DE ÁLGEBRA
EJERCICIOS DE SELECTIVIDAD DE ÁLGEBRA 2003 (4) Ejercicio 1. Considera los vectores u = (1,1,1), v = (2,2,a) y w = (2,0,0), (a) [1'25 puntos] Halla los valores de a para que los vectores u, v y w sean linealmente
Más detallesASIGNATURA DE GRADO: PROCESADO DE SEÑAL
ASIGNATURA DE GRADO: PROCESADO DE SEÑAL Curso 2014/2015 (Código:68024101) 1.PRESENTACIÓN DE LA ASIGNATURA La asignatura Procesado de Señal se encuadra dentro del programa del Grado Universitario Oficial
Más detallesIDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS
IDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Introduccion La teoría de sistemas
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesMÉTODO SIMPLEX REVISADO O FORMA MATRICIAL
MÉTODO SIMPLEX REVISADO O FORMA MATRICIAL Algoritmo del método simplex que mejora la eficiencia de los cálculos, se realizan los mismos pasos del método simplex visto, sólo se diferencia en la manera de
Más detallesEjercicios tipo test de las lecciones 1 y El vector e = ( 1, 0, λ) está en el plano generado por los vectores u = (1, 2, 1) y
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS Ejercicios tipo test de las lecciones 1 y 2. 1. El vector e = ( 1, 0, λ) está en el plano generado por los vectores u = (1,
Más detalles1. Diseño Óptimo en Función de Transferencia. 1. Diseño Óptimo en Función de Transferencia 1
. Diseño Óptimo en Función de Transferencia. Diseño Óptimo en Función de Transferencia.. Planteo del Problema.. Criterio de Optimización 3.. Predicción Óptima 4... Forma intuitiva 5... Caso General 5..3.
Más detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesINTRODUCCION- FILTRO DE WIENER
FILTRO LMS INTRODUCCION- FILTRO DE WIENER Es un sistema al que le llegan dos señales: x(n) y e(n). A los coeficientes del filtro se les llama w(n), que son los que multiplican a la entrada x(n) para obtener
Más detallesIntroducción a la Identificación de sistemas
Ingeniería de Control Introducción a la Identificación de sistemas Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos que se adquieren en este tema: Modelos deterministas
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 detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesUNIVERSIDAD DE CONCEPCION FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA
AL GEBRA III UNIVERSIDAD DE CONCEPCION FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA ALGEBRA III DEFINICION : Sea L : V V un operador lineal sobre el espacio vectorial
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesRegresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Más detallesUNIDAD DIDÁCTICA I Teoría de Filtrado Óptimo 1
Índice PRÓLOGO IX UNIDAD DIDÁCTICA I Teoría de Filtrado Óptimo 1 1 Representación de Estado de Sistemas Lineales 5 11 Representación de Estado en Tiempo Continuo 5 12 Matriz de Transición 1 121 Definición
Más detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
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 detallesOPTIMIZACIÓN EXPERIMENTAL. Ing. José Luis Zamorano E.
OPTIMIZACIÓN EXPERIMENTAL Ing. José Luis Zamorano E. Introducción n a la metodología de superficies de respuesta EXPERIMENTACIÓN: Significa variar deliberadamente las condiciones habituales de trabajo
Más detallesCálculo de Geodésicas en Superficies de Revolución
Cálculo de Geodésicas en Superficies de Revolución Superficies de Revolución Sea S R 3 la superficie de revolución obtenida al girar una curva regular del plano XZ que no corte al eje Z alrededor del mismo.
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 detallesA d) Estudiar la diagonalización del endomorfismo T. Es posible encontrar una base de vectores propios de R 2 [x]? Razonar la respuesta.
Universidad de Oviedo Ejercicio.5 puntos Se consideran las aplicaciones lineales T : R [x] R y T : R R [x] de las que se conoce la matriz A asociada a T en las bases canónicas de R [x] y R y la matriz
Más detalles1. a) Sean A, B y X matrices cuadradas de orden n. Despeja X en la ecuación X.A = 2X + B 2. 1 b)
Curso 9/. a) Sean, X matrices cuadradas de orden n. Despeja X en la ecuación X. = X + b) Calcula la matri X, siendo = = Solución: a) X. X.( - Id).( - Id) X.X.( - Id) - X. - X -.( Id) X.( - Id) b) 4 ( Id)
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detalles1. Modelo de Perturbaciones. 1. Modelo de Perturbaciones 1
. Modelo de Perturbaciones. Modelo de Perturbaciones.. Introducción 3.. Reducción del efecto de las Perturbaciones 4.3. Modelo de Perturbaciones 8.4. Perturbaciones Determísticas a Tramos.4.. Modelo en
Más detallesTema 4.2: FUNCIONES DISCRIMINANTES LINEALES y SV
ema 4.: FUNCIONES DISCRIMINANES LINEALES y SV Some Figures in these slides were taken from Pattern Classification (nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 000 with the permission
Más detallesTema 1: Matrices y Determinantes
Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz
Más detallesALGEBRA y ALGEBRA LINEAL
520142 ALGEBRA y ALGEBRA LINEAL Primer Semestre, Universidad de Concepción CAPITULO 7. MATRICES DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Matriz Sean
Más detallesDiagonalización de matrices
7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesPRIMER EXAMEN PARCIAL ÁLGEBRA LINEAL I. Soluciones. Suponer que x, y, z y t son escalares tales que, xh + yi + ze + tf = T.
PRIMER EXAMEN PARCIAL ÁLGEBRA LINEAL I Soluciones Sea W un espacio vectorial real de dimensión 2 y sea {u, u 2 } una base dada. Considerar las transformaciones lineales H, I, E, F EndW ) definidas de la
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
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 detallesÍndice. TEMA 3. Evaluación de la incertidumbre típica. 1. Clasificación de las medidas: Ejemplos. 2. Función de transferencia.
INTRODUCCIÓN A LA METROLOGÍA Curso Académico 2011-1212 Rafael Muñoz Bueno Laboratorio de Metrología y Metrotecnia LMM-ETSII-UPM TEMA 3. Evaluación de la incertidumbre típica Índice 1. Clasificación de
Más detallesÁlgebra Lineal Capítulo 11. Tópicos Especiales y Aplicaciones Producto tensorial de espacios vectoriales y matrices
Álgebra Lineal Capítulo 11. Tópicos Especiales y Aplicaciones 11.4. Producto tensorial de espacios vectoriales y matrices En esta lección de nimos el producto tensorial de espacios vectoriales, transformaciones
Más detallesSesión 18: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K
Sesión 8: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K ) Calculamos los valores propios de A y sus multiplicidades algebraicas con: d A λ = det A λi nxn = Si d A
Más detallesMétodo de Mínimos Cuadrados Recursivo
Control Avanzado Práctica 4 Método de Mínimos Cuadrados Recursivo José Gerardo Gomez Mendez Abril 27, 25 Resumen El presente trabajo presenta un sistema de un circuito RLC, donde se utiliza el método de
Más detallesMétodo de Gradientes Conjugados.
Método de Gradientes Conjugados. Lourdes Fabiola Uribe Richaud & Juan Esaú Trejo Espino. Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas February 17, 2015 1 Método de Direcciones
Más detallesAplicaciones Lineales
Aplicaciones Lineales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Aplicaciones Lineales 1 / 47 Objetivos Al finalizar este tema tendrás que: Saber si una aplicación es
Más detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
Más detallesHacia las Gramáticas Propias
Hacia las Gramáticas sin Ciclos Universidad de Cantabria Esquema 1 Introducción 2 3 Introducción Las gramáticas libres de contexto pueden presentar diferentes problemas. Ya hemos visto como eliminar los
Más detallesDeterminantes. Definiciones básicas sobre determinantes. José de Jesús Angel Angel.
Determinantes Definiciones básicas sobre determinantes wwwmathcommx José de Jesús Angel Angel jjaa@mathcommx MathCon c 2007-2008 Contenido 1 Determinantes 2 11 Propiedades de determinantes 4 2 Inversa
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 detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA SINTÉTICO DE LA ASIGNATURA: Identificación de Sistemas Código PLAN DE ESTUDIOS: 1996 CARRERA: Ingeniería Electrónica DEPARTAMENTO:
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 detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesPara verificar que el sistema converge se deberán cumplir con las siguientes condiciones en las formulas con derivadas parciales:
MAT 1105 F PRACTICA Nº 2 FECHAS DE ENTREGA: Tercer parcial Martes 14 de julio de 2009 Hrs. 16:30 a 18:00 Aula 5 (Geología) Viernes 17 de julio de 2009 Hrs. 16:30 a 18:00 Aula 31 1. Resuelva el siguiente
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesTema 2: Determinantes
Tema : Determinantes.- a) Encontrar los valores de λ para los que la matriz λ A = 0 λ λ 0 es invertible b) Para λ = hallar la inversa de A comprobar el resultado c) Resolver el sistema x 0 A = 0 z 0 para
Más detallesPráctico 2 Análisis de proceso autorregresivo de orden 2 Proceso WSS filtrado
Práctico Análisis de proceso autorregresivo de orden Proceso WSS filtrado Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fing.edu.uy Departamento
Más detalles2 Estudio local de funciones de varias variables.
a t e a PROBLEMAS DE CÁLCULO II t i c a s 1 o Ings. Industrial y de Telecomunicación CURSO 2009 2010 2 Estudio local de funciones de varias variables. 2.1 Derivadas de orden superior. Problema 2.1 Sea
Más detallesSistemas Lineales y Matrices
Profesores Hernán Giraldo y Omar Saldarriaga Instituto de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Ejemplo Solución de sistemas de ecuaciones lineales, usaremos este
Más detallesContenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices
elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas
Más detallesEstimación por el método generalizado de momentos (MGM).
Estimación por el método generalizado de momentos (MGM). Siga J.Muro(27/10/2003) 1 Método generalizado de momentos (MGM). Intuición. Principio MGM. Obtención de estimadores MGM. Propiedades de los estimadores.
Más detallesMODELACION EN VARIABLES DE ESTADO
CAPÍTULO VIII INGENIERÍA DE SISTEMAS I MODELACION EN VARIABLES DE ESTADO 8.1. DEFINICIONES Estado: El estado de un sistema dinámico es el conjunto más pequeño de variables de modo que el conocimiento de
Más detallesLUINI LEONARDO HURTADO Ingeniero Mecánico, M. Sc. Profesor Adjunto Universidad Autónoma de Colombia
Scientia et echnica Año XII, No 3, Agosto de 2006 UP. ISSN 022-70 03 MODELAMIENO EÓRICO Y MODELAMIENO EMPÍRICO DE PROCESOS, UNA SÍNESIS RESUMEN Un se utiliza como herramienta para el diseño y análisis
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesControl Moderno - Ing. Electrónica Ejercicio Resuelto 3: Teorema de Cayley-Hamilton
Control Moderno - Ing. Electrónica Ejercicio Resuelto 3: Teorema de Cayley-Hamilton Introducción A continuación se presentan unos pocos y simples ejemplos que muestran como puede emplearse el Teorema de
Más detallesACTIVIDADES SELECTIVIDAD MATRICES
ACTIVIDADES SELECTIVIDAD MATRICES Ejercicio 1 Para qué valores de m tiene solución la ecuación matricial? (b) Resuelve la ecuación matricial dada para. Ejercicio 2 Siendo I la matriz identidad de orden
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Más detallesMovimiento Browniano o proceso de Wiener
1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),
Más detallesMÉTODO DE VARIACIÓN DE PARÁMETROS
MÉTODO DE VARIACIÓN DE PARÁMETROS El método de variación de parámetros es aplicado en la solución de ecuaciones diferenciales no homogéneas de orden superior de las cuales sabemos que la solución de la
Más detallesLa línea recta: Serie1
La línea recta: En una línea recta tenemos una relación entre dos variables, la independiente (x) y la dependiente (y). La forma en que se relacionan dependerá de la función que describa dicha relación.
Más detallesDepartamento de Matemática Aplicada a la I.T.T.
Departamento de Matemática Aplicada a la I.T.T. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EXAMEN FINAL Duración: horas Fecha: de Julio de Fecha publicación notas: -7- Fecha revisión examen: 8-7-
Más detalles01/07/2009. Ecuaciones dinámicas del motor. Fig. 1 circuito equivalente del motor de CD con excitación independiente.
Control de Máquinas Eléctricas Primavera 2009 1. Análisis vectorial de sistema trifásicos 1. Campo magnético 2. Devanado trifásico 3. Vector espacial de un sistema de corrientes 4. Representación gráfica
Más detallesMatrices Invertibles y Elementos de Álgebra Matricial
Matrices Invertibles y Elementos de Álgebra Matricial Departamento de Matemáticas, CSI/ITESM 20 de agosto de 2008 Índice 121 Introducción 1 122 Transpuesta 1 123 Propiedades de la transpuesta 2 124 Matrices
Más detallesx^new = x^old + K(b new A new x^old )
El Filtro de Kalman: La idea fundamental del filtro de Kalman es la actualización La llegada de una nueva observación supone un cambio en la mejor estimación mínimo cuatrática del parámetro x Se desea
Más detalles