algoritmo conjunto kalman haar aplicado al procesamiento de señales joint kalman haar algorithm applied to signal processing
|
|
- Víctor Miranda Quiroga
- hace 6 años
- Vistas:
Transcripción
1 Revista de Matemática: Teoría y Aplicaciones 01 19(1) : cimpa ucr issn: algoritmo conjunto kalman haar aplicado al procesamiento de señales joint kalman haar algorithm applied to signal processing Alejandro Viegener Ricardo O. Sirne Eduardo P. Serrano Marcela Fabio Carlos E. D Attellis Received: 8-Feb-010; Revised: 10-Nov-011; Accepted: 30-Nov-011 Escuela Superior Técnica del Ejército General Manuel N. Savio, I.E.S.E., Argentina, a viegener@yahoo.com.ar Departamento de Matemática, Facultad de Ingeniería, Universidad de Buenos Aires, Argentina, rsirne@fi.uba.ar Centro de Matemática Aplicada, Universidad de San Martín y Escuela Superior Técnica del Ejército General Manuel N. Savio, I.E.S.E., Argentina, eserrano@unsam.edu.ar Misma dirección que/same address as E.P. Serrano, mfabio@unsam.edu.ar Centro de Matemática Aplicada, Univ. de San Martín, Argentina. cdattellis@yahoo.com.ar 37
2 38 a. viegener - r. sirne - e. serrano - m. fabio - c. d attellis Resumen En el marco del análisis de señales perturbadas por ruido, en esta presentación proponemos una metodología de trabajo orientada a aprovechar la estimación óptima del filtrado de Kalman, combinándola con la caracterización que se logra aplicando un análisis de multirresolución (AMR) mediante onditas (wavelets). Desde el punto de vista del filtrado de Kalman este procedimiento mixto es cuasi-óptimo, sin embargo la modificación que se introduce permite la aplicación simultánea de un esquema de eliminación de ruido con wavelets; con esto disminuye el costo computacional de aplicar ambos procedimientos por separado. Nuestra propuesta consiste en procesar la señal por intervalos sucesivos no solapados, combinando el proceso de cálculo para el filtrado óptimo con un AMR usando la ondita de Haar. El método aprovecha la utilización conjunta de ambas herramientas (Kalman- Haar) y está exento de problemas de borde relacionados con la segmentación de la señal. Palabras clave: Procesamiento de señales, filtro de Kalman, eliminación de ruido con onditas, análisis de multirresolución. Abstract Under the analysis of signals disturbed by noise, in this paper we propose a working methodology aimed to seize the best estimate of combining Kalman filtering with the characterization that is achieved by applying a multiresolution analysis (MRA) using wavelets. From the standpoint of Kalman filtering this combined procedure is quasi-optimal, but the change to be made allows the simultaneous implementation of a scheme of wavelet denoising; with this decreases the computational cost of applying both procedures separately. Our proposal is to process the signal by successive non-overlapping intervals, combining the process for calculating the optimal filter with a MRA using the Haar wavelet. The method takes advantage of the combined use of both tools (Kalman-Haar) and is free from edge problems related to the signal segmentation. Keywords: Signal processing, Kalman filter, wavelet denoising, multiresolution analysis. Mathematics Subject Classification: 4C40. 1 Introducción Planteado el problema del procesamiento on-line de señales de larga duración perturbadas por ruido, interesa aprovechar la estimación óptima Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
3 algoritmo conjunto kalman-haar aplicado provista por el filtrado de Kalman combinada con la caracterización mediante onditas (wavelets) en el marco del análisis de multirresolución (AMR). En este sentido, en el presente trabajo proponemos un método que permite procesar la señal segmentándola en intervalos sucesivos, no solapados, y combina los procesos de cálculo para el filtrado óptimo con los algoritmos relativos a un AMR basado en la ondita de Haar. La metodología de trabajo que sugerimos aprovecha la utilización conjunta de ambas herramientas (Kalman-Haar) con bajo costo computacional y está exenta de problemas de borde relacionados con la segmentación de la señal. Desde el punto de vista del filtrado de Kalman, el método brinda una respuesta cuasi-óptima pero permite incorporar en forma simultánea un esquema de eliminación de ruido implementado mediante el AMR con la ondita de Haar. 1.1 Algoritmo de Kalman El algoritmo de Kalman [4], [5] resuelve el problema de estimar los estados de un proceso estocástico cuyo modelo es un sistema lineal discreto del tipo: { xk+1 = A x k + B u k + w k y k = H x k + v k (1) donde x k,u k e y k representan respectivamente el estado, el control y la observación del sistema en el tiempo discreto, k Z. Por su parte, w k y v k son ruidos blancos gaussianos tales que [1]: E[w k ] = 0 k Z E[v k ] = 0 k Z E[w k wk+n t ] = δ n Q k,n Z E[v k vk+n t ] = δ n R k,n Z E[w k vn t ] = 0 k,n Z E[x 0 wk t ] = 0 k Z E[x 0 vk t] = 0 k Z con δ 0 = 1 y δ n = 0 si n 0, siendo Q R n n y R R m m las matrices constantes de covarianza de los ruidos que perturban al modelo y a las mediciones respectivamente. En general x,w R n 1,u R p 1,y,v R m 1,A R n n,b R n p,h R m n. (3) En este trabajo se consideran sistemas tales que las matrices A, B y H son constantes. () Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
4 40 a. viegener - r. sirne - e. serrano - m. fabio - c. d attellis ˆx k 1 predicción ˆx k corrección ˆx k con k Z Figura 1: Esquema de estimación de Kalman. Siendo ˆx k la estimación a priori de x k obtenida en base a las mediciones y i para tiempo discreto i < k, denotaremos ˆx k a la estimación a posteriori de x k cuando se conoce y k. Quedan entonces definidos dos errores, a saber: error a priori: k = ˆx k x k con covarianciap k = E[ k t k ], error a posteriori: k = ˆx k x k con covarianciap k = E[ k t k ]. (4) El esquema de Kalman, representado en la Fig. 1, establece un proceso iterativo de estimación que en el caso de matrices no necesariamente constantes contempla los siguientes cálculos para k N: y predicción {}}{ ˆx k = A k 1 ˆx k 1 + B k 1 u k 1 = A k 1 P k 1 A t k 1 + Q k 1 P k (5) { corrección }} { K k ˆx k = P k Ht k [H kp k Ht k + R k] 1 = ˆx k + K k (y k H kˆx k ) (6) P k = (I n K k H k )P k. donde I n R n n es la matriz identidad. Para comenzar el procedimiento deben definirse los valores iniciales ˆx 0 y P 0, para ello considerando las expresiones indicadas en () y (4) es posible elegir ˆx 0 = E[x 0 ] = 0. Si el sistema dinámico es uniforme completamente observable y controlable, una condición inicial P 0 0 pierde influencia a medida que crece la cantidad de mediciones procesadas [1]. 1. Análisis de multirresolución Dada una señal s 0 V 0 L (R) en tiempo continuo t, consideremos su representación en serie de onditas (wavelets) según el conocido esquema de un análisis de multirresolución (AMR) con función de escala φ, siendo s 0 (t) = k= c 0,k φ(t k). (7) Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
5 algoritmo conjunto kalman-haar aplicado Denotando V j a los subespacios del AMR y adoptando la convención V j V j 1 con j Z, cuando la ondita ψ es ortogonal resulta V j 1 = W j V j donde W j es el complemento ortogonal de V j respecto de V j 1. En este esquema se cumple que: s 0 = r 1 + r + + r J + s J con r j W j y s J V J, para todo j J N, (8) donde r j (t) = d j,k j/ ψ( j t k) y s J (t) = k= k= c J,k J/ φ( J t k) (9) con r j señal residual del nivel de resolución j (proyección de s 0 sobre W j ), siendo s J la proyección de s 0 sobre V J. Usando la ondita de Haar, { 1 si t [0,1) φ(t) =, ψ(t) = φ(t) φ(t 1), (10) 0 si t / [0, 1) resulta φ(n) = δ n para n Z; obteniéndose los coeficientes en forma recursiva mediante: c j,k = c j 1,k + c j 1,k+1 y d j,k = c j 1,k c j 1,k+1 (11) donde suponemos que la señal se analiza en bloques de J N valores con N N, correspondiendo entonces J j N coeficientes de cada tipo en el nivel j de resolución (j = 1,,J). En particular, teniendo en cuenta (7) y (10), para t = n N se obtiene s 0 (n) = c 0,k φ(n k) = c 0,k δ n k = c 0,n ; (1) k= k= es decir, el proceso inicia tomando los valores de la señal muestreada como coeficientes del nivel 0 de resolución (c 0 (n) = s 0 (n), n Z). Estimación del estado del sistema Dado el modelo especificado según (1), () y (3) de la sección anterior, se plantea el problema de la estimación del estado x k a partir de las observación (salida) y k perturbada por ruido. Suponiendo que las matrices A y H aseguran condiciones de estabilidad y observabilidad, destacamos las siguientes tres alternativas para el filtrado de la salida y estimación del estado del sistema. Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
6 4 a. viegener - r. sirne - e. serrano - m. fabio - c. d attellis.1 Filtrado de Kalman Consiste en utilizar el método iterativo propuesto por Rudolf Emil Kalman [4], [5]. Para ello se aplican las ecuaciones indicadas en (5) y (6) en el contexto del procedimiento expuesto en 1.1. Este procedimiento es un método conocido que permite estimar en forma eficiente el estado del sistema minimizando el error cuadrático medio.. Eliminación de ruido aplicando transformada ondita En el marco del AMR de la salida y k, siguiendo el esquema explicado en la sección 1., se aplica la transformada ondita seguida de una estrategia no lineal de eliminación de ruido (denoising). Finalmente se estima el estado usando las matrices A y H mediante las cuales se modeliza el sistema lineal según (1). Es importante observar que si sólo se pretende estimar las variables de estado directamente observables a la salida, el modelo [A,H] no es necesario; esto marca cierta ventaja de las onditas. Considérese, según (1), la salida y k = Hx k + v k con y k R m 1 (13) y sin pérdida de generalidad, sea m = 1. En el caso general el método se aplica en forma vectorial para cada componente de y k. De acuerdo con lo indicado en (11), (1) y texto asociado, los coeficientes del análisis de multirresolución con la ondita de Haar son: c 1,k = 1/ (y k + y k+1 ) d 1,k = 1/ (y k y k+1 ) y (14) c j,k = 1/ (c j 1,k + c j 1,k+1 ) d j,k = 1/ (c j 1,k c j 1,k+1 ), j > 1. (15) Si las y k son gaussianas también los coeficientes resultan gaussianos pero no necesariamente incorrelacionados. En general pueden expresarse: c j,k = c (0) j,k + c(1) j,k, d j,k = d (0) j,k + d(1) j,k (16) donde la primera componente ( (0) ) corresponde al sumando Hx k de (13), y la segunda ( (1) ) al ruido v k. En este contexto, si las variables de estado en alguna escala o intervalo fuesen tales que d (0) j,k = 0, prevalece el ruido. En tal caso, esta estrategia de eliminación de ruido se establece mediante: d j,k = { sg(dj,k ) L( d j,k ) si d j,k σ j 0 si d j,k < σ j, (17) Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
7 algoritmo conjunto kalman-haar aplicado donde L generalmente es una función lineal [6], [8] y σ j es el umbral para el nivel de resolución j. De esta manera se filtra el ruido en zonas de bajo nivel de señal; así, al reconstruir, se mejora la relación señal/ruido. Teniendo en cuenta que la señal tiene un contenido frecuencial en un intervalo [f mín,f máx ], el análisis de multirresolución se realiza para los niveles j = 1,,J tal que la energía de s J sea despreciable. Entonces, para la reconstrucción, en (8) puede considerarse s 0 = r1 + + r J (18) con r j según (9), donde se reemplaza cada d j,k por el correspondiente d j,k..3 Estrategia mixta Kalman-Haar Entre las múltiples variantes que se pueden analizar, en este trabajo proponemos un esquema sencillo en el que se utiliza la base de Haar. En primer lugar hacemos notar que en el proceso iterativo de Kalman ver (5) los coeficientes de corrección K k pueden calcularse a priori, en forma independiente de cada realización. Por otra parte, K k tiende a estabilizarse con k creciente hacia un K. Supóngase entonces, en el esquema de Kalman según (5) con H constante, que se tienen los pares: ˆx k = ˆx k + K k (y k H ˆx k ) ˆx k+1 = ˆx k+1 + K k+1 (y k+1 H ˆx k+1 ) (19) y que los valores ˆx k y ˆx k+1 han sido calculados previamente. La propuesta consiste en introducir la aproximación K k = Kk+1 = Kk = K k + K k+1 (0) que reemplazada en las ecuaciones (19) permite obtener: ˆx k + ˆx k+1 = ˆx k + ( ˆx k+1 y k + y + K k k+1 H ˆx k + ) ˆx k+1 (1) y ˆx k ˆx k+1 = ˆx k ( ˆx k+1 y k y + K k k+1 H ˆx k ) ˆx k+1 () Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
8 44 a. viegener - r. sirne - e. serrano - m. fabio - c. d attellis donde se observa que aparecen en el esquema los dos coeficientes de nivel 1 de resolución, correspondientes al AMR con la ondita de Haar aplicado a la señal que se mide. Estos coeficientes son c 1,k = y k + y k+1 y d 1,k = y k y k+1 (3) dado que los c 0,k son los y k, según se ha expuesto para la ondita de Haar en 1.. Los resultados así obtenidos pueden generalizarse en el siguiente esquema, que describe la estrategia mixta para la aplicación conjunta Kalman- Haar que se propone: 1. Para j = 0 y k = 0,1,, calcular: K 0,k = K k. ˆx 0,k = ˆx 0,k, según un método a decidir. y 0,k = y k, las salidas observadas (mediciones de la señal observada).. Para cada j con 1 j J, calcular: K j,k = K j 1,k+K j 1,k+1, y j,k = y j 1,k+y j 1,k+1, d j,k = y j 1,k y j 1,k+1 Aplicar el esquema de eliminación de ruido con onditas a los coeficientes d j,k. Denotando dˆx j,k a los coeficientes Haar de ˆx del nivel de resolución j, calcular: ) ˆx j,k = ˆx j 1,k+ˆx j 1,k+1 + K j,k (y j,k H ˆx j 1,k+ˆx j 1,k+1 ) dˆx j,k = ˆx j 1,k ˆx j 1,k+1 + K j,k (y j,k H ˆx j 1,k ˆx j 1,k+1 3. Aplicar el esquema de reconstrucción del estado según (18) y el texto asociado. ˆx k Pueden considerarse diferentes variantes para el cálculo de los valores de la primer etapa, dos posibilidades extremas son: ˆx k+1 = A ˆx k + B u k con ˆx 0 dato, sin la corrección de Kalman en el primer paso. Realizar la corrección del primer paso ˆx k+1 = A ˆx+ k + B u k en forma usual. Esto implica cierta reiteración del esquema predicción corrección. Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
9 algoritmo conjunto kalman-haar aplicado Figura : Visualización de un intervalo de señal pura (sin ruido), señal con ruido aditivo y el resultado del filtrado en dos casos: (a) mediante el algoritmos de Kalman, (b) con filtrado conjunto Kalman-Haar. 3 Simulación A continuación se muestran los resultados obtenidos analizando un sistema simulado que responde al siguiente modelo en tiempo continuo: = A X + B u + w y = H ( X + v ) ( ) A =, B =, H = ( 1 1 ) 1 ( ) R = 0.1, Q = ( ) u = con f(t) = sen(π 1 1 f(t) 64t) + sen(π 18 t) ( ) 0 X 0 = 0 X correspondiente a la respuesta de un sistema lineal que en su estado puro, sin ruido, se modeliza mediante la ecuación diferencial z +z +z = f(t) con condiciones iniciales z(0) = 0, z (0) = 0, donde se denota ( ) x1 X = con x 1 = z, x = z ; x el muestreo se realizó a intervalos regulares de tiempo t = 0.1, simulándose 15 = 3768 datos observables. En la Fig. se muestran los resultados durante un período de tiempo suficientemente corto como para poder observar los detalles del filtrado; en línea azul se grafica la señal sin ruido y en negro la señal con ruido aditivo. En rojo se grafican los resultados del filtrado, en (a) mediante el algoritmo de Kalman y en (b) con la estrategia de aplicación conjunta Kalman-Haar propuesta. Se puede observar que el filtrado Kalman-Haar produce una señal que sigue con mayor suavidad a la señal pura (sin ruido), mientras Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
10 46 a. viegener - r. sirne - e. serrano - m. fabio - c. d attellis que el método de Kalman muestra una respuesta con más irregularidades debidas a las altas frecuencias. Para el método mixto Kalman-Haar la reconstrucción se realizó utilizando los niveles de resolución j = 5 a j = 1 con umbrales σ 5 = = σ 1 = 0.; en dichos niveles se concentra la mayor energía de la señal (en este caso r r 4 tiene energía despreciable). 4 Conclusiones Existen múltiples trabajos que proponen diferentes metodologías para resolver problemas relacionados con el análisis de señales usando onditas o filtros de Kalman. Esquemas recursivos de filtrado y predicción usando onditas [6], métodos de estimación de señales fractales usando wavelets [], de estimación de movimiento Browniano fraccionario con filtros de Kalman en bancos de filtros usando onditas [3], [9]. En este trabajo se presenta un esquema de trabajo para el filtrado de señales que, desde el punto de vista del procedimiento de Kalman, es cuasi-óptimo dado que no se respeta el cómputo de los coeficientes K k según (5). Sin embargo, la modificación introducida usando los coeficientes promediados definidos en (0) permite en beneficio del filtrado la aplicación simultánea y adicional del esquema de eliminación de ruido con onditas (wavelet denoising). La posibilidad de aplicar simultaneamente ambos procedimientos es importante cuando se enfoca el problema del análisis de señales de larga duración, pensando en implementar algún método de procesamiento tipo on-line. En este sentido, la metodología propuesta ofrece un menor costo computacional que el de aplicar ambos procedimientos por separado y está exenta de problemas de borde relacionados con la segmentación de la señal, lo cual permite el procesamiento de la misma a intervalos de tiempo consecutivos y no solapados. Agradecimientos Los autores agradecen a la Escuela Superior Técnica del Ejército Argentino (EST - IESE) y a la Universidad Nacional de San Martín (ECyT - UN- SAM), Argentina, por su apoyo. Referencias [1] D Attellis, C.E. (1981) Estimadores Óptimos y sus Aplicaciones. CONICET, Argentina. [] Hirchoren, G.A.; D Attellis, C.E. (1998) Estimation of fractal signals using wavelets and filter banks, IEEE Trans. on Signal Processing 46(6): Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
11 algoritmo conjunto kalman-haar aplicado [3] Hirchoren, G.A.; D attellis, C.E. (1999) Estimation of fractional brownian motion with multiresolution Kalman filter banks, IEEE Trans. on Signal Processing 47(5): [4] Kalman, R.E. (1960) A new approach to linear filtering and prediction problems, Trans. ASME-Journal of Basic Engineering 8: [5] Kalman, R.E.; Bucy, R.S. (1961) New results in linear filtering and prediction theory, Trans. ASME-Journal of Basic Engineering: [6] Postalcioglu, S.; Erkan, K.; Bolat, E.D. (005) Comparison of Kalman filter and wavelet filter for denoising, en: IEEE Conference Proceedings International Conference on Neural Network and Brain, Vol, Beijing, China: [7] Renaud, O.; Starck, J.; Murtagh, F. (005) Wavelet-based combined signal filtering and prediction, IEEE Trans. on Sytems, Man, and Cybernetics, Part B: Cybernetics 35(6): [8] Walmut, D.F. (00) An Introduction to Wavelet Analysis. Birkhaüser, Boston. [9] Zhao, J.; Ma, H.; You, Z.; Umeda, M. (001) Lecture Notes in Computer Science: Multiscale Kalman filtering of fractal signals using wavelet transform, Springer-Verlag Berlin, Heidelberg: Rev.Mate.Teor.Aplic. (ISSN ) Vol. 19(1): 37 47, January 01
CONTROL DE VELOCIDAD DE UN MOTOR DC, USANDO FILTROS DE KALMAN EN TIEMPO CONTINUO
CONTROL DE VELOCIDAD DE UN MOTOR DC, USANDO FILTROS DE KALMAN EN TIEMPO CONTINUO Julio C Mansilla Hernández (1); Julio N. García Silverio (2); Francisco J. Arteaga (3) (1) ELEOCCIDENTE, Dpto. de Planificación
Laboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial Ordinaria
Universidad Diego Portales Segundo Semestre 007 Facultad de Ingeniería Instituto de Ciencias Básicas Asignatura: Ecuaciones Diferenciales Laboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial
Control de procesos industriales
GUÍA DOCENTE 2012-2013 Control de procesos industriales 1. Denominación de la asignatura: Control de procesos industriales Titulación Grado en Ingeniería Electrónica Industrial y Automática Código 6420
ESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO. Resumen
ESTIMACIÓN DE LOS COMPONENTES DE LA VARIACIÓN DE UN SISTEMA DE MEDICIÓN, USANDO EL RANGO RIVAS C., Gerardo A. Escuela de Ingeniería Industrial. Universidad de Carabobo. Bárbula. Valencia. Venezuela Jefe
Teorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
6 10 3,5 2,0 4,5. PROGRAMA DE CURSO Código Nombre EL Señales y Sistemas I Nombre en Inglés Signals and Systems I SCT
PROGRAMA DE CURSO Código Nombre EL 3005 Señales y Sistemas I Nombre en Inglés Signals and Systems I SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6 10 3,5 2,0
Método de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Bases del filtro de Kalman
Bases del filtro de Kalman Rafael Molina Soriano Depto Ciencias de la Computación e IA Universidad de Granada Rafael Molina Bases del filtro de Kalman 1 Contenidos! Introducción.! El filtro de Kalman "
CÁLCULO 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
Representación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Esta definición se puede ampliar a cualquier par de bases de los espacio inicial y final MATRIZ DE UNA APLICACIÓN LINEAL EN BASES ARBITRARIAS
Cambios de base 3 3. CAMBIOS DE BASE Dada una aplicación lineal : y la base,,, se ha definido matriz en bases canónicas de la aplicación lineal a la matriz,, cuyas columnas son las coordenadas de en la
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS
MÉTODO NUMÉRICO HEURÍSTICO PARA EL CÁLCULO DE RAÍCES DE POLINOMIOS Ramón Cantú Cuéllar Luis Chávez Guzmán José Luis Cantú Mata Resumen En este artículo se propone un nuevo método numérico, para obtener
Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Introducción 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
Probabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
Métodos, Algoritmos y Herramientas
Modelado y Simulación de Sistemas Dinámicos: Métodos, Algoritmos y Herramientas Ernesto Kofman Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA - Universidad Nacional de Rosario.
CONCEPTOS BASICOS DE LA TRANSFORMADA DE LAPLACE LA TRANSFORMADA DE LAPLACE
LA TRANSFORMADA DE LAPLACE Por cálculo integral sabemos que cuando vamos a determinar una integral impropia de la forma,su desarrollo se obtiene realizando un cambio de variable en el límite superior de
Tema 2 Resolución de EcuacionesNo Lineales
Tema 2 Resolución de Ecuaciones No Lineales E.T.S.I. Informática Indice Introducción 1 Introducción 2 Algoritmo del método de Bisección Análisis del 3 4 5 6 Algoritmo de los métodos iterativos Interpretación
Ejercicios Temas 3 y 4: Interpolación polinomial. Ajuste de curvas.
Ejercicios Temas 3 y 4: Interpolación polinomial. Ajuste de curvas.. El número de personas afectadas por el virus contagioso que produce la gripe en una determinada población viene dado por la siguiente
Departamento de Matemáticas, CCIR/ITESM. 9 de febrero de 2011
Factorización LU Departamento de Matemáticas, CCIR/ITESM 9 de febrero de 2011 Índice 26.1. Introducción............................................... 1 26.2. Factorización LU............................................
Reducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
UNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
ECUACIÓN DE LA RECTA
MATEMÁTICA SEMANA 2 ECUACIÓN DE LA RECTA Todos los derechos de autor son de la exclusiva propiedad de IACC o de los otorgantes de sus licencias. No está permitido copiar, reproducir, reeditar, descargar,
Implementación de la transformada wavelet discreta para imágenes en un FPGA
Implementación de la transformada wavelet discreta para imágenes en un FPGA Madeleine León 1, Carlos A. Murgas 1, Lorena Vargas 2, Leiner Barba 2, Cesar Torres 2 1 Estudiantes de pregrado de la Universidad
Tema 4. Proceso de Muestreo
Ingeniería de Control Tema 4. Proceso de Muestreo Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos que se adquieren en este tema: Conocer el proceso de muestreo
Sistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Sistemas de ecuaciones lineales Generalidades Definición [Sistema de ecuaciones lineales] Un sistema de m ecuaciones lineales con n incógnitas, es un conjunto de m igualdades
Transformada de Laplace: Aplicación a vibraciones mecánicas
Transformada de Laplace: Aplicación a vibraciones mecánicas Santiago Gómez Jorge Estudiante de Ingeniería Electrónica Universidad Nacional del Sur, Avda. Alem 1253, B8000CPB Bahía Blanca, Argentina thegrimreaper7@gmail.com
PROGRAMA DE ESTUDIO. Práctica. Práctica ( ) Semestre recomendado: 8º. Requisitos curriculares: Sistemas Digitales 2
PROGRAMA DE ESTUDIO Nombre de la asignatura: PROCESAMIENTO DIGITAL DE SEÑALES Clave: IEE25 Fecha de elaboración: marzo 2015 Horas Semestre Horas semana Horas de Teoría Ciclo Formativo: Básico ( ) Profesional
Transformada Discreta de Fourier.
Transformada Discreta de Fourier. Hasta ahora se ha visto Importancia de la respuesta en frecuencia de un sistema Transformada de Fourier de una señal discreta Tenemos otra forma de caracterizar los sistemas
Teoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Aplicación del orden de mayorización a un problema de producción-inventario. An aplication of majorization order on a production-inventory problem
Revista Facultad de Ingeniería N. o 39. pp. 112-117. Marzo, 2007 Aplicación del orden de mayorización a un problema de producción-inventario Henry Laniado Rodas a,*,diego Alejandro Castañeda b, Andrés
Control de procesos industriales
GUÍA DOCENTE 2013-2014 Control de procesos industriales 1. Denominación de la asignatura: Control de procesos industriales Titulación Grado en Ingeniería Electrónica Industrial y Automática Código 6420
DISEÑO CURRICULAR ALGEBRA LINEAL
DISEÑO CURRICULAR ALGEBRA LINEAL FACULTAD (ES) CARRERA (S) Ingeniería Computación y Sistemas CÓDIGO HORAS TEÓRICAS HORAS PRÁCTICAS UNIDADES DE CRÉDITO SEMESTRE 122443 02 02 03 II PRE-REQUISITO ELABORADO
Solución de sistemas de ecuaciones lineales: Métodos de Jácobi y Gauss-Seidel
Solución de sistemas de ecuaciones lineales: Métodos de Jácobi y Gauss-Seidel Ing Jesús Javier Cortés Rosas M en A Miguel Eduardo González Cárdenas M en A Víctor D Pinilla Morán Facultad de Ingeniería,
Descomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
ADMINISTRACION DE OPERACIONES
Sesión4: Métodos cuantitativos ADMINISTRACION DE OPERACIONES Objetivo específico 1: El alumno conocerá y aplicara adecuadamente los métodos de pronóstico de la demanda para planear la actividad futura
x^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
Programación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
TEMA 8: ECUACIONES EN DIFERENCIAS
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 8: ECUACIONES EN DIFERENCIAS 1 CONCEPTOS BASICOS Una ecuación en diferencias es una expresión del tipo: G(n, f(n), f(n + 1),..., f(n + k)) = 0, n Z,
Dos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
Rectas perpendiculares
nota de clase Rectas perpendiculares Ángel Pérez Juárez Resumen: Se demuestra la condición de ortogonalidad entre dos rectas sin usar funciones trigonométricas. La alternativa es plantear una ecuación
1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
Tema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
INDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
FUNCIONES EXPONENCIALES y LOGARITMICAS FUNCIONES EXPONENCIALES
Ingeniería en Sistemas de Información 01 FUNCIONES EXPONENCIALES LOGARITMICAS La función eponencial FUNCIONES EXPONENCIALES La función eponencial es de la forma, siendo a un número real positivo. El dominio
Umbral Científico ISSN: 1692-3375 umbralcientifico@umb.edu.co Universidad Manuela Beltrán Colombia
Umbral Científico ISSN: 1692-3375 umbralcientifico@umb.edu.co Universidad Manuela Beltrán Colombia Ballesteros, Dora; Pardo, Hasbleidy Software de análisis de energía en señales electroencefalograficas
Técnicas Avanzadas de Control Memoria de ejercicios
Memoria de ejercicios Curso: 2007/08 Titulación: Ingeniero Técnico Industrial Especialidad: Electrónica Industrial Alumno: Adolfo Hilario Tutor: Adolfo Hilario Caballero Índice general Presentación. 2..
Método de diferencias finitas para ecuaciones diferenciales parciales elípticas. (Parte II)
Método de diferencias finitas para ecuaciones diferenciales parciales elípticas (Parte II) Métodos numéricos para sistemas lineales Solución numérica de EDPs requiere resolver sistemas de ecuaciones lineales
MANUAL DE USO PROGRAMA SENSIBAR
MANUAL DE USO PROGRAMA SENSIBAR ANALSIS DE SENSIBILIDAD Y SIMULACION DE MONTECARLO JOSE FUENTES VALDES FACEA - UNIVERSIDAD DE CONCEPCION Facultad de Economía Universidad de Concepción 1 SensiBar. ANALSIS
Sistemas de Ecuaciones. Lineales I
Sistemas de Ecuaciones Lineales I Preliminares: Expresión matricial. Dificultades numéricas. 521230-1 - DIM Universidad de Concepción Expresión matricial Todo sistema de ecuaciones lineales puede escribirse
Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación
Universidad de Santiago de Chile Facultad de Ciencia Departamento de Matemática y Ciencias de la Computación EJERCICIOS RESUELTOS DE ECUACIONES NO LINEALES Profesor: Jaime Álvarez Maldonado Ayudante: Rodrigo
APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL. José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3)
APLICACIÓN DE LOS FILTROS DE KALMAN A SISTEMAS DE CONTROL José Gregorio Díaz (1); Ana María Mejías (2); Francisco Arteaga (3) (1) Universidad de Carabobo, Escuela de Ing. Eléctrica. Dpto. de Sistemas y
La eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Sílabo de Cálculo III
Sílabo de Cálculo III I. Datos Generales Código Carácter UC0067 Obligatorio Créditos 5 Periodo Académico 2017 Prerrequisito Cálculo II Horas Teóricas 4 Prácticas 2 II. Sumilla de la Asignatura La asignatura
Teoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
Facultad de Ciencias Experimentales Universidad de Almería PRÁCTICA 1
PRÁCTICA 1 APLICACIONES INFORMÁTICAS I OBJETIVOS 1. Utilización de MATLAB para multiplicar matrices, encontrar la inversa de una matriz, obtener las raíces de una ecuación polinómica de orden tres o superior
Derivadas Parciales (parte 2)
40 Derivadas Parciales (parte 2) Ejercicio: Si donde y. Determinar Solución: Consideraremos ahora la situación en la que, pero cada una de las variables e es función de dos variables y. En este caso tiene
Identificación 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: ( )
Tema 2 Análisis Dinámico de Sistemas 2º Ing. Telecomunicación. Octubre de 2003 Análisis Dinámico de Sistemas (2º Teleco, EPSIG) 1 de 30
Tema 2 Análisis Dinámico de Sistemas 2º Ing. Telecomunicación Octubre de 2003 Análisis Dinámico de Sistemas (2º Teleco, EPSIG) 1 de 30 Ecuaciones Diferenciales y Dinámica definición de la RAE Modelo: (definición
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Tema 3: El Método Simplex. Algoritmo de las Dos Fases.
Tema 3: El Método Simplex Algoritmo de las Dos Fases 31 Motivación Gráfica del método Simplex 32 El método Simplex 33 El método Simplex en Formato Tabla 34 Casos especiales en la aplicación del algoritmo
T0. TRANSFORMADAS DE LAPLACE
ESCUELA TÉCNICA SUPERIOR DE NÁUTICA Y MÁQUINAS NAVALES / NAUTIKAKO ETA ITSASONTZI MAKINETAKO GOI ESKOLA TEKNIKOA MATEMATICAS T0. TRANSFORMADAS DE LAPLACE Mediante transformadas de Laplace (por Pierre-Simon
ANEXO 1 EJEMPLO DE CALCULO DE RESISTIVIDAD APARENTE. Subestaciones de Media Tensión Curso Fernando Berrutti Staino
ANEXO 1 EJEMPLO DE CALCULO DE RESISTIVIDAD APARENTE Subestaciones de Media Tensión Curso 015 Fernando Berrutti Staino Planteo del problema Se realizan mediciones con un telurímetro en el terreno de una
COORDINACIÓN DE FORMACIÓN BASICA PROGRAMA DE UNIDAD DE APRENDIZAJ E POR COMPETENCIAS
UNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA COORDINACIÓN DE FORMACIÓN BASICA PROGRAMA DE UNIDAD DE APRENDIZAJ E POR COMPETENCIAS I. DATOS DE IDENTIFICACIÓN 1. Unidad Académica: Facultad de Ciencias 2. Programa
SOLUCIÓN NUMÉRICA DE ECUACIONES ALGEBRAICAS Y TRASCENDENTES
SOLUCIÓN NUMÉRICA DE ECUACIONES ALGEBRAICAS Y TRASCENDENTES EL PROBLEMA DE OBTENER LOS CEROS O RAÍCES DE UNA ECUACIÓN ALGEBRAICA O TRASCENDENTE, ES UNO DE LOS REQUERIDOS MAS FRECUENTEMENTE, DEBIDO A ELLO
PROBLEMA 1. Considere el siguiente problema de programación lineal:
PROBLEMA 1 Considere el siguiente problema de programación lineal: Sean h1 y h2 las variables de holgura correspondientes a la primera y segunda restricción, respectivamente, de manera que al aplicar el
UNIDAD 1: NÚMEROS RACIONALES OBJETIVOS
UNIDAD 1: NÚMEROS RACIONALES Distinguir las distintas interpretaciones de una fracción. Reconocer fracciones equivalentes. Amplificar fracciones. Simplificar fracciones hasta obtener la fracción irreducible.
GUÍA DOCENTE Control de procesos industriales
GUÍA DOCENTE 2016-2017 Control de procesos industriales 1. Denominación de la asignatura: Control de procesos industriales Titulación Grado en Ingeniería Electrónica Industrial y Automática Código 6420
Aplicaciones de problemas de Máximos y Mínimos.
Aplicaciones de problemas de Máximos y Mínimos. En la resolución de problemas de máximos y mínimos el mayor desafío consiste generalmente en obtener, a partir del enunciado, la función que se necesita
Formulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Introducción a la Programación Dinámica. El Problema de la Mochila
Tema 1 Introducción a la Programación Dinámica. El Problema de la Mochila La programación dinámica no es un algoritmo. Es más bien un principio general aplicable a diversos problemas de optimización que
PROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX
Prof.: MSc. Julio Rito Vargas Avilés Planteamiento del problema: PROBLEMA DE PROGRAMACIÓN LINEAL RESUELTO POR MÉTODO SIMPLEX Una compañía de manufactura se dedica a la fabricación de tres productos: A,
Tema Contenido Contenidos Mínimos
1 Estadística unidimensional - Variable estadística. - Tipos de variables estadísticas: cualitativas, cuantitativas discretas y cuantitativas continuas. - Variable cualitativa. Distribución de frecuencias.
Cálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Derivadas e integrales
Derivadas e integrales Álvarez S., Caballero M.V. y Sánchez M a M salvarez@um.es, m.victori@um.es, marvega@um.es ÍNDICE Matemáticas Cero Índice. Definiciones 3. Herramientas 4.. Reglas de derivación.......................
La Distancia de un Punto a una Recta y de un Punto a un Plano, y un Teorema de Pitágoras en Tres Dimensiones
58 Sociedad de Matemática de Chile La Distancia de un Punto a una Recta y de un Punto a un Plano, y un Teorema de Pitágoras en Tres Dimensiones Miguel Bustamantes 1 - Alejandro Necochea 2 El propósito
Sistemas de ecuaciones lineales
Sistemas de ecuaciones lineales TIPOS DE SISTEMAS. DISCUSIÓN DE SISTEMAS. Podemos clasificar los sistemas según el número de soluciones: Incompatible. No tiene solución Compatible. Tiene solución. Compatible
TÉCNICAS RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-66-2003-IT TÉCNICAS RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN ANA CECILIA KIKUT V. JULIO, 2003 Los modelos
RECOMENDACIÓN UIT-R BS *,** Medición del nivel de tensión del ruido de audiofrecuencia en radiodifusión sonora
Rec. UIT-R BS.468-4 1 RECOMENDACIÓN UIT-R BS.468-4 *,** Medición del nivel de tensión del ruido de audiofrecuencia en radiodifusión sonora La Asamblea de Radiocomunicaciones de la UIT, (1970-1974-1978-1982-1986)
Derive V Límites y derivadas
Derive V 1. Cálculo de límites. Otra de las operaciones que podemos realizar con Derive es el cálculo de límites. El programa se encarga de aplicar automáticamente las reglas necesarias para evaluar las
DERIVADAS PARCIALES Y APLICACIONES
CAPITULO IV CALCULO II 4.1 DEFINICIÓN DERIVADAS PARCIALES Y APLICACIONES En cálculo una derivada parcial de una función de diversas variables es su derivada respecto a una de esas variables con las otras
BO DAD DE LOS ALGORITMOS DE DESCOMPOSICIÓ WAVELET DE MALLAT Y À TROUS PARA LA FUSIÓ DE IMÁGE ES QUICKBIRD.
BO DAD DE LOS ALGORITMOS DE DESCOMPOSICIÓ WAVELET DE MALLAT Y À TROUS PARA LA FUSIÓ DE IMÁGE ES QUICKBIRD. M. González-Audícana (*), X. Otazu (**), O. Fors (***), A. Seco (*) y R. García (*) maria.audicana@unavarra.es
Comprende el concepto de función y reconoce sus principales características. Grafica adecuadamente una función.
UNIVERSIDAD TECNOLÓGICA DE LOS ANDES FACULTAD DE INGENIERIAS ESCUELA PROFESIONAL DE INGENIERIA DE SISTEMAS E INFORMATICA SILABO I.- DATOS GENERALES 1.1. Nombre del curso : Matemática Básica 1.2. Código
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
1 Ecuaciones diferenciales
1 Ecuaciones diferenciales La solución a una ecuación algebraica es un número, o un conjunto de números que satisfacen la ecuación. Por ejemplo las soluciónes de x 2 4x + 3 = 0 son x 0 = 1 y x 1 = 3. Las
PE - Probabilidad y Estadística
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 749 - MAT - Departamento de Matemáticas Curso: Titulación: 2016 GRADO EN INGENIERÍA
Tema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Ley de enfriamiento de Newton considerando reservorios finitos
Ley de enfriamiento de Newton considerando reservorios finitos María ecilia Molas, Florencia Rodriguez Riou y Débora Leibovich Facultad de Ingeniería, iencias Exactas y Naturales Universidad Favaloro,.
log = = Las ecuaciones de cancelación cuando se aplican las funciones f x = a x y f 1 = log a x, se convierten en:
Función logarítmica Función logarítmica y su representación Si a > 0 y a 0, la función exponencial f x = a x bien se incrementa o disminuye y por eso mediante la prueba de la línea horizontal es uno a
GRADIENTE La laplaciana es un buen filtro paso alto, pero no es una buena herramienta para resaltar o detectar los bordes. En muchos casos, los bordes o límites de las figuras o de las regiones aparecen
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
Tema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
PROPUESTA DE ANÁLISIS ESTRATÉGICO UTILIZANDO MATRIZ SPACE Y MATRIZ DE INSUMO-PRODUCTO.
PROPUESTA DE ANÁLISIS ESTRATÉGICO UTILIZANDO MATRIZ SPACE Y MATRIZ DE INSUMO-PRODUCTO. Martín Solar Monsalves, Universidad Austral de Chile, msolar@uach.cl RESUMEN En el marco de las metodologías activas
Guía de Matemática Tercero Medio
Guía de Matemática Tercero Medio Aprendizaje Esperado: 1. Plantean y resuelven problemas que involucran ecuaciones de segundo grado; explicitan sus procedimientos de solución y analizan la existencia y
Nuevo algoritmo recursivo para la obtención del ECG fetal. A new recursive algorithm for extracting the fetal ECG
Revista Brasileira de Engenharia Biomédica, v. 15, n. 3, p. 135-139, set/dez 1999 SBEB - Sociedade Brasileira de Engenharia Biomédica ISSN 1517-3151 Artigo Original recebido: 17/04/1998 e aceito em 02/02/1999
AHORRO DE ENERGÍA EN UNA CALDERA UTILIZANDO
AHORRO DE ENERÍA EN UNA CALDERA UTILIZANDO ECONOMIZADORES Javier Armijo C., ilberto Salas C. Facultad de Química e Ingeniería Química, Universidad Nacional Mayor de San Marcos Resumen En el presente trabajo
SESIÓN 6 INTERPRETACION GEOMETRICA DE LA DERIVADA, REGLA GENERAL PARA DERIVACIÓN, REGLAS PARA DERIVAR FUNCIONES ALGEBRAICAS.
SESIÓN 6 INTERPRETACION GEOMETRICA DE LA DERIVADA, REGLA GENERAL PARA DERIVACIÓN, REGLAS PARA DERIVAR FUNCIONES ALGEBRAICAS. I. CONTENIDOS: 1. Interpretación geométrica de la derivada 2. Regla general
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Una ecuación puede tener ninguna, una o varias soluciones. Por ejemplo: 5x 9 = 1 es una ecuación con una incógnita con una solución, x = 2
Podemos definir a las ecuaciones como una igualdad entre expresiones algebraicas (encadenamiento de números y letras ligados por operaciones matemáticas diversas),en la que intervienen una o más letras,