Posicionamiento indoor con señales de WiFi
|
|
- Santiago Vega Casado
- hace 6 años
- Vistas:
Transcripción
1 Posicionamiento indoor con señales de WiFi Claudio Avallone, Germán Capdehourat Tratamiento Estadístico de Señales Curso 2010
2 Outline 1 Introducción 2 Estimación de la posición basada en huellas 3 Escenario de pruebas 4 Resultados obtenidos 5 Conclusiones y trabajo futuro Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
3 Introducción Objetivo Estimar la posición de un móvil en ambientes interiores a partir de la señal recibida de los distintos APs. Motivación Localización vía GPS no es posible. Infraestructura de redes inalámbricas disponible. Disponibilidad masiva de móviles con esta tecnología. Fácil acceso a información de potencia recibida (rss). Modelo de propagación en ambientes interiores es complejo. Técnicas basadas en huellas (medidas previas de rss). Enfoque dinámico a través del filtro de Kalman. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
4 Introducción Aplicaciones GPS Navegación terrestre, aérea y marítima. Topografía, geodesia y cartografía. Rastreo y recuperación de vehículos. Sistemas de gestión y seguridad de flotas. Aplicaciones en interiores Mapas de aeropuertos y hospitales. Visitas guiadas a museos. Realidad aumentada. Sistemas de gestión (ej: pacientes, médicos, equipos en hospitales). Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
5 Estimación de la posición basada en huellas Formulación del problema X(t) = {x(t), y(t)} posición del móvil en tiempo t. S(t) = {s 1 (t),..., s P (t)} vector de RSS medidas en X(t), P cantidad de APs Se busca un estimador de la posición en t de la forma: ˆX(t) = f (S(t)) Huellas - Medidas de RSS en ubicaciones conocidas. Medidas de RSS: S 1, S 2,..., S N. Puntos de referencia: X 1, X 2,..., X N. Es posible inferir la función que relaciona la posición con las RSS recibidas y de esta forma obtener el mejor estimador f( ). Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
6 Estimación de la posición basada en huellas Estimación estática de la posición Vecino más cercano. Estimación de máxima verosimilitud. Redes neuronales, SVM y árboles de decisión. Vecino más cercano X = K i=1 Promedio K vecinos (KNN): w i = 1. w i K j=1 w j X i Pondero K vecinos con pesos (WKNN): w i = 1/d(S i, S), siendo d(s i, S) la distancia de S al vecino i. Se puede usar norma-1, norma-2, Mahalanobis. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
7 Estimación de la posición basada en huellas Estimación dinámica de la posición Filtro bayesiano. Filtro de Kalman. Filtro de Kalman para huellas. Filtro de partículas. Filtro PKF (Position Kalman Filter) { Xt+1 = F t+1 X t + W t+1, W t+1 N(0, Q w ) X t = G(S t ) + V t, V t N(0, Q v ) Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
8 Estimación de la posición basada en huellas Filtro PKF (Position Kalman Filter) Tanto estado como observación es la posición. Modelo estacionario de movimiento: F t+1 = I. Observación se obtiene con algún método estático (ej: G =KNN). Q w tolerancia en el modelo movimiento. Q v error del método de estimación estática. { Xt+1 = X t + W t+1, W t+1 N(0, Q w ) X t = KNN(S t ) + V t, V t N(0, Q v ) Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
9 Estimación de la posición basada en huellas Filtro PKF (Position Kalman Filter) Inicialización: ˆX 0 - Estimación inicial de X. P 0 - Covarianza del error de la estimación inicial. Iteración de Kalman: Ganancia de Kalman - K t = P t (P t + Q v) 1 Estimación de la posición - ˆX t = ˆX t + K t( X t ˆX t ) Estimación del error - P t = (I K t)p t Proyección para t + 1: ˆX t+1 = ˆX t. P t+1 = Pt + Qw. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
10 Estimación de la posición basada en huellas Filtro FKF (Fingerprint Kalman Filter) { Xt+1 = f t+1 (X t ) + W t+1 ecuación de estado Y t = g t (X t, V t ) ecuación de observación Ahora Y (t) corresponde a las medidas de RSS obtenidas. Modelo de movimiento estacionario: f t+1 (X) = X. g t ( ) función no lineal que mapea la posición en cada instante con las medidas recibidas. Q w tolerancia en el modelo movimiento. { Xt+1 = X t + W t+1, W t+1 N(0, Q w ) Y t = g t (X t, V t ), V t N(0, Q v ) Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
11 Estimación de la posición basada en huellas Filtro FKF (Fingerprint Kalman Filter) Estimador BLUE: ˆX = E(X) + K(Y E(Y )) Covarianza de la distribución conjunta X, Y : ( ) ( X Pxx P V = xy Y P yx P yy ) Varianza del error: P error = P xx P xy P 1 yy P yx + (KP yy P xy )P 1 yy (KP yy P xy ) T Ganancia óptima de Kalman: K KF = P xy P 1 yy. Se estiman medias y covarianzas a partir de las huellas. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
12 Estimación de la posición basada en huellas Filtro FKF (Fingerprint Kalman Filter) Inicialización: ˆX 0 - Estimación inicial de X. P 0 - Covarianza del error de la estimación inicial. Iteración de Kalman: Ganancia de Kalman - K t = P xyt P 1 yy t Estimación de la posición - ˆX t = ˆX t + K t(y t Ŷt) Estimación del error - P t = P xxt K tp T xy t Proyección para t + 1: ˆX t+1 = ˆX t. P t+1 = Pt + Qw. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
13 Estimación de la posición basada en huellas Filtro FKF (Fingerprint Kalman Filter) P xxt = i F β i,t(p Xi + (X i X t )(X i X t ) T ) P xyt = i F β i,t(x i X t )(S i Ỹt) T P yyt = i F β i,t(p Si + (S i Ỹt)(S i Ỹt) T ) X t = i F β i,tx i Ỹ t = i F β i,ts i β i,t la probabilidad de pertenecer a la celda i en tiempo t: P ( ˆX t A i ) = β i,t = P Si N ˆX t P t i F N ˆX t P t, N µ Σ (X) - pdf de una N(µ,Σ). = P S, covarianza RSS en una huella no depende de la posición. Ubicación en la celda uniforme y todas de igual tamaño: P Xi = P X = [ 2 X /12 0; 0 2 Y /12]. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
14 Escenario de pruebas Medidas de campo Red inalámbrica del liceo 7: 6 APs entre el patio y los tres pisos del edificio. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
15 Escenario de pruebas Potencia de señal recibida 5 APs operativos de Ceibal y varias redes externas visibles. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
16 Escenario de pruebas Trayectorias de prueba Promedio de 4 medidas por punto para huellas y solo una para la estimación. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
17 Resultados obtenidos Pruebas realizadas Análisis de K óptimo y comparación KNN y WKNN. Análisis del número de APs óptimo. Elección de Q w y Q v para PKF. Elección de Q w y P S para FKF. Evaluación de desempeño de todos los métodos. Estudio de robustez ante fallas en algún AP. Medidas de error: RMSE(t) y RMSE promedio RMSE(t) = ( X(t) ˆX(t)) 2 = (x(t) ˆx(t))2 + (y(t) ŷ(t)) 2 Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
18 Resultados obtenidos Análisis de K óptimo y comparación KNN y WKNN Figura: KNN (izq.) y W-KNN (der.), todos los APs (arriba) y solo Ceibal (abajo). Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
19 Resultados obtenidos Análisis del número de APs óptimo Figura: KNN (izq.) y W-KNN (der.), todos los APs (arriba) y solo Ceibal (abajo). Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
20 Resultados obtenidos Elección de parámetros para PKF y FKF PKF: Q w = [σw 2 0; 0 σw] 2 y Q w = [σv 2 0; 0 σv]. 2 σ w = 3 y σ v = 6. FKF: Q w = [σw 2 0; 0 σw] 2 y P S = [σv 2 0; 0 σv]. 2 σ w = 6 y σ v = 4. Figura: RMSE(σ v) con σ w = 5 (izq.) y RMSE(σ w) con σ v = 5 (der.). Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
21 Resultados obtenidos Evaluación de desempeño de todos los métodos Figura: RMSE en trayectorias: 1 (izq.), 2 (centro) y 3 (der.). KNN WKNN PKF-KNN PKF-WKNN FKF Trayectoria Trayectoria Trayectoria Cuadro: RMSE para las trayectorias 1, 2 y 3. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
22 Resultados obtenidos Figura: Trayectorias 2 estimadas : PKFKNN (izq.), PKFWKNN (centro) y FKF (der.). Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
23 Resultados obtenidos Estudio de robustez ante fallas en algún AP KNN WKNN PKF-KNN PKF-WKNN FKF Trayectoria Trayectoria Trayectoria Cuadro: RMSE para las trayectorias eliminando señal de MK2. KNN WKNN PKF-KNN PKF-WKNN FKF Trayectoria Trayectoria Trayectoria Cuadro: RMSE para las trayectorias eliminando señal de MK4. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
24 Conclusiones y trabajo futuro Conclusiones Se resolvió el posicionamiento en ambientes interiores basada en medidas de rss con métodos basados en huellas. Se evaluaron diversos algoritmos basados en técnicas de clasificación como vecino más cercano e incorporando la dinámica con el filtro de Kalman. Se estudió una variante del filtro de Kalman enfocada al uso de huellas. Se analizó el desempeño de los métodos implementados, estudiando la influencia de todos los parámetros involucrados. Los resultados obtenidos para los diversos algoritmos fueron buenos y comparables con los de la literatura en el tema. Desempeño de los métodos basados en el filtro de Kalman: errores medios de entre 2 y 3 metros, con variaciones entre 1 y 8 metros. Se analizó la robustez frente a fallas en algún AP, donde se comprobó que el desempeño de los métodos se degrada en forma notoria cuando el AP que falla es importante en la estimación. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
25 Conclusiones y trabajo futuro Trabajo futuro Implementación de filtro de partículas, incorporando la restricción del plano. Extender el estudio a tres dimensiones. Profundizar en el análisis de desempeño en escenarios con variaciones en la propagación, en particular considerar ambientes densamente poblados. Estudiar cómo deberían ser las huellas en ese caso, para cubrir todas las posibilidades. Estudio de la robustez de los métodos frente a diversos tipos de fallas e interferencias. Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
26 Fin Muchas gracias. Preguntas? Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
27 Resultados obtenidos Figura: Trayectorias 3 estimadas : PKFKNN (izq.), PKFWKNN (centro) y FKF (der.). Avallone, Capdehourat (UDELAR) Posicionamiento indoor Mayo / 27
Posicionamiento indoor con señales de WiFi
Posicionamiento indoor con señales de WiFi Tratamiento estadístico de señales Trabajo final del curso 2010 Claudio Avallone, Germán Capdehourat Resumen El objetivo de este trabajo es estimar la posición
Más detallesAgro 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,
Más detallesBases 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 "
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
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 detallesModelos Estadísticos de Crimen
Universidad de los Andes Modelos Estadísticos de Crimen 27 de Mayo de 2015 Motivacion Conocer la densidad de probabilidad del crimen sobre una ciudad, a distintas horas del día, permite Modelos Estadísticos
Más detallesAnálisis de procesos estocásticos en el dominio del tiempo
Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables
Más detallesEl filtro de Kalman. José Antonio Camarena Ibarrola
El filtro de Kalman José Antonio Camarena Ibarrola Que es un Filtro de Kalman? Es un algoritmo recursivo óp?mo de procesamiento de datos Hay muchas formas de definir óp?mo El filtro de Kalman es óp?mo
Más detallesMétodo 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,
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 detallesCONTROL 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
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesFUNCIÓN DE PRODUCCIÓN LINEAL. La función lineal se caracteriza porque las variables están elevadas a la primera potencia.
LA FUNCION DE PRODUCCION LINEAL lorenzo castro gómez 1 La función lineal se caracteriza porque las variables están elevadas a la primera potencia. A). Si se tiene un insumo variable: Y = ƒ (X) = a +b 1
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesGPS CON CORRECCIÓN DIFERENCIAL PARA LA GENERACIÓN DE MOSAICOS GEO REFERENCIADOS
GPS CON CORRECCIÓN DIFERENCIAL PARA LA GENERACIÓN DE MOSAICOS GEO REFERENCIADOS Braulio David Robles Rubio brobles@tlaloc.imta.mx II Congreso Nacional de Riego y Drenaje COMEII 2016 08 al 10 de septiembre
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesTABLA DE CONTENIDO. Dedicatoria III Agradecimiento III Prologo V -VI Prefacio I VII - VIII Prefacio II IX Contenido XI - XX Introducción XXII
TABLA DE CONTENIDO Dedicatoria III Agradecimiento III Prologo V -VI Prefacio I VII - VIII Prefacio II IX Contenido XI - XX Introducción XXII Capitulo 1. Gerencia de la cadena de abastecimientos 23 1.1
Más detallesProgramación entera: Ejemplos, resolución gráfica, relajaciones lineales. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Programación entera: Ejemplos, resolución gráfica, relajaciones lineales Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Programación entera: definición, motivación,
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesCINEMÁTICA: ESTUDIO DEL MOVIMIENTO. Cinemática es la parte de la Física que estudia la descripción del movimiento de los cuerpos.
CINEMÁTICA: ESTUDIO DEL MOVIMIENTO Cinemática es la parte de la Física que estudia la descripción del movimiento de los cuerpos. 1. Cuándo un cuerpo está en movimiento? Para hablar de reposo o movimiento
Más detallesANÁLISIS DISCRIMINANTE (AD)
discrim_predictivo.doc 30//05 vgg ANÁLISIS DISCRIMINANTE (AD) Regresión con respuesta categórica Y Cómo depende Y de las variables X, X,... X p? cualitativa cuantitativas Planteamiento Predictivo del AD:
Más detallesCompetencias Generales
Competencias Generales - Capacidad para el diseño, desarrollo y gestión en el ámbito de la ingeniería aeronáutica que tengan por objeto, de acuerdo con los conocimientos adquiridos según lo establecido
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 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesPROGRAMA RESUMIDO DE CURSOS
PROGRAMA RESUMIDO DE CURSOS Curso: Operación de sistemas eléctricos de potencia y centros de control PROGRAMA GENERAL MODULO I: MODULO II: MODULO III: MODULO IV: MODULO V: MODULO VI: Flujos de potencia
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
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 detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesVariables estadísticas bidimensionales: problemas resueltos
Variables estadísticas bidimensionales: problemas resueltos BENITO J. GONZÁLEZ RODRÍGUEZ (bjglez@ull.es) DOMINGO HERNÁNDEZ ABREU (dhabreu@ull.es) MATEO M. JIMÉNEZ PAIZ (mjimenez@ull.es) M. ISABEL MARRERO
Más detallesGonzalo Villa Cox Gustavo Solórzano Andrade Leonardo Sanchez Aragón. ERECC / CEPAL Capítulo Ecuador
Gonzalo Villa Cox Gustavo Solórzano Andrade Leonardo Sanchez Aragón ERECC / CEPAL Capítulo Ecuador 1. Fuentes de datos 2. Descripción de la estructura productiva modelada, escenarios climáticos y demográficos.
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Misión MISIÓN Página 1 de 7 La misión de la carrera es preparar profesionales con altos valores morales, conocimientos y capacidad de investigación, en el campo de la Ingeniería Topográfica para participar
Más detallesTema 4. Reducción del ruido
Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández GRUPO DE TECNOLOGÍA INDUSTRIAL Tabla de Contenidos Definición Filtros Lineales Filtros Temporales Realce Espacial Definición Ruido:
Más detallesUTILIZACIÓN DE LA CAPACIDAD INSTALADA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE
Montevideo, 28 de octubre de 2009. UTILIZACIÓN DE LA EN LA INDUSTRIA MANUFACTURERA - SEGUNDO TRIMESTRE DE 2009 - ANÁLISIS DE LOS PRINCIPALES INDICADORES El grado de utilización de la Capacidad Instalada
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesCAMPOS ELÉCTRICOS DEBIDOS A DISTRIBUCIONES CONTINUAS DE CARGA
CAMPOS ELÉCTRICOS DEBIDOS A DISTRIBUCIONES CONTINUAS DE CARGA Este documento enuncia de forma más detallada la formulación matemática que permite el estudio de campos eléctricos debido a distribuciones
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesProceso de análisis de regresión múltiple
Proceso de análisis de regresión múltiple Recolección de datos Chequeo de la calidad de los datos Diagnóstico de relaciones o interacciones fuertes entre las variables Xs Aplicación de medidas remediales
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesUnidad de vuelo. Unidad de vuelo. Laboratorio. Empresa especializada. Unidad de fotogrametria. Unidad de Fotogrametría. Unidad de Geografía
Diapositiva 1 PROCESO DE ELABORACION DE MAPAS 1 - Planificación de vuelo Unidad de vuelo 2 - Toma de fotografías 3 - Revelado de fotografías 4 - Escaneo de fotografías 5 - Identificación de puntos Unidad
Más detallesPercepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú
Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesInterrogación 1 de Ecuaciones Diferenciales
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE FACULTAD DE MATEMATICAS MAT15 I1-006/1 Interrogación 1 de Ecuaciones Diferenciales Profesores Claudio Fernández y Rolando Rebolledo 6 de Abril 005 1. Ejercicio
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detalles4 Localización de terremotos
513430 - Sismología 27 4 Localización de terremotos 4.1 Localización de sismos locales Fig 27: Gráfico de la ruptura en la superficie de una falla. La ruptura se propaga desde el punto de la nucleación,
Más detallesOTRAS HERRAMIETAS ESTADISTICAS UTILES. Dra. ALBA CECILIA GARZON
OTRAS HERRAMIETAS ESTADISTICAS UTILES Dra. ALBA CECILIA GARZON Que es un Test de Significancia estadística? El término "estadísticamente significativo" invade la literatura y se percibe como una etiqueta
Más detallesIntroducción a la Robótica. L. Enrique Sucar INAOE
Introducción a la Robótica L. Enrique Sucar INAOE Sesión 2: Locomoción Introducción a la Robótica L. Enrique Sucar Contenido Introducción Robots de Ruedas Configuraciones Cinemática Forma Robots de Patas
Más detallesEstimación no-paramétrica Máximo Camacho Alonso Universidad de Murcia
Estimación no-paramétrica Máximo Camacho Alonso Universidad de Murcia www.um.es/econometria/tecpre mcamacho@um.es Maximo Camacho Estimación no-paramétrica 1 Contenido del tema Introducción: ventajas e
Más detallesTransformación de marcos nacionales de referencia entre dos épocas diferentes: Ejemplo Colombia
Transformación de marcos nacionales de referencia entre dos épocas diferentes: Ejemplo Colombia Hermann Drewes 1, Nathalie Ramírez 2, Laura Sánchez 1, William Martínez 2 1 Deutsches Geodätisches Forschungsinstitut,
Más detallesGUIA PARA LA PREPARACION Y EVALUACION DE PROYECTOS DE INVERSION
GUIA PARA LA PREPARACION Y EVALUACION DE PROYECTOS DE INVERSION 1. ANTECEDENTES DEL PROYECTO Políticas, planes de desarrollo y estrategias de la empresa Desarrollo histórico del proyecto u otros afines
Más detalles8.4. CRITERIO DE ESTABILIDAD POR EL METODO DIRECTO DE LIAPUNOV
8.4. CRITERIO DE ESTAB.: METODO DE LIAPUNOV 309 8.4. CRITERIO DE ESTABILIDAD POR EL METODO DIRECTO DE LIAPUNOV Consideremos el sistema autónomo dx = F (x, y) dt (8.32) dt = G(x, y), y supongamos que tiene
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 detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesANALISIS DE FRECUENCIA
ANALISIS DE FRECUENCIA HIDROLOGÍA Determinística: enfoque en el cual los parámetros se calculan en base a relaciones físicas para procesos dinámicos del ciclo hidrológico. Estocástico: Enfoque en el cual
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
Más detallesMaestría en Sistemas Eléctricos de Potencia PROGRAMAS RESUMIDOS DE LOS CURSOS
Maestría en Sistemas Eléctricos de Potencia PROGRAMAS RESUMIDOS DE LOS CURSOS ESTADÍSTICA Y PROBABILIDADES APLICADA Introducción, estadística descriptiva, teoría de las probabilidades, funciones de densidad
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesSimulación. Problema del jardinero. Modelo de stock aleatorio. Camino crítico.
Simulación Temario de la clase Introducción. Generacion de variables aleatorias: método de la transformada inversa. Avance del tiempo de simulación. Determinación de la cantidad de iteraciones requeridas.
Más detallesTAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN
TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra
Más detallesEnfoque propuesto para la detección del humo de señales de video.
Capítulo 3 Enfoque propuesto para la detección del humo de señales de video. 3.1 Comportamiento del enfoque propuesto. Una visión general del método propuesto se muestra en la figura 2. El método genera
Más detallesAPUNTES DE QUIMIOMETRIA REGRESIO LINEAL
REGRESIO LINEAL APUNTES DE QUIMIOMETRIA Datos anómalos y levas en las rectas de calibrado. Regresión robusta Mínima mediana de cuadrados Recta de calibrado mediante mínimos cuadrados. Hipótesis básicas
Más detallesExamen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos
Examen de Matemáticas Aplicadas a las CC. Sociales II (Septiembre 2009) Selectividad-Opción A Tiempo: 90 minutos Problema 1 (3 puntos) Una carpintería vende paneles de contrachapado de dos tipos A y B.
Más detallesDistribuciones de Probabilidad para Variables Aleatorias Discretas 1
Distribuciones de Probabilidad para Variables Aleatorias Discretas Apellidos, nombre Martínez Gómez, Mónica (momargo@eio.upv.es) Marí Benlloch, Manuel (mamaben@eio.upv.es) Departamento Centro Estadística,
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesRequisitos para la cuantificación en SPECT y PET. Rafael Puchal Radiofísico Barcelona
Requisitos para la cuantificación en SPECT y PET Rafael Puchal Radiofísico Barcelona Qué es necesario para una correcta cuantificación? Cuantificación? Obtener una relación directa entre la actividad administrada
Más detallesIV. EL ESTUDIO TECNICO
IV. EL ESTUDIO TECNICO A. ANÁLISIS DE LOS ASPECTOS TÉCNICOS 1. LA INVERSIÓN, LA TECNOLOGÍA Y EL ALCANCE DEL ESTUDIO TÉCNICO DE INGENIERÍA El objetivo es determinar la función de producción óptima para
Más detallesMétodos, 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.
Más detallesMetodología de diseño de Sistemas de Control
Metodología de diseño de Sistemas de Control Tema 2 1 Conocimiento del problema Explotación Definición de las especificaciones Test Metodología de diseño de Sistemas de Control...proceso iterativo Modelado
Más detallesRECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)
Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detalles1. Cinemática: Elementos del movimiento
1. Cinemática: Elementos del movimiento 1. Una partícula con velocidad cero, puede tener aceleración distinta de cero? Y si su aceleración es cero, puede cambiar el módulo de la velocidad? 2. La ecuación
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesGestión y Modelación de Tráfico
Gestión y Modelación de Tráfico Juan Carlos Herrera Profesor Asociado, Departamento de Ingeniería de Transporte y Logística Investigador Asociado, CEDEUS Pontificia Universidad Católica de Chile Plenario
Más detallesCapítulo 9 Estructura y Administración de Portafolios de Inversión
Capítulo 9 Estructura y Administración de Portafolios de Inversión Objetivo Presentar los conceptos básicos y el proceso vinculado a la administración de portafolios de inversión Parte I CONCEPTOS BÁSICOS
Más detallesSistema de localización en redes Wi-Fi con Weka
Sistema de localización en redes Wi-Fi con Weka RESUMEN Elena Jiménez Vázquez Ingeniería de Telecomunicación Universidad Carlos III de Madrid Madrid, España elena.jvazquez@alumnos.uc3m.es En este trabajo
Más detallesControl Automático. Introducción al filtro de Kalman. Ing. Gabriela Ortiz León
Control Automático Introducción al filtro de Kalman 1 Contenido Principio de funcionamiento Ecuaciones de predicción y actualización Proceso Ejemplo 2 Filtro Kalman Es un algoritmo desarrollado por Rupert
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 Ingeniería Civil y Ambiental Análisis Espacial.
Análisis Espacial. Contenido. - Introducción. - Revisión de estadística básica. - Precisión y exactitud. - Interpolación. - Métodos. - Aplicaciones. - Modelación y SIG. Interpoladores Locales: - Polígonos
Más detallesPráctica 02 Gráficos 2D con Mathematica
Práctica 0 Gráficos D con Mathematica Mathematica dispone de varias instrucciones para representar gráficamente funciones,curvas o elementos geométricos en el plano.la instrucción Plot nos permite representar
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detalles1. Modelos Matemáticos y Experimentales 1
. Modelos Matemáticos y Experimentales. Modelos Matemáticos y Experimentales.. Definición.. Tipos de Procesos.3. Tipos de Modelos 3.4. Transformada de Laplace 4.5. Función de Transferencia 7.6. Función
Más detalles1. Derivadas parciales
Análisis Matemático II. Curso 2009/2010. Diplomatura en Estadística/Ing. Téc. en Inf. de Gestión. Universidad de Jaén TEMA 3. ABLES DIFERENCIACIÓN DE FUNCIONES DE VARIAS VARI- 1. Derivadas parciales Para
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 detallesIntroducción a los tipos de receptores GNSS
TOMA DE DATOS CON GPS. VALIDACIÓN Y CORRECCIÓN DIFERENCIAL Introducción a los tipos de receptores GNSS LABORATORIO DE ASTRONOMÍA, GEODESIA Y CARTOGRAFÍA Amós de Gil Martínez Dpto. de Matemáticas. Facultad
Más detallesAmpliación de Matemáticas. Integrales de línea
Ampliación de Matemáticas Integrales de línea En Física la idea intuitiva de trabajo queda recogida en la fórmula Trabajo = Fuerza x Espacio Si f(x) es la fuerza aplicada, a lo largo del eje x, a un objeto
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesTema 3. Relación entre dos variables cuantitativas
Tema 3. Relación entre dos variables cuantitativas Resumen del tema 3.1. Diagrama de dispersión Cuando sobre cada individuo de una población se observan simultáneamente dos características cuantitativas
Más detallesTeoría 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:
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesObserva el diagrama del centro y determina cual de los siguientes corresponde a un diagrama v-t para ese movimiento
De las gráficas. Indica aquellas que presentan movimiento rectilíneo uniforme así como las que pertenecen al movimiento rectilíneo uniformemente acelerado Observa el diagrama del centro y determina cual
Más detallesTarea 1 - Vectorial 201420
Tarea - Vectorial 040. Part :. - 3... Hacer parametrización de la curva de intersección del cilindro x + y = 6 y el plano x + z = 5. Encontrar las coordenadas de los puntos de la curva donde la curvatura
Más detalles