Doctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
|
|
- Celia Salas Cuenca
- hace 6 años
- Vistas:
Transcripción
1 4.6 El filtro de Kalman Introducción Filtro de Kalman discreto Algoritmo: predicción + corrección Características probabilísticas El filtro de Kalman extendido Filtros de Partículas Conclusiones
2 Introducción Formulación matemática en términos del concepto espacio del estado Sistema Dinámico Estado x(t) Sistema de Medida Observación z(t) Estimador Errores del sistema Errores de medida Información previa Solución recursiva Estima del estado ˆx(t) Solución válida para ambientes estacionarios y no estacionarios Soporta estimas de estados presentes, pasados y futuros (filtrado, suavizado y predicción) Método eficiente para resolver el problema de mínimos cuadrados (incluye al RLS y sus variantes)
3 Filtro de Kalman discreto Plantemiento: Estima del estado x IR n de un proceso lineal discreto en el tiempo a partir de un conjunto de medidas z IR m Ecuación del proceso x k = Ax k 1 + Bu k + w k 1 Ecuación de medida z k = Hx k + v k Ruido de proceso y ruido de medida: independientes, blancos y con distribución gaussiana p(w) N(0, Q), p(v) N(0, R)
4 Definiciones Estima a priori del estado: ˆx k IRn Error de estima a priori: e k = x k ˆx k Estima a posteriori del estado: ˆx k IR n Error de estima a posteriori: e k = x k ˆx k Matriz de correlación del error de estima a priori: P k = E [ ] e k e H k Matriz de correlación del error de estima a posteriori: P k = E [ ] e k e H k Proceso de innovación (o residuo) α k = z k H ˆx k
5 Aspectos computacionales del filtro Evaluación del estado a posteriori ˆx k = ˆx k + K k ( zk H ˆx k ) = ˆx k + K kα k Ganancia del filtro de Kalman K k (n m) Minimiza la correlación de error a posteriori P k K k = P k HH ( HP k HH + R ) 1 = P k HH HP k HH + R Propiedades lím K k = H 1, R k 0 lím K k = 0 P k 0
6 Algoritmo: predicción+corrección Inicialización Predicción Corrección.. Ecuaciones de predicción ˆx k = Aˆx k 1 + Bu k P k = AP k 1A H + Q Ecuaciones de corrección K k = P ( k HH HP k HH + R ) 1 ˆx k = ˆx k + K ( k zk H ˆx ) k P k = (I K k H) P k
7 Características probabilísticas El filtro de Kalman mantiene los dos primeros momentos de la distribución del estado E [x k ] = ˆx k, E [ (x k ˆx k )(x k ˆx k ) H] = P k Si los ruidos del proceso y de la medida son gaussianos p(x k z k ) N(E [x k ], E [ (x k ˆx k )(x k ˆx k ) H] ) = N(ˆx k, P k ) Condiciones de ortogonalidad del proceso de innovación E [ α k z H n E [ α k α H n ] = 0, 1 n k 1 ] = 0, 1 n k 1 {z 1, z 2,, z k } {α 1, α 2,, α k }
8 Selección de parámetros Parámetros a seleccionar Estimas iniciales ˆx 0 y P 0 : no demasiado críticas Matrices de covarianzas de ruido R y Q R se puede estimar a través de las medidas Q es difícil de estimar (no hay acceso al estado) Habitualmente se realiza un ajuste (tuning) de dichos parámetros Ejemplo: estima de una constante aleatoria Voltaje=-0.5 V Varianza de ruido (blanco y gaussiano): observaciones
9 Ejemplo: R = 0.01
10 Ejemplo: R = 1
11 Ejemplo: R =
12 El filtro de Kalman extendido (EKF) Las ecuaciones del proceso y/o de medida son no lineales x k = a (x k 1, u k ) + w k 1 z k = h(x k ) + v k, Filtro de Kalman extendido: linealiza el sistema Ecuación de proceso Ecuación de medida A k = a x (ˆx k 1, u k ) H k = h x (ˆx k )
13 Algoritmo EKF Inicialización Predicción Corrección.. Ecuaciones de predicción ˆx k = a (ˆx k 1, u k ) P k = A kp k 1 A H k + Q Ecuaciones de corrección K k = P k HH k ( Hk P k HH k + R ) 1 ˆx k = ˆx k + K k ( zk h(ˆx k )) P k = (I K k H k ) P k
14 Formulación alternativa del EKF Las ecuaciones del proceso y/o de medida son no lineales x k = a (x k 1, u k, w k 1 ) z k = h (x k, v k ) Filtro de Kalman extendido: linealiza el sistema Ecuación de proceso A k = a x (ˆx k 1, u k, 0), Ecuación de medida H k = h x (ˆx k, 0), W k = a w (ˆx k 1, u k, 0) V k = h v (ˆx k, 0)
15 Algoritmo EKF (formulación alternativa) Inicialización Predicción Corrección.. Ecuaciones de predicción ˆx k = a (ˆx k 1, u k, 0) P k = A kp k 1 A H k + W k QW H k Ecuaciones de corrección K k = P k HH k ( Hk P k HH k + V k RV H k ) 1 ˆx k = ˆx k + K k ( zk h(ˆx k, 0)) P k = (I K k H k ) P k
16 Filtros de partículas Permiten considerar no linealidad y no gaussianidad del sistema dinámico Basados en la teoría Bayesiana y en el uso de muestreo enfatizado (sequential importance sampling) Método secuencial que estima las distribuciones de probabilidad relevantes Filtrado: p(x k z 1:k ) Predicción: p(x k+n z 1:k ) Smoothing: p(x n z 1:k ), con n < k Las distribuciones se aproximan mediante suma de partículas aleatorias (muestras en el espacio de la variable)
17 Muestreo enfatizado Estima de una distribucion p(x) π(x) Se definen muestras de una densidad enfatizada q(x) x i q(x), i = 1,, N s Aproximación de la densidad p(x) p(x) N s i=1 ω i δ(x x i ), ω i π(xi ) q(x i ) Estima de esperanzas E[g(X)] = g(x)p(x)dx E[g(X)] N s ω i g(x i ) i=1
18 Filtro de partículas Aplicación del muestreo enfatizado a la estima del estado de un sistema dinámico Estima de p(x 0:k z 1:k ) ω i k p(xi 0:k z 1:k) q(x i 0:k z 1:k) Si se cumple q(x k x 0:k 1, z 1:k ) = q(x k x k 1, z k ) sólo es necesario obtener p(x k z 1:k ) y almacenar x i k ω i k w i k 1 p(z k x i k )p(xi k xi k 1 ) q(x i k xi k 1, z k) p(x k z 1:k ) N s i=1 ω i kδ(x k x i k)
19 Degeneración Remuestreo Después de algunas iteraciones muchas partículas pueden tener pesos despreciables Solución: remuestreo con la representación discreta de p(x k z 1:k )
20 Selección de la función de densidad enfatizada Función óptima (minimiza la varianza de los pesos) q(x k x i k 1, z k ) opt = p(x k x i k 1, z k ) ω i k ω i k 1p(z k x i k 1) = ω i k 1 p(z k x k)p(x k x i k 1)dx k Problema: hay que conocer p(x k x i k 1, z k) y la evaluar la integral Función conveniente q(x k x i k 1, z k ) = p(x k x i k 1) ωk i ωk 1p(z i k x i k) Existen múltiples elecciones para la función (es un paso esencial en el diseño del filtro)
21 Conclusiones Problema: Estima del estado de un sistema dinámico a partir de un conjunto de medidas relacionadas con el mismo Filtro de Kalman Modelo lineal y gaussiano Estima recursiva: Predicción + Corrección Filtro de Kalman extendido Modelo no lineal gaussiano Filtro de partículas Modelo no lineal no gaussiano Muestreo enfatizado y remuestreo
Identificación n de SIStemas
Identificación n de SIStemas Métodos de Estimación n Recursivos ISIS J. C. Gómez Métodos de Identificación n Recursivos Mínimos Cuadrados Recursivos ara una estructura de modelo de regresión lineal y n
Más detalles4.1 Introducción al filtrado adaptativo
41 Introducción al filtrado adaptativo El problema del filtrado Clases básicas de estimación Filtrado adaptativo Estructuras de filtrado lineal Algoritmos Criterios para la elección del filtro adaptativo
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesEl Filtro de Partículas
El Filtro de Partículas José Antonio Camarena Ibarrola El Filtro de Partículas p.1/25 El Filtro de Partículas Método Monte Carlo (basado en muestreo) para inferir el estado de un sistema que evoluciona
Más detallesIntroducción teórica del filtro de Kalman. a) el conocimiento del sistema y a dispositivos dinámicos de medida,
Apéndice B El Filtro de Kalman B.1. Introducción teórica del filtro de Kalman El Filtro de Kalman es una potente herramienta matemática que juega un importante papel cuando se incluyen medidas del mundo
Más detallesPosicionamiento indoor con señales de WiFi
Posicionamiento indoor con señales de WiFi Claudio Avallone, Germán Capdehourat Tratamiento Estadístico de Señales Curso 2010 Outline 1 Introducción 2 Estimación de la posición basada en huellas 3 Escenario
Más detallesRepaso de Estadística
Teoría de la Comunicación I.T.T. Sonido e Imagen 25 de febrero de 2008 Indice Teoría de la probabilidad 1 Teoría de la probabilidad 2 3 4 Espacio de probabilidad: (Ω, B, P) Espacio muestral (Ω) Espacio
Más detallesFiltrado e identificación de parámetros mediante métodos bayesianos
Filtrado e identificación de parámetros mediante métodos bayesianos Guillermo La Mura a, Eduardo Serrano b,d, Ricardo Sirne c a Escuela de Ciencia y Tecnología - UNSAM b Centro de Matemática Aplicada -
Más detallesPráctico 5 Filtro de Kalman
Práctico 5 Filtro de Kalman Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fingeduuy Departamento de Procesamiento de Señales Instituto de Ingeniería
Más detallesFiltro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia
Filtro de Partículas Luca Martino Juan Santaella Vallejo Tratamiento Digital de Señales Master Interuniversitario en Comunicaciones y Multimedia luca@tsc.uc3m.es jsantaella@gmail.com INDICE 1. Introducción...3
Más detallesPFC: Localización de robots mediante filtro de Kalman
6.- FILTRO DE KALMAN 6.1.- MOTIVACIÓN Los sistemas de navegación se han convertido en un estándar, ya que se venden más y más, sobre todo con los coches nuevos. La mayoría de estos sistemas de navegación
Más detallesMomentos de Funciones de Vectores Aleatorios
Capítulo 1 Momentos de Funciones de Vectores Aleatorios 1.1 Esperanza de Funciones de Vectores Aleatorios Definición 1.1 Sea X = (X 1,..., X n ) un vector aleatorio (absolutamente continuo o discreto)
Más detalles4. Modelos Multivariantes
4. Curso 2011-2012 Estadística Distribución conjunta de variables aleatorias Definiciones (v. a. discretas) Distribución de probabilidad conjunta de dos variables aleatorias X, Y Función de distribución
Más detallesObservadores de Estados
Capítulo 5 Observadores de Estados Como se vio en el capítulo anterior, existen distintos enfoques dentro de la comunidad FDI a la hora de generar residuos para la detección y diagnóstico. Entre estas
Más detallesSeguimiento de los parámetros del modelo del tracto vocal
Algoritmos para el seguimiento de los parámetros del modelo de tracto vocal Monografía de Tratamiento Estadístico de Señales parias@fing.edu.uy Instituto de Ingeniería Eléctrica Facultad de Ingeniería
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 detallesTema 6: Sistemas de navegación integrados. El filtro de Kalman.
Navegación Aérea Tema 6: Sistemas de navegación integrados. El filtro de Kalman. Fusión de sensores. Ejemplo: el canal vertical. INS-GPS Fusión de sensores. Una aeronave actual dispone de una gran diversidad
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA ANÁLISIS COMPARATIVO DE TÉCNICAS AVANZADAS DE ESTIMACIÓN BAYESIANA APLICADO AL PRONÓSTICO DEL TIEMPO
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detallesLa modelación en el diseño de sistemas de observación de la calidad del agua subterránea
La modelación en el diseño de sistemas de observación de la calidad del agua subterránea Graciela Herrera Zamarrón Instituto Mexicano de Tecnología del Agua 3 de diciembre de 2004 Guía de la presentación?
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 detalles1. Notas Filtro de Kalman para Sistemas continuos-discretos
1. Notas Filtro de Kalman para Sistemas continuos-discretos Se considera un sistema continuo-discreto como aquel cuya evolución es continua en el tiempo (representada por ecuaciones diferenciales ordinarias)
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 5 Esperanza y momentos Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA PREDICCIÓN DE CAMBIOS EN VOLATILIDAD DE RETORNOS FINANCIEROS BASADO EN FILTROS DE PARTÍCULAS SENSIBLES
Más detalles2.2 Normas matriciales
P Castillo Capítulo 2 13 22 Normas matriciales En el caso de las matrices cuadradas de orden n la estructura algebraica es mucho más rica que la de un espacio vectorial K n ; además de tener operaciones
Más detalles1. Diferentes Algoritmos de Identificación
. Diferentes Algoritmos de Identificación. Diferentes Algoritmos de Identificación.. Aproximación Heurística 2.2. Error de Predicción A Priori y A Posteriori 4.3. Algoritmo de Proyección 6.4. Aproximación
Más detallesTABLA DE CONTENIDO. TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v CAPITULO INTRODUCCIÓN MOTIVACIÓN...
TABLA DE CONTENIDO RESUMEN... i TABLA DE CONTENIDO...ii ÍNDICE DE FIGURAS... iv ÍNDICE DE TABLAS... v LISTA DE ACRÓNIMOS... 1 CAPITULO 1... 2 INTRODUCCIÓN... 2 1.1. MOTIVACIÓN... 2 1.2. ALCANCES... 3 1.3.
Más detallesTEMA 4 Modelos discretos elementales. Ecuaciones en diferencias
TEMA 4 Modelos discretos elementales. Ecuaciones en diferencias Chelo Ferreira González Avicenna (980-1037) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y
Más detallesOptimización bajo Incertidumbre. 0. Revisión. Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR
Optimización bajo Incertidumbre 0. Revisión Carlos Testuri Germán Ferrari Depto. Investigación Operativa. Instituto de Computación. Facultad de Ingeniería, UdelaR 2003-17 Contenido 1 Revisión Probabilidad
Más detallesPlanificaciones Procesamiento de Señales II. Docente responsable: GIRIBET JUAN IGNACIO. 1 de 7
Planificaciones 8652 - Procesamiento de Señales II Docente responsable: GIRIBET JUAN IGNACIO 1 de 7 OBJETIVOS Obtener un panorama de las técnicas más modernas y sofisticadas para el procesamiento de señales
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
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 detallesOptimización. Escuela de Ingeniería Informática de Oviedo. (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19
Optimización Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19 Introducción Problema general de optimización (minimización) Dado f : Ω R
Más detallesPRÁCTICA I. Ejercicios Teóricos
PRÁCTICA I TEORÍA DE LA DECISIÓN BAYESIANA Ejercicios Teóricos Ejercicio. En el caso de dos categorías, en la regla de decisión de Bayes el error condicional está dado por la ecuación (7). Incluso si las
Más detallesClase 10 Diseño Óptimo Variables de Estado.doc 1
. Diseño Óptimo en Variables de Estado. Diseño Óptimo en Variables de Estado.. Planteo del Problema... Criterio 3.. Regulador Lineal Óptimo (LQC) 5.3. Ecuación de Ricatti 9.4. Valor Medio de una Forma
Más detallesTema 4: Variable Aleatoria Bidimensional
Curso 2016-2017 Contenido 1 Definición de Variable Aleatoria Bidimensional 2 Distribución y fdp Conjunta 3 Clasificación de Variables Aleatorias Bidimensionales 4 Distribuciones Condicionales 5 Funciones
Más detallesLOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR
LOCALIZACIÓN Y MAPEO SIMULTÁNEO EN TIEMPO REAL, EMPLEANDO UNA CÁMARA MONOCULAR Presentado por: Ing. ANDRES ALEJANDRO DIAZ TORO Director: Dr. Eduardo Caicedo Bravo Asesor: Dra. Lina María Paz GRUPO DE INVESTIGACION
Más detallesSeguimiento de Objetos en Secuencias de Imágenes. Juan J. Pantrigo
Seguimiento de Objetos en Secuencias de Imágenes Juan J. Pantrigo juanjose.pantrigo@urjc.es Índice 1. Introducción 2. Modelado en seguimiento visual 3. Extracción de características 4. Algoritmos de seguimiento
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesTema 5: Calibración de modelos. Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Tema 5: Calibración de modelos ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema
Más detallesLIM. Integración mediante filtro de Kalman de sensores inerciales y GPS para la estimación de la posición de un vehículo. Trabajo fin de Grado
Trabajo fin de Grado Integración mediante filtro de Kalman de sensores inerciales y GPS para la estimación de la posición de un vehículo Autor: Alejandro Vázquez Fraga Tutores: Miguel Ángel Naya Villaverde
Más detallesESTIMACIÓN Y PRONÓSTICO EN LÍNEA DEL ESTADO- DE-CARGA DE BATERÍAS IÓN-LITIO EN BICICLETAS ELÉCTRICAS BASADO EN FILTRO DE PARTÍCULAS
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA ESTIMACIÓN Y PRONÓSTICO EN LÍNEA DEL ESTADO- DE-CARGA DE BATERÍAS IÓN-LITIO EN BICICLETAS ELÉCTRICAS
Más detallesPlanificaciones Seminario de Electrónica II. Docente responsable: MAS IGNACIO AGUSTÍN. 1 de 5
Planificaciones 6666 - Seminario de Electrónica II Docente responsable: MAS IGNACIO AGUSTÍN 1 de 5 OBJETIVOS El objetivo de este curso es que el alumno: - adquiera los conceptos básicos de estado del arte
Más detallesLocalización de un Robot Móvil con el Filtro Extendido de Kalman. Iñaki Navarro Oiza
Localización de un Robot Móvil con el Filtro Extendido de Kalman Iñaki Navarro Oiza 1 de julio de 1. Introducción El objetivo de este trabajo es ver el comportamiento del Filtro Extendido de Kalman (EKF)
Más detallesDISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD
DISTRIBUCIONES MULTIDIMENSIONALES DE PROBABILIDAD FUNCIÓN DE DISTRIBUCIÓN ( CONJUNTA ) DE UN VECTOR ALEATORIO FUNCIÓN DE CUANTÍA ( CONJUNTA) DE VECTORES ALETORIOS DISCRETOS FUNCIÓN DE DENSIDAD (CONJUNTA)
Más detallesTarea 4: Filtro de Kalman Extendido con el robot Khepera
Tarea 4: Filtro de Kalman Extendido con el robot Khepera Matías Mattamala Aravena Prof: Javier Ruiz del Solar Auxiliar: Mauricio Correa Ayudante: Fernando Bernuy 26 de Noviembre de 2013 1 Índice 1. Introducción
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
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 detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA ESTIMACIÓN Y PREDICCIÓN DE LA POTENCIA MÁXIMA DISPONIBLE EN BATERÍAS DE ION LITIO MEMORIA PARA OPTAR
Más detallesProbabilidad 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
Más detallesSumario Prólogo Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares Objetivos de la Unidad...
ÍNDICE SISTEMÁTICO PÁGINA Sumario... 5 Prólogo... 7 Unidad didáctica 1. Introducción a la estadística. Conceptos preliminares... 9 Objetivos de la Unidad... 11 1. Población y muestra... 12 2. Parámetro
Más detallesEstimación de Estado Distribuida Basado en Agentes Lideres: Aplicación al Seguimiento de Objetivo
ASAI 215, 16º Simposio Argentino de Inteligencia Artificial. Estimación de Estado Distribuida Basado en Agentes Lideres: Aplicación al Seguimiento de Objetivo Diego González Dondo Centro de Investigación
Más detallesVARIABLES ALEATORIAS DISCRETAS
VARIABLES ALEATORIAS DISCRETAS M. en C. Juan Carlos Gutiérrez Matus Instituto Politécnico Nacional Primavera 2004 IPN UPIICSA c 2004 Juan C. Gutiérrez Matus Variables Aleatorias Variables Aleatorias Definición:
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 detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesESTIMACIÓN EN SISTEMAS CON OBSERVACIONES INCIERTAS CON CORRELACIÓN EN LA INCERTIDUMBRE
UNIVERSIDAD DE GRANADA Departamento de Estadística e Investigación Operativa FACULTAD DE CIENCIAS MÁSTER OFICIAL EN ESTADÍSTICA APLICADA ESTIMACIÓN EN SISTEMAS CON OBSERVACIONES INCIERTAS CON CORRELACIÓN
Más detallesVariables Aleatorias y Distribución de Probabilidades
Variables Aleatorias y Distribución de Probabilidades Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 27 de mayo de 2011 Tabla de Contenidos Variables
Más detallesMa34a Probabilidades y Procesos Estocásticos 21 de Noviembre, Resumen No. 3
Ma34a Probabilidades y Procesos Estocásticos 21 de Noviembre, 2004 Resumen No. 3 Prof. Cátedra: M. Kiwi Prof. Auxiliares: M. Soto, R. Cortez 1 Variables Aleatorias 1.1 Variables Aleatorias Absolutamente
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesAPLICACIÓN DE MÉTODOS SECUENCIALES DE MONTE CARLO SENSIBLES AL RIESGO EN LA ESTIMACIÓN DE VIDA ÚTIL DE COMPONENTES
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA APLICACIÓN DE MÉTODOS SECUENCIALES DE MONTE CARLO SENSIBLES AL RIESGO EN LA ESTIMACIÓN DE VIDA ÚTIL
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesProcesos Estocásticos
Programa de la Asignatura: Código: 768 Procesos Estocásticos Carrera: Ingeniería en Computación Plan: 2008 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Cuarto Año Primer cuatrimestre
Más detallesTema 4: Variables aleatorias multidimensionales
Tema 4: Variables aleatorias multidimensionales Los contenidos a desarrollar en este tema son los siguientes: Distribución conjunta de probabilidad Probabilidad/densidad marginales y condicionadas Independencia
Más detallesMaterial introductorio
Material introductorio Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Vanessa Gómez Verdejo Índice general. Variables aleatorias unidimensionales..................................
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesCálculo de probabilidad. Tema 3: Variables aleatorias continuas
Cálculo de probabilidad Tema 3: Variables aleatorias continuas Guión Guión 3.1. La función de densidad de probabilidad Definición 3.1 Sea P una medida de probabilidad en un espacio muestral Ω. Se dice
Más detallesLocalización basada en filtros de partículas
Capítulo 5 Localización basada en filtros de partículas La formulación bayesiana del problema de localización global choca con un problema fundamental: cómo representar la función de probabilidad a posteriori?.
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 detallesVision para robotica movil (2): localizacion basada landmarks
Vision para robotica movil (2): localizacion basada landmarks Dr. J.B. Hayet CENTRO DE INVESTIGACION EN MATEMATICAS Octubre 2007 J.B. Hayet Vision robotica Octubre 2007 1 / 55 Outline 1 Localizacion basada
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 detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detallesEstimación Bayesiana y Máximo a Posteriori
Estimación Bayesiana y Máximo a Posteriori Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
Más detallesTEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18
TEMA 2.- VARIABLES ALEATORIAS UNIDIMENSIONALES.- CURSO 17/18 2.1. Concepto de variable aleatoria. Tipos de variables aleatorias: discretas y continuas. 2.2. Variables aleatorias discretas. Diagrama de
Más detallesINDICE. 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.
Más detallesSIMULACIÓN MCMC. Dr. Holger Capa Santos
SIMULACIÓN MCMC Dr. Holger Capa Santos Septiembre, 2009 CONTENIDO Integración Montecarlo Problema con la Integración Montecarlo Muestreo de Importancia Algoritmos de Metropolis y Metropolis-Hastings Muestreador
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 detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
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 detallesValeri Makarov: Estadística Aplicada y Cálculo Numérico (Grado en Química)
Estadística Aplicada y Cálculo Numérico (Grado en Química) Valeri Makarov 10/02/2015 29/05/2015 F.CC. Matemáticas, Desp. 420 http://www.mat.ucm.es/ vmakarov e-mail: vmakarov@mat.ucm.es Capítulo 4 Variables
Más detallesIntroducción. Distribución Gaussiana. Procesos Gaussianos. Eduardo Morales INAOE (INAOE) 1 / 47
Eduardo Morales INAOE (INAOE) 1 / 47 Contenido 1 2 3 (INAOE) 2 / 47 Normalmente, en los algoritmos de aprendizaje que hemos visto, dado un conjunto de ejemplos de entrenamiento se busca encontrar el mejor
Más detallesTransformaciones y esperanza
Capítulo 3 Transformaciones y esperanza 3.1. Introducción Por lo general estamos en condiciones de modelar un fenómeno en términos de una variable aleatoria X cuya función de distribución acumulada es
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS DE SEÑALES ALEATORIAS 1560 5 06 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería en Telecomunicaciones
Más detallesVariables aleatorias bidimensionales discretas
Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS DEPARTAMENTO DE INGENIERÍA ELÉCTRICA UTILIZACIÓN DE MODELOS EMPÍRICOS Y FILTROS DE PARTÍCULAS SENSIBLES AL RIESGO PARA DETECCIÓN TEMPRANA
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesBenemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación
Benemérita Universidad Autónoma de Puebla. Facultad de Ciencias de la Computación ANALISIS COMPARATIVO DEL DESEMPEÑO DE CUATRO FILTROS PREDICTIVOS APLICADOS AL SEGUIMIENTO VISUAL DE OBJETOS Tesis Profesional
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesMatemáticas Nivel Medio Matemáticas Ap.CC.SS.II
Matemáticas Nivel Medio Matemáticas Ap.CC.SS.II Martes, 6 de febrero de 018 1 hora y 15 minutos. NOMBRE APELLIDOS CALIFICACIÓN 1. La longitud auricular de la oreja en varones jóvenes, medida en centímetros
Más detallesPROGRAMA DE CURSO. Señales y Sistemas II. Signals and Systems II Horas de Cátedra. Horas de Trabajo Personal ,5 1,5 5,0
Código Nombre EL 4003 Nombre en Inglés SCT Unidades Docentes PROGRAMA DE CURSO Señales y Sistemas II Signals and Systems II Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3,5 1,5
Más detallesVariantes del LMS Algortimo LMA ( Least Mean Absolute ) Algoritmo LMS normalizado Algoritmo LMS regularizado Algoritmo LMS en frecuencia
4.4 Algoritmo LMS Introducción El algoritmo LMS Análisis de convergencia Variantes del LMS Algortimo LMA ( Least Mean Absolute ) Algoritmo LMS normalizado Algoritmo LMS regularizado Algoritmo LMS en frecuencia
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detalles