Filtros de Wiener. Tratamiento Estadístico de Señales. Pablo Musé & Ernesto López
|
|
- José Manuel Soto Contreras
- hace 5 años
- Vistas:
Transcripción
1 Filtros de Wiener Tratamiento Estadístico de Señales Pablo Musé & Ernesto López Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Abril de 2013 Biblio: Haykin, Adaptive Filter Theory, 4ta. edición: Capítulo 2 y Apéndice B. Hayes, Statistical Digital Signal Processing and Modeling, 1996: Capítulo 7, secs. 7.2 y 7.3.
2 Introducción Estudiaremos una clase de filtros en tiempo discreto, óptimos en un sentido que definiremos más adelante, llamados Filtros de Wiener. Filtrado lineal óptimo: planteo del problema Given input samples and filter coefficients Conditions at time n Input u(0), u(1), u(2), Linear discrete-time filter w 0, w 1, w 2, Output y(n) Σ Desired response d(n) + Estimation error e(n) Figure 2.1 {u(n)}, {d(n)}: realizaciones de procesos estocásticos conjuntamente Block diagram representation of the statistical filtering problem. WSS, de media nula (si no, basta con restárselas). y(n): estimación de la respuesta deseada en tiempo n Prentice Hall, Inc. Simon Haykin Adaptive Filter Theory 4E e(n) = d(n) y(n): error de estimación en tiempo n Objetivo: hacer e(n) lo más chico posible en algún sentido estadístico.
3 Restricciones y opciones de diseño Sobre el filtro Restricciones: lineal y discreto. Opciones: FIR o IIR. Trataremos la teoría para IIRs (siendo los FIRs un caso particular), pero nos focalizaremos en los FIRs por ser inherentemente estables. Obs: cuando tratemos con filtros adaptivos, tener que lidiar con IIRs y sus posibles inestabilidades hacen del problema difícil de manejar. Por esta razón en general en filtros adaptivos se utilizan FIRs, a pesar que los IIR son mucho menos demandantes computacionalmente.
4 Restricciones y opciones de diseño Sobre el filtro Restricciones: lineal y discreto. Opciones: FIR o IIR. Trataremos la teoría para IIRs (siendo los FIRs un caso particular), pero nos focalizaremos en los FIRs por ser inherentemente estables. Obs: cuando tratemos con filtros adaptivos, tener que lidiar con IIRs y sus posibles inestabilidades hacen del problema difícil de manejar. Por esta razón en general en filtros adaptivos se utilizan FIRs, a pesar que los IIR son mucho menos demandantes computacionalmente. Sobre el criterio estadístico de optimalidad E[ e(n) ]: convexo, no diferenciable. Corresponde a distribuciones de Laplace. E[ e(n) 2 ]: convexo, diferenciable. Corresponde a distribuciones Gaussianas. Es matemáticamente más sencillo de tratar (podemos calcular gradientes). Otros.
5 Posibles Aplicaciones Dependiendo de cómo están vinculadas u(n) y d(n), varios problemas fundamentales pueden ser planteados como un filtrado de Wiener:
6 Posibles Aplicaciones Dependiendo de cómo están vinculadas u(n) y d(n), varios problemas fundamentales pueden ser planteados como un filtrado de Wiener: Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir de muestras ruidosas con un filtro causal, i.e. a partir de las muestras u(n), u(n 1), u(n 2),....
7 Posibles Aplicaciones Dependiendo de cómo están vinculadas u(n) y d(n), varios problemas fundamentales pueden ser planteados como un filtrado de Wiener: Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir de muestras ruidosas con un filtro causal, i.e. a partir de las muestras u(n), u(n 1), u(n 2),.... Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo, estimar d(n) offline a partir de todo el registro de datos disponibles (previos y posteriores a n).
8 Posibles Aplicaciones Dependiendo de cómo están vinculadas u(n) y d(n), varios problemas fundamentales pueden ser planteados como un filtrado de Wiener: Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir de muestras ruidosas con un filtro causal, i.e. a partir de las muestras u(n), u(n 1), u(n 2),.... Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo, estimar d(n) offline a partir de todo el registro de datos disponibles (previos y posteriores a n). Predicción: si d(n) = u(n + 1) y el filtro es causal, se busca estimar u(n + 1) a partir de u(n) y sus muestras previas.
9 Posibles Aplicaciones Dependiendo de cómo están vinculadas u(n) y d(n), varios problemas fundamentales pueden ser planteados como un filtrado de Wiener: Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir de muestras ruidosas con un filtro causal, i.e. a partir de las muestras u(n), u(n 1), u(n 2),.... Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo, estimar d(n) offline a partir de todo el registro de datos disponibles (previos y posteriores a n). Predicción: si d(n) = u(n + 1) y el filtro es causal, se busca estimar u(n + 1) a partir de u(n) y sus muestras previas. Deconvolución: u(n) = h d(n) + v(n). El objetivo es encontrar algún filtro de respuesta al impulso g(n) tal que podamos estimar ˆd(n) = g u(n).
10 Posibles Aplicaciones Dependiendo de cómo están vinculadas u(n) y d(n), varios problemas fundamentales pueden ser planteados como un filtrado de Wiener: Filtrado: u(n) = d(n) + v(n), con v(n) ruido. Estimar d(n) a partir de muestras ruidosas con un filtro causal, i.e. a partir de las muestras u(n), u(n 1), u(n 2),.... Suavizado: idem salvo que el filtro puede ser no causal. Por ejemplo, estimar d(n) offline a partir de todo el registro de datos disponibles (previos y posteriores a n). Predicción: si d(n) = u(n + 1) y el filtro es causal, se busca estimar u(n + 1) a partir de u(n) y sus muestras previas. Deconvolución: u(n) = h d(n) + v(n). El objetivo es encontrar algún filtro de respuesta al impulso g(n) tal que podamos estimar ˆd(n) = g u(n). Otros.
11 Filtrado de Wiener: Solución al problema Objetivo: encontrar w 0, w 1, w 2,... tales que se minimice J n (w) = E[ e(n) 2 ] = J(w). Desarrollaremos la solución matemática a este problema de optimización estadística abordando dos enfoques diferentes pero complementarios: El principio de ortogonalidad (característicos de los espacios de Hilbert) La superficie de performance del error e(n).
12 Las ecuaciones normales o de Wiener-Hopf (1) Entrada: u(0), u(1), u(2),... Resp. al impulso del filtro: w 0, w 1, w 2,... } complejas e infinitas. Salida del filtro: + y(n) = wku(n k), n = 0, 1, 2,... k=0 e(n) = d(n) y(n). =w H u(n), con w T = [w 0, w 1, w 2,... ], u(n) T = [u(n), u(n 1), u(n 2),... ] Recordemos que {u(n)}, {d(n)} son realizaciones de procesos estocásticos conjuntamente WSS, de media nula
13 Las ecuaciones normales o de Wiener-Hopf (2) Queremos ver bajo qué condiciones en w (o cual es el filtro tal que) J(w) = E[e (n)e(n)] alcanza el mínimo. Definamos p T = [p(0), p( 1), p( 2),... ] = E[u(n)d (n)]. Ejercicio: 1. Escribir J(w) como función de w, R = E[u(n)u(n) H ], p y σ 2 d = E[ d(n) 2 ], y verificar que es cuadrática y convexa en w. 2. Escribir el sistema de ecuaciones que debe verificar w o = arg min w J(w), conocido como ecuaciones normales.
14 Las ecuaciones normales o de Wiener-Hopf (2) Queremos ver bajo qué condiciones en w (o cual es el filtro tal que) J(w) = E[e (n)e(n)] alcanza el mínimo. Definamos p T = [p(0), p( 1), p( 2),... ] = E[u(n)d (n)]. Ejercicio: 1. Escribir J(w) como función de w, R = E[u(n)u(n) H ], p y σ 2 d = E[ d(n) 2 ], y verificar que es cuadrática y convexa en w. 2. Escribir el sistema de ecuaciones que debe verificar w o = arg min w J(w), conocido como ecuaciones normales. J(w) =E[(d (n) u H (n)w)(d(n) w H u(n))] =E[ d(n) 2 + w H E[u(n)u(n) H ]w w H E[u(n)d (n)] E[d(n)u H (n)]w =w H Rw p H w w H p + σ 2 d. Es convexa ya que R es def. positiva, por lo que admite un único mínimo local.
15 Las ecuaciones normales o de Wiener-Hopf (2) Queremos ver bajo qué condiciones en w (o cual es el filtro tal que) J(w) = E[e (n)e(n)] alcanza el mínimo. Definamos p T = [p(0), p( 1), p( 2),... ] = E[u(n)d (n)]. Ejercicio: 1. Escribir J(w) como función de w, R = E[u(n)u(n) H ], p y σ 2 d = E[ d(n) 2 ], y verificar que es cuadrática y convexa en w. 2. Escribir el sistema de ecuaciones que debe verificar w o = arg min w J(w), conocido como ecuaciones normales. J(w) =E[(d (n) u H (n)w)(d(n) w H u(n))] =E[ d(n) 2 + w H E[u(n)u(n) H ]w w H E[u(n)d (n)] E[d(n)u H (n)]w =w H Rw p H w w H p + σ 2 d. Es convexa ya que R es def. positiva, por lo que admite un único mínimo local. Sabemos que w = 2 (ver Haykin, Apéndice B). w 0 = 2 J (w w o) = 2Rw o 0 2p 0 Rw o = p Ecuaciones normales
16 Principio de ortogonalidad Breve paréntesis: E[X H Y ] como producto interno X 1, X 2, Y vectores aleatorios, E[X 1] = E[X 2] = E[Y ] = 0. < X, Y >:= E[X H Y ] define un producto interno: < X, X > 0, y < X, X >= 0 X = 0. < X, Y >=< Y, X > < ax 1 + bx 2, Y >= a < X 1, Y > +b < X 2, Y > (linealidad de E[ ]). < X, Y >= E[X H Y ] = 0 X, Y no correlacionados (o ortogonales para este p. i.).
17 Principio de ortogonalidad Breve paréntesis: E[X H Y ] como producto interno X 1, X 2, Y vectores aleatorios, E[X 1] = E[X 2] = E[Y ] = 0. < X, Y >:= E[X H Y ] define un producto interno: < X, X > 0, y < X, X >= 0 X = 0. < X, Y >=< Y, X > < ax 1 + bx 2, Y >= a < X 1, Y > +b < X 2, Y > (linealidad de E[ ]). < X, Y >= E[X H Y ] = 0 X, Y no correlacionados (o ortogonales para este p. i.). Rw o = p E[u(n)u(n) H ]w o = E[u(n)d (n)] E[u(n)(d (n) u(n) H w o )] = E[u(n)e o(n)] = 0. E[u(n k)e o(n)] = 0 k = 0, 1, 2,... La CNS para que J alcance el mínimo es que el error e(n) = e o (n) sea ortogonal a todas las muestras involucradas al tiempo n.
18 Principio de ortogonalidad (cont.) Cuando el filtro opera en condición óptima w = w o, la estimación de la respuesta deseada y el error de estimación son ortogonales: E[y o (n)e (n)] = E[w H o u(n)e o(n)] = w H o E[u(n)e o(n)] = 0.
19 Principio de ortogonalidad (cont.) Cuando el filtro opera en condición óptima w = w o, la estimación de la respuesta deseada y el error de estimación son ortogonales: E[y o (n)e (n)] = E[w H o u(n)e o(n)] = w H o E[u(n)e o(n)] = 0. Error cuadrático medio mínimo e o (n) = d(n) y o (n), y o (n) = ˆd(n), J min = E[ e o (n) 2 ] Por el principio de ortogonalidad, sabemos que e o (n) y o (n), de dónde d(n) = e o (n) + y o (n) E[ d(n) 2 ] }{{} σ 2 d J min = σ 2 d σ2ˆd ε := Jmin σ 2 d = E[ e o (n) 2 ] }{{} J min + E[ y o (n) 2 ] }{{} σ 2ˆd = 1 σ2ˆd. Tendremos 0 ε 1. σd 2
20 Solución de las ecs. normales para filtros transversales u(n) z 1 u(n-1) z 1... u(n-m+2) z 1 u(n-m+1) w* 0 w* w* 1 M 2 w* M e(n) d(n u ˆ n ) Ahora estamos en dimensión finita: u(n) T = [u(n), u(n 1),..., u(n M + 1)] Figure 2.4 Transversal filter. + d(n) w T = [w 0, w 1,..., w M 1 ], w T o = [w o,0, w o,1,..., w o,m 1 ] p T = [p(0), p( 1),..., p( M + 1)] w o = R 1 p Necesitamos conocer: matriz de correlación de u(n) y las correlaciones cruzadas entre u(n k) y d(n), k = 0, 1,..., M Prentice Hall, Inc. Simon Haykin Adaptive Filter Theory 4E
21 Superficie de performance del error J(w) = w H Rw p H w w H p + σd. 2 J min = J(w o ) = p H R H RR 1 p p H R 1 p p H R H p + σd. 2 = σd 2 p H R 1 p = σd 2 p H w o. Se puede ver fácilmente que J(w) = J min + (w w o ) H R(w w o )
22 Superficie de performance del error J(w) = w H Rw p H w w H p + σd. 2 J min = J(w o ) = p H R H RR 1 p p H R 1 p p H R H p + σd. 2 = σd 2 p H R 1 p = σd 2 p H w o. Se puede ver fácilmente que J(w) = J min + (w w o ) H R(w w o ) Forma canónica de la superficie de error Sabemos que R = QΛQ H (R hermítica, teorema espectral). Luego, J(w) = J min + (w w o ) H QΛQ H (w w o ) = J min + v H Λv, con v = Q H (w w o ) la proyección de (w w o ) M 1 = J min + λ k v k 2. k=0 en los ejes principales de R ( de la superficie de error).
23 Superficie de performance del error: ejemplo de un filtro con dos taps Cost function J Prentice Hall, Inc. Simon Haykin Adaptive Filter Theory 4E w Figure 2.7 Error-performance surface of the two-tap transversal filter described in the example of Section w Prentice Hall, Inc. Simon Haykin 4.00 Figure 2.8 En la forma canónica, J min se alcanza en (w w o ) = (0, 0), y los ejes están orientados según los ejes principales de las elipses de las curvas de nivel. Contour plots of the error-performance surface depicted in Fig 2.7.
24 Filtros de Wiener IIR No serán abordados aquí por las razones expuestas en la introducción: la mayoría de las señales no son WSS y a lo sumo se asumirá que los procesos son localmente WSS, lo que da lugar a los filtros adaptivos. Pero en el caso de que los procesos sean WSS en su conjunto, pueden ser de gran utilidad. Se recomienda la siguiente lectura: Filtro de Wiener IIR no causal (Hayes, 7.3.1). Ejemplo de aplicación: Deconvolución (Hayes, 7.3.5). Teorema de factorización espectral (Hayes,. 3.5) Filtro de Wiener IIR causal (Hayes, y 7.3.3)
Práctico 3 Filtro de Wiener
Práctico 3 Filtro de Wiener Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fingeduuy Departamento de Procesamiento de Señales Instituto de Ingeniería
Más detallesPráctico 2 Análisis de proceso autorregresivo de orden 2 Proceso WSS filtrado
Práctico Análisis de proceso autorregresivo de orden Proceso WSS filtrado Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fing.edu.uy Departamento
Más 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 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 detallesAlgoritmo de adaptación LMS
Algoritmo de adaptación LMS Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Abril de 2018 Introducción
Más detallesPlanificaciones Procesamiento de Señales I. Docente responsable: GIRIBET JUAN IGNACIO. 1 de 6
Planificaciones 8651 - Procesamiento de Señales I Docente responsable: GIRIBET JUAN IGNACIO 1 de 6 OBJETIVOS CONTENIDOS MÍNIMOS PROGRAMA SINTÉTICO 1. Diseño de filtros digitales. 4. Banco de filtros. 5.
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 detallesEstimadores insesgados lineales óptimos (BLUE)
Estimadores insesgados lineales óptimos (BLUE) Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
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 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 detallesIntroducción al algoritmo de máxima pendiente. Análisis de estabilidad y convergencia
4.3 Algoritmo de máxima pendiente Introducción al algoritmo de máxima pendiente Aplicación al filtro de Wiener Análisis de estabilidad y convergencia Otras técnicas de optimización Newton-Raphson Levemberg-Marquardt
Más detallesPROCESOS ESTOCÁSTICOS
CURSO: PROCESOS ESTOCÁSTICOS 1 SEMESTRE: VIII 2 CODIGO: 602804 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1)
Más detalles6 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
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 detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Analisis de señal para comunicaciones. CURSO ACADÉMICO - SEMESTRE Segundo semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Analisis de señal para comunicaciones CURSO ACADÉMICO - SEMESTRE 2016-17 - Segundo semestre GA_09AQ_93000792_2S_2016-17 Datos Descriptivos Nombre de la Asignatura
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 93000792 - PLAN DE ESTUDIOS 09AQ - Master Universitario en Ingenieria de CURSO ACADÉMICO Y SEMESTRE 2017-18 - Primer semestre Índice Guía
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 detallesINGENIERO DE TELECOMUNICACION (Troncal) Escuela Técnica Superior de Ingenieros Industriales y de Telecomunicación 2543 TEORIA DE LA COMUNICACION
1. DATOS IDENTIFICATIVOS DE LA ASIGNATURA Título/s Centro Módulo / materia Código y denominación Créditos ECTS 6 Curso / Cuatrimestre Web Idioma de impartición Forma de impartición INGENIERO DE TELECOMUNICACION
Más detallesIDENTIFICACION DE SISTEMAS IDENTIFICACIÓN PARAMÉTRICA
IDENTIFICACION DE SISTEMAS IDENTIFICACIÓN PARAMÉTRICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Identificación paramétrica En
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 detallesPSAVC - Procesado de Señal Audiovisual y de Comunicaciones
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2018 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona 739 - TSC - Departamento de Teoría
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 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 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 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 detalles3. Señales. Introducción y outline
3. Señales Introducción y outline Outline Señales y Sistemas Discretos: SLIT, Muestreo, análisis tiempo-frecuencia, autocorrelación, espectro, transformada Z, DTFT, DFT, FFT Filtros y Estimación: Filtros
Más detallesDar una breve semblanza sobre los Filtros Digitales, sus fundamentos y su principales características.
Filtros Digitales Objetivo Dar una breve semblanza sobre los Filtros Digitales, sus fundamentos y su principales características. Revisar la convolución como fundamentos de los filtros digitales junto
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS ESPECTRAL DE SEÑALES 1639 6 09 Asignatura Clave Semestre Créditos Ingeniería en Ciencias de la Tierra Geofísica
Más detallesAUTOVALORES Y AUTOVECTORES
12 de Julio de 2011 AUTOVALORES Y AUTOVECTORES (Clase 01) Departamento de Matemática Aplicada Facultad de Ingeniería Universidad Central de Venezuela 1 Puntos a tratar 1. Valores y vectores propios 2.
Más detallesProcesamiento Digital de Imágenes
Unidad V (b): Restauración de imágenes II p. 1/16 Procesamiento Digital de Imágenes Unidad IV (2da. parte): Restauración de imágenes II Departamento de Informática - FICH Universidad Nacional del Litoral
Más detallesEstimación y Predicción en Series Temporales
Estimación y Predicción en Series Temporales Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
Más detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallesClase 8 Nociones Básicas de Convexidad
Pontificia Universidad Católica Escuela de Ingeniería Departamento de Ingeniería Industrial y de Sistemas Clase 8 Nociones Básicas de Convexidad ICS 1102 Optimización Profesor : Claudio Seebach Apuntes
Más detallesSistemas LTI discretos
Procesamiento Digital de Señales Licenciatura en Bioinformática FI-UNER discretos Setiembre de 2010 Procesamiento Digital de Señales discretos Septiembre de 2010 1 / 21 Organización Definición criterios
Más detalles1. Control de Mínima Varianza
. Control de Mínima Varianza. CONTROL DE MÍNIMA VARIANZA..... PLANTEO DEL PROBLEMA..... CRITERIO DE OPTIMIZACIÓN...5.3. PREDICCIÓN ÓPTIMA...8.3.. Forma intuitiva...8... Caso General...0.3.. Cálculo del
Más detallesEstimación insesgada de mínima varianza
Estimación insesgada de mínima varianza Tratamiento Estadístico de Señales Pablo Musé, Ernesto López & Luís Di Martino {pmuse, elopez, dimartino}@fing.edu.uy Departamento de Procesamiento de Señales Instituto
Más detallesSistemas LTI discretos
Procesamiento Digital de Señales Licenciatura en Bioinformática FI-UNER discretos 15 de setiembre de 2011 Procesamiento Digital de Señales discretos Septiembre de 2011 1 / 21 Organización Definición criterios
Más detallesAsignatura: Horas: Total (horas): Obligatoria Teóricas 3.0 Semana 3.0 Optativa X Prácticas Semanas 48.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO Aprobado por el Consejo Técnico de la Facultad de Ingeniería en su sesión ordinaria del 15 de octubre de 2008 DETECCIÓN
Más detallesNelson Devia C Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3
IN3701 - Modelamiento y Optimización Departamento de Ingeniería Industrial Universidad de Chile 2011 Basado en Bertsimas, D., Tsitsiklis, J. (1997) Introduction to Linear Optimization Capítulo 3 Contenidos
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 detallesINGENIERÍA EN MECATRÓNICA PROCESAMIENTO DIGITAL DE SEÑALES CUP-17 RP-CUP 17/REV:00
MANUAL DE LA ASIGNATURA INGENIERÍA EN MECATRÓNICA PROCESAMIENTO DIGITAL DE SEÑALES F-RP RP-CUP CUP-17 17/REV:00 DIRECTORIO Secretario de Educación Pública Dr. Reyes Taméz Guerra. Subsecretario de Educación
Más detallesSistemas Discretos LTI
Sistemas Discretos LTI MSc. Bioing Rubén Acevedo racevedo@bioingenieria.edu.ar Bioingeniería I Carrera: Bioingeniería Facultad de Ingeniería - UNER 06 de Abril de 2009 Bioingeniería I Sistemas discretos
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Procesado digital de la señal. CURSO ACADÉMICO - SEMESTRE Segundo semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Procesado digital de la señal CURSO ACADÉMICO - SEMESTRE 2016-17 - Segundo semestre GA_59EC_595000025_2S_2016-17 Datos Descriptivos Nombre de la Asignatura
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN TEORÍA DE SEÑALES OBJETIVO GENERAL Estudiar los conceptos fundamentales de representación de
Más detallesIDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA
IDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 SISTEMAS LTI En general un
Más detallesAsignatura: Horas: Total (horas): Obligatoria X Teóricas 3.0 Semana 3.0 de elección Optativa Prácticas Semanas 48.0
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO PROCESAMIENTO DIGITAL DE IMÁGENES 0753 8º, 9º 06 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Procesamiento
Más detalles1.1 Qué es la regresión Guardar
Artículo Revista digital Matemática, Educación e Internet (http://www.tec-digital.itcr.ac.cr/revistamatematica/). Vol 13, No 1. Agosto Febrero 2013. Análisis de regresión para la población de Costa Rica.
Más detallesAnálisis aplicado. José Luis Morales. Departamento de Matemáticas. ITAM
Departamento de Matemáticas. ITAM. 2011. Consideraciones http://allman.rhon.itam.mx/ jmorales Temas del curso + bibliografía. Exámenes, proyectos. Aprender haciendo Trabajo individual Consideraciones http://allman.rhon.itam.mx/
Más detallesÁlgebra Lineal UCR. Sétimo tema, 2013
Álgebra Lineal UCR Sétimo tema, 2013 Presentaciones basadas principalmente en Arce,C, Castillo,W y González, J. (2004) Álgebra lineal. Tercera edición. UCR. San Pedro. Otras fuentes serán mencionadas cuando
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA ELÉCTRICA DEPARTAMENTO DE ELECTRÓNICA
TIPO DE 207, 255, 0790 SEMANA: PROPÓSITO Esta asignatura ofrece al alumno los conocimientos básicos para el análisis de los sistemas lineales, tanto en el dominio del tiempo continuo como en el dominio
Más detallesTS - Teoría de la Señal
Unidad responsable: 230 - ETSETB - Escuela Técnica Superior de Ingeniería de Telecomunicación de Barcelona Unidad que imparte: 739 - TSC - Departamento de Teoría de la Señal y Comunicaciones Curso: Titulación:
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA PRAXIS MES XXI NOMBRE DE LA ASIGNATURA: PROCESAMIENTO DE IMÁGENES DIGITALES FECHA DE ELABORACIÓN: ENERO 2005 ÁREA DEL PLAN DE ESTUDIOS:
Más detallesFamiliarizar al estudiante con las técnicas actuales del procesamiento digital de señales y sus diferentes aplicaciones.
FACULTAD: INGENIERÍAS Y ARQUITECTURA PROGRAMA: INGENIERÍA EN TELECOMUNICACIONES DEPARTAMENTO DE: INGENIERÍA ELECTRÓNICA, ELÉCTRICA, SIS Y TELECOMUNICACIONES Procesamiento digital CURSO : de señales CÓDIGO:
Más detallesCÓRDOBA, 2 3 AE. La autorización conferida por el H. Consejo Ordenado Resolución N T- 2009; EL DECANO DE LA RESUELVE:
FACULTAD DE CIENCIAS EXACTAS, FÍSICAS Y NATURALES UNIVERSIDAD NACIONAL DE CÓRDOBA VISTO: CÓRDOBA, 2 3 AE El Expíe, de la Universidad Nacional de Córdoba N 0000628/2015 por el cual el Dr. Damián Alfonso
Más detallesUniversidad Autónoma de San Luis Potosí Facultad de Ingeniería Programas Analíticos del Área Mecánica y Eléctrica
A) CURSO Clave Asignatura 5726 Procesamiento Digital de Señales Horas de teoría Horas de práctica Horas trabajo Créditos Horas por semana por semana adicional estudiante Totales 3 2 3 8 48 B) DATOS BÁSICOS
Más detallesJesús Getán y Eva Boj. Marzo de 2014
Jesús Getán y Eva Boj Facultat d Economia i Empresa Universitat de Barcelona Marzo de 2014 Jesús Getán y Eva Boj 1 / 51 Formulación general del problema Óptimos locales Condición de regularidad Condiciones
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesDiseño e Implementación de Ecualizadores Adaptivos Least Mean Square (LMS) y Decision-Feedback Equalizer (DFE) en el Kit de DSP TMS320C6711.
Diseño e Implementación de Ecualizadores Adaptivos Least Mean Square (LMS) y Decision-Feedback Equalizer (DFE) en el Kit de DSP TMS32C67. Autores: Marco Munguía, Fernando Flores, Marvin Arias, miembro
Más detallesEsperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso
Esperanza condicionada Apuntes de clase Probabilidad II (grupos 31 y 40) Curso 2010-11 Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid Probabilidad y esperanza condicionada: recordatorio
Más detallesClase 7 Herramientas de Álgebra Lineal
Clase 7 Herramientas de Álgebra Lineal 1 Formas cuadráticas La descomposición en valores singulares 3 Normas de matrices 4 Ejercicios Dada una matriz M R n n, la función escalar x T Mx, donde x R n, es
Más detallesApunte de procesos estocásticos
Apunte de procesos estocásticos Margarita Manterola 6 de junio de 2005 Resumen Este apunte pretende ser un resumen de lo dado en clase (tanto práctica como teórica) en la materia Procesos Estocásticos
Más detallesFunciones de Variables Aleatorias. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Funciones de Variables Aleatorias UCR ECCI CI-135 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción En los métodos estadísticos estándar, el resultado de la prueba
Más detallesTeoría de la aproximación Métodos de Mínimos cuadrados
Teoría de la aproximación Métodos de Mínimos cuadrados MAT-251 Dr. Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesDepartamento de Teoría de la Señal y Comunicaciones Universidad Carlos III de Madrid
COMUNICACIONES DIGITALES AVANZADAS 4 DISEÑO DE RECEPTORES DE COMUNICACIONES MARCELINO LÁZARO Departamento de Teoría de la Señal y Comunicaciones Universidad Carlos III de Madrid mlazaro@tscuc3mes Igualación
Más detallesPrograma Regular. Asignatura: Señales y Sistemas. Carreras: Bioingeniería. Ciclo lectivo: Docentes: Ing. Fernando Ballina, Ing.
Programa Regular Asignatura: Señales y Sistemas Carreras: Bioingeniería. Ciclo lectivo: 2016 Docentes: Ing. Fernando Ballina, Ing. Melina Podestá Carga horaria semanal: 6 horas. Tipo de asignatura: Es
Más detallesSeriación obligatoria antecedente: Análisis Espectral de Señales y Variable Compleja Aplicada a la Geofísica
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO INTRODUCCIÓN AL DISEÑO DE FILTROS DIGITALES 1743 7 09 Asignatura Clave Semestre Créditos Ingeniería en Ciencias de la
Más detallesÁlgebra Lineal - Grado de Estadística. Examen final 27 de junio de 2014 APELLIDOS, NOMBRE:
Álgebra Lineal - Grado de Estadística Examen final 7 de junio de 4 APELLIDOS, NOMBRE: DNI: irma Primer parcial Ejercicio Consideremos matrices A m m, B, C n n, Pruebe que bajo la hipótesis de que las inversas
Más detallesGeometría y Poliedros
IN3701, Optimización 3 de agosto de 2009 Contenidos 1 Definiciones Básicas Definición 2.1 S R n es un poliedro si S = {x R n : Ax b} para algún A R m n, b R m. Definición 2.2 S R n es acotado si existe
Más detalles2 OBJETIVOS TERMINALES. Como resultado del proceso de aprendizaje activo del curso, el estudiante estará en capacidad de:
MATERIA: Matemáticas para Economía CÓDIGO: 08307 REQUISITOS: Cálculo integral (08301), Teoría de Probabilidades (08131) PROGRAMAS: Economía y Negocios Internacionales, Economía con énfasis en Políticas
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 detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 ASIGNATURA 95000119 - PLAN DE ESTUDIOS 09IB - CURSO ACADÉMICO Y SEMESTRE 2017/18 - Segundo semestre Índice Guía de Aprendizaje 1. Datos descriptivos...1
Más detalles1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO
Capítulo 1: EL CONCEPTO DE CONTROL INVERSO ADAPTATIVO INTRODUCCIÓN 1.1. INTRODUCCIÓN Las técnicas de filtrado adaptativo han sido aplicadas con éxito a los sistemas de antenas adaptativas, a problemas
Más detallesPLAN DE ESTUDIOS 2008-II SÍLABO
UNIVERSIDAD RICARDO PALMA FACULTAD DE INGENIERÍA DEPARTAMENTO ACADÉMICO DE INGENIERÍA I. INFORMACIÓN GENERAL: PLAN DE ESTUDIOS 2008-II SÍLABO 1.1 Asignatura : PROCESAMIENTO DE SEÑALES 1.2. Ciclo : VII
Más detallesTeoría de la aproximación Métodos de Mínimos cuadrados
Teoría de la aproximación Métodos de Mínimos cuadrados MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@cimat.mx
Más detalles1. Señales y sistemas Sistemas lineales e invariantes en el tiempo (SLI) 13.5
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO ANÁLISIS DE SISTEMAS Y SEÑALES 1418 4 09 Asignatura Clave Semestre Créditos Ingeniería Eléctrica Ingeniería de Control
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE INGENIERÍA PROGRAMA DE ESTUDIO PROCESAMIENTO DIGITAL DE IMÁGENES MÉDICAS: IMAGENOLOGÍA 0754 8 ó 9º 08 Asignatura Clave Semestre Créditos Ingeniería Eléctrica
Más detallesPrograma de la asignatura Curso: 2008 / 2009 PROCESAMIENTO DIGITAL DE SEÑAL (3241)
Programa de la asignatura Curso: 2008 / 2009 PROCESAMIENTO DIGITAL DE SEÑAL (3241) PROFESORADO Profesor/es: CÉSAR REPRESA PÉREZ - correo-e: crepresa@ubu.es FICHA TÉCNICA Titulación: INGENIERÍA TÉCNICA
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
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 detallesTeoría Estadística de las Comunicaciones.
Teoría Estadística de las Comunicaciones. Profesor: Dr. Valeri Ya Kontorovich Mazover. OBJETIVOS: Ampliar y profundizar los conceptos de las comunicaciones, formar el sistema de los conceptos teóricos
Más detallesPROGRAMA ANÁLISIS DE SEÑALES Y SISTEMAS
PROGRAMA ANÁLISIS DE SEÑALES Y SISTEMAS Objetivos Generales (según Ordenanza 1077): El objetivo de la enseñanza de estos contenidos es fijar en el alumno las bases del tratamiento de señales y sus enfoques:
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE
PROCESO DE COORDINACIÓN DE LAS ENSEÑANZAS PR/CL/001 Sistemas de ASIGNATURA 595000025 - PLAN DE ESTUDIOS 59EC - CURSO ACADÉMICO Y SEMESTRE 2017-18 - Segundo semestre Índice Guía de Aprendizaje 1. Datos
Más detallesResolver ecuaciones cuadráticas. Departamento de Matemáticas Universidad de Puerto Rico - Arecibo
Resolver ecuaciones cuadráticas Departamento de Matemáticas Universidad de Puerto Rico - Arecibo Ecuación cuadrática en forma general Una ecuación cuadrática tiene una forma general como sigue ax + bx
Más detallesJuan de la Cruz González Férez
Curso 0: Matemáticas y sus Aplicaciones Matrices y Sistemas de Ecuaciones Aplicaciones Juan de la Cruz González Férez IES Salvador Sandoval Las Torres de Cotillas (Murcia) 2012 Ecuaciones en diferencias
Más detalles6. Ortogonalidad. Universidad de Chile Conjuntos ortogonales y ortonormales. Ingeniería Matemática SEMANA 12: ORTOGONALIDAD
FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 7- SEMANA : ORTOGONALIDAD 6 Ortogonalidad 6 Conjuntos ortogonales y ortonormales Recordemos que la proyección de u sobre v
Más detallesPROGRAMACIÓN MATEMÁTICA
PROGRAMACIÓN MATEMÁTICA TEMA 1. INTRODUCCIÓN A LA PROGRAMACIÓN MATEMÁTICA. CONJUNTOS CONVEXOS. CONVEXIDAD DE UNA FUNCIÓN. PLANTEAMIENTO FORMAL DEL PROBLEMA DE PROGRAMACION MATEMATICA. - Función Objetivo:
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesContenido Capítulo 1 Introducción Capítulo 2 Conceptos Básicos Capítulo 3 Procesamiento de Imágenes en el Dominio Espacial
Contenido Capítulo 1 Introducción 1.Introducción 1 1.1 Sistema Visual Humano 1 1.2 Modelo de Visión por Computadora 3 1.3 Procesamiento Digital de Imágenes 3 1.4 Definición de Imagen Digital 4 Problemas
Más detallesPRÁCTICA 7: DISEÑO DE FILTROS IIR
PRÁCTICA 7: DISEÑO DE FILTROS IIR Objetivo Específico: El alumno utilizará herramientas computacionales para el diseño de filtros de respuesta finita al impulso (IIR). Comparará las características de
Más detallesIGUALACIÓN CIEGA DE CANAL
IGUALACIÓN CIEGA DE CANAL MMC (UC3M) Comunicaciones Digitales Receptores 1 / 28 Igualación ciega - Planteamiento A[n] p[n] q[n] z[n] Igualador u[n] Â[n d] Imposibilidad/no practicidad de una secuencia
Más detallesParticipantes. Comité para el Diseño de Especialidad DIET. Academia de Comunicaciones DIET. Comité de Investigación DIET
.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Carrera: Teoría de las Comunicaciones. Ingeniería Electrónica Clave de la asignatura: TEB 080 Horas teoría-horas práctica-créditos: 4 0 8.- HISTORIA
Más detallesProcesamiento de Señales 1D. 2.1 El mundo análogo de sistemas LIT. Se tiene un sistema H. se puede descomponer
2. Procesamiento de Señales 1D Generalizando, para sistemas lineales e Inv. a la traslación 2.1 El mundo análogo de sistemas LIT Se tiene un sistema H usando.:. En general la salida Si tenemos x 0(t),
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 detallesSistemas Adaptivos: una Perspectiva desde la Teoría de Control Moderna
Sistemas Adaptivos: una Perspectiva desde la Teoría de Control Moderna Rosaura Palma Orozco Laboratorio Transdisciplinario de Investigación en Sistemas Evolutivos, ESCOM-IPN Lorena Chavarría Báez Sección
Más detalles