Estudio de rampas de producción eólica.
|
|
- Monica Belmonte Figueroa
- hace 7 años
- Vistas:
Transcripción
1 IIC de junio de 2013 Estudio de rampas de producción eólica.
2 Índice Estado del arte. Definición de rampa. Modelos propuestos. Primeros resultados. Problema a resolver. Metodología de evaluación. Descripción de modelos: Modelos base. Modelos basados en knn. Selección de parámetros. Resultados. Conclusiones. Referencias 2
3 Definición intuitiva de rampa Cambio brusco en la producción eólica en un periodo corto de tiempo. Qué se considera un cambio brusco? Cuánto es un periodo corto de tiempo? Estado del arte: Definición de rampa I Claves de la definición de rampa P(t) serie temporal de la producción. D t duración de la rampa. umbral de producción (magnitud de la rampa). P th Criterios establecidos D t El valor de se fija para este estudio a 4, pues se ha considerado que no es excesivamente grande ni pequeño, pudiendo tener interés. El valor de P th se determinará como aquel valor que marque el 5% de los cambios más extremos. En el caso probado y para rampas de tamaño 4, se corresponde con un 30% de la potencia instalada. Los ejemplos mostrados en esta presentación se han realizado con la producción del parque Sotavento. 3
4 Estado del arte: Definición de rampa II Definición 1 Una rampa ocurre al principio de un intervalo si la magnitud del cambio es mayor que un determinado umbral: P(t +D t )- P(t) > P th Definición 2 Igual que la definición 1, salvo que dividimos entre el tamaño del intervalo: P(t + D t )- P(t) D t > P th 4
5 Definición 3 Estado del arte: Definición de rampa III Una rampa ocurre dentro de un intervalo si la diferencia entre el valor máximo y el mínimo dentro del intervalo es mayor que un determinado umbral: max(p[t,t + D t ])-min(p[t,t + D t ]) > P th Definición 4 Una aproximación distinta definiría las rampas usando un filtro de la señal original: f P t = mean{p(t + h)- P(t + h-n am );h=1,...,n am } Definimos que estamos en una rampa cuando: f P t > P th 5
6 Estado del arte: Modelos Tipos de modelos en la literatura Modelos de regresión: Modelos aplicados sobre datos históricos, de producción y meteorología. Determinar no sólo el comienzo de una rampa, sino también su magnitud. Metodología de evaluación: MAE, MRE, Modelos de clasificación: Aproximación mediante modelos de detección de ejemplos usados sobre series temporales. Metodología de evaluación: matrices de confusión, curvas ROC, También podemos distinguir modelos: Deterministas. Probabilisticos. Un estudio reciente de interés es: A survey on wind power ramp forecasting, C. Ferrerira et al., Argonne National Library (2011). 6
7 Estado del arte: Ejemplos de modelos I Prediction of wind farm power ramp rates: a data-mining approach H. Zheng y A. Kusiak Este modelo predice ratios de producción pero no distingue rampas. Compara 5 modelos multivariantes de series temporales. Se aplica a nivel de parque. Se centra en predecir los ratios de producción (10 minutales) definidos como: P(t +10)- P(t) PRR= 10 Metodología de evaluación: MAE y Std of the errors. SVR resulta ser el mejor modelo. 7
8 Estado del arte: Ejemplos de modelos II Temporal Forecast Uncertainty for Ramps Events B. Greaves et al. Definición 1 de rampa, P th = 50%P y D t 4, aplicada a nivel de parque y de portfolio de parques. Se utilizan NWPs y se predice la producción mediante modelos regresivos multiparamétricos. Se definen probabilidades de rampa con distribuciones normales alrededor del tiempo medio de diferencia entre predicción y producción real. Metodología de evaluación: matriz de confusión. No se intenta predecir la rampa a una hora determinada, sino que se considera acierto si la rampa se produce horas desplazada de la hora real. Resultados: Sensibilidad=34-47%, Precision=59-67%. 8
9 Estado del arte: Ejemplos de modelos II Forecasting southern plains wind ramp events using the wrf model at 3-km K. Bradford et al. Definición 1 de rampa, P th = 20%P y D t =1, aplicada a nivel de parque y de portfolio de parques. Metodología de predicción: cálculo de la potencia como P = 0.5 A p v 3 Con Ael área del rotor, pla densidad del aire y vla velocidad del viento. Metodología de evaluación: matrices de confusión. Se considera acierto cuando la rampa ocurre una hora antes o después de la hora real. Resultados: Sensibilidad=29%, Precision=3.6% (para el portfolio de parques). 9
10 Estado del arte: Ejemplos de modelos II Forecasting ramps of wind power production with numerical weather prediction ensembles A. Bossavy et al. Definición 4 de rampa (con n AM = 5). Se aplica a nivel de parque. Usa ensembles de predicciones de producción eólica obtienen un ensemble de producción, entrenando con las NWPs un modelo Random Forest por ensemble. Clustering de los ensembles, predicción probabilistica de rampa usando Nadaraya-Watson o LR. Metodología de evaluación: BS= 1 n å (p i - y n i=1 i ) 2 donde p i es la probabilidad predicha de rampa y y i es la rampa observada. Resultados: muy buenos, con porcentajes de error entre 1% y 17% y desviaciones pequeñas. Con los errores dados no es fácil inclinarse por un modelo LR o N-W. Se han probado distintos tamaños de rampa y distintos umbrales en la definición, dependiendo el resultado del tipo de clustering de los ensembles que se lleve a cabo. 10
11 Objetivo Predecir rampas de producción eólica en un horizonte futuro H. Se centrará la atención en el problema como un problema de clasificación. Datos Producciones del parque de Sotavento (se utilizan normalizadas). Fechas: 1 Febrero Enero Primeras pruebas: Problema a resolver Definición de rampa La definición 1 aparece como la más natural, pues básicamente aproxima la derivada de la curva. Esta será la definición utilizada en nuestros resultados: En este caso se utilizará con: D t = 4 P th = 30% P P(t +Dt)- P(t) > P th, correspondiente aproximadamente al 5% de rampas 11
12 Real Primeras pruebas: Metodología de evaluación Metodología de Evaluación Matriz de confusión: Predicción TP FN - FP TN Sensitivity=TP/(TP+FN). Specificity=TN/(TN+FP). Precision=TP/(TP+FP). Los patrones a usar se componen de retrasos de producción y predicciones a 4 horas Para visualizar estas métricas usaremos: Curvas ROC. Área Bajo la Curva (AUC) como medida comparativa entre ROCs. Test DeLong: test estadístico cuya hipótesis nula H0 es que las dos curvas ROC sean iguales. Curvas Precision-Recall (PR). 12
13 Modelos base Primeras pruebas: Descripción de modelos I Modelo aleatorio. Modelo RLS: Información de producción más predicción RLS (Regularized Least Squares) diario. Modelo RLS: horario Información de producción más predicción RLS horaria. Modelos basados en knn 1. Construimos los patrones. 2. Calcular la distancia dist t,s, entre X t y X s. X t 3. S s =Nearest Neighbors( X s, { X t }, k), el conjunto de los kpatrones más cercanos a X s. 4. es un incremento predicho como media ponderada, donde I s pred 5. Si I s > P th, predecimos rampa en tiempo s y horizonte H. 13
14 Primeras pruebas: Descripción de modelos II Modelos a comparar Según la métrica utilizada para encontrar vecinos próximos: Euclídeo (distancia isotrópica). Mahalanobis local (distancia anisotrópica) Aproximación temporal. Aproximación de clúster. Según la información de los patrones: Retrasos de producción (modelo aleatorio). Retrasos de producción + Predicciones diarias (modelo RLS). Retrasos de producción + Predicciones horarias (modelo RLS horario). 14
15 Criterios de prueba Primeras pruebas: Descripción de modelos IV Se consideran predicciones en tres horizontes: suponiendo que se tiene la producción de la hora h, Horizonte 0: se producirá una rampa entre las horas h y h+4. Horizonte 1: se producirá una rampa entre las horas h+1 y h+5. Horizonte 2: se producirá una rampa entre las horas h+2 y h+6. Se consideran tres modelos para cada escenario (12 en total). Se representan las curvas ROC, calculando sensitivity y 100-specificity para diferentes umbrales de predicción de rampa. El umbral de predicción se corresponde con el porcentaje de alarmas que dará nuestro modelo, variando el mismo entre 0% y 100%. Este umbral es independiente del umbral de definición de rampa. El extremo izquierdo de la curva ROC equivale a predecir siempre No rampa (sensitivity=0) y el derecho a predecir siempre Rampa (sensitivity=100). En general un modelo es mejor que otro si su curva ROC está por encima. Se trata de un problema muy desequilibrado (1 rampa por cada 19 no rampas). Por ello el área más relevante de la curva ROC está en su parte izquierda, esto es una specificity alta para que haya pocas alarmas. 15
16 Primeras pruebas: Resultados Curvas ROC Horizonte 2 Modelo AUC M T H 0,835 M C H 0,844 M E H 0,843 M T D 0,811 M C D 0,808 M E D 0,798 M T 0,671 M C 0,676 M E 0,684 RLS H 0,781 RLS D 0,751 16
17 Primeras pruebas: Resultados Curvas ROC Horizonte 1 Modelo AUC M T H 0,881 M C H 0,884 M E H 0,891 M T D 0,834 M C D 0,821 M E D 0,823 M T 0,691 M C 0,695 M E 0,703 RLS H 0,814 RLS D 0,751 17
18 Primeras pruebas: Resultados Curvas ROC Horizonte 0 Modelo AUC M T H 0,925 M C H 0,923 M E H 0,940 M T D 0,855 M C D 0,848 M E D 0,847 M T 0,708 M C 0,712 M E 0,714 RLS H 0,849 RLS D 0,751 18
19 Primeras pruebas: Resultados Curvas PR Horizonte 2 19
20 Primeras pruebas: Resultados Curvas PR Horizonte 1 20
21 Primeras pruebas: Resultados Curvas PR Horizonte 0 21
22 Conclusiones Conclusiones El estado del arte sobre rampas de producción eólica es escaso. No está clara la definición de rampa. Los modelos existentes no están realizados en un marco homogéneo y no son realmente comparables. El modelo propuesto propone una alternativa sencilla y eficiente. Además, a pesar de tratarse en el fondo de un modelo con enfoque regresivo, presenta resultados de clasificación de rampas, que es el problema a resolver. Los resultados muestran que este sencillo modelo es competitivo y flexible a las necesidades del usuario. Como trabajo futuro se pretenden mejorar estos modelos, ahondando en las métricas y en la posible combinación de horizontes de predicción. 22
23 Referencias Assessing the accuracy of prediction algorithms for classification: an overview, P. Baldi et al., Bioinformatics 16, (2000). Forecasting ramps of wind power production with numerical weather prediction ensembles, A. Bossavy et al., Wind Energy 16(1), (2012). Forecasting southern plains wind ramp events using the wrf model at 3-km, K. Bradford et al., Proceedings of the AMS Student conference (2010). A survey on wind power ramp forecasting, C. Ferrerira et al., Argonne National Library (2011). Temporal forecast uncertainty for ramps events, B. Greaves et al., Wind Engineering 33(4), (2009). Associating weather conditions with ramp events in wind power generation, C. Kamath, Proceedings of the PSCE Conference (2011). Prediction of wind farm power ramp rates: a data-mining approach, H. Zheng y A. Kusiak, Journal of solar energy engineering, 131(3), 1-8 (2009). 23
24 Muchas gracias Cátedra UAM-ADIC de Aprendizaje Automático en Modelado y Predicción Instituto de Ingeniería del Conocimiento C/ Francisco Tomás y Valiente, nº 11 EPS, Edificio B, 5ª Planta UAM-Cantoblanco Madrid Tlf.: (+34) Mvl.: (+34) Fax.: (+34) iic@iic.uam.es blog.iic.uam.es 24
Modelos predictivos de producción de energías renovables
Modelos predictivos de producción de energías renovables José R. Dorronsoro, IIC-UAM IIC 2012 www.iic.uam.es 1 Misión Centro de Investigación + Desarrollo + innovación. Creado en 1989 por ADIC (Asociación
Más detallesReconocimiento de Patrones
Reconocimiento de Patrones Técnicas de validación (Clasificación Supervisada) Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica, Óptica y Electrónica Clasificación Supervisada Para qué evaluar
Más detallesAnálisis de sensibilidad:
Análisis de sensibilidad: Métodos en la evaluación económica de tecnologías sanitarias Parte 1 David Epstein dme2@york.ac.uk 1 Índice El Análisis de Sensibilidad (AS) - Parte 1 Objetivos de un AS Revisión
Más detallesTécnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados
Técnicas de inteligencia computacional en predicción de viento en parques eólicos y problemas relacionados Sancho Salcedo Sanz Grupo de Heurísticos Modernos de Optimización y Diseño de Redes () Departamento
Más detallesANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
Más detallesUAM-IIC-CatedraAMYP> SFER> Predicción Probabilística> Ensembles 1
UAM-IIC-CatedraAMYP> SFER> Predicción Probabilística> Ensembles 1 La atmósfera y la teoría del caos. El sistema de Lorenz Sistemas de predicción por conjuntos para la predicción probabilística del tiempo
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesnorma española UNE-EN EXTRACTO DEL DOCUMENTO UNE-EN Aerogeneradores
norma española UNE-EN 61400-12-1 Junio 2007 TÍTULO Aerogeneradores Parte 12-1: Medida de la curva de potencia de aerogeneradores productores de electricidad (IEC 61400-12-1:2005) Wind turbines. Part 12-1:
Más detallesCARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO. Prof. Msc. José Garcia
CARACTERIZACIÓN ENERGÉTICA DEL VIENTO: POTENCIAL EÓLICO INTRODUCCIÓN En esta parte se trata la caracterización energética del viento y sobre la evaluación del potencial eólico que presenta un determinado
Más detallesLA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS
Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS La predicción de la demanda en evaluación de proyectos
Más detallesLa integración de la primera granja eólica de gran escala (La Venta II)
Sistema estadístico de pronóstico de la energía eoloeléctrica Alfredo Rodríguez García y Elí de la Torre Vega Resumen La integración de la primera granja eólica de gran escala (La Venta II) al Sistema
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesCapítulo 1. Introducción Motivación Objetivos. 2 Objetivo general. 2 Objetivos específicos. 2
Tabla de contenido Capítulo 1. Introducción. 1 1.1. Motivación. 1 1.2. Objetivos. 2 Objetivo general. 2 Objetivos específicos. 2 1.3. Hipótesis. 2 1.4. Metodología. 3 1.5. Estructura de trabajo. 4 Capítulo
Más detallesMarco Otárola Guerrero 1
Modelo de producción de Boletus edulis en masas de Pinus sylvestris en el Bosque Modelo Urbión: una alternativa para lidiar con el exceso de ceros en el ajuste con variables meteorológicas Marco Otárola
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesLaboratorio de Previsión del Tiempo I cuatrimestre 2011 Dra. Silvina Solman
La verificación de la calidad de los pronósticos Agradecimientos: este material se basa en el módulo de Intelligent use of model-derived derived products tomado del Programa COMET (www.comet.ucar.edu)
Más detallesVIII Jornadas de Usuarios de R
VIII Jornadas de Usuarios de R Análisis del Abandono en el Sector Bancario Predicción del abandono de clientes Albacete, 17 de Noviembre de 2016 I. INDICE : Modelo Abandonos I. COMPRENSIÓN DEL NEGOCIO
Más detallesPRINCIPIOS DE PSICOMETRIA. Universidad Intercontinental Facultad de Psicología Área de la Salud
PRINCIPIOS DE PSICOMETRIA Universidad Intercontinental Facultad de Psicología Área de la Salud PRINCIPIOS DE PSICOMETRIA MEDICION La medición de habilidades cognitivas Prueba: muestra de una conducta particular.
Más detallesBioestadística para Reumatólogos
Bioestadística para Reumatólogos Xavier Barber Vallés Mabel Sánchez Barrioluengo Colaboradores - Umh Todos los datos que se muestran son ficticios Tablas 2x2: Riesgos Relativos y Odds ratio En cada sociedad
Más detallesII. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic).
II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic). Psicofísica: calidad física de una imagen médica y calidad del diagnóstico El análisis de la curva
Más detallesCI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA
CI 41C HIDROLOGÍA HIDROLOGÍA PROBABILÍSTICA alcantarilla Puente? Badén http://www.disasternews.net/multimedia/files/drought5_9412.jpg Fenómenos en Ingeniería (según certeza de ocurrencia) determinísticos
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 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 detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Primer Semestre. EstadísTICa Curso Primero Graduado en Geomática y Topografía Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía. Universidad Politécnica
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesNUEVAS ESTRATEGIAS DE OPTIMIZACIÓN PARA EL PROCESO DE ENVASADO EN PESADORAS MULTICABEZALES IMPLEMENTADAS EN EMPRESAS DE ALIMENTOS
NUEVAS ESTRATEGIAS DE OPTIMIZACIÓN PARA EL PROCESO DE ENVASADO EN PESADORAS MULTICABEZALES IMPLEMENTADAS EN EMPRESAS DE ALIMENTOS 1. INTRODUCCIÓN Alexander De Jesús Pulido Rojano alpuro@doctor.upv.es Estudiante
Más detallesLaboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial Ordinaria
Universidad Diego Portales Segundo Semestre 007 Facultad de Ingeniería Instituto de Ciencias Básicas Asignatura: Ecuaciones Diferenciales Laboratorio Nº 1 La Descripción Gráfica de la Ecuación Diferencial
Más detallesESTIMACION DEL TAMAÑO DE LA MUESTRA Y DE LA POTENCIA
ESTIMACION DEL TAMAÑO DE LA MUESTRA Y DE LA POTENCIA HIPOTESIS Y PRINCIPIOS Sabemos a quién y qué vamos a estudiar. Ahora hay que decidir cuántos individuos contendrá la muestra. Hipótesis nula (H o )
Más detallesAprendizaje Automático Segundo Cuatrimestre de Evaluación de Hipótesis
Aprendizaje Automático Segundo Cuatrimestre de 2015 Evaluación de Hipótesis Aproximación de Funciones Marco del problema: Conjunto de instancias posibles X Función objetivo desconocida f: X Y Conjunto
Más detallesEstimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado
Estimación de la evolución de proyectos en el ámbito de la producción industrial mediante la parametrización de la curva S del coste acumulado Contenido Qué vamos a ver? Introducción Antecedentes Objetivos
Más detallesHerramientas de caracterización y predicción meteorológica. Aplicación a infraestructuras eléctricas
Herramientas de caracterización y predicción meteorológica. Aplicación a infraestructuras eléctricas José M. Gutiérrez gutierjm@unican.es Instituto de Física de Cantabria gracias a Daniel San Martín Markel
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesCharla 18: Verificación de los Pronósticos de la Calidad del Aire
Charla 18: Verificación de los Pronósticos de la Calidad del Aire Taller Centroamericano de Pronosticado de la Calidad del Aire San José, Costa Rica 17-21 de Octubre del 2011 Verificación: Algunas Preguntas
Más detallesVERIFICACIÓN DE LA PREDICCIÓN OBJETIVA PROBABILISTA LOCAL DE LA PRECIPITACIÓN A PLAZO MEDIO
VERIFICACIÓN DE LA PREDICCIÓN OBJETIVA PROBABILISTA LOCAL DE LA PRECIPITACIÓN A PLAZO MEDIO Francisco Sánchez Martín Director de Programa, Área de Telemática Meteorológica. INM RESUMEN Se realiza la verificación
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 detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
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 detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesPoblación de estudio y muestra
Población de estudio y muestra Curso de Metodología de la Investigación Unidad Docente de MFyC Patricio Suárez Gil La Fresneda (Asturias), 2011 Población de estudio Conjunto de individuos al que se refiere
Más detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
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 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 detallesModelos de Churn Bancarios con R Trabajo Final de la Maestría en Data Mining
Modelos de Churn Bancarios con R Trabajo Final de la Maestría en Data Mining Presentado por Diego Ariel Oppenheim Director Martin Volpacchio Fecha: 31/7/2017 Objetivos del trabajo final Entender la situación
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesINDICE Capítulo I: Conceptos Básicos Capitulo II: Estadística Descriptiva del Proceso
INDICE Capítulo I: Conceptos Básicos 1.- Introducción 3 2.- Definición de calidad 7 3.- Política de calidad 10 4.- Gestión de la calidad 12 5.- Sistema de calidad 12 6.- Calidad total 13 7.- Aseguramiento
Más detallesCURSO: ANALISIS ESTADISTICO DE RIESGOS
MANAGEMENT CONSULTORES CURSO: ANALISIS ESTADISTICO DE RIESGOS Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: acaminos@mgmconsultores.com.ar
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesEL PROBLEMA DE LA TANGENTE
EL PROBLEMA DE LA TANGENTE El problema de definir la tangente a una curva y f (x) en un punto P ( x, y ) ha llevado al concepto de la derivada de una función en un punto P ( x, y ). Todos sabemos dibujar
Más detallesPrecisión del Modelo
Precisión del Modelo Gráficas, estadística y minería de datos con python Miguel Cárdenas Montes Centro de Investigaciones Energéticas Medioambientales y Tecnológicas, Madrid, Spain miguel.cardenas@ciemat.es
Más detallesUNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA (PROGRAMA EJECUTIVO CUATRIMESTRAL)
UNIVERSIDAD DEL VALLE DE MÉXICO PROGRAMA DE ESTUDIO DE LICENCIATURA (PROGRAMA EJECUTIVO CUATRIMESTRAL) NOMBRE DE LA ASIGNATURA: PROBABILIDAD Y ESTADISTICA FECHA DE ELABORACIÓN: FEBRERO, 2003 CUATRIMESTRE
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesItinerario: Inteligencia Computacional
Máster Universitario en Investigación e Innovación en Tecnologías de la Información y las Comunicaciones Itinerario: Inteligencia Computacional Escuela Politécnica Superior Universidad Autónoma de Madrid
Más detalles1.1 Clúster Energías Renovables IPMEPE
1.1 Clúster Energías Renovables IPMEPE 1.2 Socios del proyecto Asociación formada por más de 700 asociados y agrupados en 12 clúster y 5 parques tecnológicos, con el obje>vo de generar negocio y buscar
Más detallesEXPERIMENTOS PRELIMINARES DE VERIFICACIÓN DE LOCUTORES CON UNA BASE DE DATOS REALISTA
EXPERIMENTOS PRELIMINARES DE VERIFICACIÓN DE LOCUTORES CON UNA BASE DE DATOS REALISTA José Antonio Rubio García, José Manuel Pardo Muñoz, Ricardo de Córdoba Herralde, Javier Macías Guarasa Grupo de Tecnología
Más detallesRD 436/2004 Predicción de Producción Energética en Parques Eólicos
RD 436/2004 Predicción de Producción Energética en Parques Eólicos Luis Muñoz, Garrad Hassan España APPA II Jornada Informativa Barcelona, Abril 2004 1045\BT\16\ 1 Quién es Garrad Hassan? Consultores líderes
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
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 detallesCONCEPTOS BASICOS DE MUESTREO VARIABLE ALEATORIA. (Concepto no matemático)
CAPITULO 8 CONCEPTOS BASICOS DE MUESTREO En la aplicación de los métodos de muestreo es importante recordar los siguientes conceptos básicos: 8.1. VARIABLE ALEATORIA. (Concepto no matemático) Es aquella
Más detallesEXPERIENCIA EN LAS PRUEBAS DE DESEMPEÑO DEL PARQUE EÓLICO LA VENTA II.
EXPERIENCIA EN LAS PRUEBAS DE DESEMPEÑO DEL PARQUE EÓLICO LA VENTA II. Ing. José Daniel Pérez Filoteo Oficina de Sistemas Térmicos e Hidráulicos LAPEM CONTENIDO INTRODUCCION OBJETIVO DE LAS PRUEBAS DE
Más detallesBacktesting. Modelos de Capital y Reservas
Backtesting Modelos de Capital y Reservas Mayo 2009 Contenido 1. Antecedentes 2. Backtesting 3. Perspectivas Backtesting de los Modelos de Reservas y Capital Antecedentes Nuevos esquemas regulatorios a
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesProspectiva y prevención de escenarios de riesgo: Una visión estratégica
Prospectiva y prevención de escenarios de riesgo: Una visión estratégica Dr. José Miguel Castillo jmcastillo@softcast.es josemiguel.castillo@unir.net AGENDA 1. Introducción. Un poco de perspectiva 2. Prospectiva
Más detallesPalabras clave: Aerogenerador; redes neuronales; boosted tree; mantenimiento; energía eólica
Detección de fallos de maquinaria en aerogeneradores a partir de datos de SCADA utilizando técnicas de inteligencia artificial. E. Martínez a,*, E. Jiménez b, J. Blanco c, M. Pérez c a Grupo Eólicas Riojanas
Más detallesLección n 5. Modelos de distribución n potencial de especies
Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detalles4. ANÁLISIS DE LOS DESVÍOS DE LA ENERGÍA EÓLICA 2012
4. ANÁLISIS DE LOS DESVÍOS DE LA ENERGÍA EÓLICA 2012 Análisis del coste de los desvíos 45 46 Análisis del coste de los desvíos 4.1 Coste de los desvíos de la energía eólica Como ya se ha explicado anteriormente,
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTH. DE CHEBYSHEV DISTRIB. NORMAL.
f ( x) 1 2 2 ( x) e 2 2 TH. DE CHEBYSHEV DISTRIB. NORMAL El Desvío Estándar y el Teorema de Chebyshev Es conocida en el área de la probabilidad y estadística, la desigualdad de Chebyshev, matemático Ruso
Más detallesPatrones Regulares de Implantación de Turbinas para la Optimización de Plantas Eólicas Marítimas
Universidad de Sevilla Escuela Superior de Ingeniería Departamento de Ingeniería Eléctrica Proyecto Fin de Carrera Patrones Regulares de Implantación de Turbinas para la Optimización de Plantas Eólicas
Más detallesGuía Docente: ESTADÍSTICA Y CÁLCULO MATEMÁTICO
ESTADÍSTICA Y CÁLCULO MATEMÁTICO FACULTAD DE CIENCIAS QUÍMICAS UNIVERSIDAD COMPLUTENSE DE MADRID CURSO 2014-2015 I.- IDENTIFICACIÓN NOMBRE DE LA ASIGNATURA: NÚMERO DE CRÉDITOS: 6 CARÁCTER: Obligatoria
Más detallesUso de modelos probabilísticos
IN562 Marketing II Introducción a Modelos Probabilísticos Marcel Goic (mgoic@dii.uchile.cl Semestre Primavera 2 Marco Conceptual El enfoque de modelos probabilísticos 2 Lógica de los modelos probabilísticos
Más detallesTEMA 7 EL MODELO DE LA CURVA NORMAL. CONCEPTO Y APLICACIONES
TEMA 7 EL MODELO DE LA CURVA NORMAL. CONCEPTO Y APLICACIONES 1. Puntuaciones diferenciales y puntuaciones típicas 2. La curva normal 3. Cálculo de áreas bajo la curva normal 3.1. Caso 1: Cálculo del número
Más detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Evaluación Sistemas de Medición MSA - Variables MSA - Atributos Evaluación del Sistema de Medición Se asume constantemente que los sistemas de medición son exactos y precisos,
Más detalles7 Tomografía sísmica. Cómo podemos usar las ondas sísmicas para determinar la estructura 3-D de la Tierra? p. 1
7 Tomografía sísmica Cómo podemos usar las ondas sísmicas para determinar la estructura 3-D de la Tierra? p 1 71 Residuos en los tiempos de viaje t resid = t obs t pred (74) En sismología, el residuo de
Más detallesINTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES. Tecnología i3b
INTELIGENCIA ARTIFICAL COMO HERRAMIENTA EN LA TOMA DE DECISIONES Tecnología i3b G R U P O I B E R M Á T I C A Introducción Objetivos Puntos de información y de estudio Tipos de análisis Análisis proactivo
Más detallesLa enseñanza de la Estadística (2005) Esperanza Ayuga. José M. Moral
La enseñanza de la Estadística aplicada al área agroforestal (2005) Esperanza Ayuga Concepción González José M. Moral DESARROLLO El Ingeniero global y su formación La Estadística aplicada a la Ingeniería
Más detallesEstadística. Convocatoria ordinaria
Estadística. Convocatoria ordinaria Nombre Número de Examen Titulación... Grupo... Este examen puntúa sobre 20 puntos Problema 1. En un grupo de familias, un 10% ha cambiado de coche y también ha cambiado
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesIntegración de la energía eólica en la operación y planeamiento de sistemas de potencia. Ramy Azar, Ph.D, Ing.
Integración de la energía eólica en la operación y planeamiento de sistemas de potencia Ramy Azar, Ph.D, Ing. 7 y 8 marzo, 2013 Integración de la energía eólica en la operación y planeamiento de sistemas
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detallesRECONOCIMIENTO DE PAUTAS
RECONOCIMIENTO DE PAUTAS ANÁLISIS DISCRIMINANTE (Discriminant analysis) Reconocimiento de pautas supervisado si se cuenta con objetos cuya pertenencia a un grupo es conocida métodos: análisis de discriminantes
Más detallesFigura 1: Propiedades de textura: (a) Suavidad, (b) Rugosidad y (c) Regularidad
3 TEXTURA 3.1 CONCEPTO DE LA TEXTURA La textura es una característica importante utilizada en segmentación, identificación de objetos o regiones de interés en una imagen y obtención de forma. El uso de
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 detallesDepartamento de Estadística e Investigación Operativa
ESTADÍSTICA APLICADA A LAS CIENCIAS DE LA SALUD organiza: Departamento de Estadística e Investigación Operativa dirigido a: Nombre del curso Modalidad Duración Localización / Ubicación ESTADÍSTICA APLICADA
Más detallesAnálisis estadístico del recurso eólico de Mazatlán entre abril de 2015 y enero de 2016
7 Análisis estadístico del recurso eólico de Mazatlán entre abril de y enero de 6 MEDINA-VELARDE, Francisco*, GALAN-HERNANDEZ, Néstor y OROZCO-GUILLÉN, Eber. Universidad Politécnica de Sinaloa, Kilómetro
Más detallesAnálisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Más detallesIntroducción a las estadísticas Javier I. Toro Torres, PhD
Introducción a las estadísticas Javier I. Toro Torres, PhD USING STATISTICAL METHODS IN SOCIAL SCIENCE RESEARCH WITH A COMPLETE SPSS GUIDE (2011) Soleman H. Abu-Bader, Howard University Psicología Definición
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesAnexo A. Programa CGTI
Anexo A. Programa CGTI A.1. INTRODUCCION En este anexo se presentan las características más importantes del programa informático CGTI (Cálculo Gráfico de Tensiones Inducidas). Este programa se ha desarrollado
Más detallesMÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica. Esperanza Ayuga (2008)
Imagen cortesía de la NASA MÉTODOS ESTADÍSTICOS AVANZADOS USADOS EN LOS Sistemas de Información Geográfica (I. Métodos no paramétricos) Esperanza Ayuga (2008) Índice Introducción Métodos no paramétricos
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesUAM-IIC-CatedraAMYP> SFER> Predicción Probabilística> Aplicaciones 1
UAM-IIC-CatedraAMYP> SFER> Predicción Probabilística> Aplicaciones 1 La atmósfera y la teoría del caos. El sistema de Lorenz Sistemas de predicción por conjuntos para la predicción probabilística del tiempo
Más detallesSesión 4: Evaluación económica de las energías fotovoltaica y eólica para la planificación energética
Sesión 4: Evaluación económica de las energías fotovoltaica y eólica para la planificación energética Global Atlas de IRENA Técnicas de planificación espacial Curso de 2 días Cuestiones fundamentales que
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesRECOMENDACIÓN UIT-R P.1145 DATOS DE PROPAGACIÓN PARA EL SERVICIO MÓVIL TERRESTRE TERRENAL EN LAS BANDAS DE ONDAS MÉTRICAS Y DECIMÉTRICAS
Rec. UIT-R P.1145 1 RECOMENDACIÓN UIT-R P.1145 DATOS DE PROPAGACIÓN PARA EL SERVICIO MÓVIL TERRESTRE TERRENAL EN LAS BANDAS DE ONDAS MÉTRICAS Y DECIMÉTRICAS (Cuestión UIT-R 203/3) (1995) Rec. UIT-R P.1145
Más detallesMétricas para la validación de Clustering
Métricas para la validación de Clustering MINERIA DE DATOS Elizabeth León Guzmán, Profesor Asociado Universidad Nacional de Colombia Ingeniería de Sistemas y Computación Contenido Introducción Tipos de
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detalles