2 SISTEMAS CON MÚLTIPLES ANTENAS

Tamaño: px
Comenzar la demostración a partir de la página:

Download "2 SISTEMAS CON MÚLTIPLES ANTENAS"

Transcripción

1 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón SISTEMAS CON MÚLTIPLES ANTENAS.1 Introduccón Un sstema MIMO (Multple Input Multple Output) es aquel que tene varas antenas en el transmsor y el receptor. Este tpo de arqutecturas puede usarse para ncrementar la tasa de transmsón (medante multplexón), o para mejorar la fabldad del sstema (medante dversdad). La multplexón se obtene explotando la estructura de la matrz del canal para obtener camnos de señal ndependentes que pueden usarse para envar datos por varos flujos paralelos [GOLDSMIT5]. Las mejoras en efcenca espectral que ofrecen estos sstemas requeren un conocmento precso del canal en el receptor, y a veces ncluso en el transmsor. Además de las ganancas en efcenca espectral, los sstemas MIMO pueden reducr la ISI (Interferenca InterSímbolo) y la nterferenca con otros usuaros. El coste de estas mejoras es, además del desplegue de un mayor número de antenas, la complejdad añadda debdo al tratamento multdmensonal de señal. Un sstema de banda estrecha con M t antenas transmsoras y M r antenas receptoras puede representarse medante el sguente modelo en tempo dscreto: O smplemente como y h 1 11 K h1 M x t 1 M = M O M M y M h r Mr 1 h Mr M x K t Mt y = x+ n. Aquí, x representa el conjunto de símbolos transmtdos e y el de recbdos, n el vector de rudo y la matrz de coefcentes del canal h j, los cuales representan la gananca (compleja) entre la antena transmsora a la antena receptora j. 11

2 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón Fgura.1 Modelo MIMO de banda estrecha. Fuente: [GOLDSMIT5].. Beamformng, Dversdad o Multplexón Exsten tres estrategas fundamentales para aplcar los sstemas MIMO en comuncacones móvles, dependendo del aspecto que queramos potencar. Multplexón espacal: se utlzará cuando tenemos usuaros con alta SNR (normalmente cerca de la estacón base o en celdas pequeñas), a los cuales podemos proporconales altas tasas de datos sn afectar a la caldad de sus comuncacones. Conformado de haz (Beamformng): cuando queremos enfocar dnámcamente una zona concreta de la celda, normalmente con mayor carga de usuaros, para que todos puedan llevar a cabo sus comuncacones, dejando otras zonas menos atenddas. En realdad, el conformado de haz tambén es una forma de mplementar dversdad espacal. Dversdad espacal: cuando tenendo baja SNR (normalmente en el borde de la celda o en entornos rudosos), queremos proporconar transmsones robustas frente al rudo y las nterferencas, añadendo redundanca a las transmsones. Dentro de esta categoría podemos estudar los Códgos Espaco-Temporales (STC)...1 Multplexón espacal: descomposcón del canal MIMO en canales paralelos Sabemos que pueden usarse múltples antenas en el transmsor o receptor para obtener gananca por dversdad (beamformng, STC). No obstante, cuando ambos extremos de la comuncacón tenen múltples antenas, hay otro mecansmo para aumentar el rendmento del sstema, llamado gananca por multplexón. Resulta del hecho de que un canal MIMO puede descomponerse en un número r de canales paralelos e ndependentes. Multplexando flujos de datos ndependentes a través de esos canales que llamaremos canales vrtuales, tenemos un ncremento en la tasa de transmsón en un factor r respecto de un sstema con solo una antena en ambos extremos (SISO). Consderemos un canal MIMO con una matrz del canal de dmensones Mr Mt, conocda por el transmsor y el receptor. Sea r el rango de. Entonces, podemos obtener su Descomposcón en Valores Sngulares (SVD): = UΣ V Donde U y V son matrces untaras y Σ es una matrz dagonal con los valores sngulares σ de. Sólo r de esos valores sngulares serán dstntos de cero, pues r es el rango de la r mn M, M. S es de rango máxmo, se dce que el entorno es matrz, por lo que { t r} rco en dspersón, y r mn { M, M } t r =. Sn embargo, otros escenaros pueden llevar asocados una matrz de bajo rango, lo cual correspondería a un canal con alta correlacón entre los dstntos camnos h j. Las tasas alcanzadas serán por lo tanto menores. La descomposcón paralela del canal se obtene defnendo una transformacón lneal en la entrada x y la salda y del canal, a través de una precodfcacón en transmsón y un suavzado en recepcón. 1

3 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón Fgura. Con este sstema de precodfcacón, se aprovecha la estructura del canal MIMO para transmtr por varos flujos ndependentes. Fuente: [GOLDSMIT5]. El transmsor codfca los datos de manera convenente para ntroducrlos por los dstntos canales paralelos: x = V x% El receptor deshace dcha transformacón. Estos dos procesos transforman el canal MIMO en r canales paralelos SISO con entrada x% y salda y% porque, gracas a la SVD, tenemos: ( ) ( ) ( ) { { y% U x n U U Vx n U U VV x% n U U VV x% U n x% n% = + = Σ + = Σ + = Σ + =Σ + I I Multplcar por una matrz untara como U no camba la dstrbucón del rudo. Los coefcentes σ representan las ganancas de estos canales paralelos. Como los canales paralelos resultantes no nterferen entre sí, estos sólo están relaconados por una restrccón de la potenca total transmtda. Además, la complejdad de un decodfcador de máxma verosmltud es lneal con r. σ 1 O σ r y% = x% + n% O Así, envando datos ndependentes a través de estos canales paralelos, el sstema MIMO puede alcanzar r veces la tasa de transmsón de un sstema SISO. Sn embargo, la fabldad de cada uno de los canales depende de la gananca σ, que repercutrá en la SNR percbda en el receptor. 13

4 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón Fgura.3 Descomposcón del canal MIMO en varos canales SISO ndependentes. Fuente: [GOLDSMIT5]... - El Conformado de az (Beamformng) En esta confguracón, el msmo símbolo, multplcado por un factor de escala complejo, se envía a través de cada antena transmsora, de manera que la matrz de covaranza de entrada tene rango untaro. Entonces, las matrces U y V degeneran en vectores columna. Fgura.4 Esquema para el conformado de haz. Fuente: [GOLDSMIT5]. La señal recbda puede expresarse como: ( ) y = u * vx+ n = u * vx+ u * n El conformado de haz combna de manera coherente las señales recbdas por los múltples trayectos. La gananca por dversdad depende de s el canal es conocdo o no en el transmsor. Se requere una estma del canal para combnar de manera coherente las señales, por lo que se supone conocdo, al menos en el receptor. Cuando además dsponemos de la matrz del canal en el transmsor, la SNR recbda se optmza escogendo u y v como los vectores sngulares (zquerdo y derecho, respectvamente) prncpales de la matrz. La SNR correspondente en el receptor es gual a γ = λmaxρ donde λ max es el mayor autovalor de la matrz de Wshart ( ρ W = y ρ es la SNR total en el transmsor = P total / σ n ). La capacdad resultante es C = Blog( 1+ λmaxρ), lo cual converte el canal en uno SISO con gananca en potenca λ max. Cuando el canal es desconocdo en el transmsor, los pesos de todas las antenas son guales, por lo que la SNR recbda es γ = u *, donde u se elge precsamente para maxmzar γ. Evdentemente, la ausenca de nformacón del canal supone una menor SNR recbda y capacdad respecto al caso anteror. El conformado de haz tene una capacdad reducda en comparacón con la técnca anterormente vsta de multplexón espacal. Sn embargo, la complejdad se ve reducda drástcamente Compromso Dversdad - Multplexón La SNR asocada a los dstntos canales en multplexón espacal depende de los valores sngulares del la matrz del canal. Las estrategas práctcas de codfcacón en estos canales tendrán normalmente un rendmento pobre, a menos que se utlcen técncas avanzadas de codfcacón. Alternatvamente, puede usarse el conformado de haz, donde las ganancas de los canales se combnan coherentemente para obtener un canal muy robusto con alta 14

5 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón gananca en dversdad. No es necesaro usar las antenas para proporconar exclusvamente multplexón o dversdad. Algunos de los grados de lbertad espaco-temporales pueden usarse para mplementar dversdad, y otros para multplexón. El compromso dversdad-multplexón representa un caso partcular del compromso entre tasa de transmsón, probabldad de error y complejdad del sstema y ha sdo estudado de manera exhaustva. La sguente gráfca muestra la relacón entre la gananca por dversdad y por multplexón. Fgura.5 - Compromso entre ganancas de dversdad y multplexón. Fuente: [GOLDSMIT5]..3 - La capacdad del canal MIMO Esta capacdad representa la máxma tasa de transmsón que acepta el canal con probabldad de error arbtraramente pequeña. Ahora asumremos que el receptor tene conocmento de la matrz del canal, porque para canales estátcos, puede obtenerse de manera senclla una buena estma de en el receptor Canales sn desvanecmento (estátcos) La capacdad de Shannon (ergódca) de un canal MIMO es una extensón matrcal de la fórmula de la nformacón mutua para un canal SISO. De la defncón de entropía, ( Y X) { ( )} { ( ) ( )} C = max I X; Y = max Y Y X p( x) p( x) cualquer entrada, no afecta al proceso de maxmzacón. = ( N). Como el rudo n tene entropía constante para La nformacón mutua de y depende de su matrz de covaranza, la cual para un modelo MIMO de banda estrecha vene dada por: { yy } R = E = R + I y x Mr 15

6 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón donde R x es la covaranza de la entrada. Se puede demostrar que la dstrbucón óptma de x es la de una varable aleatora gaussana con meda nula. De esto se deduce que: ( ) ( ; ) = log det( Mr + x ) I X Y B I R La capacdad MIMO se alcanza maxmzando la nformacón mutua respecto de la matrz de covaranza de entrada R x, satsfacendo la restrccón de potenca: { ( )} { ( )} ( Mr x ) C = max I X; Y = max Blog det I + R Rx : Tr( Rx ) = ρ Rx : Tr( Rx ) = ρ Evdentemente, la optmzacón relatva a transmsor. R x depende de s se conoce o no en el Canal conocdo en el transmsor: Water-fllng S ambos extremos de la comuncacón conocen el canal, la capacdad es la suma de las capacdades de los canales paralelos ndependentes, con la potenca de transmsón asgnada de manera óptma entre dchos canales. Esta repartcón de potenca en los canales resulta de optmzar de la matrz de covaranza para maxmzar la fórmula de la capacdad. Susttuyendo la SVD de en la expresón: ρ P / σ n potenca P en el -ésmo canal como: Como C = max Blog 1+ ρ : ρ ρ ( σ ρ) =, la capacdad ergódca puede expresarse en térmnos de la dstrbucón de σ P Pγ C = B + = B + max log 1 max log 1 P : P P P : P P σ n P donde ρ = P / σ n representa la SNR transmtda y γ = σ P / σ n es la SNR recbda por el - ésmo canal, suponendo potenca máxma. Resolvendo el problema de optmzacón, resulta la dstrbucón de potenca conocda como water-fllng para el canal MIMO. La potenca normalzada que se asgnará a cada canal es: P P 1 1, γ γ s γ γ =, s < γ γ Donde γ es una cota nferor. La capacdad resultante es: C γ = Blog γ γ γ La capacdad con conocmento perfecto del canal por parte de transmsor y receptor tambén puede defnrse para sstemas con una sola antena transmsora (SIMO) o receptora (MISO). Estos canales pueden obtener úncamente gananca por dversdad y no por multplexón. En este caso, la matrz del canal se reduce a un vector h de ganancas. La asgnacón óptma de potencas es c h */ h para alcanzar la capacdad: N = 16

7 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón ( ρhc ) ( ρ) C = Blog 1+ = Blog 1+ N Canal desconocdo en el Transmsor: Dstrbucón unforme de potenca Supongamos ahora que el receptor conoce el canal, pero que el transmsor no. Este no puede optmzar su dstrbucón de potenca o la estructura de la covaranza de entrada en las antenas. Parece ntutvo suponer que la mejor estratega será dstrbur gual potenca a todas las antenas transmsoras, resultando en una matrz de covaranza gual a la matrz dentdad, escalada. En efecto: R ρ = I M x M t t Puede demostrarse que esta eleccón maxmza la nformacón mutua del canal: ρ C = Blog det IMr + Mt Usando la SVD de : r γ I( X; Y) = Blog 1+ = 1 Mt La nformacón mutua del canal MIMO depende de la realzacón específca de la matrz, en partcular de sus valores sngulares σ, que son varables aleatoras. Por lo tanto, se hace necesaro promedar. La nformacón mutua promedo (y por lo tanto, la capacdad promedo del canal) depende de la dstrbucón de los valores sngulares de. En canales con desvanecmento, el transmsor puede transmtr a una tasa gual a esta nformacón mutua promedo (s conoce la dstrbucón de los valores sngulares de ) y asegurar la correcta recepcón de los datos En canales estátcos, s el transmsor no conoce la realzacón del canal,, entonces no conoce a la tasa a la que transmtr para que los datos se recban correctamente. En este caso, la defncón apropada de capacdad es la capacdad con nterrupcón (outage). En la capacdad con nterrupcón, el transmsor fja una tasa C, y la probabldad de nterrupcón asocada con C es la probabldad de que los datos transmtdos no sean recbdos correctamente o, equvalentemente, la probabldad de que el canal tenga nformacón mutua menor que C. Esta probabldad vene dada por: ρ poutage = p : Blog det IM + < C r M t Conforme el número de antenas transmsoras y receptoras crece, la teoría de matrces estocástcas proporcona un teorema central del límte para la dstrbucón de los valores sngulares de : 1 lm Mt M t = I Mr Resultando en una nformacón mutua constante para todas las realzacones del canal. En concreto: 17

8 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón = log ( 1+ ), con M mn { M, M } C MB ρ =. Puede observarse que la capacdad crece lnealmente con M. Es más, este comportamento se da ncluso para un pequeño número de antenas. A medda que la SNR crece, la capacdad tambén crece lnealmente con M. Este resultado es la prncpal razón de la atencón que han despertado las técncas MIMO: ncluso s la realzacón concreta del canal es desconocda para el transmsor, la capacdad del canal MIMO sgue crecendo lnealmente con M, sempre y cuando el canal pueda ser estmado con precsón en el receptor. No obstante, la ausenca de una estma del canal en el transmsor complca la demodulacón. Concretamente, sn esta nformacón, el canal no puede transformarse en canales SISO paralelos ndependentes. El análss anteror asumía que la matrz del canal tene meda cero y matrz de covaranza gual a la dentdad. Cuando el canal tene meda no nula o matrz de covaranza dstnta a la dentdad, exste una polarzacón espacal en el canal que debe ser tenda en cuanta por la polítca de transmsón. Resultados recentes ndcan que cuando el canal tene una meda domnante o una matrz de covaranza con una dreccón fuerte, el conformado de haz (beamformng) es la mejor eleccón para alcanzar la capacdad del canal. Esto es una stuacón ventajosa debdo a la smplcdad del beamformng. t r.3. - Canales con desvanecmento En entornos reales, y en especal en comuncacones móvles, las ganancas h j varían con el tempo: h h ( t) j =. En cualquer caso, como en los canales estátcos, la capacdad depende j de lo que se conoce sobre el canal en el transmsor y en el receptor. En general, las expresones son parecdas, excepto que ahora deben promedarse, según cada defncón de capacdad, entre las dstntas realzacones del canal aleatoro. Tambén debe hacerse ahora una restrccón de potenca a lo largo del tempo, en lugar de ser una restrccón nstantánea. Con conocmento perfecto del canal en ambos extremos, el transmsor puede adaptarse a los desvanecmentos y su capacdad alcanza a la capacdad promedo. Cuando sólo el receptor conoce el canal, el transmsor no puede adaptarse y se utlza la capacdad con nterrupcón para caracterzar la probabldad asocada con cualquer tasa de transmsón fjada Canal desconocdo en transmsor y receptor Independentemente de s hay desvanecmento o no, cuando no hay nformacón sobre el canal en nnguno de los extremos de la comuncacón, desaparece el crecmento lneal de la capacdad en funcón del número de antenas, por lo que en la mayoría de los casos, añadr más antenas no funconará. En la práctca, cuando el desvanecmento es correlado, la exstenca de antenas transmsoras adconales ncrementa la capacdad. Cuando el desvanecmento es ncorrelado, esto no puede asegurarse. En general, no hay gananca por multplexón asocada al uso de múltples antenas cuando no hay nformacón del canal en transmsor o receptor..4 - Canales MIMO selectvos en frecuenca Lo que hemos vsto anterormente es para canales de banda estrecha (de respuesta en frecuenca plana en todo el ancho de banda de señal). No obstante, cuando el ancho de banda del canal MIMO es grande en comparacón con la dspersón de retardo multcamno del canal, se tene ISI de gual manera que en canales SISO. ay dos aproxmacones para mtgar este efecto. 18

9 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón Utlzar un gualador del canal Sn embargo, este sstema es mucho más complejo en canales MIMO, pues el canal debe ser ecualzado en espaco y en tempo. Es más, cuando el gualador de canal se usa junto a un códgo espaco-temporal, la naturaleza no lneal del códgo complca el dseño del gualador. En algunos casos la estructura del códgo puede usarse para convertr el problema de gualacón MIMO en uno de gualacón SISO para el cual sí se conocen dseños probados Utlzar modulacón multportadora Una alternatva a la gualacón es utlzar una modulacón multportadora, como OFDM (Orthogonal Frecuency Dvson Multplexng). Se trata de convertr el canal de banda ancha en un conjunto de subcanales MIMO de banda estrecha (y aproxmadamente planos), y aplcar las técncas vstas anterormente a cada subcanal de forma paralela. Los canales MIMO con desvanecmento selectvo en frecuenca poseen dversdad en espaco, tempo y frecuenca, por lo que dealmente las tres dmensones pueden explotarse en el esquema de señalzacón elegdo..5 Codfcacón espaco-temporal El fenómeno fundamental que dfculta las radocomuncacones es el desvanecmento multtrayecto. Incrementar la caldad o reducr la probabldad de error en un canal con desvanecmento multtrayecto es muy complcado. Por ejemplo, suponendo rudo AWGN, usando una modulacón y esquemas de codfcacón típcos, reducr la BER de 1 a 1 3 requere sólo 1 o db de SNR. Alcanzar una mejora smlar en la tasa de error en un entorno con desvanecmento multtrayecto, sn embargo, requerr hasta 1 db de ncremento en la SNR [ALAMOUTI98]. Es más, esta mejora en la SNR no puede hacerse ncrementando el ancho de banda o la potenca de transmsón, porque va en contra de las especfcacones de los sstemas móvles. Por tanto, se hace crucal combatr de manera efectva el efecto del desvanecmento tanto en las estacones base como en los termnales móvles. En entornos rcos en dspersón, la dversdad de antenas es una técnca amplamente utlzada para reducr el efecto del multtrayecto. La aproxmacón clásca para el uplnk consste en usar múltples antenas en el receptor y realzar una combnacón de señal para ncrementar la caldad recbda. El prncpal problema es el coste, tamaño y potenca radada de los UE. El uso de múltples antenas y de varas etapas de radofrecuenca complca los termnales y los hacen más caros. Por tanto, las técncas de dversdad se han usado exclusvamente en las estacones base (uplnk). Una estacón base srve a centos de UE, por lo que es más económco añadr equpamento al sstema del Nodo B. Por esta razón, los sstemas de dversdad en transmsón son muy atractvos para el downlnk. Pueden ncluso utlzarse las msmas antenas que se tenen nstaladas en los Nodos B para dversdad en recepcón (uplnk)..5.1 Esquema clásco MRRC (Maxmal-Rato Receve Combnng) Consderemos el sguente esquema: 19

10 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón Fgura.6 Esquema MRRC de dos ramas. Fuente: [ALAMOUTI98]. En un nstante dado, se envía una señal s desde el transmsor. El canal (ncluyendo los efectos de la cadena transmsora, el rado enlace y la cadena receptora) puede modelarse como una multplcacón por un coefcente complejo entre la antena transmsora y cada una de las antenas receptoras: h = α e h = α e jθ jθ1 1 1 En el receptor, se añade rudo e nterferencas. Las señales en banda base resultantes son: r = h s + n r = h s + n Donde n y n 1 representan rudo complejo e nterferencas. Asumendo que tenen dstrbucón Gaussana, la regla de decsón ML (Máxma Verosmltud) en el receptor para las señales recbdas consste en elegr ˆs = s s y sólo s: ( ) ( ) ( ) ( ) d r, h s + d r, h s d r, h s + d r, h s, k 1 1 k 1 1 k

11 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón Donde d ( x, y) ( x y)( x * y *) = es el cuadrado de la dstanca euclídea entre las señales x e y. El receptor combna las dos ramas de la sguente manera: ( ) ( ) ( α α ) s = h * r + r * r = h * h s + n + h * h s + n = + s + h * n + h * n Para señales PSK (constelacones con la msma energía para todos los símbolos): k s s = s = E,, k Operando, llegamos a que la regla de decsón: elegr ˆs = s sí y sólo sí: (% ) (% ) d s, s d s, s, k.5. Códgo espaco-temporal de Alamout Consderemos el sguente esquema: k Fgura.7 Esquema de Alamout de dos ramas. Consgue el msmo orden de dversdad que el MRRC, pero usando una sola antena en recepcón (deal para smplfcar el UE en el downlnk). Fuente: [ALAMOUTI98]. El esquema utlza dos antenas transmsoras y una receptora, y queda defndo por las sguentes característcas: - La secuenca de codfcacón y transmsón de símbolos. - El esquema de combnacón del receptor. - La regla de decsón para el detector de máxma verosmltud. 1

12 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón En cualquer perodo de símbolo, se transmten dos señales smultáneamente por ambas antenas, s y s 1. Durante el sguente perodo de símbolo, se transmten las señales s * y 1 s * por las antenas. El canal, en el nstante t, puede modelarse como un coefcente complejo h( t ) que multplca a la señal que se transmte por la prmera antena, y otro h1( t ) que multplca a la señal transmtda por la segunda antena. Suponendo que el canal permanece constante durante dos símbolos consecutvos: ( ) ( ) ( ) ( ) h t = h t+ T = h = α e h t = h t+ T = h = α e jθ jθ Donde T es el perodo de símbolo. Las señales recbdas pueden expresarse como: ( ) ( ) r = r t = h s + h s + n 1 1 r = r t+ T = h s * + h s * + n Donde r y r 1 son las señales recbdas en los nstantes t y t+ T, y n y n 1 son varables aleatoras complejas que representan al rudo y las nterferencas (constantes entre dos nstantes consecutvos). El procesado que se realza en el receptor consste en combnar las señales utlzando una estma del canal. Suponendo conocmento perfecto del canal: s% = h * r + h1r 1 * s% = h * r h r * Operando: ( α α ) ( α α ) s% = + s + h * n + h n * s% = + s h n * h * n Estas señales combnadas se envían a un decsor de Máxma Verosmltud, el cual, para cada una de las señales s% y s% 1, utlza la regla conocda para modulacones PSK: elegr ˆs = s s y sólo s: (% ) (% ) d s, s d s, s, k Las señales resultantes son equvalentes a las obtendas en el esquema MRRC. La únca dferenca es la rotacón de fase de las componentes de rudo, las cuales en la práctca no degradan la SNR. Por tanto, el orden de dversdad resultante del esquema de Alamout con una antena receptora (x1) es equvalente al MRRC con dos antenas receptoras (1x). El esquema puede generalzarse de manera natural a dos antenas transmsoras y dos receptoras (x). El orden de dversdad de este esquema es el doble que los anterores. Se puede demostrar que el orden de dversdad es el producto del número de antenas transmsoras y receptoras Mt M r. Este orden está relaconado con la pendente de las curvas de BER frente a la SNR, por lo que cada antena añadda hará más abrupta dchas curvas, dsmnuyendo la probabldad de error para una msma SNR. k.5.3 Consderacones práctcas

13 Estudo de Sstemas MIMO a través de Técncas de Procesado de Señal y Teoría de la Informacón El esquema MRRC y el de Alamout pueden tener el msmo orden de dversdad, pero a la hora de mplementar ambos sstemas surgen las dferencas. A contnuacón se exponen algunas consderacones a tener en cuenta a la hora de mplementar el STC de Alamout: Potenca. El códgo de Alamout requere la transmsón smultánea de dos flujos de señal por sendas antenas. S el sstema tene una restrccón para la potenca total radada, debemos dsmnur a la mtad la energía asocada a cada símbolo. Esto resulta en una penalzacón de 3 db en la BER. Sn embargo, esta reduccón se traduce en relajar las especfcacones de los amplfcadores de potenca y las cadenas de transmsón en cuanto a preco, tamaño y lnealdad. Sensbldad a los errores de estmacón del canal. El canal puede estmarse de forma cega, semcega o supervsada (medante el uso de símbolos plotos). Cuanto más precsa sea la estma, mejor funconará el sstema. Retrasos. El retraso de decodfcacón es de perodos de símbolo. Esto puede corregrse s se usa una codfcacón espaco-frecuencal, envando los símbolos en el msmo nstante en dstntas portadoras. Confguracón de las antenas. Las señales trasmtdas de las dstntas antenas deben ser lo sufcentemente ncorreladas y deben tener cas la msma potenca promedo. Toleranca a los fallos. En el esquema de Alamout, s una de las ramas de transmsón cae, se sgue transmtendo por la otra (volvemos a tener un sstema SISO, más lento, pero sgue funconando). De manera análoga, en MRRC, s una de las ramas de recepcón cae, tenemos la otra. Interferenca. El número de posbles señales nterferentes entre sí se multplca por dos, pero con la mtad de la potenca. 3

Tema 4: Variables aleatorias

Tema 4: Variables aleatorias Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son

Más detalles

Análisis de ruido en detectores ópticos.

Análisis de ruido en detectores ópticos. Análss de rudo en detectores óptcos. La corrente real generada en un fotododo es de carácter aleatoro, cuyo valor fluctúa entre el valor promedo defndo por la foto-corrente: p = RP Dchas fluctuacones se

Más detalles

Métodos específicos de generación de diversas distribuciones discretas

Métodos específicos de generación de diversas distribuciones discretas Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de

Más detalles

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias

Créditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso

Más detalles

Tema 1.3_A La media y la desviación estándar

Tema 1.3_A La media y la desviación estándar Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.

Más detalles

Problemas donde intervienen dos o más variables numéricas

Problemas donde intervienen dos o más variables numéricas Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa

Más detalles

1. Lección 7 - Rentas - Valoración (Continuación)

1. Lección 7 - Rentas - Valoración (Continuación) Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento

Más detalles

Trabajo Especial 2: Cadenas de Markov y modelo PageRank

Trabajo Especial 2: Cadenas de Markov y modelo PageRank Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E

Más detalles

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó

Comparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor

Más detalles

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos

Reconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes

Más detalles

Rentas o Anualidades

Rentas o Anualidades Rentas o Anualdades Patrca Ksbye Profesorado en Matemátca Facultad de Matemátca, Astronomía y Físca 10 de setembre de 2013 Patrca Ksbye (FaMAF) 10 de setembre de 2013 1 / 31 Introduccón Rentas o Anualdades

Más detalles

Economía de la Empresa: Financiación

Economía de la Empresa: Financiación Economía de la Empresa: Fnancacón Francsco Pérez Hernández Departamento de Fnancacón e Investgacón de la Unversdad Autónoma de Madrd Objetvo del curso: Dentro del contexto de Economía de la Empresa, se

Más detalles

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS

CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables

Más detalles

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA

CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,

Más detalles

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES

APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral

Más detalles

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general

EJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que

Más detalles

Continua: Corriente cuyo valor es siempre constante (no varía con el tiempo). Se denota como c.c.

Continua: Corriente cuyo valor es siempre constante (no varía con el tiempo). Se denota como c.c. .. TIPOS DE CORRIENTES Y DE ELEMENTOS DE CIRCUITOS Contnua: Corrente cuyo valor es sempre constante (no varía con el tempo). Se denota como c.c. t Alterna: Corrente que varía snusodalmente en el tempo.

Más detalles

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1

i=1 Demuestre que cumple los axiomas de norma. Calcule el límite Verifiquemos cada uno de los axiomas de la definición de norma: i=1 CAPÍTULO 3 EJERCICIOS RESUELTOS: CONCEPTOS BÁSICOS DE ÁLGEBRA LINEAL Ejerccos resueltos 1 1. La norma p (tambén llamada l p ) en R n se defne como ( ) 1/p x p = x p. Demuestre que cumple los axomas de

Más detalles

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:

Vectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales: VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes

Más detalles

Efectos fijos o aleatorios: test de especificación

Efectos fijos o aleatorios: test de especificación Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto

Más detalles

Optimización no lineal

Optimización no lineal Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de

Más detalles

REGRESION LINEAL SIMPLE

REGRESION LINEAL SIMPLE REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente

Más detalles

Teoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios

Teoría de Modelos y Simulación Enrique Eduardo Tarifa Facultad de Ingeniería - Universidad Nacional de Jujuy. Generación de Números Aleatorios Teoría de Modelos y Smulacón Enrque Eduardo Tarfa Facultad de Ingenería - Unversdad Naconal de Jujuy Generacón de Números Aleatoros Introduccón Este capítulo trata sobre la generacón de números aleatoros.

Más detalles

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia

Investigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,

Más detalles

TEMA 6 AMPLIFICADORES OPERACIONALES

TEMA 6 AMPLIFICADORES OPERACIONALES Tema 6 Amplfcadores peraconales ev 4 TEMA 6 AMPLIFICADES PEACINALES Profesores: Germán llalba Madrd Mguel A. Zamora Izquerdo Tema 6 Amplfcadores peraconales ev 4 CNTENID Introduccón El amplfcador dferencal

Más detalles

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo

2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso

Más detalles

Medidas de centralización

Medidas de centralización 1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos

Más detalles

Variable aleatoria: definiciones básicas

Variable aleatoria: definiciones básicas Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado

Más detalles

Convertidores Digital-Analógico y Analógico-Digital

Convertidores Digital-Analógico y Analógico-Digital Convertdores Dgtal-Analógco y Analógco-Dgtal Conversón Dgtal-Analógca y Analógca-Dgtal Con estos crcutos se trata de consegur una relacón bunívoca entre una señal analógca y una dgtal o vceversa. Las magntudes

Más detalles

Capitalización y descuento simple

Capitalización y descuento simple Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los

Más detalles

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)

PROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF) ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón

Más detalles

Relaciones entre variables

Relaciones entre variables Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.

Más detalles

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp

Análisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos

Más detalles

Muestra: son datos de corte transversal correspondientes a 120 familias españolas.

Muestra: son datos de corte transversal correspondientes a 120 familias españolas. Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta

Más detalles

Práctica 3. Comunicación pasabanda

Práctica 3. Comunicación pasabanda POP Tecn. Electróncas y Comun. Práctca 3. Comuncacón pasabanda 3.. Objetvos Aprender a utlzar el Smulnk de MATLAB para analzar sstemas de comuncacón pasabanda. 3.. Realzacón práctca 3... Sstema de comuncacón

Más detalles

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1

Econometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1 Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale

Más detalles

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización.

Simulación y Optimización de Procesos Químicos. Titulación: Ingeniería Química. 5º Curso Optimización. Smulacón y Optmzacón de Procesos Químcos Ttulacón: Ingenería Químca. 5º Curso Optmzacón. Programacón Cuadrátca Métodos de Penalzacón Programacón Cuadrátca Sucesva Gradente Reducdo Octubre de 009. Programacón

Más detalles

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.

Población: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio. Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco

Más detalles

Cifrado de imágenes usando autómatas celulares con memoria

Cifrado de imágenes usando autómatas celulares con memoria Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano

Más detalles

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.

CARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso. CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de

Más detalles

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED

CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED Modelo en red para la smulacón de procesos de agua en suelos agrícolas. CAPÍTULO IV: MODELOS MATEMÁTICOS Y MODELOS EN RED IV.1 Modelo matemátco 2-D Exsten dos posbldades, no ndependentes, de acuerdo con

Más detalles

EXPERIMENTACIÓN COMERCIAL(I)

EXPERIMENTACIÓN COMERCIAL(I) EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado

Más detalles

Introducción al riesgo de crédito

Introducción al riesgo de crédito Introduccón al resgo de crédto Estrella Perott Investgador Senor Bolsa de Comerco de Rosaro eperott@bcr.com.ar. Introduccón El resgo credtco es el resgo de una pérdda económca como consecuenca de la falta

Más detalles

INTRODUCCIÓN. Técnicas estadísticas

INTRODUCCIÓN. Técnicas estadísticas Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad

Más detalles

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado

De factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de

Más detalles

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma

Tema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................

Más detalles

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico

Apéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología

Más detalles

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.

Dicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c. Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una

Más detalles

3. VARIABLES ALEATORIAS.

3. VARIABLES ALEATORIAS. 3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)

Más detalles

Regresión Lineal Simple y Correlación

Regresión Lineal Simple y Correlación 4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse

Más detalles

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS

PORTAFOLIO DE TRES ACTIVOS FINANCIEROS PORTAFOLIO DE TRES ACTIVOS FINANCIEROS Contendo:. Introduccón.. Fondos Mutuos. Rendmento y Resgo.. Parámetros estadístcos de un Portafolo de Tres Actvos. a) El Retorno de un Portafolo. b) El Resgo de un

Más detalles

Perturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros

Perturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de

Más detalles

Modelos triangular y parabólico

Modelos triangular y parabólico Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular

Más detalles

MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP)

MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Primer Semestre - Otoño 2014. Omar De la Peña-Seaman. Instituto de Física (IFUAP) MECÁNICA CLÁSICA MAESTRÍA EN CIENCIAS (FÍSICA) Curso de Prmer Semestre - Otoño 2014 Omar De la Peña-Seaman Insttuto de Físca (IFUAP) Benemérta Unversdad Autónoma de Puebla (BUAP) 1 / Omar De la Peña-Seaman

Más detalles

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas

MATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora

Más detalles

Visión moderna del modelo de transporte clásico

Visión moderna del modelo de transporte clásico Vsón moderna del modelo de transporte clásco Zonfcacón y Red Estratégca Datos del Año Base Datos de Planfcacón Para el Año de Dseño Base de Datos año base futuro Generacón de Vajes Demanda Dstrbucón y

Más detalles

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.

ALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República. 9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara

Más detalles

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA

EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de

Más detalles

Estimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores

Estimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca

Más detalles

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS

OPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la

Más detalles

Maestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza

Maestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El

Más detalles

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS

ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 2011 INSTITUTO NACIONAL DE ESTADÍSTICAS METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE POR CARRETERA AÑO CONTABLE 0 INSTITUTO NACIONAL DE ESTADÍSTICAS 03 ÍNDICE I. METODOLOGÍA ENCUESTA ESTRUCTURAL DE TRANSPORTE INTERURBANO DE PASAJEROS POR CARRETERA.

Más detalles

Es el movimiento periódico de un punto material a un lado y a otro de su posición en equilibrio.

Es el movimiento periódico de un punto material a un lado y a otro de su posición en equilibrio. 1 Movmento Vbratoro Tema 8.- Ondas, Sondo y Luz Movmento Peródco Un móvl posee un movmento peródco cuando en ntervalos de tempo guales pasa por el msmo punto del espaco sempre con las msmas característcas

Más detalles

Fugacidad. Mezcla de gases ideales

Fugacidad. Mezcla de gases ideales Termodnámca del equlbro Fugacdad. Mezcla de gases deales rofesor: Alí Gabrel Lara 1. Fugacdad 1.1. Fugacdad para gases Antes de abarcar el caso de mezclas de gases, debemos conocer como podemos relaconar

Más detalles

TEMA 8: PRÉSTAMOS ÍNDICE

TEMA 8: PRÉSTAMOS ÍNDICE TEM 8: PRÉSTMOS ÍNDICE 1. CONCEPTO DE PRÉSTMO: SISTEMS DE MORTIZCIÓN DE PRÉSTMOS... 1 2. NOMENCLTUR PR PRÉSTMOS DE MORTIZCIÓN FRCCIOND... 3 3. CUDRO DE MORTIZCIÓN GENERL... 3 4. MORTIZCIÓN DE PRÉSTMO MEDINTE

Más detalles

Análisis de Regresión y Correlación

Análisis de Regresión y Correlación 1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón

Más detalles

Correlación y regresión lineal simple

Correlación y regresión lineal simple . Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan

Más detalles

Oferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA

Oferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w

Más detalles

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE

TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.

Más detalles

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN

PRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma

Más detalles

7ª SESIÓN: Medidas de concentración

7ª SESIÓN: Medidas de concentración Curso 2006-2007 7ª Sesón: Meddas de concentracón 7ª SESIÓN: Meddas de concentracón. Abrr el rograma Excel. 2. Abrr el lbro utlzado en las ráctcas anterores. 3. Insertar la Hoja7 al fnal del lbro. 4. Escrbr

Más detalles

Diseño y Análisis de Experimentos en el SPSS 1

Diseño y Análisis de Experimentos en el SPSS 1 Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se

Más detalles

Regresión Binomial Negativa

Regresión Binomial Negativa Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado

Más detalles

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx

Tasas de Caducidad. - Guía de Apoyo para la Construcción y Aplicación - Por: Act. Pedro Aguilar Beltrán. paguilar@cnsf.gob.mx Tasas de Caducdad - Guía de Apoyo para la Construccón y Aplcacón - Por: Act. Pedro Agular Beltrán pagular@cnsf.gob.m 1. Introduccón La construccón y aplcacón de tasas de caducdad en el cálculo de utldades

Más detalles

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS

METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS SUBDIRECCIÓN TÉCNICA DEPARTAMENTO DE INVESTIGACIÓN Y DESARROLLO ÁREA DE ANÁLISIS ESTADÍSTICAS ECONÓMICAS METODOLOGÍA MUESTRAL ENCUESTA A LAS PEQUEÑAS Y MEDIANAS EMPRESAS Santago, Enero de 2008. Departamento

Más detalles

CESMA BUSINESS SCHOOL

CESMA BUSINESS SCHOOL CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta

Más detalles

ESTADÍSTICA (GRUPO 12)

ESTADÍSTICA (GRUPO 12) ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.

Más detalles

Colección de problemas de. Poder de Mercado y Estrategia

Colección de problemas de. Poder de Mercado y Estrategia de Poder de Mercado y Estratega Curso 3º - ECO- 0-03 Iñak Agurre Jaromr Kovark Marta San Martín Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema. Olgopolo y competenca monopolístca.

Más detalles

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA

LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas

Más detalles

EL AMPLIFICADOR OPERACIONAL.

EL AMPLIFICADOR OPERACIONAL. Tema 6. El mplfcador peraconal. Tema 6 EL MPLIFICD PECINL.. Introduccón... Símbolos y termnales del amplfcador operaconal... El amplfcador operaconal como amplfcador de tensón..3. Conceptos báscos de realmentacón..4.

Más detalles

Descripción de una variable

Descripción de una variable Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad

Más detalles

T. 9 El modelo de regresión lineal

T. 9 El modelo de regresión lineal 1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón

Más detalles

Cálculo y EstadísTICa. Primer Semestre.

Cálculo y EstadísTICa. Primer Semestre. Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd

Más detalles

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA

INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo

Más detalles

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1

Tema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1 Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para

Más detalles

MÉTODOS PARA PROBAR NUMEROS

MÉTODOS PARA PROBAR NUMEROS Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular

Más detalles

CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS

CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos

Más detalles

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos)

PROBLEMAS DE ELECTRÓNICA ANALÓGICA (Diodos) PROBLEMAS DE ELECTRÓNCA ANALÓGCA (Dodos) Escuela Poltécnca Superor Profesor. Darío García Rodríguez . En el crcuto de la fgura los dodos son deales, calcular la ntensdad que crcula por la fuente V en funcón

Más detalles

Modelos unifactoriales de efectos aleatorizados

Modelos unifactoriales de efectos aleatorizados Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de

Más detalles

Condiciones Generales TestQual 2013

Condiciones Generales TestQual 2013 Condcones Generales TestQual 2013 Ejerccos TestQual 2013: En el presente documento se descrben las Condcones Generales de aplcacón en los Programas de Intercomparacón de TestQual. Con la solctud de uno

Más detalles

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.

CAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada. Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo

Más detalles

La adopción y uso de las TICs en las Microempresas Chilenas

La adopción y uso de las TICs en las Microempresas Chilenas Subdreccón Técnca Depto. Investgacón y Desarrollo Estadístco Subdreccón de Operacones Depto. Comerco y Servcos INFORME METODOLÓGICO DISEÑO MUESTRAL La adopcón y uso de las TICs en las Mcroempresas Clenas

Más detalles

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.

Histogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos. ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:

Más detalles

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II

UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con

Más detalles

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA

PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL

Más detalles

Valoración de opciones financieras por diferencias finitas

Valoración de opciones financieras por diferencias finitas Valoracón de opcones fnanceras por dferencas fntas José Mª Pesquero Fernández Dpto. Nuevos Productos - Tesorería BBVA mpesquero@grupobbva.com Indce INDICE. Introduccón. La ecuacón dferencal 3. Dferencas

Más detalles

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández

12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández

Más detalles

Vida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad

Vida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede

Más detalles

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN

FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN FUNDAMENTOS DE DIRECCIÓN FINANCIERA TEMA 2- Parte III CONCEPTO DE INVERSIÓN Y CRITERIOS PARA SU VALORACIÓN 1 CÁLCULO DE LOS FLUJOS NETOS DE CAJA Y TOMA DE DECISIONES DE INVERSIÓN PRODUCTIVA Peculardades

Más detalles

Matemática Financiera Sistemas de Amortización de Deudas

Matemática Financiera Sistemas de Amortización de Deudas Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas

Más detalles