0pWRGRVGH(UURUGH3UHGLFFLyQ3(0
|
|
- Sergio Herrera Bustos
- hace 5 años
- Vistas:
Transcripción
1 0pWRGRVGH(UURUGH3UHGLFFLyQ3(0 Se selecciona una estructura de modelo 0, con modelos particulares 0 parametrizados con un S vector de parámetros θ ' R 0 { 0 } 0 = θ ' 0 Se disponen para la estimación de pares de datos de entrada-salida {\( Q), X( Q) : Q =, L } = =, Cada modelo representa una forma de predecir las salidas futuras. Denotamos con \ ˆ( Q θ ) a un SUHGLFWRU de la salida \( Q) dados los datos de entrada-salida hasta el instante Q, y basado en el vector de parámetros θ. 3UHGLFWRU )LOWUR/LQHDORR/LQHDO DSOLFDGRDORVGDWRV (MHPSORV 3UHGLFWRU/LQHDO*HQHUDO ( Q θ ) = ) ( T, θ )\( Q) ) ( T, ) X( Q) ˆ + 2 \ θ
2 donde ( T, θ ), ) 2( T,θ ) ˆ( Q θ ) ) son filtros lineales tal ue \ depende sólo de datos pasados. 2QH6WHSDKHDG3UHGLFWRU Para un sistema con un modelo ( Q) = *( T, θ ) X( Q) + + ( T, ) H( Q) \ θ un predictor lineal típico es [ ]\( Q) + + ( T, θ )* ( T, ) X( Q) ( Q θ ) = + ( T, θ ) \ ˆ θ denominado 3UHGLFWRU2QH6WHS$KHDG Veremos más adelante ue éste es un SUHGLFWRU yswlpr, si H ( Q) es ruido blanco. El problema ue se nos plantea es cómo usar la información contenida en los datos = para seleccionar un valor apropiado del vector de parámetros θˆ, y por lo tanto un elemento particular 0 ( θˆ ) en la clase de modelos 0. En otras palabras se debe determinar un mapeo de los datos = al conjunto ' 0 : = θˆ ' 0 Este mapeo es el 0pWRGR GH (VWLPDFLyQ GH 3DUi PHWURV.
3 (YDOXDFLyQGHORVPRGHORVFDQGLGDWRV: se busca una forma de evaluar la DELOLGDG de los distintos modelos para describir los datos observados. Como la esencia del modelo es su característica como predictor, definimos el HUURUGHSUHGLFFLyQde un dado modelo 0 ( ) como θ ( Q, θ ) = \( Q) \ ˆ( Q θ ) ε Un ³EXHQ modelo será entonces auel ue sea un buen predictor, es decir auel ue produzca errores de predicción peueños cuando es aplicado a los datos. 0LQLPL]DFLyQGHORVHUURUHVGHSUHGLFFLyQ ε La secuencia de los errores de predicción { } Q Q, = puede considerarse como un vector en R por lo ue las dimensiones del error podrian medirse usando alguna norma en R. Típicamente esta norma, o IXQFLyQGHFRVWR, o FULWHULRes de la forma 9 Q Q= = l( ε(, θ )) donde l () es una función escalar a valores reales, típicamente positiva. La estima θˆ se obtiene 9 θ, i.e. minimizando el criterio ( ) θˆ = argmin 9 θ '0
4 Si el mínimo no es único, entonces DUJPLQdenota al conjunto de argumentos minimizantes del criterio. (MHPSORVGHFULWHULRV &ULWHULRFXDGUiWLFR 9 = 2 7 ε ( Q, θ ) ε ( Q, θ ) Q= 7 donde l ( ε ) = ε ( Q, θ ) ε ( Q, θ ). 2 RUPDV GHSHQGLHQWHV GHO WLHPSR: A veces las mediciones en distintos instantes de tiempo pueden tener distinta confiabilidad. En esos casos es conveniente usar un criterio ue depende explícitamente del tiempo, ue permita ponderar con distinto peso los datos. Por ejemplo, 9 ( θ, Q) = l( ε ( Q, θ ), ) Q Q=, o a veces se prefiere hacer explícita la ponderación con una función de ponderación β ( Q), resultando 9 ( θ, Q) = β ( Q) l( ε (, θ )) Q Q= Los 0pWRGRVGH(UURUGH3UHGLFFLyQ (PEM) pueden resumirse en:.
5 0pWRGRVGH(UURUGH3UHGLFFLyQ Elección de la Estructura de Modelo 0, parametrizada por el parámetro θ. Selección de la estructura del predictor \ ˆ( Q θ ). Cómputo del EP ε ( Q, θ ) = \( Q) \ ˆ( Q θ ) Selección del criterio 9 (o 9 ( θ, Q) ), a minimizar. Obtención de la estima θˆ por minimización del criterio (implica la elección del método de minimización). $QiOLVLV$VLQWyWLFRGHODVHVWLPDV Es de interés determinar las propiedades de las estimas de parámetros θˆ cuando el número de datos tiende a infinito. +LSyWHVLV. Los datos { X ( Q), \( Q) } son procesos estacionarios. 2. La entrada es una H[FLWDFLyQ SHUVLVWHQWH (se definirá precisamente más adelante en el Curso). 3. El Hessiano 9 es no singular localmente alrededor de los mínimos del criterio Las (matrices) transferencias *( T,θ ) y + ( T,θ ) son funciones diferenciables del vector de parámetros θ.
6 Algunos de los resultados reuerirán también la hipótesis 5. El conjunto ' 7 { θ : *( T, θ ) = *( T) ; + ( T, ) = + ( T) } = θ consistente de auellos valores de los parámetros para los cuales el modelo provee una descripción exacta del sistema real consta de exactamente un punto, ue denotaremos θ 0. (VWLPD$VLQWyWLFD Sea θˆ = argmin 9 θ '0 y suponga ue las hipótesis. a 4. se verifican. Entonces el criterio 9 converge uniformemente en θ ' 0 a la función límite 9, i.e. sup 9 θ '0 as 9 0 cuando, donde 9 9 = N lim. Además as θˆ θ cuando, donde θ '&, siendo '& el conjunto de valores del 9 θ. parámetro ue minimiza el criterio límite ( )
7 Este resultado implica ue cuando el conjunto ' 7 es vacío, entonces la estima asintótica será 'biased', pero será la mejor aproximación posible del sistema ue puede obtenerse con la estructura de modelo. Si el sistema es SDUiPHWUR LGHQWLILFDEOH (se verifica la condición 5.), el conjunto ' 7 es no vacío y consiste de un único elemento. Bajo ciertas hipótesis no muy restrictivas sobre el conjunto de datos es posible mostrar ue en este caso ' 7 = ' & = { θ 0 }, y las estima es FRQVLVWHQWH HQ VHQWLGR IXHUWH (strongly consistent). 'LVWULEXFLyQDVLQWyWLFDGHODVHVWLPDV Asumiendo ue se verifican las hipótesis. a 4., puede probarse ue la distribución de la variable aleatoria ( θ ) ˆ θ * converge a una distribución Gaussiana con media cero y matriz de covarianza [ { }] ( ) 7 [ 9 ( )] ( θ* lim * * 9 [ ] = θ donde 9 ( θ * ) es el gradiente de θ =, y ( ) θ * θ * 9 calculado en 9 es el Hessiano de 9 calculado en θ = θ *. Es decir *
8 ( ˆ ) dist ( 0, 3) θ θ * Este resultado es importante porue da una expresión de matriz de covarianza asintótica ue puede ser usada para cuantificar el error de estimación. La expresión de la covarianza asintótica puede también usarse para computar intervalos de confianza para cada estima particular θˆ obtenida de los datos. Como en general la estima asintótica θ * no se conoce, la matriz de covarianza 3 puede aproximarse reemplazando θ * por θˆ y el operador esperanza matemática por la media muestral.
Identificación n de SIStemas
Identificación n de SIStemas Métodos de Estimación n Recursivos ISIS J. C. Gómez Métodos de Identificación n Recursivos Mínimos Cuadrados Recursivos ara una estructura de modelo de regresión lineal y n
Más detallesIDENTIFICACION DE SISTEMAS IDENTIFICACIÓN PARAMÉTRICA
IDENTIFICACION DE SISTEMAS IDENTIFICACIÓN PARAMÉTRICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Identificación paramétrica En
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesUnidad IV: Modelo Discreto
Unidad IV: Métodos para la Obtención de un Modelo Discreto Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
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 detallesUNIDAD 4. INFERENCIA ESTADÍSTICA. Prof. Eliana Guzmán U. Semestre A-2015
UNIDAD 4. INFERENCIA ESTADÍSTICA Prof. Eliana Guzmán U. Semestre A-05 INFERENCIA ESTADÍSTICA La teoría de la Inferencia Estadística está conformada por aquellos métodos que permiten hacer generalizaciones,
Más detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesTema 4 Funciones convexas y optimización convexa
Tema 4 Funciones convexas y optimización convexa José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Contenidos del tema 4 Repaso de algunos resultados sobre optimización de funciones.
Más detallesClase 10 Diseño Óptimo Variables de Estado.doc 1
. Diseño Óptimo en Variables de Estado. Diseño Óptimo en Variables de Estado.. Planteo del Problema... Criterio 3.. Regulador Lineal Óptimo (LQC) 5.3. Ecuación de Ricatti 9.4. Valor Medio de una Forma
Más detallesEconometría II - examen (SOLUCION)
Econometría II - examen (SOLUCION) 4 de septiembre de 2006 Nombre y Apellidos: ID: Grupo: Lea cuidadosamente cada pregunta Responda muy claramente dentro del espacio asignado El valor de cada pregunta
Más detalles1. Diseño Óptimo en Función de Transferencia. 1. Diseño Óptimo en Función de Transferencia 1
. Diseño Óptimo en Función de Transferencia. Diseño Óptimo en Función de Transferencia.. Planteo del Problema.. Criterio de Optimización 3.. Predicción Óptima 4... Forma intuitiva 5... Caso General 5..3.
Más detallesIdentificación mediante el método de los mínimos cuadrados
Ingeniería de Control Identificación mediante el método de los mínimos cuadrados Daniel Rodríguez Ramírez Teodoro Alamo Cantarero Contextualización del tema Conocimientos relevantes aprendidos previamente:
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
Más detallesIDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA
IDENTIFICACION DE SISTEMAS IDENTIFICACION NO PARAMETRICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 SISTEMAS LTI En general un
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesMétodo de mínimo cuadrados (continuación)
Clase No. 10: Método de mínimo cuadrados (continuación) MAT 251 Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
Más detallesIdentificación de Sistemas
Identificación de Sistemas Estimación de Mínimos Cadrados Ator: Dr. Jan Carlos Gómez Estimación n de Mínimos M Cadrados ara Estrctra de Regresor ineal Se asme qe la relación entrada-salida ede ser descrita
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesIntroducción a la optimización con algoritmos. Ejercicios. 0 2 f(x + t(y x))(y x)dt. J(x + t(y x))(y x)dt siendo J la matriz Jacobiana de F.
Introducción a la optimización con algoritmos Ejercicios Preliminares 1. Demostrar que si f C 2 (IR n ), f : IR n IR entonces f(y) f(x) = 1 0 2 f(x + t(y x))(y x)dt. 2. Demostrar que si F C 1 (IR n ),
Más detallesSeguimiento de los parámetros del modelo del tracto vocal
Algoritmos para el seguimiento de los parámetros del modelo de tracto vocal Monografía de Tratamiento Estadístico de Señales parias@fing.edu.uy Instituto de Ingeniería Eléctrica Facultad de Ingeniería
Más detallesMétodo de los Mínimos Cuadrados Recursivos
Método de los Mínimos Cuadrados Recursivos Teodoro Alamo a Ingeniería de Control Tercer Curso GITI Escuela Superior de Ingenieros Sevilla Formulación del problema Supongamos que los escalares y i, i =
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detalles1. Control de Mínima Varianza
. Control de Mínima Varianza. CONTROL DE MÍNIMA VARIANZA..... PLANTEO DEL PROBLEMA..... CRITERIO DE OPTIMIZACIÓN...5.3. PREDICCIÓN ÓPTIMA...8.3.. Forma intuitiva...8... Caso General...0.3.. Cálculo del
Más detallesIntroducción al Control Óptimo
Ingeniería en Control y Automatización Introducción al Control Óptimo Aplicación a sistemas de control moderno ERÍA DEL CNRL III de diciembre de 6 Autor: M. en C. Rubén Velázquez Cuevas Escuela Superior
Más detallesMétodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones
Métodos Clásicos de Optimización para Problemas No-Lineales sin Restricciones Dr. Gonzalo Hernández Oliva UChile - Departamento de Ingeniería Matemática 07 de Mayo 2006 Abstract En este apunte veremos
Más detallesx (0) si f (x) = 2s 1, s > 1 d) f 3. Analizar la existencia de derivadas laterales y de derivada en a = 0, para las siguientes funciones:
FACULTAD DE CIENCIAS EXACTAS Y NATURALES UNIVERSIDAD DE BUENOS AIRES COMPLEMENTOS DE ANÁLISIS MAESTRíA EN ESTADíSTICA MATEMÁTICA SEGUNDO CUATRIMESTRE 2007 PRÁCTICA 7 1. Usando sólo la definición de derivada,
Más detallesMétodo de mínimos cuadrados (Continuación)
Clase No. 11: MAT 251 Método de mínimos cuadrados (Continuación) Dr. Alonso Ramírez Manzanares CIMAT A.C. e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT
Más detallesEstimación Máxima Verosimilitud
Estimación Máxima Verosimilitud Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Outline Motivación 1 Motivación 2 3 4 5 Estrategias generales de estimación Hay
Más detallesEstimación por el método generalizado de momentos (MGM).
Estimación por el método generalizado de momentos (MGM). Siga J.Muro(27/10/2003) 1 Método generalizado de momentos (MGM). Intuición. Principio MGM. Obtención de estimadores MGM. Propiedades de los estimadores.
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más 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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesEstimación. Introducción. Sea X la variable aleatoria poblacional con distribución de probabilidad f θ donde. es el parámetro poblacional desconocido
Tema : Introducción a la Teoría de la Estimación Introducción Sea X la variable aleatoria poblacional con distribución de probabilidad f θ (x), donde θ Θ es el parámetro poblacional desconocido Objetivo:
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesCapítulo VI. Diferenciabilidad de funciones de varias variables
Capítulo VI Diferenciabilidad de funciones de varias variables La definición de diferenciabilidad para funciones el cociente no tiene sentido, puesto que no está definido, porque el cociente entre el vector
Más detalles1. Diseño Óptimo en Variables de Estado 1
1. Diseño Óptimo en Variables de Estado 1. Diseño Óptimo en Variables de Estado 1 1.1. Planteo del Problema 1.1.1. Criterio 3 1.. Regulador Lineal Óptimo (LQC) 5 1.3. Ecuación de Ricatti 9 1.4. Valor Medio
Más detallesTema 4: VARIABLE ALEATORIA N-DIMENSIONAL
Tema 4: VARIABLE ALEATORIA N-DIMENSIONAL Carlos Alberola López Lab. Procesado de Imagen, ETSI Telecomunicación Despacho D04 caralb@tel.uva.es, jcasasec@tel.uva.es, http://www.lpi.tel.uva.es/sar Concepto
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesEl Problema de Cauchy para EDPs de Primer Orden
Capítulo 2 El Problema de Cauchy para EDPs de Primer Orden Este capítulo está dedicado al estudio de EDPs de primer orden, esto es, ecuaciones en las que sólo aparecen derivadas parciales de a lo sumo
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesCeros de Funciones: Multivariable
Ceros de Funciones: Multivariable Prof. Marlliny Monsalve 1 1 Postgrado en Ciencias de la Computación Universidad Central de Venezuela Análisis Numérico May 19, 2015 Prof. Monsalve (UCV) Ceros Multivariable
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesUniversidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C.
: Un Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C. : Un presenta México D.F., a 23 de Septiembre de 2010. Historia : Un La estimación de mineral recobrable es muy importante
Más detallesElementos de Cálculo Numérico / Cálculo Numérico Segundo Cuatrimestre 2017
Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Depto. de Matemática Elementos de Cálculo Numérico / Cálculo Numérico Segundo Cuatrimestre 207 Práctica N : Número de condición.
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detallesIdentificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Más detalles1.1. Introducción Método de Identificación por Mínimos Cuadrados Forma Recursiva: Inclusión del Factor de Olvido.
. Mínimos Cuadrados. Mínimos Cuadrados.. Introducción 2.2. Método de Identificación por Mínimos Cuadrados 3.2.. Forma Recursiva: 6.2.2. Inclusión del Factor de Olvido. 0.3. Características Estadísticas
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesRegresión Lineal Múltiple. Dr. Víctor Aguirre Torres, ITAM. Guión 12.
Regresión Lineal Múltiple 1 Propósito Cuantificar el cambio en el valor esperado de una variable (y) en función del cambio simultáneo otras variables (x 1, x 2,..., x p ). y=variable dependiente (cuantitativa)
Más detallesEjemplos de funciones de covarianza
Capítulo 5 Ejemplos de funciones de covarianza De lo explicado hasta el momento, se concluye que la regresión basada en Procesos Gaussianos se reduce a calcular la matriz de covarianza C n a partir 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 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 detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesMétodos de Diseño y Análisis de Experimentos
1 / 28 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM marzo 2018 Ideas básicas del diseño experimental Capítulo 4 de Analysis
Más detallesIDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS
IDENTIFICACIÓN DE SISTEMAS MÉTODOS POR SUB-ESPACIOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Introduccion La teoría de sistemas
Más detallesx 2 y si x 3y 2 si x = 3y Describir el conjunto de los puntos de discontinuidad de f en coordenadas polares.
FIUBA 07-05-11 Análisis Matemático II Parcial - Tema 1 1. Sea f(x, y) = { x y si x 3y si x = 3y Describir el conjunto de los puntos de discontinuidad de f en coordenadas polares.. Sea G(x, y) = (u(x, y),
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
Más detallesRelación de Ejercicios. Programación Paralela 4º de Grado en Ingeniería Informática.
1. Por qué el modelo de programación que se sigue al programar con MPI es independiente de la asignación? 2. Describir gráficamente una solución eficiente para realizar una operación de reducción global
Más detallesNORMAS El examen consta de dos partes: Diez Cuestiones: (tiempo: 60 minutos)
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: (tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesElementos de Cálculo Numérico
Universidad de Buenos Aires - Facultad de Ciencias Exactas y Naturales - Depto. de Matemática Elementos de Cálculo Numérico Primer cuatrimestre 2006 Práctica N 2: Condicionamiento de una matriz. Descomposición
Más detallesVariantes del LMS Algortimo LMA ( Least Mean Absolute ) Algoritmo LMS normalizado Algoritmo LMS regularizado Algoritmo LMS en frecuencia
4.4 Algoritmo LMS Introducción El algoritmo LMS Análisis de convergencia Variantes del LMS Algortimo LMA ( Least Mean Absolute ) Algoritmo LMS normalizado Algoritmo LMS regularizado Algoritmo LMS en frecuencia
Más detallesTema 6: Funciones de varias variables
Tema 6: Funciones de varias variables de febrero de 6 Preliminares: derivadas parciales. Sea F una función de dos variables, como por ejemplo la función definida por F(x; y) = x y 3 Podemos derivarla con
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesComisión de Pedagogía - Diego Chamorro Ecuaciones en Derivadas Parciales (Nivel 3).
AMARUN www.amarun.org Comisión de Pedagogía - Diego Chamorro Ecuaciones en Derivadas Parciales (Nivel 3). Lección n 2: Soluciones clásicas de las ecuaciones de Navier-Stokes USFQ, noviembre 215 Índice
Más detalles1. Diferentes Algoritmos de Identificación
. Diferentes Algoritmos de Identificación. Diferentes Algoritmos de Identificación.. Aproximación Heurística 2.2. Error de Predicción A Priori y A Posteriori 4.3. Algoritmo de Proyección 6.4. Aproximación
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesDepartamento de Matemáticas
MA5 Clase : Series de números reales Definición de Serie Elaborado por los profesores Edgar Cabello y Marcos González Definicion Dada una sucesión de escalares (a n ), definimos su sucesión de sumas parciales
Más detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detallesEconometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos
Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesEl Teorema de Contracción de Mapas
El Teorema de Contracción de Mapas Carlos Gamez Escuela de Matemática Facultad de Ciencias Naturales y Matemática Universidad de El Salvador Presentación Beamer Esquema Introducción Contracción Punto Fijo,
Más detallesSistemas autónomos. Introducción a la teoría cualitativa.
Lección 4 Sistemas autónomos. Introducción a la teoría cualitativa. 4.1 Sistemas autónomos. Mapas de fase. En esta lección nos centraremos en el estudio de sistemas autónomos, es decir, aquellos que pueden
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesIntroducción teórica del filtro de Kalman. a) el conocimiento del sistema y a dispositivos dinámicos de medida,
Apéndice B El Filtro de Kalman B.1. Introducción teórica del filtro de Kalman El Filtro de Kalman es una potente herramienta matemática que juega un importante papel cuando se incluyen medidas del mundo
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesDoctorado en Tecnologías de las Comunicaciones - Procesado Digital de Señales en Comunicaciones (Curso 2003/04)
4.6 El filtro de Kalman Introducción Filtro de Kalman discreto Algoritmo: predicción + corrección Características probabilísticas El filtro de Kalman extendido Filtros de Partículas Conclusiones Introducción
Más detallesLa modelación en el diseño de sistemas de observación de la calidad del agua subterránea
La modelación en el diseño de sistemas de observación de la calidad del agua subterránea Graciela Herrera Zamarrón Instituto Mexicano de Tecnología del Agua 3 de diciembre de 2004 Guía de la presentación?
Más detallesCASO 5-3 MILAN FOOD COOPERATIVE (B)
CASO 5-3 MILAN FOOD COOPERATIVE (B) INTRODUCCIÓN Éste es una continuación del caso Milan Food Cooperative (A), de la parte 4 del texto. Aquí se presentan los resultados del análisis de correlación y regresión
Más detalles