Introducción al tratamiento de series temporales
|
|
- Antonia Duarte González
- hace 5 años
- Vistas:
Transcripción
1 Introducción al tratamiento de series temporales
2 1-Procesos estocásticos. Procesos estacionarios Serie temporal: Ejemplos: Hora a la que se pone el Sol cada día Presión arterial Distancia entre sucesivos postes de una línea eléctrica Sucesivas tiradas de un dado Notación Frecuente:
3 1. Procesos estocásticos. Procesos estacionarios Proceso estocástico: Serie temporal en la que cada valor es la realización de una variable aleatoria Mejor: cada valor es una realización de una variable aleatoria Hora a la que se pone el Sol cada día Presión arterial Distancia entre sucesivos postes de una línea eléctrica Sucesivas tiradas de un dado
4 1. Procesos estocásticos. Procesos estacionarios El caso más sencillo: Nuestro proceso está formado por una serie de variables aleatorias independientes e idénticamente distribuidas (i.i.d.) también llamado proceso homogéneo Variables independientes Idénticamente distribuidas Todas ellas siguen la misma distribución de probabilidad Ejemplos: Sucesivas tiradas de un dado Lanzamos n monedas una detrás de otra
5 1. Procesos estocásticos. Procesos estacionarios Procesos no homogéneos: Variables no independientes Ej. Consideremos la tirada de un dado + el valor de la tirada anterior Este ya no es tan sencillo pero: Las variables siguen la misma distribución de probabilidad Es más, se cumple que: Proceso Estacionario
6 1. Procesos estocásticos. Procesos estacionarios En la práctica es difícil comprobar si un proceso es estacionario Proceso estacionario en sentido amplio A la hora de la verdad el sentido es mucho más amplio : se habla de procesos estacionarios simplemente cuando la media se mantiene constante a lo largo del proceso. Cuando el proceso es estacionario podemos estudiar cualquier parte del proceso ya que vamos a obtener los mismos resultados.
7 1. Procesos estocásticos. Procesos estacionarios White noise Random walk Ruido blanco (White noise) Estacionaria Paseo aleatorio (Random walk) No estacionaria
8 1. Procesos estocásticos. Procesos estacionarios Ejemplo: Series de intervalos entre sucesivos latidos del corazón 4 Intervalo entre latidos número de latido
9 1. Procesos estocásticos. Procesos estacionarios Ejemplo: Series de radiación solar en Málaga Radiación solar normalizada t (horas) Promedio semanal de radiación solar normalizada t (semanas) Estacionalidad
10 2. Función de autocorrelación Es una herramienta muy útil para detectar patrones y periodicidades en series temporales Definición: dada una serie temporal con varianza: La función de autocorrelación se define como:
11 2. Función de autocorrelación. Es una forma de medir la dependencia del valor en la posición con el valor en la posición Sólo mide la dependencia lineal Si las variables son independientes Pero no implica que lo sean Ojo! No distingue entre dependencia (en sentido causal) y simple persistencia. Inconveniente: Si queremos medir a una distancia grande necesitamos tener muchos datos. Error debido al tamaño finito:
12 2. Función de autocorrelación. Ejemplos: ruido blanco (en general serie de variables i.i.d.)
13 2. Función de autocorrelación. Ejemplos: Random walk (en general serie con tendencias)
14 2. Función de autocorrelación. Ejemplos: Serie alternada E Valores negativos: ANTICORRELACIONES
15 3. Transformada de Fourier Radiación solar normalizada t (horas) Esta serie tiene periodicidades podemos explicarlas? nos interesa la variación periódica o cómo fluctúa alrededor de la tendencia periódica? En cualquier caso es interesante ser capaces de extraerlas
16 3. Transformada de Fourier Dada una funcion definida en toda la recta real, se define su transformada de Fourier como: donde es la frecuencia en hercios. La transformada inversa nos da la propia función a partir de la transformada de Fourier: Representa a la función en el dominio temporal Representa a la función en el dominio de frecuencias
17 3. Transformada de Fourier Además, está relacionada con la función de correlación Se demuestra que la transformada de Fourier de la función de correlación es el producto de las transformadas de Fourier de las funciones: En particular la transformada de Fourier de la función de autocorrelación (correlación de una función consigo misma) es el módulo al cuadrado de la transformada de Fourier de la función: Teorema de Wiener-Khinchin
18 3. Transformada de Fourier ESPECTRO DE POTENCIA TRANSFORMADA DISCRETA DE FOURIER En realidad, uno (casi) nunca se encuentra con funciones del tiempo continuas, sino que en realidad se tiene una serie discreta de datos, es decir, muestreados para ciertos valores de tiempo. El caso más frecuente es tener una serie muestreada a intervalos uniformes de tiempo: (cada segundo, cada minuto, cada hora, etc)
19 3. Transformada de Fourier Ojo! Teorema de Nyquist (o de muestreo): Dado un intervalo de muestreo, existe una frecuencia crítica tal que la transformada de Fourier (discreta) sólo contiene frecuencias hasta f c. Esto es bueno si la señal está limitada en frecuencias, y el límite es menor que f c. PERO es malo si no lo es, porque entonces las frecuencias se mezclan (aliasing). Ejemplo: señales de audio y su versión digital en CD. TRANSFORMADA DISCRETA Supongamos N valores de una serie temporal:
20 3. Transformada de Fourier Puesto que tenemos N datos de entrada, no podemos producir más de N datos independientes de salida, así que en lugar de obtener la Transformada de Fourier en todo el intervalo fc,fc, la obtenemos sólo en ciertos valores discretos: Finalmente, se trata de sustituir la integral por un sumatorio Estrictamente hablando, la DFT es sólo el último sumando: Que es independiente de. (equivale a considerar =1)
21 3. Transformada de Fourier Cómo se implementa la DFT? El algoritmo de cálculo más extendido es la FFT, algoritmo revolucionario que permite pasar de tiempo de calculo de orden N 2 a orden N log N. El software comercial (ya sea de tratamiento de datos o de análisis de señales) suele llevar implementada la FFT. Ojo! La FFT funciona bien si N es potencia de 2 Si no lo es, o bien se trunca la serie, o bien se autocopia hasta alcanzar el tamaño adecuado PROBLEMA: y si los datos no están equiespaciados temporalmente? Existen variantes de la FFT para resolver este problema: Transformada LOMB (véase Numerical Recipes)
22 4. Modelos de series temporales Vamos a considerar algunos modelos usuales que se usan para describir o generar series temporales: Modelos (cadenas) de Markov Modelos AR, MA, ARMA, ARIMA, etc Los modelos de Markov se usan fundamentalmente para estudiar series temporales DISCRETAS, es decir, cuando la variable aleatoria sólo toma valores dentro de un conjunto finito de estados posibles. Los modelos AR, MA, etc, se usan fundamentalmente para modelar series temporales CONTINUAS, especialmente con el objetivo de predecir valores futuros de la serie temporal.
23 4. Modelos de series temporales MODELOS O CADENAS DE MARKOV Consideremos un conjunto finito de estados que pueden ser adoptados por una variable estocástica: Asignemos a cada par de estados (i, j) un número real p ij que cumpla:
24 4. Modelos de series temporales Con estos números, podemos definir la matriz de transición: Ojo! Recordemos que la matriz está normalizada por filas Es decir, la probabilidad de aparición de un estado en el tiempo t+1 SÓLO depende del estado en el tiempo t (memoria de orden 1)
25 4. Modelos de series temporales Además, se tiene que: EJEMPLO: Serie temporal estocástica con dos estados posibles, A y B
26 4. Modelos de series temporales Las cadenas de Markov presentan correlaciones, PERO DE CORTO ALCANCE, que caen usualmente de forma exponencial. EJEMPLO: Supongamos un sistema binario, con estados 1 y X(t) C(l) t l
27 4. Modelos de series temporales OTRO EJEMPLO: X(t) 0.0 C(l) t l Este ejemplo corresponde a una señal aleatoria pura. PREGUNTA: Cómo se generarían ANTICORRELACIONES?
28 4. Modelos de series temporales MODELOS AUTORREGRESIVOS (AR) Supongamos ahora una serie temporal X(t) que describe un proceso estocástico, en el que la serie toma valores continuos (reales). Cuando la serie tiene persistencias es razonable suponer que el valor de la serie en un tiempo t está influido por los valores anteriores de la serie. Esta influencia no puede ser estricta, porque la serie no es determinista, sino que tiene que tener una componente aleatoria. Los modelos autorregresivos consideran que: Esta ecuación describe un modelo autoregresivo de orden p, AR(p) La componente aleatoria va incluida en ε(t), que normalmente es un ruido blanco gaussiano. Al término ε(t) se le llama INNOVACIÓN
29 4. Modelos de series temporales El caso más sencillo posible sería AR(1): Ejemplo: X(t) t
30 4. Modelos de series temporales Sin embargo, estos modelos producen también correlaciones de CORTO ALCANCE, que caen de forma exponencial C(l) l
31 4. Modelos de series temporales Los modelos MA tienen una filosofía parecida, pero en lugar de depender de los valores anteriores de la serie, dependen de las INNOVACIONES anteriores. Ejemplo: Modelo MA de orden q Finalmente, los modelos ARMA unen los modelos AR y MA, es decir, el valor de la serie depende de los p valores anteriores de la serie y de los q valores anteriores de las innovaciones Ejemplo: Modelo ARMA(p,q)
32 4. Modelos de series temporales Todos estos modelos se usan generalmente para PREDECIR valores futuros de una serie temporal, y por eso se suelen usar en economía, además de en diversas disciplinas científicas. Sin embargo, sean del tipo que sean, su característica común es que aunque sirven para generar series con correlaciones, éstas caen siempre de forma exponencial, con lo que tenemos siempre CORRELACIONES DE CORTO ALCANCE. En la Naturaleza, aparecen muchos sistemas en los que las correlaciones NO son de corto alcance, sino que decaen mucho más lentamente que de forma exponencial: ADN, dinámica del corazón, propiedades físicas en las transiciones de fase, etc.
33 4. Modelos de series temporales Por qué nos interesan los modelos lineales AR y MA?. No solo porque pueden ser intercambiables sino porque puede aplicarse el siguiente resultado: Teorema de descomposición de Wold Toda serie temporal estacionaria puede ser descompuesta en la suma de un proceso determinista (no estocástico) y de un MA. La clave del éxito es conseguir estacionarizar la serie temporal dada mediante adecuadas transformaciones de los datos, usualmente diferenciando reiteradamente la serie para estabilizar la media y/o aplicando transformaciones estabilizadoras de la varianza (tomar logaritmos, Box-Cox, etc).
34 5. Correlaciones de largo alcance y ruidos 1/f Empecemos con un ejemplo: la función de autocorrelación correspondiente al cromosoma 20 del genoma humano Slope = C(l) Mapping rule SW Fit to a power law l Como vemos, la función de autocorrelación decae en forma de LEY DE POTENCIAS
35 5. Correlaciones de largo alcance Cuando la función de autocorrelación es de la forma: Se dice que la señal presenta correlaciones de largo alcance. El nombre viene dado porque una ley de potencias decae mucho más lentamente que una exponencial, y por lo tanto las correlaciones llegan más lejos. La señales que poseen esta propiedad están asociadas con la geometría fractal. El motivo es que si la autocorrelación es de esa forma, la señal no posee ninguna escala (espacial o temporal) característica, o, dicho de otra forma, es INVARIANTE frente al cambio de escalas, concepto análogo a la propiedad principal de los fractales. Ejemplo: con una correlación que decaiga exponencialmente Existe una escala característica (a). En una ley de potencias no la hay.
36 5. Correlaciones de largo alcance La señal es fractal porque estadísticamente hablando una porción de la misma es indistinguible de la señal entera Ejemplo: Random Walk X(t) X(t) t t Ojo! El cambio de escala NO es igual en los dos ejes: la señal puede ser autoafín, y no autosimilar.
37 5. Correlaciones de largo alcance La fortaleza de las correlaciones se caracteriza a través del exponente de la función de autocorrelación, γ. Series de este tipo aparecen por doquier: señales biofísicas, ruidos en circuitos, series económicas, geofísicas, etc. Sin embargo, estadísticamente hablando, la función de autocorrelación no es un buen estimador de la correlaciones presentes en una serie, por lo que se usan herramientas alternativas. Una de las más destacadas es el uso de la Transformada de Fourier. Puede demostrarse que una señal con correlaciones de largo alcance posee un espectro de potencia de la forma: Es decir, el espectro de potencia es OTRA LEY DE POTENCIAS.
38 5. Correlaciones de largo alcance Por eso a estas señales se les llama también RUIDOS 1/f Ejemplo: Random Walk X(t) S( f ) 1x10-2 1x10-5 1x t f (Hz) Para este caso concreto, se tiene que
39 5. Correlaciones de largo alcance Ejemplos de ruidos 1/f X(t) 0 X(t) t t X(t) X(t) t t
40 6. Análisis de la fluctuación Las correlaciones parecen estar 4 relacionadas con las 2 0 fluctuaciones alrededor -2 del valor medio que -4 presentan las series t X(t) X(t) t Se pueden medir las correlaciones midiendo la fluctuación X(t) t X(t) t
41 6. Análisis de la fluctuación
42 6. Análisis de la fluctuación
43 6. Análisis de la fluctuación 4 x(t) t E-3 1E-4 1E-6 1E S(f) 1E-8 1E-9 1E-10 1E-11 1E-12 1E f (Hz)
44 6. Análisis de la fluctuación Qué pasa si la serie no es estacionaria?
45 6. Análisis de series no estacionarias 2 x(t) t Este sigue funcionando pero Es por definición! S(f) 1E-4 1E-5 1E-6 1E-7 1E-8 1E-9 1E-10 1E-11 1E-12 1E-13 1E f (Hz)
46 6. Análisis de series no estacionarias
47 6. Análisis de series no estacionarias Nos quedamos con el espectro de potencia por cuestión de interpretación Métodos de análisis: Análisis de la fluctuación sin tendencia (DFA) Modificación del análisis de la fluctuación Wavelets Modificación de la transformada de Fourier
48 6. Análisis de series no estacionarias Análisis de la fluctuación sin tendencia (DFA) 2 x(t) t w(t) w(t) t t
49 6. Análisis de series no estacionarias 4 2 walk posición en la serie
50 6. Análisis de series no estacionarias E FUNCIONA!!
51 6. Análisis de series no estacionarias WAVELETS Algo parecido a la Transformada de Fourier para series no estacionarias Transformada de Fourier: Información sobre la frecuencia Se pierde por completo la información espacial (Si la serie es estacionaria esto no es un problema)
52 6. Análisis de series no estacionarias 2 Ejemplo: f(t) 0 T[f(t)] t t Hace falta un método que analice la serie LOCALMENTE
53 6. Análisis de series no estacionarias x
54 6. Análisis de series no estacionarias
55 6. Análisis de series no estacionarias t f(t) W [ f ] t
56 6. Análisis de series no estacionarias
57 6. Análisis de series no estacionarias
58 6. Análisis de series no estacionarias t f(t) W [ f ] t
59 6. Análisis de series no estacionarias
60 6. Análisis de series no estacionarias f(t) W [ f ] t
3. Señales. Introducción y outline
3. Señales Introducción y outline Outline Señales y Sistemas Discretos: SLIT, Muestreo, análisis tiempo-frecuencia, autocorrelación, espectro, transformada Z, DTFT, DFT, FFT Filtros y Estimación: Filtros
Más detallesTransformadas de la imagen
Transformadas de la imagen Digital Image Processing, Gonzalez, Woods, Addison Wesley, ch 3 Transformadas de la imagen 1 Transformada de Fourier en el caso continuo Transformada de Fourier de una funcion
Más detallesPROCESOS DE MARKOV DE TIEMPO CONTINUO
CHAPTER 3 PROCESOS DE MARKOV DE TIEMPO CONTINUO 3.1 Introducción En este capítulo consideramos el análogo en tiempo continuo de las Cadenas de Markov de tiempo discreto. Como en el caso de tiempo discreto,
Más detallesPOTENCIA DE UN PROCESO ALEATORIO. Análisis Espectral 1 / 30
POTENCIA DE UN PROCESO ALEATORIO Análisis Espectral 1 / 30 POTENCIA DE UN PROCESO ALEATORIO Recordemos: Para señales determinísticas.... la potencia instantánea es Para una señal aleatoria, es una VA para
Más detallesTeoría de la Comunicación. a) Si X es una variable aleatoria con una distribución uniforme en el intervalo [ 2, 2], calcule las probabilidades
.6. Ejercicios Ejercicio.1 Se tiene una variable aleatoria X. a) Si X es una variable aleatoria con una distribución uniforme en el intervalo [, ], calcule las probabilidades i) P (X >1) ii) P (X > 1)
Más detallesCREDITOS CONCLUSION GLOSARIO INTRODUCCION SEÑALES SISTEMAS SEÑALES C SEÑALES D TIPOS DIFERENCIA
CREDITOS CONCLUSION GLOSARIO INTRODUCCION SEÑALES SISTEMAS SEÑALES C SEÑALES D TIPOS DIFERENCIA INTRODUCCION Una señal es cualquier fenómeno que puede ser representado de manera cuantitativa mediante una
Más detallesCapítulo 2. Métodos estadísticos Simulación estadística. Simulación univariante
Capítulo 2 Métodos estadísticos 21 Simulación estadística La simulación estadística consiste en generar realizaciones de variables aleatorias que siguen unas distribuciones concretas Si esas variables
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
Más detallesProcesamiento Digital Tren de pulsos
2. Procesamiento Digital Una formulación general para las series de Fourier es = donde se utiliza otro tipo de función φ k diferente a las funciones sinusoidales. 2.1 Interpolación Se puede expresar una
Más detallesProcesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,
Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo
Más detallesPart III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:
Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN TEORÍA DE SEÑALES OBJETIVO GENERAL Estudiar los conceptos fundamentales de representación de
Más detallesEste manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el
Prólogo Este manual se ha elaborado como material de guía y apoyo para que el alumno se inicie, tanto desde un punto de vista teórico como aplicado, en el estudio de las Series Temporales, es decir, en
Más detallesANÁLISIS EN EL DOMINIO DEL TIEMPO
Matemáticas y Estadística aplicada POLITÉCNICA ANÁLISIS EN EL DOMINIO DEL TIEMPO Indice de contenidos: INTRODUCCIÓN MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973): De Procesos estacionarios De Procesos
Más detallesTeoría de señales SEÑALES ELECTROFISIOLÓGICAS. Wednesday, September 12, 12
Teoría de señales SEÑALES ELECTROFISIOLÓGICAS Señales Concepto: Señales Concepto: Las$señales$son$magnitudes$0sicas$o$variables$ detectables$mediante$las$que$se$pueden$transmi7r$ mensajes$o$información.
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesSeries de tiempo. Miguel Ángel Chong R. 2 de abril del 2013
Estadística Miguel Ángel Chong R miguel@sigmaiimasunammx de abril del 03 Autorregresivos Diremos que un proceso {X t } tt es un autorregresivo de orden p, y lo denotaremos como AR(p), si para p unenteroy,,
Más detallesIntegral de Fourier y espectros continuos
9 2 2 2 Esta expresión se denomina forma de Angulo fase (o forma armónica) de la serie de Fourier. Integral de Fourier y espectros continuos Las series de Fourier son una herramienta útil para representar
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
Más detallesIngeniería de Control I Tema 2. Transformadas
Ingeniería de Control I Tema 2 Transformadas 1 1. Transformadas. Transformación de dominios: 1. Objetivo de la transformación de dominios 2. Representación de señales 3. Series de Fourier 4. Transformada
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 detallesGermán Bassi. 9 de septiembre de X(i) = 1 N 1T X. i=1
. Estimación de la Media Germán Bassi 9 de septiembre de 00 Dada la variable aleatoria X, podemos estimar el valor esperado de la misma mediante la siguiente fórmula: µ X = X(i) = T X. Ambas representaciones
Más detallestransmisión de señales
Introducción al análisis y transmisión de señales La transmisión de información La información se puede transmitir por medio físico al variar alguna de sus propiedad, como el voltaje o la corriente. Este
Más detallesFundamentos de producción y tratamiento de audio mediante com
Fundamentos de producción y tratamiento de audio mediante computador Luis Rodríguez Ruiz UCLM April 8, 2008 1 2 3 4 5 Índice Contenidos 1 2 3 4 5 Contenidos 1 Presentar los fundamentos del procesamiento
Más detallesSistemas Lineales. Tema 7. Problemas
Sistemas Lineales ema 7. Problemas. Se sabe que una señal de valor real x(t) ha sido determinada sólo por sus muestras cuando la frecuencia de muestreo es s = 0 4 π. Para qué valores de se garantiza que
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 4
Maestría en Bioinformática Probabilidad y Estadística: Clase 4 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Procesos aleatorios
Más detallesUNIVERSIDAD CENTRAL DE VENEZUELA FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA ELÉCTRICA DEPARTAMENTO DE ELECTRÓNICA
TIPO DE 207, 255, 0790 SEMANA: PROPÓSITO Esta asignatura ofrece al alumno los conocimientos básicos para el análisis de los sistemas lineales, tanto en el dominio del tiempo continuo como en el dominio
Más detallesProcesamiento Digital. 2.2 Muestreo o discretización
. Procesamiento Digital Una formulación general para las series de ourier es = donde se utiliza otro tipo de función φ k diferente a las funciones sinusoidales.. Interpolación Se puede expresar una función
Más detallesPROCESOS ESTOCÁSTICOS
CURSO: PROCESOS ESTOCÁSTICOS 1 SEMESTRE: VIII 2 CODIGO: 602804 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1)
Más detallesProcesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico
Procesos estocásticos Sesión 5. Cadenas de Markov. Comportamiento asintótico Enrique Miranda Universidad of Oviedo Máster Universitario en Análisis de Datos para la Inteligencia de Negocios Contenidos
Más detallesLección 3: Formato y Modulación en Banda Base. Parte I
Lección 3: Formato y Modulación en Banda Base. Parte I Gianluca Cornetta, Ph.D. Dep. de Ingeniería de Sistemas de Información y Telecomunicación Universidad San Pablo-CEU Contenido Sistemas en Banda Base
Más detallesProcesos estocásticos Cadenas de Márkov
Procesos estocásticos Cadenas de Márkov Curso: Investigación de Operaciones Ing. Javier Villatoro PROCESOS ESTOCASTICOS Procesos estocásticos Es un proceso o sucesión de eventos que se desarrolla en el
Más detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
Más detallesTransformada Discreta de Fourier.
Transformada Discreta de Fourier. Hasta ahora se ha visto Importancia de la respuesta en frecuencia de un sistema Transformada de Fourier de una señal discreta Tenemos otra forma de caracterizar los sistemas
Más detallesProcesamiento de Señales 1D. 2.1 El mundo análogo de sistemas LIT. Se tiene un sistema H. se puede descomponer
2. Procesamiento de Señales 1D Generalizando, para sistemas lineales e Inv. a la traslación 2.1 El mundo análogo de sistemas LIT Se tiene un sistema H usando.:. En general la salida Si tenemos x 0(t),
Más detallesTransformada Discreta de Fourier
UNL - FICH - Departamento de Informática - Ingeniería Informática Procesamiento digital de señales Guía de trabajos prácticos: Unidad IV Transformada Discreta de Fourier 1. Objetivos Aplicar los conceptos
Más detallesTratamiento de imágenes Adquisición y Digitalización
Tratamiento de imágenes Adquisición y Digitalización hamontesv@uaemex.mx http://scfi.uaemex.mx/hamontes Advertencia No use estas diapositivas como referencia única de estudio durante este curso. La información
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesSistemas Lineales. Problemas de Muestreo (V2.0)
Sistemas Lineales Problemas de Muestreo (V2.0). Una señal continua x(t) se obtiene a la salida de un filtro pasobajo ideal con frecuencia de corte c = 000π. Si el muestreo con tren de impulsos se realiza
Más detallesELECTIVA I PROGRAMA DE FISICA Departamento de Física y Geología Universidad de Pamplona Marzo de 2010 NESTOR A. ARIAS HERNANDEZ - UNIPAMPLONA
ELECTIVA I PROGRAMA DE FISICA Departamento de Física y Geología Universidad de Pamplona Marzo de 2010 PDS Señal Analoga Señal Digital Estabilidad y Repetibilidad condiciones externa) Inmunidad al ruido
Más detallesÚltima modificación: 1 de julio de
Contenido SEÑALES DIGITALES Y CAPACIDAD DE CANAL 1.- Señales digitales de 2 y más niveles. 2.- Tasa de bit e intervalo de bit. 3.- Ancho de banda de una señal digital. 4.- Límites en la tasa de transmisión.
Más detallesModelos Arma y método Box & Jenkins
Modelos Arma y método Box & Jenkins Alumno: Aldo Fournies Pallavicini. Profesor: Humberto Villalobos. 17/07/2013 Índice. Introducción... 3 Conceptos Básicos... 4 Modelos de autoregresión.... 5 Modelo AR(p)...
Más detallesCadenas de Markov Tiempo Continuo. Modelado y Análisis de Redes de Telecomunicaciones
Tiempo Continuo Modelado y Análisis de Redes de Telecomunicaciones 1 Agenda en tiempo continuo Ergodicidad de la cadena Ejemplo: Líneas Telefónicas página 2 CMTC Consideremos ahora los procesos de Markov
Más detallesCONFERENCIA TEMA: CADENAS DE MARKOV
Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria
Más detallesFigura 1: Propiedades de textura: (a) Suavidad, (b) Rugosidad y (c) Regularidad
3 TEXTURA 3.1 CONCEPTO DE LA TEXTURA La textura es una característica importante utilizada en segmentación, identificación de objetos o regiones de interés en una imagen y obtención de forma. El uso de
Más detalles1. CONCEPTOS BASICOS DE SERIES DE TIEMPO 1.1 INTRODUCCIÓN
GUÍA ECONOMETRÍA II. PROFESOR: GUERRERO FLORES ALEJANDRO. 1. CONCEPTOS BASICOS DE SERIES DE TIEMPO 1.1 INTRODUCCIÓN Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes
Más detallesVariables aleatorias
Variables aleatorias Un poco más general: si ahora S n está dada por la suma de variables independientes de la forma: S n =c 1 X 1 +... +c n X n, entonces la función generatriz viene dada por: Variables
Más detallesProcesos Estocásticos
Programa de la Asignatura: Código: 768 Procesos Estocásticos Carrera: Ingeniería en Computación Plan: 2008 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Cuarto Año Primer cuatrimestre
Más detallesAUDIO DIGITAL. Diego Cabello Ferrer Dpto. Electrónica y Computación Universidad de Santiago de Compostela
AUDIO DIGITAL Diego Cabello Ferrer Dpto. Electrónica y Computación Universidad de Santiago de Compostela 1. Introducción Señal de audio: onda mecánica Transductor: señal eléctrica Las variables físicas
Más detallesREPRESENTACION DE SEÑALES Y SISTEMAS
REPRESENTACION DE SEÑALES Y SISTEMAS TRANSFORMADA DE FOURIER La serie de Fourier nos permite obtener una representación en el dominio de la frecuencia de funciones periódicas f(t). La transformada de Fourier
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesPráctica 4 - Programación en MatLab
LABORATORIO DE TRANSMISIÓN Práctica 4 - Programación en MatLab Introducción En esta práctica veremos la utilización de diversas órdenes de MatLab, así como el uso de bucles y la creación de funciones y
Más detallesProcesamiento digital de señales Semana 1. Introducción (segunda parte)
Procesamiento digital de señales Semana 1. Introducción (segunda parte) Dra. María del Pilar Gómez Gil Otoño 2017 Coordinación de computación Versión: 28 de Agosto 2017 INAOE (c) P.Gómez Gil, INAOE 2017
Más detallesProcesamiento y análisis de imágenes digitales II
Escuela Tecnología Médica Universidad de Chile Procesamiento y análisis de imágenes digitales II Alejandra García, TM Centro de Estudios Moleculares de la Célula, FONDAP, Facultad de Medicina, Universidad
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
Más detallesAproximación. Escuela de Ingeniería Informática de Oviedo. (Dpto. de Matemáticas-UniOvi) Computación Numérica Aproximación 1 / 19
Aproximación Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Aproximación 1 / 19 Motivación Intro Aproximar una función f consiste en reemplazarla con una
Más detallesSistemas Lineales e Invariantes a la Traslación
1. Sistemas Lineales e Invariantes a la Traslación 1.1 Motivación de las imágenes digitales Qué es una imagen digital? Es un arreglo de píxeles? 1.2 Las funciones sinusoidales Onda plana (viajera) que
Más detallesMacroeconometría ( ) Examen final
Macroeconometría (2004 2005) Examen final Nikolas Müller-Plantenberg * 15 de junio de 2005 Nombre: Apellido: NIF: Instrucciones Por favor, no leer las preguntas antes de que la profesora lo indique. Hay
Más detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesPROCESOS ESTOCÁSTICOS
Capítulo 10 Cadenas de Markov PROCESOS ESTOCÁSTICOS Una sucesión de observaciones X 1,X 2,... se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero
Más detallesIntroducción a la Teoría de la Información
Introducción a la Teoría de la Información Tasa de Entropía de un Proceso Estocástico. Facultad de Ingeniería, UdelaR (Facultad de Ingeniería, UdelaR) Teoría de la Información 1 / 13 Agenda 1 Procesos
Más detallesTratamiento de imágenes
Tratamiento de imágenes Ruido y Aliasing h.a.montes@fi.uaemex.mx http://fi.uaemex.mx/h.a.montes 1 Advertencia No use estas diapositivas como referencia única de estudio durante este curso. La información
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesPRÁCTICA DE CHATTER SUPERVISIÓN AUTOMÁTICA DE PROCESOS
PRÁCTICA DE CHATTER SUPERVISIÓN AUTOMÁTICA DE PROCESOS Desarrollar un sistema capaz de supervisar un proceso y en caso necesario, intervenir para corregirlo si su evolución no es aceptable. Es necesario
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detallesSEÑALES, SISTEMAS Y CONVOLUCION SEÑALES
SEÑALES, SISTEMAS Y CONVOLUCION SEÑALES Las señales se procesan para extraer información útil (Procesamiento de Señales) En este curso trataremos señales unidimensionales que poseen como variable independiente
Más detallesPPE - Probabilidad y Procesos Estocásticos
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2016 205 - ESEIAAT - Escuela Superior de Ingenierías Industrial, Aeroespacial y Audiovisual de Terrassa 749 - MAT - Departamento
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 10
Maestría en Bioinformática Probabilidad y Estadística: Clase 10 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Mayo de 2010 Contenidos 1 Procesos aleatorios
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detallesI. INTRODUCCIÓN. A cada valor de una señal digital se le llama bit y es la unidad mínima de información.
I. INTRODUCCIÓN 1. SEÑALES Y TIPOS Como vimos en el tema anterior, la electrónica es la rama de la ciencia que se ocupa del estudio de los circuitos y de sus componentes que permiten modificar la corriente
Más detallesUna pregunta pendiente
Una pregunta pendiente Cómo podemos construir un generador (casi) uniforme para una relación? Recuerde el problema KS definido en la sección anterior y la relación: R KS = {((~a, b), ~x) ~a 2 N n y ~x
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesConversión Analógico/Digital
Capítulo 2 Conversión Analógico/Digital 2.1 Introducción Un Convertidor Analógico-Digital (CA/D) es un circuito electrónico que transforma una señal continua en el tiempo y en amplitud (señal analógica)
Más detalles6. PROGRAMACIÓN DEL CURSO 4º A DE E. S. O.
6. PROGRAMACIÓN DEL CURSO 4º A DE E. S. O. 6.1 OBJETIVOS GENERALES DEL CURSO Reconocer las diferentes clases de números, y operar correctamente con ellos. Aplicaciones aritméticas. Conocer y manejar la
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 detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos Estocásticos Procesos Estocásticos Referencias: Capítulo 8 de Introducción a los Sistemas de Comunicación. Stremler, C.G. (993 Estadísticos de un proceso estocástico Apuntes de la Universidad
Más detalles2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO
2 CADENAS DE MARKOV HOMOGÉNEAS DE PARÁMETRO DISCRETO Cadenas de Markov 10 En la primera parte del capítulo se estudian las probabilidades condicionales de transición -definidas en (l5) y (16) - e incondicionales
Más detallesProf. María L. Calvo Clase del 23 y 24 de abril de 2012
Teoría de la señal: Fundamentos de señales óptica Prof. María L. Calvo Clase del 23 y 24 de abril de 2012 Definición Qué entendemos por Tratamiento de señales? Operaciones lógicas: suma, resta, multiplicación,
Más detallesFacultad de Ingeniería en Electrónica y Comunicaciones. Nombre del alumno: Erik Alan Fuentes Pérez. Experiencia educativa:
UV Facultad de Ingeniería en Electrónica y Comunicaciones Nombre del alumno: Erik Alan Fuentes Pérez Experiencia educativa: Procesamiento Analógico de Señales (PAS) Numero de laboratorio: Tarea 09 Nombre
Más detallesPronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
Más detallesTeoría de Telecomunicaciones
El Ruido y su Filtraje Universidad del Cauca Teoría de Telecomunicaciones 1 Introducción El Ruido Las señales eléctricas no deseadas suelen ser generadas por diversas fuentes, generalmente clasificadas
Más detallesINDICE Capitulo 1. Entorno de Trabajo e SPSS Capitulo 2. Operadores y Funciones. Aplicaciones
INDICE Introducción XV Capitulo 1. Entorno de Trabajo e SPSS 1 Introducción y manejo de datos en SPSS 1 Lectura e importación de datos SPSS 6 Importación de datos de hoja de cálculo 8 Importación de archivos
Más detallesINDICE 1. Panorama 2. Señales Analógicas 3. Señales Discretas 4. Sistemas Analógicos 5. Sistemas en Tiempo Discreto
INDICE Prefacio XI Del Prefacio a la Primera Edición XIII 1. Panorama 1.0. Introducción 1 1.1. Señales 1 1.2. Sistemas 3 1.3. El dominio de la frecuencia 4 1.4. Del concepto a la aplicación 7 2. Señales
Más detallesInstructores: Dr. Martín A. Díaz Viera Dr. Ricardo Casar González
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Variográfico Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009 Contenido
Más detallesEXTRACCIÓN DE SEÑALES EN MODELOS ARIMA
EXTRACCIÓN DE SEÑALES EN MODELOS ARIMA 1- Densidad espectral (espectro) y periodograma Los primeros estudios de las series temporales se realizaron en el dominio del tiempo y se utilizaron diversos métodos
Más detallesComunicaciones Digitales: Proceso de Conversión A/D
Comunicaciones Digitales: Proceso de Conversión A/D Señales Representación de fenómenos físicos CLIMA (Temperatura, Humedad, etc.) Sonido (Presión en un punto 3D) Grabación de Audio (Flujo Magnético) Fotografía
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 detallesTratamiento Digital de Señales TEMA 2 : DFT (I)
Tratamiento Digital de Señales TEMA 2 : DFT (I) Universidade de Vigo ETSE Telecomunicación CONTENIDOS 1. Repaso de conceptos asociados con la TF 2. Formulación de la DFT 3. Propiedades de la DFT 4. Métodos
Más detallesEC = ½. m i. ( r i ) 2 2. EC = ½. m i r i. 2 + ½. m 2 r 2 EC TOTAL = ½.
UNIVERSIDAD TECNOLÓGICA NACIONAL Facultad Regional Rosario UDB Física Cátedra FÍSICA I Capitulo Nº 9: ROTACIÓN DE CUERPOS RÍGIDOS Energía en el movimiento rotacional Para deducir esta relación, consideramos
Más detallesProbabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
Más detallesMovimiento Browniano Comentarios históricos
Capítulo 2 Movimiento Browniano En este capítulo presentamos los conceptos básicos asociados al movimiento Browniano. Estos conceptos van a ser útiles para el desarrollo de los capítulos posteriores. 2.1.
Más detalles1. Señales continuas o sinusoidales. 2. Cualquier señal (incluyendo continuas o sinusoidales).
La transformación de Laplace permite tratar cualquier señal en el dominio del tiempo mediante la formulación de dicha señal en el dominio complejo. Alternativamente, la transformación de Fourier expresa
Más detallesSistemas Discretos LTI
Sistemas Discretos LTI MSc. Bioing Rubén Acevedo racevedo@bioingenieria.edu.ar Bioingeniería I Carrera: Bioingeniería Facultad de Ingeniería - UNER 06 de Abril de 2009 Bioingeniería I Sistemas discretos
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesTema 3. Series de Fourier. Análisis de Espectros. Indice:
Indice: Espectros de Frecuencia Discreta Representación de una señal compuesta en el Tiempo y la Frecuencia Espectro de Amplitud y Fase Espectro Unilateral o de una Cara Espectro de Frecuencia de dos Caras.
Más detallesProcesos estocásticos
Procesos estocásticos Las cadenas de Markov estudian procesos estocásticos Los procesos estocásticos son modelos matemáticos que describen sistemas dinámicos sometidos a procesos aleatorios Parámetros:
Más detallesCADENAS DE MARKOV. Una sucesión de observaciones X1, X2, Se denomina proceso estocástico
PROCESOS ESTOCÁSTICOS CADENAS DE MARKOV Una sucesión de observaciones X1, X2, Se denomina proceso estocástico Si los valores de estas observaciones no se pueden predecir exactamente Pero se pueden especificar
Más detalles