Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CARRERA DE ELECTRNICA
AUTOMATIZACIN Y CONTROL
PROCESOS ESTOCSTICOS
Est.Ivn Altamirano-Gareth Espinoza
Carrera:Electrnica
INTRODUCCIN
Cuando se trata de dos o ms variables, la relacin funcional entre las
variables es a menudo de inters. Para los datos de recuento, un modelo que se
utiliza con frecuencia es el modelo de regresin de Poisson y aplicaciones son
encontrado en la mayora de las ciencias: la tecnologa, la medicina, etc. El
modelo de regresin de Poisson se ejecuta tambin de muchos paquetes para el
anlisis estadstico de los datos. En este laboratorio de computacin,
aprender ms sobre:
595
708
750
921
942
902
889
946
941
1,000
1,036
1,083
1,123
1,217
1,308
1,313
1,313
1,077
1,262
1,275
1,307
1,213
1,194
1,177
1,197
1,172
1,168
1,031
1,034
928
848
784
758
779
801
808
844
787
10,583
11,240
12,846
15,033
16,963
18,050
19,220
19,934
20,859
21,475
21,536
22,989
22,438
23,400
24,935
23,618
21,430
21,001
23,028
23,199
22,230
21,872
21,256
22,551
20,902
20,809
21,843
20,916
20,573
19,552
19,246
18,554
19,277
19,803
20,635
20,671
21,614
20,468
3,275
3,277
3,104
3,137
2,983
3,031
2,942
3,068
3,370
3,158
4,700
5,304
6,111
6,529
6,614
7,031
6,657
7,264
6,982
6,728
6,679
6,529
6,431
6,036
6,064
5,984
5,950
6,063
6,068
5,814
5,804
5,423
345
410
466
542
652
755
855
987
1,098
1,216
1,324
1,439
1,562
1,697
1,810
1,934
2,033
2,126
2,223
2,350
2,446
2,513
2,618
2,667
2,809
2,931
3,060
3,039
3,042
3,059
3,077
3,093
3,143
3,222
3,305
3,383
3,497
3,626
1,531
1,657
1,738
1,893
2,011
2,127
2,318
2,394
2,609
2,857
3,043
3,165
3,292
3,451
3,635
3,781
3,870
4,025
4,251
3,921
4,383
4,624
4,811
4,945
4,913
4,751
4,679
4,712
4,834
5,028
5,067
5,328
5,534
7,042
7,099
7,151
7,192
7,235
7,290
7,341
7,393
7,436
7,471
7,498
7,542
7,581
7,628
7,695
7,773
7,843
7,893
7,935
8,004
8,081
8,115
8,129
8,144
8,176
8,208
8,236
8,267
8,284
8,303
8,318
8,323
8,327
8,331
8,343
8,358
8,382
8,414
172.5
172.7
160.9
169.9
144.5
119.5
104.0
95.8
85.7
82.2
78.2
75.3
71.9
71.7
72.3
67.9
64.6
50.7
56.8
54.3
53.4
48.3
45.6
44.1
42.6
40.0
38.2
33.9
34.0
30.3
27.6
25.3
24.1
24.2
24.2
23.9
24.1
21.7
8.4
10.0
10.5
12.8
13.0
12.4
12.1
12.8
12.7
13.4
13.8
14.4
14.8
16.0
17.0
16.9
16.7
13.6
15.9
15.9
16.2
14.9
14.7
14.5
14.6
14.3
14.2
12.5
12.5
11.2
10.2
9.4
9.1
9.4
9.6
9.7
10.1
9.4
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
813
904
772
745
759
632
589
572
537
541
531
580
591
583
560
529
480
440
445
471
397
358
266
22,838
23,531
22,497
21,057
20,727
19,741
21,083
21,173
20,810
21,280
21,356
21,964
22,032
22,330
24,747
27,103
26,582
26,459
26,636
26,749
26,248
25,281
23,305
5,869
5,790
5,501
4,832
4,705
4,334
4,221
3,965
3,837
3,917
3,883
4,043
4,104
4,056
4,592
4,664
4,022
3,915
3,959
3,824
3,657
3,460
2,888
3,764
3,887
3,925
3,945
3,906
3,882
3,912
3,953
3,981
4,053
4,145
4,259
4,388
4,428
4,468
4,511
4,570
4,633
4,701
4,782
4,809
4,837
4,884
5,739
5,910
5,630
5,751
5,879
5,590
5,655
5,761
5,683
5,577
5,427
5,464
5,361
5,422
5,515
5,547
5,546
5,506
5,363
5,253
4,930
4,845
4,550
8,459
8,527
8,591
8,644
8,692
8,745
8,816
8,837
8,844
8,848
8,854
8,861
8,883
8,909
8,941
8,976
9,011
9,048
9,113
9,183
9,256
9,341
9,416
21.6
23.3
19.7
18.9
19.4
16.3
15.1
14.5
13.5
13.3
12.8
13.6
13.5
12.5
11.9
11.7
10.5
9.5
9.5
9.8
8.3
7.4
5.4
9.6
10.6
9.0
8.6
8.7
7.2
6.7
6.5
6.1
6.1
6.0
6.5
6.7
6.2
6.0
5.9
5.3
4.9
4.9
5.1
4.3
3.8
2.8
ni ,i=1, , k , para
aleatorias
valor medio
x i1 , , x ip , son llamadas
ui
Restringimos
ui=exp ( o + 1 x i 1 ++ p x ip )
N i=n
Y entonces la probabilidad de
P ( N i=n ) =
P ( N i=n ) =
u i
( ui )
n!
ee
es,
, n=0, 1,2,
o + 1 x i1 + + p xip
(e + x
o
i1
++ p xip n
n!
x i0 =1
Donde
N i P o ( ui )
para
i=1, , k .
Donde
ui=u i ( p )
p=( 0 , , p )
probabilidad
es una funcin de
son los valores de
p=( 0 , , p ) . La estimada-ML
logartmica de probabilidad,
( p+1)
ecuaciones no lineales en
j ,
mejora el ajuste?
Las estimaciones de beta0 y beta1 ha cambiado ligeramente. El ajuste fue
mejorada con
La representacin de nmero de coches.
Parece razonable tambin aadir la cantidad de gasolina que se vende ya que
esto reflejara el kilometraje total de todos los coches.
X3 = [traffic.year-mean(traffic.year), traffic.cars-mean(traffic.cars),
traffic.petrol-mean(traffic.petrol)];
beta3 = poiss_regress(X3,n,1e-6)
my_fit = glmval(beta3,X3,'log');
plot(traffic.year,my_fit,'r-')
Pregunta 4: Estimas qu
Dejemos
p={ 0 , 1 ,.. , p }
{ 0 , 1 ,.. , p }
las
Es aproximadamente
x 2 ( pq )
q32 = chi2inv(0.95,(3-2))
DEV32 = 2*traffic.killed'*([X0,X3]*beta3-[X0,X2]*beta2)
% DEV32 > chi2(3-2) -> rechazo del modelo simple (model2)
q21 = chi2inv(0.95,(2-1))
DEV21 = 2*traffic.killed'*([X0,X2]*beta2-[X0,X1]*beta1)
% DEV21 > chi2(2-1) -> rechazo del modelo simple(model1)
q31 = chi2inv(0.95,(3-1))
DEV31 = 2*traffic.killed'*([X0,X3]*beta3-[X0,X1]*beta1)
% DEV31 > chi2(3-1) -> rechazo del modelo simple(model1)
% -> Elegimos el model 3. Parece que hay un nmero suficiente de
% Variables explicativas en el modelo 3 para explicar las muertes de trfico,
ya que
% El modelo parece coger la variabilidad del pozo de datos (figura 2).
%%%%%%%%%%%%%%%%%%%%%%%%
figure(3)
plot(traffic.year,traffic.cars,'o')
hold onplot(traffic.year,traffic.cars,'o')
hold on
xlabel('AO')
ylabel('Nbr DE CARROS')
plot(traffic.year,res,'o')
ylabel('Residuals')
xlabel('Year')
figure(5)
normplot(res)
Prediccin.
Ahora vamos a usar nuestro modelo para predecir el numero esperado de
fallecidos en accidentes de trnsito 6 aos despus, es decir en el 2016. Para
ello tenemos que tener una primera estimacin de la cantidad de automviles
por aos. Comenzar por graficar el nmero de carros vs aos.
figure(2)
plot(traffic.year, traffic.cars, o)
hold on
xi .
y i= 0 + 1 x i + i
yi ,
comenzando con
i ?
ui=exp ( 0 + 1 x i 1+ + p x ip ) .
x=[1 2016-mean(traffic.year) ...
cars_2016-mean(traffic.cars) ...
petrol_2016-mean(traffic.petrol)]'
my_2016=exp(beta3*x)
Pregunta 10: Es la prediccin razonable?
De acuerdo a lo que hemos venido estudiando la respuesta es bastante razonable
porque nos permite darnos cuenta como inconscientemente las variables se
relacionan entre si, y nos puede dar un estimado a futuro de lo que puede
suceder.
REPORTE DE LABORATORIO
Para cada una de las tareas de este laboratorio, el laboratorio de escritura
de hasta debe comenzar a determinar el problema est intentar resolver, o lo
que est probando. Despus de eso, usted debe determinar su solucin terica
al problema o resultado previsto para la prueba (esta es su hiptesis `').
Luego, escriba el cdigo y explicar el proceso (es decir, los pasos exactos) y
medidas que tom. A continuacin, anota tus observaciones en claro, de manera
lgica {incluye los errores en los datos, o datos que son extremas y no t con
los otros datos. Incluya el cdigo, grficos, y ejemplo obras de teatro.
Finalmente, colocar un resumen del experimento, incluyendo sus pensamientos
sobre los temas y si o no sus datos realmente apoyado la evidencia.
Conclusin
En este laboratorio, se utiliz la regresin de Poisson para analizar algunos
problemas de la vida real simples.
Adems nos podemos dar cuenta la importancia del estudio de los procesos
estocsticos para poder determinar lo que puede suceder en un futuro. Tomando
en consideracin las diferentes variables que se pueden presentar en la vida
diaria.
Econoctrar la croscorrelacin de una seal de audio. Analizar y dar una
opinin acerca de lo que se esta tratando.
%Lectura del archivo de sonido
[s Fs]=wavread('C:\Users\Ivan\Desktop\estocasticos\seiska.wav')
m=wavread('C:\Users\Ivan\Desktop\estocasticos\seiska.wav')
%Reproduccion de la senal
wavplay(s,Fs)
n=wavread('C:\Users\Ivan\Desktop\estocasticos\noise.wav')
%Separacion de canales L y R
canal_R=s(:,1);%lectura de todas las filas de la primera columna
%canal_L=s(:,2);%lectura de todas las filas de la segunda columna
%Tiempo de la seal
tiempo=size(s,1)/Fs;
%PLOTEO
x=0:1/Fs:tiempo;
plot(x(2:end),canal_R)
xlim([1.1 1.45])
grid on
title('Funcion del tiempo')
%Recorte de la seal
s_r=canal_R(1.1:1.45)
wavplay(s_r,Fs)
%diezmacion
s_di=canal_R(1:3:end);
wavplay(s_di,Fs/3)
[s, fs]=wavread('snareHit.wav')
[ac, l]=xcorr(s,s,1000);
subplot(411)
plot(l, ac), axis tight, grid on
[s, fs]=wavread('seiska.wav')
[ac, l]=xcorr(s,s,1000);
subplot(412)
plot(l, ac), axis tight, grid on
Anlisis:
Se puede observar que para cualquier seal en 0 la
autocorrelacin tendr su mayor amplitud.
Anlisis seal SnareHit.
Podemos observar que la muestra es muy pequea para poder tener una
grfica con una mejor autocorrelacin. Adems se puede notar que a medida
que transcurre el tiempo la autocorrelacin decae, esto sucede xq el sonido
no tiene el mismo tono luego de un tiempo determinado.
1. Introduccin
mxn
en cuenta que para cada dgito modulado, generamos una muestra diferente de la
distribucin normal.
Y >0 .
Function make_Bernoulli_matrix
Function Proceso
Esta funcin compara tambin la seal original con la de llegada para poder
establecer un valor de error en la comunicacin.
Asignacin.
Desarrollar una frmula para
experimentalmente el valor de
Y 0
para un 1 transmitido y
Y >0
para un 0 transmitido.
Estima
P(E)
para
el valor estimado de
=5 ,
P( E)
m=1000 , y
y el valor exacto de
P( E)
vs
SNR=10 log 10
2
2
( )
Por medio de esta funcin unimos las dos funciones anteriores para poder extraer
los valores de P(E) y SNR y poder calcularlos para diferentes valores de
Solucin:
L a distribucin normal estandar es una distriucin con media cero y desviacin
tipica 1. La funcin de distribucin relacionada con esta distribucin es la Gaussiana
a) El valor de valores normales que deben ser generados debe ser un valor muy
alto ya que para poder tener este tipo de estimacin no es posble realizarlo con un
numero pequeo de muestras es por eso que se necesita un gran nmero de
muestras para poder tener una estimacin mas precisa.
S
Si concideramos la ecuacion que nos da como condicin
entonces n>100.
n
<0.1 donde S =1
Con este nmero de muestras (1000) el valor medio se aproxima a 0 que es lo que
esperamos.
d) La varianza obtenida es:
e) Los valores obtenidos son valores bastante cercanos a los valores tericos pero
esto sucede por el nmero de muestras tomadas.Ya que si reducimos el nmero de
muestras los valores obtenidos tienden a variar un poco, por lo tanto la estimacin
de un valor depende del nmero de muestras tomadas en un experimento.
Haciendo una referencia a la hiptesis de partida:
n
<0.1
1.0082
1000
<0.1
n
<0.01
n
<0.01 donde S =1 entonces n>1000.
d) Y la viarianza es de :
3. . Estimar
e x . dx
0
g(x ) . dx
0
= E [g (U)]
En este ejericicio podemos observar que vamos a generar valores aleatorios con
una distribucin normal para lo cual debemos generar una cantidad de numeros
necesarios para que cumpla con esta condicin.
Si obtenemos la desviacion de este valor podemos notar que tiene una desviacin
de 0.0028 lo cual cumple con la condicin dada.
4. Para la estimacin de E [X], X1; :::; X16 se han simulado con la
siguiente valores resultantes: 10, 11, 10,5, 11,5, 14, 8, 13, 6, 15, 10, 11,5,
10,5, 12, 8, 16, 5. Sobre la base de estos datos, si queremos que la
desviacin estndar del estimador de E [X] para ser inferior a 0,1, ms o
menos cuantas simulaciones adicionales se necesitarn?
Para realizar este ejercicio debemos partir de la ecuacin del crculo unitario
Donde r=1 y despejando Y=1-X^2. Asi calcularemos el area dentro del primer
cuadrante y lo multiplicaremos por 4. Utilzamos de esta forma ya que el comando
rand me permite darme valores entre 0 y 1 .
1
Podemos observar que con 1000000 nmero de muestras pudimos obtener el valor
mas cercano al real.
Para s=0.5
Por lo cual si queremos tener un 99% de efectividad con esa desviacin entonces:
n
<0.01
0.5
<0.01
n
Entonces n>2500
Si tenemos ya 20 muestras mnimo deberamos tener 2480 muestras ms.