Sesion 7

Identificaci
on de Sistemas
M
etodos param
etricos
(Predicci
on Optima
y Error de Predicci
on)
Dr. Efran Alcorta Garca
23 de Abril 2015
Identificaci
on de Sistemas
Metodos parametricos (Predicci

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 1
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on mediante el Metodo de Error de Predicci
on
Concepto
Uso de matlab
Validaci
on
Concepto
Identificacion de Sistemas

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 2
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on
Concepto
Uso de matlab
Validacion
Concepto

on Optima
y Error de Predicci
on)
23 de Abril 2015
Predictor optimo
P. 3
Predicci
on
optima para estructura de modelo lineal
Definici
on
Sea y(t|t 1, ) un predictor de la salida y(t) dados los datos
hasta el instante t 1 y el vector de par
ametros . Se dice que
el predictor es
optimo, en el sentido de la media cuadr
atica,
si minimiza la varianza del error de predicci
on.

on Optima
y Error de Predicci
on)
23 de Abril 2015
Predictor optimo
P. 4
Estructura de modelo lineal general

y(t) = G(q 1 , )u(t) + H(q 1, )e(t)
M() :
E{e(t)eT (s)} = n,s

donde:
y(t) n
vector de salida
u(t) m
vector de entrada
e(t) n
ruido blanco
D p
D=
vector de parametros
1
|H (q , ) y H (q , )G(q , ) son a. estables

G(0, ) = 0; H(0, ) = I; semidefinida negativa

on Optima
y Error de Predicci
on)
23 de Abril 2015
Predictor optimo
P. 5
Estructura de modelo lineal general

La notacion M() denota un modelo particular dentro de la
estructura de modelo, correspondiente al valor de parametro .
La variable e(t) es ruido temporalmente blanco (lo que significa
que e(t) y e(s) no estan correlacionados, como lo pone
de manifiesto la funcion delta que multiplica a la matriz
de covarianza). Sin embargo, e(t) no es necesariamente
espacialmente blanco, pues la matriz de covarianza no es
en general una matriz diagonal.
La definici
on de D se justifica en terminos de estabilidad del
predictor optimo.

on Optima
y Error de Predicci
on)
23 de Abril 2015
Predictor optimo
P. 6
Predictor
optimo
Se supone que u(t) y e(s) no estan correlacionados para n < s
( lazo abierto). A partir de la estructura de modelo lineal
y(t) = G(q 1 , )u(t) + H(q 1, )e(t)
se puede obtener una expresion para el ruido:
e(t) = H
(q

1
, ) y(t) G(q , )u(t)
El predictor optimo se obtiene de plantear

y(t) = G(q
, )u(t) + H(q
, ) I e(t) + e(t)

on Optima
y Error de Predicci
on)
23 de Abril 2015
Predictor optimo
P. 7
Predictor
optimo
Al remplazar el ruido en la u
ltima expresion por la ecuaci
on
obtenida anteriormente para e(t) resulta:
y(t) = G(q
, )u(t) + H(q
+e(t)
y(t) = H
(q
, )G(q
, ) I H
, )u(t) + I H
y(t) = z(t) + e(t)
(q
(q

1
, ) y(t) G(q , )u(t)
, ) y(t) + e(t)
donde:
z(t) = H
(q
, )G(q
, )u(t) + I H
(q
, ) y(t)

on Optima
y Error de Predicci
on)
23 de Abril 2015
Predictor optimo
P. 8
Predictor
optimo
La z(t) y la e(t) no estan correlacionadas, ya que la hipotesis
1
D implica
que
H(0,
)
=
I
=
H
(0, ). por lo que el

termino I H 1(q 1 , ) y(t) depende solo de valores pasados
de la salida, por lo que no esta correlaciondo con e(t).
Sea y (t) un predictor arbitrario de y(t) basado en los datos hasta
el instante t 1. La matriz de covarianza del error de predicci
on
resulta:
n
o

T
E (t)T (t)
= E [y(t) y (t)] [y(t) y (t)]
n
o
T
= E [z(t) + e(t) y (t)] [z(t) + e(t) y (t)]
n
o
T
= E [z(t) y (t)] [z(t) y (t)] +

on Optima
y Error de Predicci
on)
23 de Abril 2015
Predictor optimo
P. 9
Predictor
optimo
Se puede apreciar que si y (t) = z(t) el predictor resulta
optimo en
el sentido de la media cuadratica ya que la covarianza del error de
predicci
on resulta mnima. Ademas el error de predicci
on resulta
(t, ) = e(t)
El predictor
optimo de un paso en avance resulta entonces:
y
(t|t 1, ) = H
(q
, )G(q
(t, ) = H
(q
, )u(t) + I H
El error de predicci
on resulta:
1
, ) y(t) G(q
, )u(t)
(q
, ) y(t)

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 10
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on
Concepto
Uso de matlab
Validacion
Concepto

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 11
Ejemplo
Consierar el siguiente modelo ARMAX:
y(t) + ay(t 1) = bu(t 1) + e(t) + ce(t 1)
donde e(t) es ruido blanco con media cero y varianza 2. Este
modelo puede ser expresado mediante una reacomodaci
on de
terminos y algunas manipulaciones como:
bq 1
1 + cq 1
y(t) =
u(t) +
e(t)
1
1
1 + aq
1 + aq
definiendo ahora:
G(q
bq 1
;
, ) =
1
1 + aq
H(q
1 + cq 1
, ) =
1 + aq 1

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 12
Ejemplo
Antes de obtener la expresion del predictor optimo se deben de
imponer ciertas condiciones sobre G(q 1 , ) y H(q 1, ):
G(q 1 , ) debe de ser asint
oticamente estable, lo cual significa que
|a| < 1 |a| < 1.
Ademas, H(q 1 , ) y H 1(q 1, ) deben ser asint
oticamente
etables, lo cual implica que |a| < 1 y |c| < 1
El predictor optimo resulta:
y(t|t 1, ) =
1 + aq
bq 1
1
u(t)
y(t) +
1
1
1 + cq
1 + cq

y(t|t 1, ) = c
y (t 1|t 2, ) + (c a)y(t 1) + bu(t 1)

on Optima
y Error de Predicci
on)
23 de Abril 2015
Filtro de Kalman
P. 13
Discusi
on
La estructura del predictor optimo encontrada puede ser aplicado
a cualquier sistema lineal. La aplicaci
on directa requiere que las
condiciones sean satisfechas

|H (q , ) y H (q , )G(q , ) son a. estables

G(0, ) = 0; H(0, ) = I; semidefinida negativa
M() :
y(t) = G(q 1 , )u(t) + H(q 1, )e(t)

E{e(t)eT (s)} = n,s

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 14
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on
Concepto
Uso de matlab
Validacion
Concepto

on Optima
y Error de Predicci
on)
23 de Abril 2015
Filtro de Kalman
P. 15
Filtro de Kalman
KALMAN, R. E., A new approach to linear filtering and
prediction problems, Transactions of the ASME, Journal of
basic Engineering, pp. 35-45, march, 1960.
El filtro de Kalman es un conjunto de ecuaciones matematicas
que proporcionan un calculo eficiente (recursivo) para la solucion
del metodo de mnimos cuadrados.
El filtro es muy poderoso en varios aspectos: puede estimar estados
pasados, presentes y futuros, esto a pesar de que la naturaleza
precisa del sistema modelado sea desconocida.

on Optima
y Error de Predicci
on)
23 de Abril 2015
Filtro de Kalman
P. 16
Filtro de Kalman: Planteamiento del Problema

Considerar un sistema lineal discreto
x(k + 1) = F (k)x(k) + G(k)w(k)
z(k) = H T (k)x(k) + vk
para k 0 y suponer que las secuencias {v(k)} y {w(k)} son
independientes, con media cero, Gaussianas con:
E[v(k)v T (k)] = R(k)kl
E[w(k)wT (k)] = Q(k)kl
Suponer que la condicion inicial x0 es una variable aleatoria

Gaussiana con media x
0 y covarianza P0 e independiente de las
secuancias {v(k)} y {w(k)}. Determine los estimados
x
(k|k 1) = E[x(k)|z(k 1)] y x
(k|k) = E[x(k)|z(k)]
y las matrices de covarianza del error (k|k 1) y (k|k)

on Optima
y Error de Predicci
on)
23 de Abril 2015
Filtro de Kalman
P. 17
Soluci
on al problema de filtrado (predicci
on)
x
(k|k 1) = [F (k) K(k)H T (k)]
x(k|k 1) + K(k)z(k)
x
(0| 1) = x
0
K(k) = F (k)(k|k 1)H(k)[H T (k)(k|k 1)H(k) + R(k)]1
(k + 1|k) = F (k)[(k|k 1) (k|k 1)H(k)(H T (k)(k|k 1)H(k)
+R(k))1H T (k)(k|k 1)]F T (k) + G(k)Q(k)G(k)T
(0| 1) = P0
x
(k|k) = x
(k|k 1) + (k|k 1)H(k)(H T (k)(k|k 1)H(k)
+R(k))1(zk H T (k)
x(k|k 1)
(k|k) = (k|k 1) (k|k 1)Hk (H T (k)(k|k 1)H(k)
+R(k))1H T (k)(k|k 1)

on Optima
y Error de Predicci
on)
23 de Abril 2015
Filtro de Kalman
P. 18
Derivaci
on de la soluci
on
Se requiere hacer algunas suposiciones tecnicas sobre las
caractersticas del ruido
Se obtiene la ecuacion del error.
Se calcula la ecuacion de la covarianza del error.
Se determinan las ecuaciones que debe de tener el filtro para
mnimizar la covarianza del error.
Se determinan las condiciones iniciales.
Ver, por ejemplo, el captulo 2 y 3 del libro
Brian D. O. Anderson and John Moore, Optimal Filtering,
Prentice Hall, 1999 (acceso libre en la pag. WEB del prof. Moore)

on Optima
y Error de Predicci
on)
23 de Abril 2015
Filtro de Kalman
P. 19
Propiedades del Filtro de Kalman discreto
El filtro de Kalman es un sistema lineal, discreto y de dimension

finita.
Debido a que (k|k 1) y Z(k 1) son independientes,
entonces la ganancia K(k) es tambien independiente de
Z(k 1) entonces la matriz de covarianza (k|k 1) y la
ganancia K(k) pueden calcularse antes de que el filtro este
corriendo.
El filtro de Kalman puede ser interpretado como un
procedimiento para adaptar la densidad de probabilidad
condicional de x(k).

on Optima
y Error de Predicci
on)
23 de Abril 2015
Filtro de Kalman
P. 20
Propiedades del Filtro de Kalman discreto
El filro de Kalman sera un sistema variante en el tiempo a

pesar de que el sistema original sea invariante en el tiempo.
El filtro de Kalman produce el mnimo error cuadratico. Desde
ese punto de vista es optimo.

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 21
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on
Concepto
Uso de matlab
Validacion
Concepto

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 22
Lecturas recomendadas
R. E. KALMAN, A new approach to linear filterig and prediction

problems, Trans. ASME, Journal of Basic Engineering, 82 (Series D):
35-45, 1960.
Greg WELCH, Gary BISHOP, An introduction to the Kalman filter,
Reporte TR95-041, University of North Carloina at Chpel Hill
Brian D. O. Anderson and John Moore, Optimal Filtering, Prentice
Hall, 1999

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 23
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on
Concepto
Uso de matlab
Validacion
Concepto

on Optima
y Error de Predicci
on)
23 de Abril 2015
Concepto
P. 24
Introducci
on
El ajuste de los parameros de un modelo seleccionado

(estructura y orden del modelo) juega un papel central en
el proceso de identificacion
Hay dos filosofias generales de ajuste de parametros que dan
lugar a muchas variantes.
Se discutiran las ideas detras de cada filosofa as como la forma
de hacer identificacion utilizando MatLab.
El tema del da de hoy completa los t
opicos relacionados con
identificacion desde el punto de vista clasico.

on Optima
y Error de Predicci
on)
23 de Abril 2015
Concepto
P. 25
Introducci
on

on Optima
y Error de Predicci
on)
23 de Abril 2015
metros
Ajuste de Para
P. 26
Ajuste de par
ametros
Una vez que la estructura as como el orden del modelo han
sido seleccionadas, el siguiente paso consiste en determinar
los parametros (coeficientes del modelo) que mejor ajustan la
respuesta obtenida para los datos de entrada disponibles. Hay dos
filosofas de ajuste deparametros conocidas:
M
etodo de error de predicci
on
M
etodo de variable instrumental (VI)
El primero sera discutido a continuacion.

on Optima
y Error de Predicci
on)
23 de Abril 2015
metros
Ajuste de Para
P. 27
M
on
Fundamentos:
Se requiere un predictor de la salida y(t|t 1, ).
Definir una funcion de error de (predicci
on) estimacion dada
por = y(t) y(t|t 1, ).
Definir una funcion de costo V ().
Utilizar algun metodo para el calculo de parametros de tal
forma que se mnimize el valor de V (). La forma en la que se
define V () esta ligada al metodo para estimar los parametros.

on Optima
y Error de Predicci
on)
23 de Abril 2015
metros
Ajuste de Para
P. 28
M
on
Concepto
ruido
+
u(t)
Proceso
y(t)
+
error
Predictor
Minimizacion
de error

on Optima
y Error de Predicci
on)
23 de Abril 2015
metros
Ajuste de Para
P. 29
M
on
Mnimos cuadrados
Considerar la funcion del error de predicci
on (
o de estimacion)
dada por : (t, ) = y(t) y(t|t 1, )
Si se define una funcion de costo cuadratica, de la forma
N
1 X1
siguiente: VN () =
(n, )T (n, )
N n=1 2
El calculo de los parametros se realiza mediante la aplicaci
on
de m
cuadrados,
tal
y como previamente
se establecio:
hnimos
i
h
i
1 P
PN
N
T
=
(t) (t)
(t)y(t)
t=1
t=1

on Optima
y Error de Predicci
on)
23 de Abril 2015
metros
Ajuste de Para
P. 30
M
on
M
axima verosimilitud
Considerar la funcion del error de predicci
on (
o de estimacion)
dada por : (t, ) = y(t) y(t|t 1, )
Define la funcion de costo de verosimilitud
de la forma siguiente:#
"
N
1
1X T
1
L() =
exp
(n,
)
()(n, )
N
N ny
2
(2) 2 [det()] 2
n=1
La funcion de verosimilitud corresponde a la funcion de densidad
de probabilidad de las observaciones condicionadas al vector de
parametros .
El vector de parametros se encuentra maximizando la funcion
L().

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 31
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on
Concepto
Uso de matlab
Validacion
Concepto

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
Proceso de Identificacio
P. 32
Utilizaci
on de MatLab en el proceso de identificaci
on
Adqusici
on y tratamiento de los datos.
Selecci
on del modelo
Ajuste de parametros
Validacion
Replantemiento del problema

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 33
Proceso de Identificaci
on
Tratamiento y adquisici
on de datos
Antes de utilizar los datos obtenidos debe de revisarse si se requiere
algun tipo de tratamiento previo:
Filtrado de ruidos
Eliminacion de componentes de variaci
on lenta
Eliminacion de puntos incoherentes.

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 34
on
Tratamiento y adquisici
on de datos
Comandos del Toolbox de Identificaci
on de Matlab disponibles
para tratamiento de se
nales.
dtrend Eliminacion de niveles de continua en un grupo de datos
idfilt Filtrado de datos mediante filtros Butterworth
idinput Generacion de se
nales de entrada para identificacion
idresamp Cambio del periodo de muestreo (diezmado o
interpolacion de datos)

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 35
on
Selecci
on del modelo
Matlab contempla una gran variedad de modelos parametricos

lineales en tiempo discreto. Todos se ajustan a la estructura
general:
A(q 1)y(t) =
B(q 1)
C(q 1 )
u(t) +
e(t)
F (q 1)
D(q 1)

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 36
on
Selecci
on del modelo
Los casos particulares corresponden a los modelos que ya se han
presentado:
ARX A(q 1)y(t) = B(q 1)u(t) + e(t)
ARMAX A(q 1)y(t) = B(q 1)u(t) + C(q 1 )e(t)
B(q 1)
u(t) + e(t)
OE, Output error y(t) =
F (q 1)
C(q 1)
B(q 1)
u(t) +
e(t)
BJ, Box Jenkins y(t) =
1
1
F (q )
D(q )

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 37
on
Ajuste de parametros
Para el ajuste de parametros se tiene el siguiente formato general:
th=function([y,u],ths)
donde y y u son las mediciones entrada-salida, ths es un vector
que contiene informacion sobre la estructura escogida y th es el
modelo estimado en formato regresor.
ths = [na nb nc nd nf nk]

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 38
on
Ajuste de parametros mediante error de predicci
on
ar Estimaci
on de un modelo AR usando LS
armax Estimaci
on de un modelo ARMAX usando LS
arx Estimaci
on de un modelo ARX usando LS
bj Estimaci
on de un modelo Box-Jenkins usando LS
oe Estimaci
on de un modelo Output-Error usando LS
pem Estimacion de un modelo lineal generico usando LS

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 39
on
Validaci
on (seleccion de estructura optima)
arxstruc Calculo de fuciones de perdida de un conjunto de
estructuras ARX
ivstruc Calculo de fuciones de perdida de un conjunto de
estructuras OE
selstruc Selecci
on de estructura con menor funcion de perdidas
struc Generacion de un conjunto de estructuras.

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
P. 40
on
Validacion
compare Comparacion de la salida real con la simulada
idsim Simulaci
on de un modelo
pe Calculo de errores de predicci
on de un modelo
predict Predicci
on de salidas futuras de un modelo
resid Calculo de residuos de un modelo.

on Optima
y Error de Predicci
on)
23 de Abril 2015
Contenido
P. 41
Contenido
Predicci
on
Predictor optimo
Ejemplo
Filtro de Kalman
Concepto
Referencias
Identificaci
on
Concepto
Uso de matlab
Validacion
Concepto

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
Validacio
P. 42
Validaci
on
La validacion es la manera que tenemos de verificar que los
resultados encontrados son satisfactorios. Basicamente podemos
hablar de la calidad del modelo encontrado en los siguientes
sentidos:
La respuesta del modelo se ajusta suficientemente bien a los
datos entrada-salida.
Comprobacion de parametros fsicos.
Comprobar la respuesta en frecuencia del modelo obtenido con
la que se puede calcular utilizando analisis espectral.
Analisis de residuos.

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
Validacio
P. 43
Validaci
on
Analisis de Residuos
Se denomina residuo a la cantidad obtenida de la diferencia entre
la salida medida y la estimada:
= y(t) ye(t, )
Idealmente los residuos deben de ser independientes de la entrada
u(t). Si no es as significa que hay componentes de u(t) que no
pueden ser descritas por el modelo (orden o estructura incorrectos).
La revision puede realizarse mediante un analisis de correlaci
on
entre el residuo y la entrada u(t):
Ru =
N
1 X
(t + )u(t)
N t=1

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
Validacio
P. 44
Validaci
on
Analisis de Residuos
El modelo sera mas exacto en cuanto los terminos de la correlaci
on
mas se acerquen a cero. Los siguientes aspectos deben de
observarse:
Si existe correlaci
on para valores negativos de , esto indica
que hay retroalimentacion de la salida hacia la entrada y no
que el modelo sea deficiente.
Si la correlaci
on se calculo utilizando los mismos datos utilizados
para obtener , la correlaci
on debe de ser cero.
Si Ru es considerablemente distinto de cero para un valor de
0, entonces el termino u(t 0) deberia ser incluido en el
modelo.

on Optima
y Error de Predicci
on)
23 de Abril 2015
n
Siguiente Sesio
P. 45
Siguiente sesi
on
Ejemplo de aplicacion

on Optima
y Error de Predicci
on)
23 de Abril 2015

Sesion 7

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sesion 7

Cargado por

Copyright:

Formatos disponibles

Identificaci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Estructura de modelo lineal general

E{e(t)eT (s)} = n,s

|H (q , ) y H (q , )G(q , ) son a. estables

Metodos parametricos (Predicci

Estructura de modelo lineal general

Metodos parametricos (Predicci

El predictor optimo se obtiene de plantear

Metodos parametricos (Predicci

y(t) = z(t) + e(t)

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

|H (q , ) y H (q , )G(q , ) son a. estables

y(t) = G(q 1 , )u(t) + H(q 1, )e(t)

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Filtro de Kalman: Planteamiento del Problema

E[w(k)wT (k)] = Q(k)kl

Suponer que la condicion inicial x0 es una variable aleatoria

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Propiedades del Filtro de Kalman discreto

El filtro de Kalman es un sistema lineal, discreto y de dimension

Metodos parametricos (Predicci

Propiedades del Filtro de Kalman discreto

El filro de Kalman sera un sistema variante en el tiempo a

Metodos parametricos (Predicci

Metodos parametricos (Predicci

R. E. KALMAN, A new approach to linear filterig and prediction

Metodos parametricos (Predicci

Metodos parametricos (Predicci

El ajuste de los parameros de un modelo seleccionado

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Matlab contempla una gran variedad de modelos parametricos

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci

Metodos parametricos (Predicci