close
Warning:
Can't synchronize with repository "(default)" (/var/svn/mms does not appear to be a Subversion repository.). Look in the Trac log for more information.
- Timestamp:
-
Aug 25, 2010, 11:30:22 AM (15 years ago)
- Author:
-
Pedro Gea
- Comment:
-
--
Legend:
- Unmodified
- Added
- Removed
- Modified
-
|
v5
|
v6
|
|
| 53 | 53 | |
| 54 | 54 | {{{ |
| 55 | | Dist(Mu, Sigma2, Z) = Sqrt((Mu-Z)'·Sigma2**-1·(Mu-Z)) |
| | 55 | Dist(Mu, Sigma2, Z) = Sqrt((Z-Mu)'·Sigma2**-1·(Z-Mu)) |
| 56 | 56 | }}} |
| 57 | | donde Mu y Z son dos vectores columna y Sigma2 una matriz de covarianzas: |
| | 57 | donde Z y Mu son dos vectores columna y Sigma2 una matriz de covarianzas: |
| 58 | 58 | {{{ |
| | 59 | Z' = (zA, zB) |
| 59 | 60 | Mu' = (muA, muB) |
| 60 | | Z' = (zA, zB) |
| 61 | 61 | Sigma2 = ((sigmaA**2, 0), (0, sigmaB**2)) |
| 62 | 62 | }}} |
| … |
… |
|
| 95 | 95 | }}} |
| 96 | 96 | |
| 97 | | == Solución como variables aleatorias == |
| | 97 | === Solución como variables aleatorias === |
| 98 | 98 | |
| 99 | 99 | Planteamos ahora la solución a la combinación desde un punto de vista estadístico. |
| … |
… |
|
| 112 | 112 | |
| 113 | 113 | {{{ |
| 114 | | fwA(x) = k · fvA(x) · fvB(x) = k · fNormal(muA, sigmaA, x) · fNormal(muB, sigmaB, x) |
| | 114 | fwA(x) = k * fvA(x) * fvB(x) = k * fNormal(muA, sigmaA, x) * fNormal(muB, sigmaB, x) |
| 115 | 115 | }}} |
| 116 | 116 | |
| … |
… |
|
| 140 | 140 | la solución obtenida minimizando la distancia de Mahalanobis. |
| 141 | 141 | |
| | 142 | == Combinación de variables con una sóla ecuación == |
| | 143 | |
| | 144 | Otro ejercicio bastante sencillo que podemos imaginar es aquel formado |
| | 145 | por un conjunto de variables aleatorias (de tipo real) que siguen distribuciones |
| | 146 | normales (e independientes) sujetas a una restricción formada por una sola ecuación. |
| | 147 | |
| | 148 | === Caso de tres variables === |
| | 149 | |
| | 150 | Por sencillez trataremos detalladamente el caso de tres variables: |
| | 151 | |
| | 152 | Dadas vA, vB y vC (variables a priori): |
| | 153 | {{{ |
| | 154 | vA ~ N(muA, sigmaA) |
| | 155 | vB ~ N(muB, sigmaB) |
| | 156 | vC ~ N(muC, sigmaC) |
| | 157 | }}} |
| | 158 | encontrar las wA, wB y wC (variables a posteriori) que satisfagan: |
| | 159 | {{{ |
| | 160 | a*wA + b*wB + c*wC == d |
| | 161 | }}} |
| | 162 | |
| | 163 | === Solución determinista === |
| | 164 | |
| | 165 | De acuerdo al método utilizado para encontrar la solución determinista |
| | 166 | (no como variables aleatorias) del sistema reduciendo la |
| | 167 | distacia de Mahalanobis de la solución Z al punto de partida Mu: |
| | 168 | {{{ |
| | 169 | Z = Sigma2·B' · (B·Sigma2·B')**-1 · (C-B·Mu) + Mu |
| | 170 | }}} |
| | 171 | donde: |
| | 172 | {{{ |
| | 173 | Z' = (zA, zB, zC) |
| | 174 | Mu' = (muA, muB, muC) |
| | 175 | Sigma2 = ((sigmaA**2, 0, 0), (0, sigmaB**2, 0), (0, 0, sigmaC**2)) |
| | 176 | }}} |
| | 177 | y utilizando la restricción: |
| | 178 | {{{ |
| | 179 | B = ((a, b, c)) |
| | 180 | C = ((d)) |
| | 181 | }}} |
| | 182 | encontramos: |
| | 183 | {{{ |
| | 184 | { zA = muA + a * sigmaA**2 * (d - a*muA - b*muB - c*muC) / (a*sigmaA**2 + b*sigmaB**2 + c*sigmaC**2) |
| | 185 | Z = { zB = muB + b * sigmaB**2 * (d - a*muA - b*muB - c*muC) / (a*sigmaA**2 + b*sigmaB**2 + c*sigmaC**2) |
| | 186 | { zC = muC + c * sigmaC**2 * (d - a*muA - b*muB - c*muC) / (a*sigmaA**2 + b*sigmaB**2 + c*sigmaC**2) |
| | 187 | }}} |
| 142 | 188 | |
| 143 | 189 | |
| 144 | | |