Abstract
The Kalman filter is a set of mathematical equations that provides an efficient computational
(recursive) solution of the least-squares method. The goal is to find unbiased minimum variance
lineal estimator of the state at time t with base in available information at time t-1 and update
with the additional available information at time t that estimator. This filter is the principal
algorithm to estimate dynamic systems specified in state-space form.
Indice General.
Introduccin
1. Marco Conceptual.
1.1 Probabilidad
1.1.1 Variables Aleatorias
1.1.2 Media y varianza.
1.1.3 Distribucin Normal o Gaussina.
1.1.4 Continuidad, independencia y probabilidad condicional.
1.1.5 Seales espaciales Vs. Seales espectrales
1.2 Estimacin Dinmica.
1.3 Tcnicas Recursivas Para la Estimacin Dinmica.
1.4 Estimacin Estocstica.
1.4.1 Modelos Estado Espacio
2. El Filtro Kalman.
2.1 Filtro Kalman Discreto
2.2 Ejemplo
2.5 Aplicaciones.
Introduccin
Este trabajo se realiza en el rea de la estadstica, dentro de los estudios sobre estimacin
dinmica los cuales han tomado mucha fuerza en los ltimos aos, gracias al avance de la
computacin como herramienta de soporte para guardar informacin y realizar clculos, y a la
necesidad creciente de mtodos de estimacin para realizar predicciones en tiempo real . Dentro
de las herramientas matemticas que pueden ser usadas para estimacin estocstica de medidas
de ruido en sensores, se encuentra una muy conocida denominada el filtro Kalman. La
importancia de estudiar el algoritmo de Kalman, radica en que se constituye en el principal
procedimiento para estimar sistemas dinmicos representados en la forma de estado - espacio,
los cuales tienen muchas aplicaciones de inters.
Este trabajo se realiza en dos partes. En la primera parte se presentan los fundamentos
matemticos para entender el funcionamiento del filtro Kalman, entre otros se tratan: conceptos
fundamentales de probabilidad, estimacin dinmica , los sistemas lineales de ecuaciones
diferenciales y los sistemas de ecuaciones en diferencias.
La segunda parte se enfoca en la explicacin del Filtro Kalman, empezando con una resea
histrica y el desarrollo del modelo matemtico. En la parte final se presenta la parte algortmica
para su posible uso en el desarrollo de programas de cmputo, finalizando con la presentacin de
un ejemplo en donde el uso del filtro Kalman es aplicado.
1. Marco Conceptual.
La nocin de lo que significa que un evento tenga una ocurrencia al azar es muy concida, o
la probabilidad de que ocurra cierto evento en un espacio de muestra. Formalmente, la
probabilidad que el resultado de un evento discreto (por ejemplo el lanzamiento de una moneda)
favorecer un evento particular est difinida por;
pA B pA pB, 1.1.1
pA B pA pB 1.1.2
pA B
pB A 1.1.3
pB
Una variable aleatoria es bsicamente una funcin que mapea todos los puntos en el espacio
de muestra a los nmeros reales. Las variables aleatorias pueden ser discretas, cuando se pueden
contar el conjunto de sus resultados posibles, o continuas, cuando toma valores en una escala
continua.
FX x 0 cuando x
FX x 1 cuando x
fX x d F x, 1.1.1.2
dx X
f X x dx 1
b
Pa X b f X x dx
a
PX b PX a
Es muy familiar el concepto de promedio de una secuencia de nmeros para algn espacio
muestral N (Se define espacio muestral como todos los resultados posibles de un experimiento
estadstico)de una variable aleatoria discreta X. En lo sucesivo se har referencia a este valor
como la media de la variable aleatoria X, y se expresa como X o simplemente cuandose sabe
a que variable aleatoria se refiere Es comn referirse a esta media como el valor esperado de la
variable aleatoria X, y se expresa como E X . El promedio o la media est dada por:
X X1 X2 ... XN
N
EX xf x 1.1.2.1
x
EX xf x .dx 1.1.2.2
2 2 2
E X x fx, 1.1.2.3
x
2 2 2
E X x f x dx 1.1.2.4
La varianza es una propiedad estadstica muy usada en las seales aleatorias, porque si se
supiera la varianza de una seal que de otro modo fuera supuesta para ser constante al rededor
de un valor, la magnitud de la varianza dara una ponderacin de cuanto ruido hay en la seal.
2
Si X es continua la raiz cuadrada de la varianza , se llama desviacin estndar de X.
Una variable aleatoria continua X que tiene la distribucin en forma de campana de la figura
(1.1.3.1) se llama variable aleatoria normal. La ecuacin matemtica para la distribucin de
probabilidad de la variable normal depende de los parmetros y . Por lo tanto se representan
los valores de densidad de X por n x; , .
la funcin de densidad de probabilidad para una variable aleatoria normal X, con media y
varianza 2 est dada por:
x 2
n x; , fX x 1 e
1
2 2
para x 1.1.3.1
2
2
Donde 3.14159.. y e 2.171828
Y Na b, a 2 2
1.1.3.2
y a b 2
fY y 1 e
1
2 a2 2
2 a2 2
2 2
Finalmente si X 1 y X 2 son independiente, X 1 N 1, 1 y X2 N 2, 2 entoces:
2 2
X1 X2 N 1 2, 1 2 1.1.3.3
x 2
1 1 2
fX X1 X2 1 e
2 2
1
2
2 1.1.3.4
2 2
2 1 2
Se puede ver que en las ecuaciones (1.1.2) y (1.1.3), la probabilidad est definida para
variables aleatorias contnuas. Dos variables aleatorias continuas X y Y son llamadas
estadsticamente independientes si su probabilidad conjunta f XY x, y es igual a la suma de sus
probabilidades marginales, es decir, se concidera independiente si f XY x, y fX x fY y .
Definition 1.1.4.1 Adicionalmente la regla de Bayes tomando la ecuacin (1.1.3) ofrece una
manera de especificar la densidad de probabilidad condicional de una variable aleatoria X dada
(en la presencia de) Y, Variable aleatoria. En este caso le Regla de Bayes est dada por:
fY X y fX x
fX Y x
fY y
fY y X x PX x
PX x Y y 1.1.4.1
fY y X z PX z
z
Se puede decir que la magnitud de la varianza de una seal indicar cuanto ruido tiene la
seal. Sin embargo, la varianza de una seal no dice nada acerca del espaciamiento o la tasa de
cambio con el paso del tiempo.
RX t1, t2 E X t1 X t2 1.1.5.1
RX EXtXt 1.1.5.2
Se puede ver que la autocorrelacin es una funcin del tiempo. Esto significa que tiene una
interpretacipon espectral tambin en el dominio de la frecuencia. Nuevamente para un proceso
estacionario,existe una importante relacin temporal-espectral conocida como la relacin o el
teorema Wiener-Khinchine:
jw
S X jw Rx Rx e d
El ruido Blanco.
Un importante caso de una seal aleatoria es cuando la funcin de autocorrelacin es una
funcin Dirac delta que tiene valor cero en todas partes excepto cuando 0. En otras
palabras donde:
A, si 0
RX ,
0, en otro caso
para alguna magnitud constante A. En este caso especial donde la autocorrelacin es un pulso,
la transformada de Fourier resulta en un espectro de frecuencia constante, es decir, todas las
frecuencias son igualmente importantes o tienen la misma potencia espectral, y estn
completamente no auto correlacionadas, excepto en el tiempo actual cuando 0 como se
muestra en la figura 1.1.5.2. Esta es una descripcin de ruido blanco. Cualquier muestra de la
seal en el tiempo es completamente independiente (sin correlacin) de una muestra en
cualquier otro tiempo.
Aunque no es posible ver en la prctica (ningn sistema puede exhibir energa infinita a
travs de un espectro infinito), el ruido blanco es una parte importante en el diseo y el anlisis.
Las seales aleatorias pueden ser modeladas como ruido blanco filtrado o formado.
Literalmente esto quiere decir que se podra filtrar la salida de una (hipottica) fuente de ruido
blanco para lograr una fuente de ruido no blanca o colorida que es delimitada en el dominio de
la frecuencia, y ms correlacionada con el dominio de tiempo.
Mientras que existen muchos avances para calcular (estimar) un estado desconocido desde
un conjunto de medidas de un proceso, muchos de estos mtodos, intrnsecamente, no toman en
consideracin la naturaleza tpicamente ruidosa de las medidas. Por ejemplo, concidere un
trabajo en anlisis grficos interactivos de computadora. Mientras que los requerimientos para el
analisis de la informacin varan con la aplicacin, la fuente principal de informacin es la
misma: Las estimaciones son derivadas de medidas elctrcias ruidosas de sensores mecnicos,
de inercia, pticos, acsticos, o magnticos. Este ruido es tpicamente estadstico por
naturaleza(o puede ser modelado efectivamente como tal), lo cual nos conduce hacia mtodos
estocsticos para tratar los problemas. Aqu se proporciona una introduccin muy bsica al tema,
dirigido sobre todo a preparar al lector para la seccin 2.
Los modelos estado-espacio son esencialmente una notacin conveniente para los problemas
de estimacin y control, desarrollados para hacer manejable lo que de otra manera sera un
anlisis notacionalmente intratable. Considere un proceso dinmico descrito por una ecuacin en
diferencias de orden n-esimo(similar a una ecuacin diferencial) de la forma
E ui, uj Ru Qi ij
y los valores iniciales y 0 , y 1 , ...., y n 1 son variables aleatorias con media-cero, con una matrix
de covarianza conocida n n
P0 E y j, y k , j, k 0, n 1
E ui, yj 0, i j 0
yi 1 a 0 a 1 ... a n 2 an 1 yi 1
yi 1 0 ... 0 0 yi 1 0
xi 1 yi 1 0 1 ... 0 0 yi 2 0 ui
: : : ... : : : :
yi n 2 0 0 ... 1 0 yi n 1 0
A xi G
xi 1 A xi Gu i
yi 1 0 .... 0 xi
de manera ms general
xi 1 A xi Gu i 1.4.1.1
yi Hi xi 1.4.1.2
xk A xk 1 Bu k wk 1. 1.4.2.1
Adems, hay una cierta forma de modelo de la medicin, que describe la relacin entre el
estado de proceso y las mediciones. Esta puede ser representada como una expresin lineal
similar a la ecuacin (1.4.1.2)
zk Hx k vk, 1.4.2.2
los trminos w k y v k son variables aleatorias que representan el ruido del proceso y de la
medicin respectivamente. Se puede ver que en la ecuacin (1.4.2.2) se cambia la variable
dependiente por z k en lugar de y k como en la ecuacin (1.4.1.2). La justificacin es reforzar la
nocin de que ms medidas no tienen que ser especficamente elementos del estado, sino que
pueden ser cualquier combinacin de elementos de estado.
Ruido en la Medicin y en el Proceso
Se debe tener en cuenta el caso de las mediciones del ruido en sensores. Existen muchas
fuentes de ruido en estas mediciones. Por ejemplo, cada tipo de sensor tiene limitaciones
fundamentales relacionadas con el medio fsico asociado, y al sobrepasar estas limitaciones las
seales se degradan. Adems, el sensor y los circuitos elctricos agregan alguna cantidad de
ruido elctrico aleatorio. La variacin del ruido elctrico en las seales afecta la cantidad y la
calidad de la informacin. El resultado es que la informacin obtenida de cualesquier sensor
debe ser calificada como parte de una secuencia global de estimaciones, y los modelos analticos
de medicin, tpicamente incorporan alguna nocin de medida de ruido aleatorio o
incertidumbre.
Tambin se puede observar a u k , que se define como la entrada del sistema. La medicin de
esta entrada es z k , que se relaciona con el vector de estado x k , por medio de la matriz de
medicin H k , esto se muestra en el siguiente paso.
m
Relaciona el vector de medida z k con el estado del sistema x k a travs de la matriz de
medicin H k y la adicin de un ruido gaussiano v k con matriz de covarianza R .
zk Hkxk vk 2.1.1.2
l
La matrix B n l relaciona el control opcional de entrada u para el estado x. La matriz
H n m en la ecuacin de medicin (2.1.1.1.2) relaciona el estado con la medicin z k En la
prctica H podra cambiar con cada paso de tiempo, pero se asume como constante.
E wk E vk 0
E w k v Tk E v k w Tk 0
E w k w Tk Q
E v k v Tk R
E w k w Tj 0, k j y E v k v Tj 0, k j
Ahora el problema consiste en estimar el valor ptimo del vector de estado x k , basndose en
las medidas ruidosas z 1 , z 2 , ...., z k ; adems, se debe tener en cuenta que el vector de estado estar
contaminado con el ruido del sistema. Para esto se consideran las mediciones ms la prediccin
del estado a partir del conocimiento de su dinmica
^
ek xk xk
^
ek xk xk
Pk E ek ekT , 2.1.2.1
Pk E e k e Tk . 2.1.2.2
derivando las ecuaciones para el filtro Kalman, comenzamos con el propsito de encontrar
^
una ecuacin que calcule un estado estimado a posteriori x como una combinacin lineal de un
^
estado estimado a priori x k y una diferencia ponderada entre una medida real z k y una medida
de prediccin Hx k de la siguiente forma
^ ^ ^
x xk K Zk H xk 2.1.2.3
^
La diferencia Z k H xk en la ecuacin (2.1.2.3) es llamada la medida de innovacin o
^
residual El residuo refleja la diferencia entre la medida prevista H x k y la medida real Z k . Un
residuo igual a cero significa que las dos estn en completo acuerdo.
1
Kk P k H T HP k H T R
Pk HT
2.1.2.4
HP k H T R
Mirando (2.1.2.4) observamos que la covarianza del error en la medicin R aproxima acero,
la ganancia K pondera el residuo con ms peso en la ecuacin (2.1.2.3). Especficamente,
1
Lim K k H
Rk 0
por otra parte, conforme la covarianza estimada del error a priori P k se proxima a cero, la
ganacia K pondera el residuo menos duramente. Especificamente,
Lim K k 0
Pk 0
Otra manera de ver la carga para K es que conforme la covarianza del error de la medicin R
se acerca a cero, la medida actual Z k es ms y ms confiable, mientras que la medida predicha
^
H x k es menos y menos confiable. De otra parte conforme la covarianza estimada del error a
priori P k se acerca a cero la medida actual Z k es menos y menos confiable mientas que la
^
medida predicha H x k es ms y ms confiable.
2.1.3 Origen Probabilstico del Filtro Kalman.
^
E xk xk
^ ^ T
E xk xk xk xk Pk .
La ecuacin de estado estimado a posteriori (2.1.2.3) refleja la media (el primer momento)
de la distribucin del estado, esta est normalmente distribuida si las condiciones de las
ecuaciones (2.1.1.3) y (2.1.1.4). La ecuacin de la covarianza estimada del error a posteriori
(2.1.2.2) refleja la varianza de la distribucin del estado (el segundo momento no central), esto
es,
^ ^ T
p xk | zk N E xk , E xk xk xk xk
^
N xk , Pk .
Se pretende presentar la parte central de las ecuaciones y cmo usarlas con la versin
discreta del filtro.
Las ecuaciones que actualizan el tiempo pueden tambin ser pensadas como ecuaciones de
pronstico, mientras que las ecuaciones que incorporan nueva informacin pueden considerarse
como ecuaciones de correccin. Efectivamente, el algoritmo de estimacin final se asemeja a un
algoritmo predictor-corector de los utilizados para resolver problemas numricos. As, el filtro
de Kalman funciona por medio de un mecanismo de proyeccin y correccin al pronosticar el
nuevo estado y su incertidumbre y corregir la proyeccin con la nueva medida. Como se muestra
en la siguiente figura.
El primer paso consiste en generar un pronstico del estado hacia adelante en el tiempo
tomando en cuenta toda la informacin disponible en ese momento y en un segundo paso, se
genera un pronstico mejorado del estado, de tal manera que el error es minimizado
estadsticamente.
Las ecuaciones especficas para la actualizacin del tiempo y la medida son detalladas a
continuacin.
^ ^
xk A xk Bu k 2.1.3.1
Pk AP k 1 A T Q 2.1.3.2
Note cmo las ecuaciones anteriores pronostican las estimaciones del estado y la covarianza
desde k 1 a k. La matriz A relaciona el estado en el momento previo k 1 con el estado al
momento actual k, esta matriz podra cambiar para los diferentes momentos en el tiempo k . Q
representa la covarianza de la perturbacin aleatoria del proceso que trata de estimar el estado.
1
Kk P k H T HP k H T R 2.1.3.3
^ ^ ^
xk xk Kk zk H xk 2.1.3.4
Pk I KkH Pk 2.1.3.5
Despus de cada par de actualizaciones, tanto del tiempo como de la medida, el proceso es
repetido tomando como punto de partida las nuevas estimaciones del estado y de la covarianza
del error. Esta naturaleza recursiva es una de las caractersticas llamativas del filtro Kalman.
Esto hace posible implementaciones prcticas. El filtro Kalman condiciona recurrentemente la
estimacin actual en todas las ltimas medidas La siguiente figura ofrece una imagen completa
del funcionamiento del filtro, combinando el diagrama (2.1.3.1) con las ecuaciones (2.1.3.1,
2.1.3.2, 2.1.3.3, 2.1.3.4, 2.1.3.5)
Figura 2.1.3.2: Imagen completa de la operacin del filtro Kalman
Segn lo explicado en la seccin 2.1.1, el filtro Kalman se ocupa del problema general de
n
intentar estimar el estado x de un proceso controlado en tiempo discreto que es gobernado
por una ecuacin estocstica lineal el diferencia. Pero que sucede cuando el proceso a ser
estimado y/o la relacin de medida para el proceso es no lineal.?. Algunos de las ms
interesantes y exitosas aplicaciones de la filtracin Kalman estn dentro de esta pregunta. Un
filtro Kalman que lineariza la media y la covarianza actuales se denomina filtro kalman
extendido o FKE
Mediante algo semejante a una serie de Taylor se puede linealizar la estimacin al rededor
del estimador actual usando las derivadas parciales de las funciones de proceso y medida para
calcular estimaciones aun en el lado de las relaciones no lineales. De esta forma se modifican las
ecuaciones presentadas en la seccin 2.1. Se asume nuevamente que el proceso tiene un vector
n
de estado x , pero que este proceso es ahora gobernado por una ecuacin en diferencias
estocstica no lineal
xk f xk 1, uk, wk 1 , 2.2.1.1
m
Con una medida z esto es
zk h xk, vk , 2.2.1.2
^
xk f xk 1 , uk, 0 2.2.1.3
zk h xk , 0 , 2.2.1.4
Es importante mencionar que un defecto fundamental del FKE es que las distribuciones (o
las densidades en el caso continuo) de las variables aleatorias no son normales despus de sufrir
la transformacin no lineal. El FKE es un simplemente un estimador de estado que solo
aproxima la optimalidad de la regla de Bayes por linealizacin.
Para estimar un proceso con diferencia no lineal y relaciones de medida, se re escriben las
ecuaciones que linealizan un estimador sobre la ecuacin (2.2.1.3) y la ecuacin (2.2.1.4),
^
xk xk A xk 1 , xk 1 Ww k 1, 2.2.1.5
zk zk H xk xk Vv k . 2.2.1.6
Donde
- * x k y z k .son los vectores actuales del estado y la medida,
* x k y z k son los vectores del estado de aproximacin y de medida de la ecuacin
.(2.2.1.3) y la ecuacin (2.2.1.4)
* x k es el estimado a posteriori del estado en el paso k.
* las variables aleatorias w k y v k representan el ruido del proceso y de la medida,
respectivamente, como en la ecuacin (2.1.1.3) y (2.1.1.4).
* A es la matriz Jacobiana de derivadas parciales de f con respecto a x esto es
fi ^
A i,j xk 1 , uk, 0 ,
xj
fi ^
W i,j xk 1 , uk, 0 ,
wj
- *
* H es la matriz Jacobiana de derivadas parciales de h con respecto a x,
- *
hi
H i,j xk , 0 ,
xj
hi
V i,j xk , 0 ,
vj
Observe que en las notaciones de las ecuaciones anteriores no se utiliza el subndice del
paso en el tiempo k con los jacobianos A, W, H, V , aunque ellos, en efecto, son diferentes en cada
paso del tiempo
e xk xk xk , 2.2.1.7
y la medicin residual,
e zk zk zk . 2.2.1.8
e xk A xk 1 xk 1 k , 2.2.1.9
e zk H e xk k, 2.2.1.10
se nota que las ecuaciones (2.2.1.9) y (2.2.1.10) son lineales y esto se asemeja a las
ecuaciones del proceso y la medicin, ecuaciones (2.1.1.1) y (2.1.1.2) del filtro Kalman discreto.
Esto motiva a utilizar el residuo de la medida actual e z k en la ecuacin (2.2.1.8) y un segundo
(hipottico) Filtro Kalman para estimar el error de la prediccin e x k dado por la ecuacin
(2.2.1.9). esta estimacin llamada e k , luego se puede usar con la ecuacin (2.2.1.7) para obtener
el estado estimado a posteriori estimado para el proceso no lineal original. De la siguiente
forma:
^
xk xk ek 2.2.1.11
las variables aleatorias de las ecuaciones (2.2.1.9) y (2.2.1.10) tienen aproximadamente las
siguientes distribuciones de probabilidad
T
p e xk N 0, E e x k e x k
p xk N 0, WQ k W T
p xk N 0, VR k V T
^
Dadas estas aproximaciones y dejando el valor previsto de e k a cero, la ecuacin de filtro de
^
Kalman usada para estimar e k es
^
ek Kk e zk . 2.2.1.12
^
xk xk Kk e zk
xk Kk zk zk 2.2.1.13
^ ^
xk f xk 1 , uk, 0 , 2.2.1.14
Pk A k P k 1 A TK W k Q k 1 W Tk 2.2.1.15
Como en el filtro Kalman discreto, las dos ecuaciones anteriores (2.2.1.14) y (2.2.1.15)
proyectan las estimaciones del estado y de la covarianza del paso de tiempo anterior k 1 al
paso del tiempo actual k . Nuevamente f en la ecuacin (2.2.1.14) viene de la ecuacin (2.2.1.3),
A k y W k son los Jacobianos del proceso en el paso k, y Q k es la covarianza del ruido del
proceso(2.1.1.3) en el paso k.
1
Kk P k H Tk H k P k H Tk V k R k V Tk 2.2.1.16
^ ^ ^
xk xk Kk Zk h xk , 0 2.2.1.17
Pk I KkHk Pk 2.2.1.18
Igual que con el filtro Kalman discreto, las ecuaciones de actualizacin de la (2.2.1.16),
(2.2.1.17) y (2.2.1.18) corrigen la estimacin del estado y de la covarianza con la medida z k .
Nuevamente h en la ecuacin (2.2.1.17) viene de la ecuacin (2.1.2.4), H k y V son los
Jacobianos de la medicin en el paso k, y R k es la covarianza del ruido de la medicin(2.1.1.4)
en el paso k (note el subndice R que cambia con cada medida).
La operacin bsica del FKE es la misma que la del filtro Kalman discreto como se muestra
en la siguiente figura se muestra una completa imagen combinando el diagrama (2.1.3.1) con las
ecuaciones (2.2.1.14, 2.2.1.15, 2.2.1.16, 2.2.1.17, 2.2.1.18)
Por supuesto que si sobre todas las medidas no existe un mapeo uno a uno entre la medida z k
y el estado a travs de h, entonces el filtro diverge rpidamente. En este caso el proceso es no
observable.
2.3 Ejemplo
En este ejemplo se desea estimar un escalar aleatorio constante, por ejemplo un voltaje. Se
asume que se tiene la capacidad de medir la constante pero las medidas estn perturbadas por un
ruido blanco de medida 0.1 Voltios (el convertidor que se utiliza de anlogo a digital no es muy
exacto). En este ejemplo el proceso es gobernado por una ecuacin lineal el diferencia
xk Ax k 1 Bu k wk,
xk 1 wk
1
Con una medida z esto es
zk Hx k vk
xk vk
El estado no se altera de paso a paso, por lo tanto A 1. No hay control de entrada por lo
tanto u 0. La medida del ruido se toma del estado directamente, entonces H 1 . Note que se
cambi el subndice k en varios lugares porque los parmetros respectivos siguen siendo
constantes en el modelo
pk pk 1 Q,
1
Kk Pk Pk R
Pk
2.3.1.2.1
Pk R
^ ^ ^
xk xk Kk Zk xk ,
Pk 1 Kk Pk .
Presumiendo un muy pequea varianza del proceso, se toma Q 1e 5. (se podra hacer
Q 0 pero se asume un valor pequeo diferente a cero esto da mayor fexibilidad para afinar
el filtro, como se muestra ms adelante). Tambin se asume por experiencia que el valor
verdadero de la constante aleatoria tiene una distribucin de probabilidad normal estndar, por
esta razn se fijar el filtro con la suposicin de que la constante es 0. En otras palabras, antes de
^
iniciar tenemos x k 1 0
2
Figura 2.3.1.31.: La primera simulacin con R 0.1 0.01. el Valor real de la constante
aleatria x 0.37727 este es dado por la lnea slida horizontal, la medida del ruido por las
marcas en cruz, y la estimacin del filtro por la otra curva.
En las siguientes figuras se puede ver que pasa cuando R se incrementa o decrementa en un
factor de 100. En la siguiente figura R 1 el filtro responde lentamente a la medida, resultando
en una estimacin reducida de la varianza.
Figura 2.3.1.3.3.: La segunda simulacin con R 1. El filtro responde lentamente a la medida,
resultando en una estimacin reducida de la varianza.
Figura 2.3.1.3.4.: La tercera simulacin con R 0.001. el filtro presponde rpidamente a la medida,
incrementando la estimacin de la varianza.
Aunque la estimacin de una constante es relativamente directa, esto sirve para demostrar
claramente el trabajo del filtro Kalmam.
*El filtro de Kalman utiliza el mtodo de mnimos cuadrados para generar recursivamente un
estimador del estado al momento k, que es lineal, insesgado y de varianza mnima. De aqu su
enorme poder, para resolver un amplio rango de problemas en inferencia estadstica.
*El filtro se distingue por su habilidad para predecir el estado de un modelo en el pasado,
presente y futuro, an cuando la naturaleza precisa del sistema modelado es desconocida. La
modelacin dinmica de un sistema es una de las caractersticas claves que distingue el mtodo
de Kalman. Los modelos lineales dinmicos son modelos con una transicin lineal desde un
periodo al prximo, los cuales pueden describir la mayora de los modelos comnmente
utilizados en trabajos de series de tiempo.
*El desarrollo del filtro de Kalman, tal como se encuentra en el documento original, supone
un conocimiento amplio en teora de probabilidades, especficamente con el tema de la
condicionalidad gaussina en las variables aleatorias, lo cual puede originar una limitante para su
estudio y aplicacin.
*Exiten muchas erramientas para realizar estimaciones dinmicas pero es casi nulo nuestro
conocimiento de ellas. La importancia de este conocimiento radica en el hecho de poder
relacionarlas con los conceptos tericos aprendidos en los diferentes cursos y ver su
funcionalidad en la solucin de problemas prcticos.
4. Bibliografa
[Bla02]Blake, Andrew (2002) State-Space Models and the Kalman Filter: Application,
Formulation and Estimation, Bank of England.
[HTTP]The Kalman Filter. Some tutorials, references, and research on the Kalman filter
http://www.cs.unc.edu/~welch/kalman/