Estimar: de los mínimos cuadrados al estimador recursivo · Estimación y filtro de Kalman: seguir un objeto con medidas ruidosas · CO.DE Academy
Lección 1 de 9· Control y estimación
Estimar: de los mínimos cuadrados al estimador recursivo
0 de 9 lecciones · 0 %
01 / 03
En los videos
0.0 Introducción al curso: una sonda, un sensor que se equivoca unos 2 km y la pregunta de todo el curso: ¿dónde está de verdad y a qué velocidad va? También el mapa de los nueve actos.
1.1 El problema de estimar: estado, medida y modelo; dos recetas (quedarse con la última medida o promediar cinco) y por qué un buen estimador equilibra sesgo y varianza.
1.2 Mínimos cuadrados: doce medidas de distancia de una sonda a velocidad constante, la recta que minimiza la suma de cuadrados y su elipse de incertidumbre.
1.3 Mínimos cuadrados recursivos: la tensión del bus de un satélite estimada medida a medida, la ganancia que baja como 1/n y el factor de olvido.
Una sonda y un sensor que miente
Una sonda se aleja de la Tierra. Lo que quieres saber es su estado: posición y velocidad. Lo que tienes es una antena que, cada segundo, te da una distancia con un error típico de 2 km. En el video 0.0 las medidas saltan alrededor de la trayectoria verdadera con un error cuadrático medio de 1.86 km por eje: ninguna es la verdad, y la velocidad ni siquiera se mide.
Este curso responde a esa pregunta con una herramienta que vuela en casi todo lo que se mueve en el espacio: el filtro de Kalman. Lo verás seguir un satélite desde una estación terrena, mantener acotado el error de una unidad inercial con GPS y estimar el sesgo de un giroscopio con un sensor estelar. Pero antes hay que entender qué es estimar. Si vienes del curso Probabilidad y procesos, ya conoces la gaussiana, la covarianza y la idea de Kalman en una dimensión; aquí construimos el filtro completo, con matrices.
Tres piezas organizan todo el curso:
el estadox, lo que quieres saber y no ves;
la medidaz, lo que el sensor te da;
el modelo, que dice cómo evoluciona el estado y cómo se relaciona con la medida: z=Hx+v, con v ruido.
Un estimador es una receta que toma las medidas y devuelve x^. En el video 1.1 se comparan dos recetas en la misma corrida. Quedarse con la última medida da un error de 2 km. Promediar las cinco últimas baja el ruido a 1.65 km, pero la sonda se mueve y el promedio llega tarde: casi un kilómetro de retraso. Repetido 500 veces, el promedio de cinco tiene una nube más estrecha pero corrida un poco más de un kilómetro. Las dos cosas se juntan en una sola cifra:
que en el video vale 1.03+0.81=1.84 km² para el promedio de cinco. Kalman será la receta que minimiza ese número, bajo supuestos que iremos declarando.
Mínimos cuadrados: la mejor recta
Supón que la sonda va a velocidad constante y que mides su distancia zi en los instantes ti. El modelo es zi=x0+vti+vi, y en forma matricial
z=Aθ+v,A=1⋮1t1⋮tm,θ=[x0v].
Deducción. Buscamos el θ que minimiza la suma de residuos al cuadrado J(θ)=(z−Aθ)⊤(z−Aθ). Desarrollando,
J=z⊤z−2θ⊤A⊤z+θ⊤A⊤Aθ.
El gradiente respecto de θ es ∇J=−2A⊤z+2A⊤Aθ. Igualarlo a cero da las ecuaciones normalesA⊤Aθ^=A⊤z. La hessiana es 2A⊤A, definida positiva si las columnas de A son independientes (basta con dos instantes distintos), así que ese punto es el único mínimo:
θ^=(A⊤A)−1A⊤z.
Ejemplo resuelto con cinco medidas
Con t=0,1,2,3,4 min y z=(21,24,25,31,32) km, como en el video 1.2:
Con las doce medidas del video el ajuste da 19.81 km y 3.00 km/min, frente a la verdad del modelo: 20 km y 3 km/min.
La incertidumbre del ajuste
Si el ruido es blanco con varianza σ2, la covarianza del estimador es
P=Cov(θ^)=(A⊤A)−1A⊤(σ2I)A(A⊤A)−1=σ2(A⊤A)−1.
Para t=0,…,11 y σ=2 km, A⊤A=[126666506] con determinante 1716, de donde σx0=1.09 km y σv=0.167 km/min, con correlación −0.85: si sobrestimas la posición inicial, subestimas la velocidad. Esa matriz se dibuja como una elipse, y dentro de la elipse de una sigma cae el 1−e−1/2=39.3% de los ajustes, no el 68 % de un solo eje. En el video, 119 de 300 repeticiones caen dentro; se preveían 118.
Mínimos cuadrados recursivos
Mínimos cuadrados necesita todas las medidas a la vez. A bordo llegan de una en una. Tomemos el caso más simple: un valor constante, la tensión del bus de 28 V, medida con un sensor de σ=1 V. El estimador es el promedio, y el promedio de n medidas se puede reescribir sin guardarlas:
Estimación nueva = vieja + ganancia × innovación. Con las medidas del video 1.3: la primera, 26.99 V, es la estimación. La segunda, 29.61 V, trae una sorpresa de 2.62 V; con K=1/2 la estimación sube 1.31 V, a 28.30. La tercera sorprende en 1.62 V y sube un tercio: 0.54 V.
La ganancia 1/n no es arbitraria. Si Pn−1=σ2/(n−1) es la varianza de la estimación antes de la medida n, la ganancia que minimiza la varianza después es Kn=Pn−1/(Pn−1+R) con R=σ2:
Es exactamente la forma que tendrá la ganancia de Kalman: incertidumbre de la predicción entre incertidumbre total.
El problema aparece cuando el valor cambia. Si la tensión se descarga 0.03 V por medida, el promedio, que pesa igual las cien medidas, se queda casi un voltio y medio atrás. Un factor de olvido —una ganancia mínima, por ejemplo 0.1— sigue la bajada a costa de más ruido: en el video, error típico de 0.37 V frente a 0.98 V con deriva, pero 0.23 V frente a 0.16 V si el valor es constante. Ninguna ganancia fija sirve para los dos casos; falta un modelo que diga cuánto puede cambiar el estado. Eso es el ruido de proceso Q de la lección 2.
Playground · python
El programa reproduce las cifras de esta lección: el ajuste de cinco puntos, la incertidumbre de las doce medidas, el 39.3 % de la elipse y la igualdad exacta entre el promedio recursivo y el de libro.
El laboratorio
En Estimador recursivo arrastras un cursor sobre las medidas de la tensión del bus y ves, en cada una, la innovación y el salto K⋅y que da la estimación. La segunda escena compara la varianza teórica σ2/n con 400 repeticiones. Con el escenario «Descarga» comprobarás que el promedio se queda atrás y que el olvido lo arregla, pero empeora el caso constante.
1 de 6
En el promedio de cinco medidas del video 1.1, el error cuadrático medio vale 1.84 km². ¿De dónde sale?
Qué deja fuera este modelo
Ruido blanco y conocido. La fórmula σ2(A⊤A)−1 supone medidas independientes con la misma varianza. Si el ruido está correlacionado en el tiempo, o cambia de una medida a otra, hacen falta mínimos cuadrados ponderados con la covarianza completa del ruido.
Modelo correcto. Si la sonda acelera y ajustas una recta, el estimador tiene sesgo y ningún número de medidas lo quita: el error de modelo no se promedia.
Valores atípicos. Elevar al cuadrado da mucho peso a los errores grandes; un solo eco falso arrastra la recta. Volveremos a esto con las compuertas de la lección 6.
Sin dinámica. El estimador recursivo de esta lección supone un valor constante; el olvido es un remiendo. La lección 2 introduce el modelo de estado que permite estimar algo que cambia.
Lo que sigue
La ganancia 1/n se apaga porque supone que el estado no cambia. Para seguir algo que se mueve necesitamos describir cómo se mueve: el espacio de estados, la matriz de transición y los dos ruidos, R del sensor y Q del modelo. Es la lección 2.
Laboratorio interactivo
El estimador recursivo y el factor de olvido
Cierre de la lección
Lo que sigue: video
Sigue el recorrido de la lección paso a paso.
Crea una cuenta gratis para continuar
Con una cuenta desbloqueas el cuestionario, el foro de dudas y el tutor con IA de esta lección, además del registro de progreso y el certificado verificable al terminar «Estimación y filtro de Kalman: seguir un objeto con medidas ruidosas».