Análisis del estado que predice el estimador bayesiano

Parece (con el cálculo a medias en remotón) que los valores óptimos son:

Potencia=0.4, alfa=10^-1.2, beta=10^-1.1.

Vamos a ver la pinta que tiene la gráfica omega frente a desv para estos parámetros. Corro 101 optimizaciones, y cojo la de menor coste.

 

pos_opt=coste2pos_num_ruido(todas.A*10^(-1.2),todas.M*10^(-1.1)+todas.S,todas.f,.4,0,1,1);
for c=1:100
pos_opt=[pos_opt coste2pos_num_ruido(todas.A*10^(-1.2),todas.M*10^(-1.1)+todas.S,todas.f,.4,0,1,1)];
end

Coste frente a iteraciones para las 100 optimizaciones:

for c=1:101
costes(c)=pos2coste(todas.A*10^(-1.2),todas.M*10^(-1.1)+todas.S,todas.f,pos_opt(:,c),.4);
end

 

>> for c=1:101
error(c)=mean(abs(pos_opt(:,c)-todas.pos_real));
end
>> plot(costes,error,’.’)
>> xlabel(‘Coste’)
>> ylabel(‘Error medio’)

 

Cogemos el de coste mínimo:

[m,ind_min]=min(costes)
omega=sum([todas.A*10^(-1.2) todas.M*10^(-1.1)+todas.S],2);
>> plot(abs(todas.pos_real-pos_opt(:,ind_min)),omega,’.’)
for c=1:279
text(abs(todas.pos_real(c)-pos_opt(c,ind_min)),omega(c),todas.nombres{c})
end

Cojona. Resulta que AVAL, AVAR y DA06 quedan bien colocadas!

APARENTEMENTE bien colocadas. En realidad su coste es grande (aunque a saber si aquí tienen mucho sentido las líneas de isocoste)

Advertisement

Primera prueba

Estrenamos éste nuestro cuaderno de laboratorio on-line, loable intento de transparencia y agilidad científica, con escasas probabilidades de éxito.

>> plot(-10:.01:10,(-10:.01:10).^2,’LineWidth’,3)
>> hold on
>> plot([-6 6],[120 120],’o’,’MarkerSize’,10,’LineWidth’,3)
>> axis([-12 12 -10 150])

 

Hello world!

Welcome to WordPress.com. This is your first post. Edit or delete it and start blogging!