Comienzo del desarrollo de la justificacion de seleccion de orden

BovedasObsidian/Tesis De Grado Berlatzky/.obsidian/workspace.json

@@ -8,16 +8,65 @@
         "type": "tabs",
         "children": [
           {
-            "id": "75db4095789741bb",
+            "id": "98c317090ba61861",
+            "type": "leaf",
+            "state": {
+              "type": "markdown",
+              "state": {
+                "file": "Duda que surge de escribir la primera simulación.md",
+                "mode": "source",
+                "source": false
+              },
+              "icon": "lucide-file",
+              "title": "Duda que surge de escribir la primera simulación"
+            }
+          },
+          {
+            "id": "e5e9e711456b156b",
+            "type": "leaf",
+            "state": {
+              "type": "markdown",
+              "state": {
+                "file": "Simulaciones/Estimador de Orden.md",
+                "mode": "source",
+                "source": false
+              },
+              "icon": "lucide-file",
+              "title": "Estimador de Orden"
+            }
+          },
+          {
+            "id": "167a39b8463abf84",
+            "type": "leaf",
+            "state": {
+              "type": "markdown",
+              "state": {
+                "file": "Auxiliar.md",
+                "mode": "source",
+                "source": false
+              },
+              "icon": "lucide-file",
+              "title": "Auxiliar"
+            }
+          }
+        ],
+        "currentTab": 1
+      },
+      {
+        "id": "0ffb8009f13bb072",
+        "type": "tabs",
+        "children": [
+          {
+            "id": "eca72ef88f0e0261",
             "type": "leaf",
             "state": {
               "type": "pdf",
               "state": {
                 "file": "Materiales/Adicionales/[Stoica_P.,_Moses_R.L.]_Spectral_analysis_of_signa(b-ok.xyz).pdf",
-                "page": 414,
+                "page": 428,
-                "left": -7,
+                "left": -12,
-                "top": 315,
+                "top": 562,
-                "zoom": 2.274846789235279
+                "zoom": 1.2390087929656275
               },
               "icon": "lucide-file-text",
               "title": "[Stoica_P.,_Moses_R.L.]_Spectral_analysis_of_signa(b-ok.xyz)"
@@ -173,22 +222,23 @@
       "pdf-plus:PDF++: Toggle auto-paste": false
     }
   },
-  "active": "75db4095789741bb",
+  "active": "e5e9e711456b156b",
   "lastOpenFiles": [
-    "Materiales/Adicionales/EstimacionEspectral.pdf",
+    "Materiales/Adicionales/[Stoica_P.,_Moses_R.L.]_Spectral_analysis_of_signa(b-ok.xyz).pdf",
+    "Simulaciones/Estimador de Orden.md",
+    "Auxiliar.md",
     "Duda que surge de escribir la primera simulación.md",
-    "Duda sobre la explicación sobre los métodos parametricos.md",
+    "Preguntas.md",
-    "Notas de apendice del Stoica.md",
-    "Notas de la reunión con Cecilia del 30-05-2025.md",
     "Notas del libro Spectral analisis of signals de Stoica.md",
     "Posible objetivo de la tesis.md",
-    "Preguntas.md",
+    "Notas de la reunión con Cecilia del 30-05-2025.md",
+    "Notas de apendice del Stoica.md",
+    "Duda sobre la explicación sobre los métodos parametricos.md",
+    "Materiales/Adicionales/EstimacionEspectral.pdf",
     "Resumen de ambiental.md",
     "Auxiliar.md",
-    "Materiales/Adicionales/[Stoica_P.,_Moses_R.L.]_Spectral_analysis_of_signa(b-ok.xyz).pdf",
     "Untitled 1.md",
     "Preguntas de final posibles.md",
-    "Untitled.md",
     "Materiales/Adicionales/Merrill Ivan Skolnik - Introduction to Radar Systems-Mcgraw-Hill College (1980).pdf",
     "Materiales/Adicionales/sensors-14-02595.pdf",
     "Materiales/TesisDeReferencia/VanderPlas_2018_ApJS_236_16.pdf",

BovedasObsidian/Tesis De Grado Berlatzky/Auxiliar.md

@@ -0,0 +1,227 @@
+## 1. 📄 Resumen: Ajuste No Lineal de Señales por Mínimos Cuadrados en Python
+
+  
+
+Este código realiza un ajuste por mínimos cuadrados no lineales para estimar los parámetros de una señal compuesta por una suma de funciones coseno. El modelo de señal es:
+
+  
+
+$$
+
+x(t) = \sum_{i=0}^{N} \alpha_i \cdot \cos(\omega_i t + \phi_i)
+
+$$
+
+  
+
+donde los parámetros $\alpha_i$ (amplitud), $\omega_i$ (frecuencia) y $\phi_i$ (fase) son desconocidos y deben ser estimados.
+
+  
+
+---
+
+  
+
+### 1.1. 🔧 Objetivo
+
+  
+
+A partir de una muestra de la señal $x(t)$, recuperar los parámetros de cada coseno usando mínimos cuadrados no lineales con `scipy.optimize.curve_fit`.
+
+  
+
+---
+
+
+
+### 1.2. 🧱 Estructura del Código
+
+  
+
+**1. Definición de parámetros verdaderos**
+
+  
+
+Se definen las amplitudes, frecuencias y fases de la señal original que queremos simular.
+
+  
+
+```python
+
+alpha_true = [2.0, 1.5, 1.0]
+
+omega_true = [1.5, 3.2, 5.0]
+
+phi_true = [0.1, -0.5, 1.2]
+
+```
+
+  
+
+**2. Generación de la malla temporal**
+
+  
+
+Se crean $n$ muestras en el intervalo $[0, 2\pi]$.
+
+  
+
+```python
+
+t = np.linspace(0, 2*np.pi, n_muestras)
+
+```
+
+  
+
+**3. Generación de la señal**
+
+  
+
+Se suma cada coseno con sus parámetros reales:
+
+  
+
+```python
+
+x(t) = \sum \alpha_i \cdot \cos(\omega_i t + \phi_i)
+
+```
+
+  
+
+**4. Modelo para ajuste**
+
+  
+
+Se define una función que toma un vector plano de parámetros y devuelve la señal modelada:
+
+  
+
+```python
+
+def modelo(t, *params):
+
+    for i in range(0, len(params), 3):
+
+        a = params[i]
+
+        w = params[i+1]
+
+        p = params[i+2]
+
+        x += a * np.cos(w * t + p)
+
+```
+
+  
+
+**5. Inicialización de parámetros**
+
+  
+
+Se eligen valores iniciales para los parámetros del modelo.
+
+  
+
+```python
+
+params_iniciales = [1.0, 2.0, 0.0, 1.0, 3.0, 0.0, 1.0, 4.0, 0.0]
+
+```
+
+  
+
+**6. Ajuste con `curve_fit`**
+
+  
+
+Se aplica el método de mínimos cuadrados no lineales:
+
+  
+
+```python
+
+popt, _ = curve_fit(modelo, t, x, p0=params_iniciales)
+
+```
+
+  
+
+**7. Extracción de parámetros estimados**
+
+  
+
+Los parámetros ajustados se separan en amplitudes, frecuencias y fases:
+
+  
+
+```python
+
+alpha_est = popt[::3]
+
+omega_est = popt[1::3]
+
+phi_est = popt[2::3]
+
+```
+
+  
+
+**8. Comparación de resultados**
+
+  
+
+Se imprime la comparación entre parámetros reales y estimados.
+
+  
+
+**9. Gráfico de validación**
+
+  
+
+Se grafican las señales original y ajustada para visualizar la calidad del ajuste.
+
+  
+
+---
+
+  
+
+### 1.3. ✅ Conclusiones
+
+  
+
+* Este método permite ajustar señales compuestas por cosenos sin necesidad de conocer las frecuencias de antemano.
+
+* La clave es usar un modelo no lineal y una buena inicialización.
+
+* El ajuste es preciso si los datos no tienen mucho ruido y las condiciones iniciales son razonables.
+
+  
+
+---
+
+  
+
+### 1.4. 📚 Requisitos
+
+  
+
+Este código requiere las siguientes bibliotecas de Python:
+
+  
+
+```bash
+
+pip install numpy scipy matplotlib
+
+```
+
+  
+
+---
+
+  
+
+¿Querés que este resumen lo exporte directamente a un archivo `.docx` listo para descargar?

BovedasObsidian/Tesis De Grado Berlatzky/Simulaciones/Estimador de Orden.md

@@ -0,0 +1,49 @@
+# Repaso teórico del libro de Stoica para los algoritmos de estimación de orden
+
+
+
+
+# Marco teórico para el desarrollo del estimador de orden
+
+Para comenzar lo que hacemos es plantear el modelo que estamos proponiendo para las señales que estamos midiendo. Estamos proponiendo que las señales son de la forma:
+
+$$
+	Y_j = \sum_{i=1}^{N}\left[ \alpha_i \hbox{ } cos(w_it_j + \phi_i) \right] + \varepsilon_j 
+$$
+Donde se tiene que:
+	- $M_j$ representa la muestra $j$ del vector de las muestras tomadas de la señal de interés.
+	- La constante $\alpha_i$ es la amplitud del coseno $i$ que compone a la señal.
+	- La constante $w_i$ es la frecuencia del coseno $i$ que compone a la señal.
+	- La constante $\phi_i$ es la fase del coseno $i$ que compone a la señal.
+	- $\varepsilon_j$ es el error gaussiano que esta presente en la muestra $j$ del vector de muestras.
+
+En el modelo que estamos proponiendo para los vectores muestreados que la función es la suma de una cantidad indefinida de cosenos, en donde cada uno tiene su amplitud, su frecuencia y su fase, y la suma de ruido gaussiano.  Planteando esto podemos plantear la distribución de cada uno de los puntos del vector. Planteando esto obtenemos que:
+
+$$
+	Y_j \sim N\left(\sum_{i=1}^{N}\left[ \alpha_i \hbox{ } cos(w_it_j + \phi_i) \right]\hbox{ }, \sigma² \right)
+$$
+Entonces la función objetivo a maximizar es de la forma:
+$$\Large
+	T 
+	
+	= \prod_{j=i}^{n}\frac{1}{\sqrt{2\pi\sigma}}             e^{-\frac{1}{2} \frac{\left(y_j-\sum_{i=1}^{N}\left[ \alpha_i \hbox{ } cos(w_it_j + \phi_i) \right]\right)²}{\sigma²}} 
+$$
+$$\Large
+	T 
+	
+	= \left(\frac{1}{2\pi\sigma}\right)^{\frac{n}{2}}   \prod_{j=i}^{n}   e^{-\frac{1}{2} \frac{\left(y_j-\sum_{i=1}^{N}\left[ \alpha_i \hbox{ } cos(w_it_j + \phi_i) \right]\right)²}{\sigma²}}
+$$
+$$\Large
+	T 
+	
+	= \left(\frac{1}{2\pi\sigma}\right)^{\frac{n}{2}}      e^{\sum_{j=i}^{n}\left[-\frac{1}{2} \frac{\left(y_j-\sum_{i=1}^{N}\left[ \alpha_i \hbox{ } cos(w_it_j + \phi_i) \right]\right)²}{\sigma²}\right]}
+$$$$
+	ln(T) = -\frac{n}{2}ln(2\pi\sigma) -\frac{1}{2} \sum_{j=i}^{n}\left[-\frac{1}{2} \frac{\left(y_j-\sum_{i=1}^{N}\left[ \alpha_i \hbox{ } cos(w_it_j + \phi_i) \right]\right)²}{\sigma²}\right]    
+$$
+
+
+
+
+
+
+# Explicación del estimador de orden