Simuladores afines
Siga con temas cercanos de esta categoría — o todos los 85 de «Visualización matemática».
Mínimos cuadrados
Puntos con ruido y la recta y = ax + b que minimiza la suma de los cuadrados de los residuos verticales. Cambien pendiente, desplazamiento y ruido: se ven los residuos y la suma de cuadrados de los errores.
Regresión lineal: MCO, ridge, lasso y R²
Puntos en el plano y el modelo y = β₀ + β₁x: MCO ordinario, ridge (penalización L₂ sobre la pendiente) o lasso (penalización L₁). El desplazamiento Δy del punto con mayor |x| es un valor atípico de fuerte apalancamiento; se comparan SSE y R².
Filtro de Kalman: seguimiento en 2D
Filtro de velocidad constante en cuatro dimensiones: mediciones ruidosas (x,y), ruido de aceleración de proceso Q, varianza de medición R y elipse de covarianza viva ≈2σ.
Filtro de Kalman (1D)
Estimación óptima recursiva: mediciones ruidosas, verdad oculta, predicción y corrección con Q y R; caminata aleatoria o velocidad constante, banda ±2σ e innovaciones.
Circunferencia trigonométrica
Circunferencia unitaria: sin θ, cos θ y tan θ como coordenadas y cociente al moverse el punto.
Filtro adaptativo LMS / NLMS
Canal primario p = s + v, donde v es un FIR desconocido del ruido blanco de referencia x[n]. FIR adaptativo de L tomas con LMS o NLMS: el error e = p − wᵀx tiende a la señal útil s.