INSTITUTO TECNOLÓGICO SUPERIOR DE VILLA

LA VENTA
CONTROL DE PROCESOS

Ing. Víctor Manual Salinas Jarquín

ALUMNO:
Agustin Suarez Velazquez

INGENIERIA MECATRÓNICA
9VO “I”
SABATINO

Identificación de sistemas

Fecha de inicio: Fecha de entrega:

18/08/2018 21/08/2018
 IDENTIFICACIÓN DE SISTEMAS
MÉTODOS GRÁFICOS DE IDENTIFICACIÓN
Estos métodos se caracterizan por determinar los parámetros del modelo de una forma gráfica,
y por mucho tiempo se utilizaron de esta forma a pesar de las imprecisiones a que conllevan.
No obstante, con la ayuda de la computadora, muchos métodos gráficos se han programado
mediante algoritmos analíticos.
El escalón es la señal de prueba más utilizada, en la práctica sólo puede lograrse de forma
aproximada ya que es imposible lograr un cambio brusco de una variable en un tiempo
infinitesimal, no obstante, se considera válido si la constante de tiempo de la señal real es
menor que la décima parte de la menor constante de tiempo que se quiere determinar en la
identificación. El uso de esta señal tiene la ventaja de la sencillez en su generación y que el
tiempo de experimentación es corto. Como desventaja se puede mencionar la introducción de
una alteración relativamente grande en el comportamiento del sistema, lo cual no siempre es
permisible. El procedimiento para obtener los parámetros del modelo estará en dependencia
del modelo
 MÉTODO DEL MODELO DE REFERENCIA
Se contempla en el diseño la dinámica de la referencia:

r es un escalón y H y E dos polinomios que definen la dinámica del modelo.

Control con Modelo de Referencia Determinista

En este caso el modelo de la planta será:

Se definirá un nuevo predictor del siguiente modo:

donde los polinomios F y G cumplen la ecuación

La ecuación (1.2) y la (1.3) son equivalentes ya que si multiplicamos (1.2) por F resulta:
 MÉTODO DE MÍNIMOS CUADRADOS

Identifica modelos lineales en los parámetros, como:

equivale a:

Regresor

Vector de parámetros

Error de predicción

Partiendo de N pares (y(k),m(k)) se plantea:

Se buscará la pseudosolución (θ) del sistema óptima en el sentido de los mínimos cuadrados,
es decir minimizando,
 MÉTODO DE DE MÁXIMA VEROSIMILITUD
Considerar x distribuida de acuerdo a f(x;q) donde q es un parámetro (o vector de parámetros)
desconocido.

El método de máxima verosimilitud es una técnica para estimar los valores de θ dada una
muestra finita de datos.

Supongamos n medidas de x, x1,...,xn

Puesto que las medidas son independientes, la probabilidad de que x1 esté en [x1, x1+dx], x2
En [x2, x2+dx2], es:
 MÉTODO DE LA VARIABLE INSTRUMENTAL

Para estudiar en qué contextos puede aparecer el problema de regresores endógenos,

supongamos que un analista del mercado de trabajo quiere estudiar la relación entre el salario
(wi) y los años de educación recibida, para lo cual especifica el siguiente sencillo modelo
econométrico:
ln(wi) = β0+β1 Educa + ui
En este modelo simplificado el parámetro β1 es una semielasticidad: indica en qué porcentaje
cambiaría el salario por cada año adicional de educación (previsiblemente su signo sería
positivo). La perturbación ui recoge aquellos efectos que influyen sobre el salario y que no
están contenidos en la variable educación; si entre estos efectos estuviera, por ejemplo, la
destreza individual y esta variable estuviera correlacionada con la educación, entonces la
variable Educa sería un regresor endógeno y la estimación mínimo-cuadrática del parámetro
β1 estará sesgada al alza indicando el efecto conjunto de la educación y la destreza individual
sobre el salario.
Para estimar el parámetro β1, evitando el sesgo de endogeneidad, una posibilidad es buscar
una variable instrumento para la educación que cumpla las siguientes condiciones:
 1. Que esté incorrelacionada con la perturbación ui del modelo. En nuestro caso, ello
exigiría que la variable instrumento estuviera incorrelacionada con la destreza individual.
Si no se cumple esta condición el estimador por variables instrumentales no sería
consistente (habría un sesgo de endogeneidad que no disminuiría al aumentar el
tamaño muestral).
 2. Que tenga una correlación alta con el regresor endógeno, en nuestro caso, con la
variable educación. La eficiencia del estimador por variables instrumentales está
directamente relacionada con la correlación entre ambas variables.
Para el modelo de nuestro ejemplo, una opción a veces utilizada en la literatura del mercado
de trabajo consiste en utilizar la variable educación de la madre (mothereduc) como variable
instrumento. Previsiblemente la educación de la madre estará correlacionada con la variable
educación aunque es más discutible que la variable mothereduc esté incorrelacionada con la
destreza individual y, por lo tanto, con la perturbación ui del modelo. El problema, por otra
parte, habitual en el contexto de variables instrumentales, es que, al ser la variable ui no
observable, no es posible contrastar empíricamente la condición de incorrelación entre el
instrumento y la perturbación y dicha condición es crítica para que el estimador por variables
instrumentales sea consistente. Esta condición, habitualmente, ha de establecerse basada en
razonamientos económicos o intuitivos.
Para expresar las ecuaciones del estimador por variables instrumentales vamos a denotar
como yia la variable dependiente (logaritmo del salario), xial regresor endógeno y como zi al
instrumento escogido. En este caso, las ecuaciones del estimador por mínimos cuadrados
ordinarios (MCO) vienen dadas por :