En la predicción del error de identificación, la matriz de información juega un

papel central. Específicamente, cuando el sistema está en el conjunto de

modelos, la matriz de covarianza del parámetro se estima convergente
sintomáticamente, hasta el factor de escalamiento, al inverso de la matriz de
información. La existencia de una matriz de covarianza finita depende, por lo
tanto, de la definición positiva de la matriz de información, y la tasa de
convergencia de la estimación del parámetro depende de su "tamaño". La matriz
de información también es la herramienta clave en la solución de procedimientos
óptimos de diseño de experimentos, que se han convertido en un foco de
atención reciente. Al presentar un marco geométrico, proporcionamos un análisis
completo, para estructuras de modelos arbitrarios, del grado mínimo de riqueza
requerido para garantizar la no singularidad de la matriz de información. Luego,
particularizamos estos resultados a todas las estructuras de modelos
comúnmente utilizados, tanto en el interior como en circuito cerrado. En una
configuración de circuito cerrado, nuestros resultados proporcionan una
compensación cuantitativa inesperada y precisa entre el grado del controlador y
el grado requerido de excitación externa.

El problema abordado en este documento es: Dada una estructura de modelo

identificable, ¿cuáles son las condiciones requeridas en el experimento de
recopilación de datos que hacen que la matriz de información sea positiva
definida? Como veremos, para un experimento de bucle abierto, la definición
positiva de la matriz de información depende de la riqueza de la señal de
entrada; Para un experimento de circuito cerrado, depende de la complejidad
del controlador y / o de la riqueza de la excitación aplicada externamente. Por lo
tanto, nuestra contribución precisa será determinar el menor grado de riqueza
de la señal de entrada (en bucle abierto), y la combinación más pequeña de
la complejidad del controlador y el grado de riqueza de la excitación
externa (bucle cerrado) que hace que la matriz de información no singular.
Nuestros resultados se expresarán como condiciones necesarias y suficientes
en las señales de enriquecimiento y / o complejidad del controlador. ¿Por qué es
este problema de interés? La matriz de información juega un papel clave en la
teoría de la estimación, y en particular en la identificación de errores de
predicción. Cuando el sistema está en el conjunto de modelos, la matriz de
covarianza de parámetros asintóticos es, hasta un factor de escala, la inversa de
la matriz de información. Por lo tanto, la existencia de una matriz de covarianza
finita depende de la de finitud positiva de la matriz de información, y la tasa de
convergencia hacia el mínimo global del criterio de error de predicción depende
del "tamaño" de esta matriz de información. Cuando el sistema no está en el
conjunto de modelos, se puede demostrar que la de finitividad positiva de la
matriz de información en un vector ϴ de parámetro es equivalente a la
identificabilidad e informatividad de los datos: ϴ