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
Ajuste a La Calificación Del Riesgo De Mercado De Las Emisoras Más Activas Que Cotizan En La Bolsa Mexicana De Valores, Con La Implementación De Una Red Neuronal Artificial Clasificadora: Adjustment to the Market Risk Rating of the Most Active Issuers Listed on the Mexican Stock Exchange with the Implementation of an Artificial Neural Network Classifier