Unidad II. Identificación de Sistemas

Identificación de sistemas y control adaptativo
Ing. Waldo Urribarrí
Unidad II
Identificación de sistemas
Unidad II
Objetivo: Conocer los conceptos básicos inherentes a la identificación de
sistemas.
Contenido:
• Conceptos básicos.
• El proceso de identificación de sistemas.
• Técnicas de identificación no paramétricas.
• Técnicas de identificación paramétricas.
Tipos de modelos paramétricos: ARX, OE, ARMAX y BJ.
Métodos para el ajuste de los parámetros: uso de MATLAB.
• Consideraciones prácticas sobre identificación.
• Aplicación práctica.
Unidad II
• Conceptos básicos
Sistema: Un sistema es toda realidad en la que interactúan variables
de diferentes tipos para producir señales observables. Las señales
observables que son de interés para el observador se denominan
salidas del sistema, mientras que las señales que pueden ser
manipuladas libremente por el observador son las entradas del mismo.
El resto de señales que influyen en la evolución de las salidas pero no
pueden ser manipuladas por el observador se denominan
perturbaciones.
Perturbación, e(t)
Entrada, u(t) Sistema Salida, y(t)

dinámico
Unidad II
Un sistema puede considerarse como un proceso en el cual las señales
de entrada son transformadas por el sistema o provocan que este
responda de alguna forma, dando como resultado otra señal como
salida.
Sistemas continuos y discretos: Los sistemas continuos operan con
señales analógicas y su principal característica es presentar
continuidad tanto en magnitud como en tiempo. Con los avances
tecnológicos, tanto en electrónica como en computadoras, la mayoría
de los sistemas de adquisición de datos y de control automático han
evolucionado a procesadores digitales y sistemas que operan con
computadoras, a los cuales se les conoce como sistemas discretos,
cuya principal característica es operar con señales discontinuas que
presentan su discontinuidad tanto en magnitud como en tiempo.
Unidad II
Conocer las características, ventajas y desventajas de los sistemas
continuos como de los discretos es fundamental para tener claridad en
las especificaciones y limitaciones de diseño que aseguren que, en la
implementación de uno de estos tipos de sistemas, se cumplan con los
objetivos de rendimiento global esperado.
Unidad II
Sistemas continuos:
Los primeros sistemas de adquisición de datos (así como sistemas
automáticos de control) operaron como sistemas continuos. A estos
sistemas actualmente se les conoce como sistemas o controles
convencionales y su principal característica es que registran y
manipulan la información mediante señales analógicas, tales como
voltaje, corriente, presión, temperatura, posición o alguna otra
variable física. Estas señales tienen la característica de presentar
continuidad tanto en magnitud como en tiempo (de ahí el nombre de
sistemas continuos). Así definiremos a los sistemas continuos como
aquellos que operan o manipulan información en forma continua.
Unidad II
Sistemas continuos:
Un sistema continuo es aquel en el cual las señales continuas de
entrada son transformadas en señales continuas de salida.
x(t) → y(t)
Entrada, x(t) Sistema en Salida, y(t)

tiempo
continuo
Unidad II
Sistemas discretos:
Los sistemas de control de tiempo discreto (STD) son sistemas
dinámicos para los cuales una ó más de sus variables solamente son
conocidas en ciertos instantes.
Por lo tanto, son aquellos que manejan señales discretas, a diferencia
de los sistemas de tiempo continuo (STC) en los cuales sus variables
son conocidas en todo momento.
El hecho de que algunas funciones del tiempo propias del STD varíen
en forma discreta, puede provenir de una característica inherente al
sistema, como en el caso de aquellos que trabajan con algún tipo de
barrido, por ejemplo: un sistema de radar.
Unidad II
Sistemas discretos:
La otra posibilidad es que la variación discreta provenga de un proceso
de muestreo de alguna señal, y estos últimos son los que interesan en
este estudio.
Este proceso de muestreo, que convierte una señal analógica o de
tiempo continuo en una señal discreta o muestreada, podría hacerse a
un ritmo constante, variable según alguna ley de variación o aleatorio.
Unidad II
Sistemas continuos y discretos
Un sistema discreto es aquel en el cual las señales discretas de entrada
son transformadas en señales discretas de salida.
X[n] → Y[n]
Entrada, x[n] Sistema en Salida, y[n]

tiempo
discreto
Unidad II
Modelo de un sistema:
Cuando se hace necesario conocer el comportamiento de un sistema
en unas determinadas condiciones y ante unas determinadas entradas,
se puede recurrir a la experimentación sobre dicho sistema y a la
observación de sus salidas. Sin embargo en muchos casos la
experimentación puede resultar compleja o incluso imposible de llevar
a cabo, lo que hace necesario trabajar con algún tipo de
representación que se aproxime a la realidad, y a la que se le conoce
como modelo.
Básicamente, un modelo es una herramienta que permite predecir el
comportamiento de un sistema sin la necesidad de experimentar sobre
él.
Unidad II
Tipos de modelos:
Los modelos de sistemas físicos pueden ser de muy diversos tipos. Una
clasificación, en función del grado de formalismo matemático que
poseen, es la siguiente:
1. Modelos mentales, intuitivos o verbales. Estos modelos carecen de
formalismo matemático. Por ejemplo, para producir un auto se
requiere un modelo mental o intuitivo sobre el efecto que produce
el movimiento del volante, pero no es necesario caracterizar dicho
efecto mediante ecuaciones matemáticas exactas.
Unidad II
Tipos de modelos:
2. Modelos no paramétricos. Muchos sistemas quedan perfectamente
caracterizados mediante un gráfico o tabla que describa sus
propiedades dinámicas mediante un número no finito de
parámetros. Por ejemplo, un sistema lineal queda definido
mediante su respuesta al impulso o al escalón, o bien mediante su
respuesta de frecuencia.
Unidad II
Tipos de modelos:
3. Modelos paramétricos o matemáticos. Para aplicaciones más
avanzadas, puede ser necesario utilizar modelos que describan las
relaciones entre las variables del sistema mediante expresiones
matemáticas como pueden ser ecuaciones diferenciales (para
sistemas continuos) o en diferencias (para sistemas discretos). En
función del tipo de sistema y de la representación matemática
utilizada, los sistemas pueden clasificarse en:
a. Determinísticos o estocásticos. Un modelo es determinístico
cuando expresa la relación entre entradas y salidas mediante una
ecuación exacta. Un modelo estocástico si posee un cierto grado
de incertidumbre y se definen mediante conceptos probabilísticos
o estadísticos.
Unidad II
Tipos de modelos:
b. Dinámicos o estáticos. Un sistema es estático cuando la salida
depende únicamente de la entrada en el mismo instante (un
resistor, es un sistema estático). En estos sistemas existe una
relación directa entre la entrada y la salida, independientemente
del tiempo. Un sistema dinámico es aquél en el que las salidas
evolucionan con el tiempo tras la aplicación de una determinada
entrada (por ejemplo, una red RC). En este caso, para conocer el
valor actual de la salida es necesario conocer el tiempo
transcurrido desde la aplicación de la entrada.
Unidad II
Tipos de modelos:
c. Continuos o discretos. Los sistemas continuos trabajan con
señales continuas, y se caracterizan mediante ecuaciones
diferenciales. Los sistemas discretos trabajan con señales
muestreadas, y quedan descritos mediantes ecuaciones en
diferencias.
Todo modelo matemático o paramétrico, por tanto, consta de una o
varias ecuaciones que relacionan la(s) entrada(s) y salida(s) (en los
modelos dinámicos la variable t –tiempo- juega un papel primordial).
De ahí que a los modelos matemáticos se les conozca mejor como
modelos paramétricos, ya que pueden definirse mediante una
estructura y un número finito de parámetros (ver ejemplo siguiente).
Unidad II
Tipos de modelos:
Un ejemplo de modelo matemático de un sistema dinámico con dos
entradas u1 y u2 y una salida y, puede ser el siguiente:
Donde hay que distinguir:
1. La estructura del modelo:
2. Los parámetros del modelo: k1 = 5; k2 = 3; k 3 = -2

Unidad II
Métodos de obtención de modelos:
Existen dos `métodos principales para obtener el modelo de un
sistema:
1. Modelo teórico. Se trata de un modelo analítico, en el que se
recurre a las leyes básicas de la física para describir el
comportamiento dinámico de un fenómeno o proceso.
2. Identificación del sistema. Se trata de un método experimental que
permite obtener el modelo de un sistema a partir de datos reales
recogidos de la planta bajo estudio.
Unidad II
El modelo teórico tiene un campo de aplicación restringido a procesos
muy sencillos de modelar, o a aplicaciones en que no se requiera gran
exactitud en el modelo obtenido. En muchos casos, además, de la
estructura del modelo obtenido a partir del conocimiento físico de la
planta posee un conjunto de parámetros desconocidos y que solo se
pueden determinar experimentando sobre el sistema real. De ahí la
necesidad de recurrir a los métodos de identificación de sistemas.
Los modelos obtenidos mediante técnicas de identificación tienen, sin
embargo, las siguientes desventajas:
Unidad II
1. Su rango de validez suela ser limitado (solo son aplicables a un
determinado punto de trabajo, un determinado tipo de entrada o
un proceso concreto).
2. En muchos casos es difícil dar significado físico al modelo obtenido,
puesto que los parámetros identificados no tienen relación directa
con ninguna magnitud física. Estos parámetros se utilizan sólo para
dar una descripción aceptable del comportamiento conjunto del
sistema.
Unidad II
En la práctica, lo ideal es recurrir a una mezcla de ambos métodos de
modelado para obtener el modelo final. El uso de datos reales para
identificar los parámetros del modelo provee a este de una gran
exactitud, pero el proceso de identificación se ve tanto más facilitado
cuanto mayor sea el conocimiento sobre las leyes físicas que rigen el
proceso.
Unidad II
Series de tiempo:
Se llama Series de Tiempo a un conjunto de mediciones de cierto
fenómeno o experimento registrado secuencialmente en el tiempo. El
primer paso para analizar una serie de tiempo es graficarla, esto
permite: identificar la tendencia, la estacionalidad, las variaciones
irregulares (componente aleatoria). Un modelo clásico para una serie
de tiempo, puede ser expresada como suma o producto de tres
componentes: tendencia, estacional y un término de error aleatorio.
En adelante se estudiará como construir un modelo para explicar la
estructura y prever la evolución de una variable que observamos a lo
largo del tiempo.
Unidad II
Series de tiempo:
Uno de los problemas que intenta resolver las series de tiempo es el
de predicción. Esto es dado una serie {x(t1),...,x(tn)} nuestros
objetivos de interés son describir el comportamiento de la serie,
investigar el mecanismo generador de la serie temporal y buscar
posibles patrones temporales que permitan sobrepasar la
incertidumbre del futuro. Se analizará como construir un modelo para
explicar la estructura y prever la evolución de una variable que
observamos a lo largo del tiempo. La variables de interés pueden ser
varias, (económicas, sociales, etc.), incluyendo variables físicas, como:
velocidad del viento en una central eólica, temperatura en un proceso,
caudal de un río, concentración en la atmósfera de un agente
contaminante, entre otros.
Unidad II
Series de tiempo:
Definición de serie de tiempo: En muchas áreas del conocimiento las
observaciones de interés son obtenidas en instantes sucesivos del
tiempo, por ejemplo, a cada hora, durante 24 horas, mensuales,
trimestrales, semestrales o bien registradas por algún equipo en forma
continua.
Llamamos Serie de Tiempo a un conjunto de mediciones de cierto
fenómeno o experimento registradas secuencialmente en el tiempo.
Estas observaciones serán denotadas por {x(t1), x(t2), ..., x(tn)} = {x(t) : t
∈ T ⊆ R} con x(ti) el valor de la variable x en el instante ti. Si T = Z se
dice que la serie de tiempo es discreta y si T = R se dice que la serie de
tiempo es continua. Cuando ti+1 - ti = k para todo i = 1,...,n-1, se dice
que la serie es equiespaciada, en caso contrario será no equiespaciada.
Unidad II
Series de tiempo:
Definición de serie de tiempo:
En adelante se trabajará con series de tiempo discretas,
equiespaciadas en cuyo caso asumiremos y sin perdida de generalidad
que: {x(t1), x(t2), ..., x(tn)}= {x(1), x(2), ..., x(n)}.
El primer paso en el análisis de series de tiempo, consiste en graficar la
serie. Esto nos permite detectar las componentes esenciales de la
serie. El gráfico de la serie permitirá:
Unidad II
Componentes de series de tiempo:
a) Variación secular: permite detectar tendencia. La tendencia
representa el comportamiento predominante de la serie. Esta puede
ser definida vagamente como el cambio de la media a lo largo de un
periodo (ver la siguiente figura):
Unidad II
b) Variación estacional: la variación estacional representa un
movimiento periódico de la serie de tiempo. La duración de la
unidad del periodo es generalmente menor que un año. Puede ser
un trimestre, un mes o un día, etc .
Matemáticamente, podemos decir que la serie representa variación
estacional si existe un número s tal que x(t) = x(t + k⋅s).
Las principales fuerzas que causan una variación estacional son las
condiciones del tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportación de fruta en marzo.
Unidad II
Todos estos fenómenos presentan un comportamiento estacional
(anual, semanal, etc.)
Unidad II
c) Variación cíclica: Un ejemplo de fluctuación cíclica lo representa el
ciclo económico. A través del tiempo, hay años en los que el ciclo
económico llega a un pico arriba de la línea de tendencia; en otros, es
probable que la actividad de los negocios disminuya debajo de la
línea de tendencia. El tiempo que transcurre entre picos y
depresiones es al menos un año, y puede llegar a ser hasta 15 o 20.
La siguiente gráfica ilustra este caso.
Unidad II
d) Variaciones irregulares “Outlier”: (componente aleatoria): los
movimientos irregulares (al azar) representan todos los tipos de
movimientos de una serie de tiempo que no sea tendencia,
variaciones estacionales y fluctuaciones cíclicas. se refiere a puntos
de la serie que se escapan de lo normal. Un outliers es una
observación de la serie que corresponde a un comportamiento
anormal del fenómeno (sin incidencias futuras) o a un error de
medición.
Se debe determinar desde fuera si un punto dado es outlier o no. Si
se concluye que lo es, se debe omitir o reemplazar por otro valor
antes de analizar la serie.
Unidad II
Por ejemplo, en un estudio de la producción diaria en una fabrica se
presentó la siguiente figura:
Los dos puntos enmarcados en un
círculo parecen corresponder a un
comportamiento anormal de la
serie. Al investigar estos dos puntos
se vio que correspondían a dos días
de paro, lo que naturalmente afectó
la producción en esos días. El
problema fue solucionado
eliminando las observaciones e
interpolando.
Unidad II
Función transferencia:
Una función de transferencia es un modelo matemático que a través
de un cociente relaciona la respuesta de un sistema (modelada) a una
señal de entrada o excitación (también modelada). En la teoría de
control, a menudo se usan las funciones de transferencia para
caracterizar las relaciones de entrada y salida de componentes o de
sistemas que se describen mediante ecuaciones diferenciales lineales
e invariantes en el tiempo.
Unidad II
La función de transferencia de un sistema lineal e invariante en el
tiempo se define como la relación entre la transformada de Laplace
de la variable de salida y la transformada de Laplace de la variable de
entrada, suponiendo que todas las condiciones iniciales se hacen
iguales a cero. Esta forma de representar sistemas se denomina
representación externa, ya que atiende a las señales presentes en sus
terminales de entrada y salida. Así, dado el sistema de la siguiente
figura, su función de transferencia será:
Unidad II
Unidad II
Transformada de Laplace:
Tradicionalmente la transformada de Laplace ha sido muy usada en
sistemas de control y aún hoy día todavía lo es, sin embargo,
restringe mucho el campo de aplicación, ya que sólo es apropiada
para estudiar sistemas lineales y, dentro de éstos, los de una entrada-
una salida o SISO (del inglés Single Input-Single Output). Para el caso
de sistemas lineales MIMO (del inglés Multiple Inputs-Multiple
Outputs), habrá tantas funciones de transferencia como relaciones
salida/entrada puedan ser obtenidas.
Unidad II
Transformada de Laplace
La transformada de Laplace facilita de forma notable la resolución de
ecuaciones diferenciales lineales, ya que convierte la ecuación
diferencial temporal en un polinomio en s, y el proceso de
integración para resolverla, en una manipulación algebraica de un
polinomio cuya conversión al dominio temporal es inmediata
mediante tablas. El proceso descrito se ilustra en la siguiente figura.
Unidad II
Esquema conceptual del proceso de resolución de una ecuación

diferencial mediante la transformada de Laplace
Unidad II
Para realizar la transformación desde el dominio de la variable
compleja s al dominio temporal se emplea una integral de inversión
denominada transformada inversa de Laplace. En la práctica, rara vez
se emplea la integral de inversión para encontrar f(t). Hay un método
más sencillo que vamos a ilustrar en este ejemplo, que consiste en
descomponer la expresión en s resultante de la transformación en
fracciones simples, para después, mediante tablas, realizar una
traslación directa al dominio temporal. Sea pues la ecuación
diferencial a resolver siguiente:
Unidad II
Aplicando la transformada de Laplace a cada término de la ecuación:
Utilizando una tabla de transformadas se escribe la correspondiente

a cada sumando:
Unidad II
Ahora, teniendo en cuenta las condiciones iniciales y que la
transformada de la señal escalón unitario U(s) es 1/s,
Agrupando términos y despejando Y(s),

Unidad II
Donde s2 + 5s + 6 = (s + 2) (s + 3). Entonces, el desarrollo en fracciones
parciales de la expresión anterior es:
Cada uno de los coeficientes de la expresión anterior puede ser

obtenido actuando sobre cada fracción de y su desarrollo de del
modo siguiente:
Unidad II
Del mismo modo:
Por tanto,
Unidad II
Utilizando una tabla de transformadas se aplica ahora la
transformada inversa a cada sumando para obtener la solución de la
ecuación diferencial en el dominio del tiempo:
Nótese que conforme el tiempo transcurra los términos

exponenciales tenderán a cero, de modo que la respuesta a la que
tenderá el sistema (respuesta estacionaria) es: y(t) = 2/3
Unidad II
Ecuación en diferencias finitas:
El Método de Diferencias Finitas es un método de carácter general
que permite la resolución aproximada de ecuaciones diferenciales en
derivadas parciales definidas en recintos finitos. Es de una gran
sencillez conceptual y constituye un procedimiento muy adecuado
para la resolución de una ecuación bidimensional como con la que
hemos trabajado.
El primer paso para la aplicación del método consiste en discretizar el
recinto del plano en el que se quiere resolver la ecuación con una
malla, por conveniencia cuadrada. Los puntos de la malla están
separados una distancia h en ambas direcciones x e y.
Podemos desarrollar T(x,y) en serie de Taylor alrededor de un punto:
Unidad II
Sumando miembro a miembro, agrupando, despreciando los

términos o(h3) y despejando el término de la derivada segunda
resulta:
Unidad II
De forma similar se obtiene la expresión equivalente:
Pero de la ecuación de Laplace:

Unidad II
por lo tanto:
Lo que significa que el valor de la temperatura en un punto se puede

escribir como la media de las temperaturas de los 4 puntos vecinos.
Unidad II
Función impulso unitario y Delta de Dirac:
En ingeniería usualmente se maneja la idea de una acción ocurriendo
a un determinado punto. Puede ser una fuerza en ese punto o una
señal en un punto del tiempo, se convierte necesario desarrollar
alguna manera cuantitativa de definir este hecho. Esto nos lleva a la
idea de un pulso unitario. Es probablemente la segunda señal más
importante en el estudio de señales y sistemas después del
Exponencial Complejo.
Unidad II
La función Delta de Dirac, conocida también como el impulso unitario
o función delta es una función infinitamente angosta, infinitamente
alta, cuya integral tiene un valor unitario (Ver ecuación abajo). Tal vez
la manera mas simple de visualizar esto es usar un pulso rectangular
que va de (a - ε/2) a (a + ε/2) con una altura de 1/ε. Al momento de
tomar su límite, , podemos observar que su ancho tiende a ser
cero y su altura tiende a infinito conforme su área total permanece
constante con un valor de uno. La función del impulso usualmente se
escribe como. La función del impulso usualmente se escribe como
δ(t).
Unidad II
Ver video:
http://www.youtube.com/watch?v=KtUaWdjmiw8
Escalón unitario
http://www.youtube.com/watch?v=83flWdX9vgw
http://www.youtube.com/watch?v=cC50zfVxR0c
Unidad II
• El proceso de identificación de sistemas

Se entiende por identificación de sistemas a la obtención de forma
experimental de un modelo que reproduzca con suficiente exactitud,
para los fines deseados, las características dinámicas del proceso
objeto de estudio.
En términos generales, el proceso de identificación comprende los
siguientes pasos:
1. Obtención de datos entrada- salida. Para ello se debe excitar el
sistema mediante la aplicación de una señal de entrada y registrar
la evolución de sus entradas y salidas durante un intervalo de
tiempo.
Unidad II

2. Tratamiento previo de los datos registrados. Los datos registrados
están generalmente acompañados de ruidos indeseados u otros
tipos de imperfecciones que puede ser necesario corregir antes de
iniciar la identificación del modelo. Se trata por tanto de
“preparar” los datos para facilitar y mejorar el proceso de
identificación.
3. Elección de la estructura del modelo. Si el modelo que se desea
obtener es un modelo paramétrico, el primer paso es seleccionar
la estructura deseada de dicho modelo. Este punto se facilita en
gran medida si se tiene un cierto conocimiento sobre las leyes
físicas que rigen el proceso.
Unidad II

4. Obtención de los parámetros del modelo. A continuación se
procede a la estimación de los parámetros de la estructura que
mejor ajusta la respuesta del modelo a los datos de entrada-salida
obtenidos experimentalmente.
5. Validación del modelo. Consiste en determinar si el modelo
obtenido satisface el grado de exactitud requerido para la
aplicación en cuestión. Si se llega a la conclusión de que el modelo
no es valido, se deben revisar los siguientes aspectos como
posibles causas:
a. El conjunto de datos entrada-salida no proporciona suficiente
información sobre la dinámica del sistema.
Unidad II

b. La estructura seleccionada no es capaz de proporcionar una
buena descripción del modelo.
c. El criterio de ajuste de parámetros seleccionado no es el más
adecuado.
Dependiendo de la causa estimada, deberá repetirse el proceso de
identificación desde el punto correspondiente. Por tanto, el proceso
de identificación es un proceso iterativo, cuyos pasos pueden
observarse en la siguiente figura.
Unidad II Conocimientos
Identificación de sistemas previos del
Experimento sistema
de registro de
datos
Tratamiento
de datos Elección de la
estructura del
modelo
Elección del
Datos criterio de ajuste
de parámetros
Cálculo del modelo
Modelo valido: Validación del

Usar modelo Modelo no valido:
Revisar
Unidad II

Métodos de identificación:
Existen diversos métodos de identificación, que pueden clasificarse
según distintos criterios:
1. Dependiendo del tipo de modelo obtenido:
a. Métodos no paramétricos, que permiten obtener modelos no
paramétricos del sistema bajo estudio. Algunos de estos
modelos son: análisis de la respuesta transitoria, análisis de la
respuesta de frecuencia, análisis de la correlación, análisis
espectral, análisis de Fourier, etc.
Unidad II

b. Métodos paramétricos, que permiten obtener modelos
paramétricos. Estos modelos requieren la elección de una
posible estructura del modelo, de un criterio de ajuste de
parámetros, y por último de la estimación de los parámetros
que mejor ajustan el modelo a los datos experimentales.
Unidad II

2. Dependiendo de la aplicación
a. Métodos de identificación off-line (a posteriori), utilizados en
aquellas aplicaciones en que no se requiera un ajuste
continuado del modelo. En estos casos, se realiza la
identificación previa de la planta, considerándose que la validez
de los parámetros obtenidos no se verá afectada con el paso del
tiempo.
Unidad II

2. Dependiendo de la aplicación
b. Métodos de identificación on-line (identificación recursiva), en
los que los parámetros se van actualizando continuamente a
partir de los nuevos datos de entrada-salida obtenidos durante
la evolución del proceso. Estos modelos son muy utilizados en
sistemas de control adaptativo.
Unidad II
• Técnicas de identificación no paramétricas

Los métodos de identificación no paramétricos permiten obtener
modelos o representaciones no paramétricas de la planta bajo estudio.
Supóngase el siguiente sistema:
Perturbación, e(t)
Entrada, u(t) Sistema Salida, y(t)

dinámico
Suponiendo que el sistema es lineal, la relación entre la salida del

sistema y(t), su entrada u(t) y la perturbación o ruido e(t) puede
expresarse del siguiente modo:
Unidad II

Donde q-1 es el operador retardo y el producto G(q-1)·u(t) representa la

siguiente secuencia:

Y por tanto:

Unidad II

La secuencia g(k) se conoce como respuesta al impulso del sistema, y
coincide con la salida del mismo cuando a la entrada se aplica un
impulso unitario. Por otro lado, la función G(z) es la función de
transferencia del sistema. Evaluando esta última a lo largo del circulo
unidad (z=ejω) se obtiene la llamada respuesta en frecuencia del
sistema, G(ejω).
La respuesta al impulso es un modelo no paramétrico que se define en
el dominio del tiempo, mientras que la respuesta en frecuencia es una
descripción no paramétrica en el dominio de la frecuencia.
Unidad II

Identificación no paramétrica en el dominio del tiempo:
Mediante esta técnica de identificación se pretende obtener la
respuesta al impulso del sistema, o bien la respuesta al escalón del
mismo (pudiendo obtenerse esta última mediante una integración de
la primera). Para ello debe registrarse la evolución temporal de la
salida del sistema tras la aplicación de una señal impulso o escalón.
Obviamente, la imposibilidad de conseguir este tipo de señales en la
práctica lleva a utilizar un método indirecto para obtener la respuesta
impulsiva, conocido como análisis de la correlación.
Si se selecciona como entrada al sistema u(t) un ruido blanco, cuya
función de covarianza es:
Unidad II

λ

Entonces la correlación cruzada entre la entrada y la salida puede
representarse del siguiente modo:
λg
g
g
Y por tanto la respuesta al impulso puede obtenerse a partir de las N
muestras registradas de la entrada y la salida del sistema, del siguiente
modo:
Unidad II


λ

Si la entrada al sistema no es un ruido blanco puro, puede
considerarse como el resultado de la aplicación de un filtro L(q-1) a un
ruido blanco. Aplicando dicho filtro a los datos de salida del sistema
puede realizarse la misma operación indicada anteriormente para
obtener los coeficientes de g(k).
El método es muy apropiado para obtener una idea rápida de la
relación entre distintas señales del sistema, retardos, constante de
tiempo y ganancias estáticas del mismo.
Unidad II

Ejemplo: Supóngase el siguiente sistema:
e(t)
. "#$ . %#%
u(t) Ʃ y(t)
. $# . &#$ . $'#%
En primer lugar se realizará una simulación del mismo en Matlab,

incluyendo la presencia de un ruido aleatorio para obtener un
conjunto de datos de entrada-salida que sirvan de punto de partida
para la identificación.
Unidad II

>> numd=[0.5 -0.3]; %numerador de la función de transferencia en z
>> dend=[1 0.2 0.16 0.24]; %denominador de función de transferencia en z
>> u=idinput(1000,’PRBS’,[0 0.25],[0 50]; %Generación de una entrada
binaria pseudoaleatoria con 1000 muestras
>> e=randn(1000,1); %Generación del ruido aleatorio, con 1000 muestras
>> y_sin=dlsim(numd,dend,u); %obtención mediante simulación de la
salida sin ruido
>> y=y_sin+e; %Adición del ruido a la salida
>> datos=[y u]; Construcción de la matriz con los datos de entrada-salida
Unidad II

A continuación se realiza un análisis de la correlación a partir de los
datos entrada-salida anteriores y se comprueba la similitud de la
respuesta al impulso resultante con la obtenida directamente
mediante la simulación del sistema real ante la aplicación de una
entrada impulso.
>> cra(datos); %Análisis y representación gráfica de la respuesta impulsiva
obtenida por análisis de correlación
>> hold on; dimpulse(numd,dend); %Representación gráfica de la
respuesta impulsiva obtenida por simulación del sistema real
Unidad II

En la siguiente figura, los círculos corresponden al análisis de
correlación, mientras que los escalones representan la respuesta al
impulso del sistema real, observándose una gran similitud entre
ambos resultados.
Unidad II

Impulse Response
0.5
0.4
0.3
0.2
Amplitude
0.1
-0.1
-0.2
-0.3
-0.4
0 5 10 15 20 25
Time (seconds)
Respuesta al impulso real (escalones) y estimada (círculos) mediante análisis de correlación

Unidad II

Identificación no paramétrica en el dominio de la frecuencia:
En este caso, el modelo resultante es una representación de la
respuesta en frecuencia del sistema, obtenida mediante la aplicación
de señales de entrada sinusoidales de distintas frecuencias. Cuando no
sea posible aplicar este tipo de entradas, puede recurrirse a la
aplicación de un ruido blanco, que permite obtener la respuesta en
frecuencia mediante el conocido análisis espectral. Este análisis se
basa en la realización de la transformada de Fourier de las funciones
de covarianza de la entrada y la salida y la correlación entre la entrada
y la salida.
Unidad II

Identificación no paramétrica en el dominio de la frecuencia:
Las principales ventajas de este método son el no requerir un
procesamiento complejo de los datos, ni ningún tipo de conocimiento
previo sobre la planta, a excepción de que ésta sea lineal. Además,
permite concentrar los datos obtenidos en torno al margen de
frecuencias de interés. El principal inconveniente es que el modelo
resultante no puede usarse directamente para simulación.
Unidad II
• Técnicas de identificación paramétricas

Los modelos paramétricos, a diferencia de los anteriores, quedan
descritos mediante una estructura y un número finito de parámetros
que relacionan las señales de interés del sistema (entradas, salidas y
perturbaciones). En muchas ocasiones es necesario realizar la
identificación del sistema del cual no se tiene ningún tipo de
conocimiento previo. En estos casos, se suele recurrir a modelos
estándar, cuya validez para un amplio rango de sistemas dinámicos ha
sido comprobada experimentalmente. Generalmente, estos modelos
permiten describir el comportamiento de cualquier sistema lineal. La
dificultad radica en la selección del tipo de modelo (orden del mismo,
número de parámetros, etc.) que se ajuste satisfactoriamente a los
datos de entrada-salida obtenidos experimentalmente.
Unidad II

Tipos de modelos paramétricos:
Generalmente los modelos paramétricos se describen en el dominio
discreto, puesto que los datos que sirven de base para la identificación
se obtienen por muestreo. En el caso de que se requiera un modelo
continuo, siempre es posible realizar una transformación del dominio
discreto al continuo.
La expresión más general de un modelo discreto es del tipo:
s(t) = Ƞ(t) + w(t)
Donde w(t) es el término que modela la salida debida a las
perturbaciones, Ƞ(t) la salida debida a la entrada, y s(t) la salida
medible del sistema. Cada uno de estos términos puede desarrollarse
de la siguiente forma:
Unidad II

Ƞ(t) = G(q-1,θ) · u(t)
w(t) = H(q-1,θ) · e(t)
S(t) = A(q-1,θ) · y(t)
Donde q-1 es el operador retardo, θ representa un vector de
parámetros, u(t) y e(t) son la entrada del sistema y el ruido de entrada
al mismo respectivamente y y(t) es la salida de interés del sistema (que
puede no coincidir con la salida medible). Tanto G(q-1,θ) como H(q-1,θ)
son cocientes de polinomio del tipo:
Unidad II

+
, *
,
- . -$ . ⋯ -.- ..-0

1 ⋯ 1.1 .1
3 ⋯ 5 .5
5 .5
2 , *
4 6 ⋯ 1.6 .6
Y A(q-1,θ) un polinomio del tipo: A(q-1,θ) = 1 + a1·q-1 + … + ana· q-na

Unidad II

El vector de parámetros θ contiene los coeficientes ai, bi, ci, di y fi de
las funciones de transferencias anteriores. La estructura genérica de
estos modelos es por tanto:
7 , * 2 , *

+ 3

, 4
Unidad II

Para elegir la estructura de este tipo de modelos hay que determinar el
orden de cada uno de los polinomios anteriores, es decir na, nb, nc,
nd, nf y el retardo entre la entrada y la salida nk. Una vez elegidos
estos valores, solo queda determinar el vector de coeficientes θ (ai, bi,
ci, di y fi) que hacen que el modelo se ajuste a los datos de entrada-
salida del sistema real.
En muchos casos, alguno de los polinomios anteriores no se incluye en
la descripción del modelo, dando lugar a los siguientes casos
particulares, entre otros:
Unidad II

Tipo de modelo Condición Estructura resultante
, 4
Modelo ARX 3 7 +

3 4
Modelo Output Error + 8
7 y
(OE) , 8

7
Modelo ARMAX , 4
+ 3
Modelo Box Jenkins 7 + 8 3 8

y , 8
4 8

(BJ)
Unidad II

El diagrama de bloques equivalente para cada uno de los modelos
anteriores es el siguiente:
e

u B Ʃ y a) Estructura ARX
7
e
+
u Ʃ y b) Estructura OE
,
Unidad II

e

u B Ʃ y
7
c) Estructura ARMAX
Unidad II

e
3
4
+
u Ʃ y
,
d) Estructura BJ
Unidad II

La anulación de alguno de los polinomios, resultando estructuras
simplificadas, facilita el proceso de ajuste de parámetros. Cada una de
las estructuras (ARX, ARMAX, OE o BJ) tiene sus propias características
y debe ser elegida fundamentalmente en función del punto en el que
se prevé que se añade el ruido en el sistema. En cualquier caso, puede
ser necesario ensayar con varias estructuras y con varios órdenes
dentro de una misma estructura hasta encontrar un modelo
satisfactorio.
Unidad II

Para el ejemplo anterior, dado que el ruido se suma directamente a la
salida, el tipo de estructura más apropiada para la identificación debe
ser del tipo “Output Error” (OE). Dentro de este tipo, el número de
parámetros óptimo de los polinomios B y F son los que coinciden con
la estructura real del sistema, es decir:
+
y
,
- $ -$ %

1 # 1$ # 1% #
$ %
Unidad II

Métodos para el ajuste de los parámetros:
Una vez elegida la estructura del modelo, como los órdenes de cada
polinomio, es necesario determinar el valor de los parámetros del
mismo que ajustan la respuesta del modelo a los datos de entrada-
salida experimentales. Es importante destacar, sin embargo, que esta
etapa del proceso de identificación se ve facilitada por la existencia de
herramientas de software que proporcionan diferentes algoritmos
para el ajuste de parámetros. Una de estas herramientas es el Toolbox
de identificación de Matlab.
Existen varios métodos o criterios para realizar este ajuste de
parámetros, entre los que cabe destacar el método de los mínimos
cuadrados y el de variables instrumentales.
Unidad II

Por ejemplo, utilice el método de los mínimos cuadrados para estimar
los parámetros del modelo OE escogido en el ejemplo anterior,
utilizando para ello los datos de entrada-salida generados en el primer
ejemplo. Estime también un modelo ARX del mismo orden que el
anterior, y compare los parámetros de los modelos obtenidos con los
del sistema real.
>> th_oe=oe(datos,[2 3 2]);
>> present(th_oe)
Unidad II

th_oe =
Discrete-time OE model: y(t) = [B(z)/F(z)]u(t) + e(t)
B(z) = 0.4973 (+/- 0.001976) z^-2 - 0.3004 (+/- 0.00287) z^-3
F(z) = 1 + 0.1999 (+/- 0.006292) z^-1 + 0.1563 (+/- 0.0056) z^-2 +
0.2394 (+/- 0.005078) z^-3
Por tanto, el modelo OE obtenido es el siguiente:
Mostrar en pizarra
Unidad II

A continuación se realiza la estimación del modelo ARX:
>> th_arx=arx(datos,[3 2 2 ]);
>> present(th_arx)
th_arx =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 + 0.1889 (+/- 0.00615) z^-1 + 0.147 (+/- 0.005715) z^-2 +
0.2278 (+/- 0.005483) z^-3
B(z) = 0.4951 (+/- 0.00204) z^-2 - 0.3034 (+/- 0.002537) z^-3

Unidad II

A continuación se realiza la estimación del modelo ARX:
>> th_arx=arx(datos,[3 2 2 ]);
>> present(th_arx)
th_arx =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 + 0.1889 (+/- 0.00615) z^-1 + 0.147 (+/- 0.005715) z^-2 +
0.2278 (+/- 0.005483) z^-3
B(z) = 0.4951 (+/- 0.00204) z^-2 - 0.3034 (+/- 0.002537) z^-3

Unidad II

Y por tanto nb = 2, nf=3 y nk = 2
Sin embargo, es importante tener en cuenta que en la mayoría de los

casos el diseñador no dispone de esta información sobre el sistema
real, por lo que será necesario ensayar con varios tipos de estructuras
y número de parámetros hasta dar con el modelo que mejor se ajusta
a los datos de entrada-salida registrados.
Unidad II
• Consideraciones prácticas sobre identificación

De la obtención de los datos:
El primer paso dentro del proceso de identificación es realizar algún
tipo de experimento sobre el sistema bajo estudio para obtener los
datos de entrada-salida que servirán de base para la obtención del
modelo final.
Los datos deben contener información significativa del sistema. Esto
implica un cuidadoso diseño del experimento de recolección de datos,
debiéndose tomar una serie de decisiones respecto a las señales que
deben ser medidas, el periodo de muestreo a utilizar, el tipo de
entrada más adecuada, el número de datos a almacenar, etc.
Unidad II

En relación a las señales a medir, hay que definir cuales señales se
deben registrar (mediante algún tipo de sistema de adquisición y el
correspondiente sistema de almacenamiento de datos), y que señales
deben ser manipuladas para excitar al sistema durante el experimento.
Se debe tener en cuenta que pueden existir señales que, aunque
afecten la evolución de la salida, no pueden considerarse como
entradas debido a la imposibilidad de actuar sobre ellas. En el caso de
que estas señales puedan ser medidas, pueden también considerarse
como entradas al sistema (midiéndose sus valores durante el
experimento). En caso contrario, deben ser consideradas como
perturbaciones.
Unidad II

En cuanto al tipo de entradas, la(s) entrada(s) al sistema deben ser
cuidadosamente elegidas de forma que los datos recogidos
proporcionen toda la información posible sobre el sistema. A este
respecto, conviene tener en cuenta los siguientes aspectos.
La señal de entrada debe contener el mayor número de frecuencias
posibles. Por ejemplo, una señal senodal pura no es adecuada en un
experimento de identificación, puesto que sólo se obtendrá la
respuesta del sistema para la frecuencia de dicha señal. Por el
contrario, las señales escalonadas (con cambios bruscos) son muy
utilizadas, puesto que contienen un espectro suficientemente amplio
de frecuencias.
Unidad II

Para sistemas lineales, basta con utilizar dos niveles de entrada,
preferiblemente barriendo todo el rango de variación permitido. En
este tipo de sistemas se suelen utilizar señales binarias de duración
aleatoria (conocidas como señales binarias aleatorias o
pseudoaleatorias), como la mostrada en la siguiente figura:
Unidad II

Sin embargo para sistemas no lineales es necesario trabajar con más
de dos niveles de entrada, como se muestra en la siguiente figura:
Si se sabe que el sistema va a trabajar preferentemente en torno a

un determinado punto de trabajo, es conveniente realizar el registro
de datos en ese mismo entorno. Este aspecto adquiere especial
importancia si el sistema no es lineal.
Unidad II

En cuanto al periodo de muestreo, esta directamente relacionado con
las constantes de tiempo del sistema, y tiene una influencia decisiva en
el experimento de identificación. Así, un periodo de muestreo muy
pequeño puede llevar a la obtención de datos redundantes, que no
aportan información sobre el sistema (pero si ocupan espacio en la
memoria del dispositivo de almacenamiento de datos), mientras que
un periodo de muestreo demasiado grande provoca grandes
dificultades a la hora de identificar la dinámica del sistema. Una regla
comúnmente usada consiste en escoger una frecuencia de muestreo
alrededor de 10 veces el ancho de banda del sistema. Esto
corresponde aproximadamente a muestrear en torno a cinco u ocho
valores del tiempo de subida de la respuesta al escalón del sistema.
Unidad II

En relación al número de muestras a tomar, en principio, cuanta más
información se tenga sobre el sistema, más exacto será el sistema de
identificación. En la práctica, el número de muestras a tomar durante
el experimento de identificación viene limitado por la capacidad del
dispositivo de memoria utilizado. Por tanto, es importante llegar a un
buen compromiso en la elección del periodo de muestreo y el número
de muestras a tomar.
Unidad II

Del pretratamiento de los datos:
Los datos registrados pueden tener deficiencias que implican efectos
desbastadores en el resto del proceso de identificación, como lo son
las siguientes:
Presencia de perturbaciones de alta frecuencia, por encima de las
frecuencias de interés en la respuesta del sistema.
Datos claramente erróneos, producidos por fallos en el hardware o
software utilizados en el experimento de recogida de muestras.
Desviaciones, desplazamientos o perturbaciones de baja frecuencia.
Algunas formas de tratar estas deficiencias son las siguientes:
Unidad II

Del pretratamiento de los datos:
Los datos erróneos pueden presentarse de forma aislada, pero
pueden tener un efecto muy negativo en el proceso de identificación,
por lo que es fundamental eliminarlos antes de iniciar el proceso. Esto
se realiza, generalmente, en forma manual, eliminando dichos datos y
aproximando su nuevo valor mediante interpolación. Para
aplicaciones más avanzadas, existen algoritmos de detección de fallos
que permiten corregir estos datos casi de forma automática.
Las perturbaciones de baja frecuencia, desplazamientos, desviaciones
o variaciones periódicas en los datos de entrada-salida se pueden
solucionar mediante métodos descritos en gran parte de la literatura.
Unidad II

De la validación del modelo:
En todo proceso de validación es conveniente probar varias
estructuras y diferentes órdenes dentro de cada estructura hasta dar
con el modelo que mejor se ajuste a los datos obtenidos
experimentalmente de l planta real. En definitiva, se trata de
determinar cuando un determinado modelo es lo suficientemente
exacto para la aplicación requerida, proceso que se conoce
habitualmente como validación del modelo.
En general, la mayoría de los métodos de validación tratan de
determinar si la respuesta del modelo se ajusta con suficiente
exactitud a los datos de entrada-salida obtenidos mediante
experimentación.
Unidad II

Validación en base a la aplicación del modelo. Puesto que en la
práctica es imposible determinar si un modelo responde exactamente
al comportamiento de un sistema real, suele ser suficiente comprobar
que el modelo es capaz de resolver el problema para el cual ha sido
hallado (simulación, predicción, diseño de un controlador, etc.). Así,
por ejemplo, si el controlador que ha sido ajustado por medio del
modelo da buen resultado sobre el sistema real, se puede asegurar
que el modelo es “valido” para esta aplicación.
Unidad II

Comprobación de parámetros físicos. Para una determinada estructura
que haya sido parametrizada en función de magnitudes físicas, un
método importante de validación consiste en comparar el valor
estimado de dichos parámetros y el que sería de esperar mediante el
conocimiento previo que se tiene de la planta.
Unidad II

Coherencia con el comportamiento de entrada-salida. Para determinar
si el comportamiento de entrada-salida está suficientemente
caracterizado, puede ser necesario recurrir a diferentes métodos de
identificación y comparar los resultados obtenidos. Por ejemplo,
comprobando los diagramas de Bode de los modelos obtenidos
mediante identificación paramétrica de diferentes estructuras, por el
método de variables instrumentales y por análisis espectral, se puede
determinar si la dinámica del sistema ha quedado suficientemente
caracterizada.
Unidad II

Reducción del modelo. Un procedimiento para determinar si un
modelo proporciona una descripción simple y apropiada de un sistema
consiste en aplicarle algún método de reducción de modelos. Si una
reducción en el orden del modelo no produce alteraciones apreciables
en el comportamiento de entrada-salida del mismo, entonces el
modelo original era innecesariamente complejo.
Ejemplo, realice la estimación por el método de mínimos cuadrados de
un modelo OE con un parámetro más en los polinomios B y F que los
que tiene el sistema real, y realice una representación de los ceros y
los polos del modelo obtenido. Haga la misma representación para el
modelo original.
Unidad II

Reducción del modelo. Para el modelo ampliado sería, utilizando
Matlab:
>> th_oe1=oe(datos,[3 4 2]); %Estimación de los parámetros del modelo
>> zp=th2zp(th_oe1); %Obtención de ceros y polos del modelo resultante
>> zpplot(zp); %Representación del diagrama de ceros y polos
Como se ve en la siguiente figura, existe un polo y un cero que
coinciden en el mismo lugar, lo que nos dice que el modelo es
innecesariamente complejo y podemos reducir en un grado los
polinomios del mismo. Como ejercicio, puede aumentar en otro grado
los polinomios B y F, y vera que entonces habrán dos ceros y dos polos
que coinciden.
Unidad II

Reducción del modelo. Para el modelo ampliado sería, utilizando
Matlab: 1
OUTPUT # 1 INPUT # 1
0.8
La presencia de un cero y un 0.6
polo que prácticamente se 0.4
cancelan nos dice sobre la 0.2
posibilidad de reducir en uno 0
el orden de los polinomios B -0.2
y F. -0.4
-0.6
-0.8
-1
-1 -0.5 0 0.5 1
Unidad II

Gráfica de ceros y polos para el modelo original. Para el modelo
original, utilizando Matlab:
OUTPUT # 1 INPUT # 1
1
0.8
0.6
Como se ve, en este caso no 0.4
hay polos y ceros 0.2
coincidentes por lo que no es 0
posible reducir el orden de -0.2
-0.4
los polinomios B y F. -0.6
-0.8
-1
-1 -0.5 0 0.5 1
Unidad II

Intervalos de fiabilidad de parámetros. Otro método para determinar
si el modelo bajo estudio contiene demasiados parámetros, consiste
en comparar los parámetros estimados con su desviación estándar. Si
el intervalo de confianza de un parámetro contiene el valor cero, se
debe considerare la posibilidad de eliminar dicho parámetro.
Unidad II

Simulación. Un procedimiento muy habitual que puede ser
considerado como otra técnica de validación de modelos consiste en
simular el modelo con un conjunto de entradas distintas a las
utilizadas para identificación, y comparar la respuesta del modelo con
la obtenida del sistema real.
Existen otros métodos de validación que pueden utilizarse en la
validación del modelo, como por ejemplo, el análisis de residuos.

Unidad II. Identificación de Sistemas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad II. Identificación de Sistemas

Cargado por

Copyright:

Formatos disponibles

Identificación de sistemas y control adaptativo

Ing. Waldo Urribarrí

Entrada, u(t) Sistema Salida, y(t)

Entrada, x(t) Sistema en Salida, y(t)

Entrada, x[n] Sistema en Salida, y[n]

Donde hay que distinguir:

1. La estructura del modelo:

2. Los parámetros del modelo: k1 = 5; k2 = 3; k 3 = -2

Esquema conceptual del proceso de resolución de una ecuación

Utilizando una tabla de transformadas se escribe la correspondiente

Agrupando términos y despejando Y(s),

Cada uno de los coeficientes de la expresión anterior puede ser

Nótese que conforme el tiempo transcurra los términos

Sumando miembro a miembro, agrupando, despreciando los

Pero de la ecuación de Laplace:

Lo que significa que el valor de la temperatura en un punto se puede

• El proceso de identificación de sistemas

• El proceso de identificación de sistemas

• El proceso de identificación de sistemas

• El proceso de identificación de sistemas

Cálculo del modelo

Modelo valido: Validación del

• El proceso de identificación de sistemas

• El proceso de identificación de sistemas

• El proceso de identificación de sistemas

• El proceso de identificación de sistemas

• Técnicas de identificación no paramétricas

Entrada, u(t) Sistema Salida, y(t)

Suponiendo que el sistema es lineal, la relación entre la salida del

• Técnicas de identificación no paramétricas

Donde q-1 es el operador retardo y el producto G(q-1)·u(t) representa la

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

En primer lugar se realizará una simulación del mismo en Matlab,

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

Respuesta al impulso real (escalones) y estimada (círculos) mediante análisis de correlación

• Técnicas de identificación no paramétricas

• Técnicas de identificación no paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

Y A(q-1,θ) un polinomio del tipo: A(q-1,θ) = 1 + a1·q-1 + … + ana· q-na

• Técnicas de identificación paramétricas

7     , *     2 , *   

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

Modelo Box Jenkins 7  + 8 3 8

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

• Técnicas de identificación paramétricas

Por tanto, el modelo OE obtenido es el siguiente:

7 , * 2 , *

Modelo Box Jenkins 7 + 8 3 8