Documentos de Académico
Documentos de Profesional
Documentos de Cultura
identificación de
sistemas
Control de Procesos
Unidad 1
Profesor
Alumno
Deterministas, ya que se quiere estudiar la relación entre la entrada y la salida con una parte
no modelizable o no conocida (estocástica);
Dinámicos, porqué el objetivo es conocer el comportamiento dinámico de un proceso;
De parámetros concentrados, no se considera la variación en función del espacio;
Lineales o no lineales, se hará mayor énfasis a las técnicas de identificación de modelos
lineales, comentado algunas técnicas para ser utilizadas en el caso de sistemas no lineales.
Tiempo continuo o tiempo discreto, se propone describir técnicas para la identificación de
modelos en tiempo discreto y continuo.
Debemos dejar claros varios aspectos en cuanto a la construcción de un modelo:
El cálculo fuera de línea de los parámetros del modelo dinámicos de un sistema por el método de
mínimos cuadrados, es utilizado en aquellas aplicaciones en que no se requiere un ajuste continuo
del modelo.
De rodos los métodos anteriormente citados, el de los mínimos cuadrados es el que ofrece una
mayor simplicidad conceptual y aplicabilidad en un amplio rango de situaciones, en las cuales la
inclusión de otros métodos es mucho más complicada. Adicionalmente, los algoritmos de mínimos
cuadrados pueden ser fácilmente interpretados desde el punto de vista de otros métodos, haciendo
posible un tratamiento unificado del problema de identificación.
Asimismo, la rapidez de convergencia (en los algoritmos de mínimos cuadrados) de los parámetros
del modelo a los del sistema es apropiada, así como la robustez frente a distintos puntos de error
como ruido, dinámica no modelada, precisión numérica, etc.
La evaluación por el método de máxima verosimilitud procura encontrar los valores más probables
de los parámetros de la distribución para un conjunto de datos. Maximizando el valor de lo que se
conoce como la “función de verosimilitud” La función de verosimilitud se basa en la función de la
densidad de la probabilidad fdp para una distribución dada. Como ejemplo considere una fdp
genérica:
Donde x representa los datos (tiempo a la falla), y θ1, θ2, ...,θk son los parámetros que se estimarán
y k el número de parámetros a evaluar. Por ejemplo para una distribución de Weibull de dos
parámetros, β beta y θ theta son los parámetros que se deben estimar. Para un conjunto de datos de
observación completa, la función de verosimilitud es un producto de la función de la densidad de la
probabilidad, con un elemento por cada punto en el conjunto de datos:
R es el número de observaciones independientes que corresponden al tiempo a la falla en un análisis
de ciclo de vida, xi es la iésimo tiempo a la falla. Matemáticamente es más fácil manipular esta
función tomando su logaritmo. Luego la función logarítmica de la verosimilitud se expresa de la
siguiente forma:
Por lo tanto para encontrar los valores de los parámetros θ1, θ2, ...,θk se debe maximizar L ó Λ.
Esto comúnmente se hace tomando la derivada parcial de la ecuación de Λ para cada uno de los
parámetros e igualándolos a cero:
Esto resulta en un número de ecuaciones con un igual número de variables, las cuales pueden
resolverse simultáneamente. Si existen las soluciones de forma cerrada para las derivadas parciales
la solución puede ser relativamente simple. En las situaciones donde no se da el caso, se necesitan
emplear algunos métodos numéricos.
El método de estimación de máxima verosimilitud tiene varias propiedades que hacen atractiva su
aplicación. Por ejemplo:
Es consistentemente asintótico, que significa que mientras que el tamaño de muestra aumenta, las
estimaciones convergen a los valores correctos. Es asintótico eficiente, que significa que para
conjuntos de datos grandes produce las estimaciones más exactas. Es asintótico imparcial, que
significa que para conjuntos de datos grandes uno espera conseguir el valor correcto en promedio.
La distribución de las estimaciones mismas es normal, si el conjunto de datos es bastante grande.
Todas éstas son características excelentes para conjuntos de muestras grandes. Desgraciadamente,
el tamaño necesario de la muestra para alcanzar estas características puede ser bastante grande:
treinta a cincuenta hasta cientos de muestras de tiempos exactos de falla, dependiendo de la
aplicación. Con pocas muestras, los métodos pueden ser desgraciadamente polarizados o
tendenciosos. Se han conocido resultados, por ejemplo, que la estimación por máxima verosimilitud
del parámetro de forma para la distribución Weibull ha sido polarización para tamaños de muestras
pequeños, y el efecto puede aumentar dependiendo de la cantidad de datos censurados. Esta
polarización puede causar discrepancias importantes en el análisis.
En esta gráfica “la cima” de la superficie de la función verosimilitud corresponde a los valores de
los parámetros que maximizan la función de verosimilitud.
Este ejemplo es para una distribución de un solo parámetro y por lo tanto hay una sola ecuación
diferencial a resolver. Además esta ecuación diferencial está en forma cerrada, debido a la
naturaleza misma de la función de la densidad de la probabilidad. La función de verosimilitud para
la distribución exponencial se representa a continuación:
Donde lambda λ es el parámetro a estimar. Tomamos el logaritmo natural de la función de
verosimilitud debido a que matemáticamente es más fácil de manipular tenemos la siguiente
expresión.