Documentos de Académico
Documentos de Profesional
Documentos de Cultura
• En la práctica se combinan!!!
Problema que resuelve la IDS
• Combinación:
– Etapa de análisis: Teniendo en cuenta las leyes, se
establecen hipótesis sobre la posible estructura
del modelo.
– Etapa experimental: Teniendo en cuenta las
hipótesis, se correlacionan las medidas y se estima
el modelo.
Problema que resuelve la IDS
• En el análisis hay que tener en cuenta que,
aunque el sistema sea no lineal, puede
resultar interesante adoptar un modelo lineal
con el objetivo de estudiar las variaciones del
sistema alrededor de un punto de operación.
• A demás, en sistemas lineales con múltiples
entradas, puede utilizarse el principio de
superposición.
Problema que resuelve la IDS
• La identificación
Recolección
de datos
es un proceso Selección
del
estructura
iterativo: Selección
método de
ajuste
Modelo no OK:
Validar
Revisarlo
Modelo
– En Matlab: Ex=mean(x)
Elementos de estadística
• Sesgo:
– Una estimación es sesgada si su esperanza es
diferente a su valor real:
E 𝜃 ≠ 𝜃∗
Elementos de estadística
• Consistencia:
– Una estimación es consistente si tiende al valor
verdadero cuando el número de muestras
aumenta:
𝜃 → 𝜃 ∗ cuando 𝑁 → ∞
Elementos de estadística
• Varianza:
– Medida de la dispersión de una muestra.
– Se define como la esperanza del cuadrado de su
desviación respecto a su media.
– Suele representarse como σ2:
𝜎 2 = Var 𝑋 = E 𝑋 − 𝜇 2
Elementos de estadística
• Varianza:
– La varianza de una muestra de una población se
puede calcular de dos formas:
– La primera traslada directamente la varianza de la
muestra a la de la población:
𝑛
1
𝑠𝑛2 = 𝑥𝑖 − 𝜇 2
𝑛
𝑖=1
Elementos de estadística
• Varianza:
– La varianza de una muestra de una población se
puede calcular de dos formas:
– La segunda es un estimador insesgado de la
varianza de la población:
𝑛
1
𝑠2 = 𝑥𝑖 − 𝜇 2
𝑛−1
𝑖=1
Elementos de estadística
• Varianza:
– Se puede demostrar que:
𝑛−1 2
𝐸 𝑠𝑛2 = 𝜎
𝑛
𝐸 𝑠2 = 𝜎 2
– En Matlab: Dx=std(x)
Elementos de estadística
• Desviación estándar:
– Desviaciones estándar en una distribución normal:
Elementos de estadística
• Desviación estándar:
– Desviaciones estándar en una distribución normal:
Elementos de estadística
• Covarianza:
– Medida de dispersión conjunta de dos variables
estadísticas
– Se define como:
𝑛
1
𝑠𝑥𝑦 = 𝑥𝑖 − 𝜇𝑥 𝑦𝑖 − 𝜇𝑦
𝑛−1
𝑖=1
Elementos de estadística
• Covarianza:
– Interpretación:
Dx=cov([x y])
% Devuelve una matriz cuadrada:
% var(x) cov(x,y)
% cov(y,x) var(y)
% (x,y: vectores columnas)
Elementos de estadística
• Población y Muestra
• Distribución de probabilidad
• Media, Sesgo, Consistencia
• Varianza y Desviación estándar
• Covarianza y su interpretación
Identificación de Sistemas
• Conf. #1. Introducción
– Descripción de la asignatura
– El problema que resuelve la IDS
– Elementos de estadística
– Elementos de procesos estocásticos
Procesos estocásticos
• Proceso estocástico:
– Secuencia de variables aleatorias dependientes
del tiempo {v(t)}
• Proceso estocástico estacionario:
– Proceso estocástico cuyas propiedades son
invariantes respecto a un desplazamiento en el
tiempo.
Procesos estocásticos
• Proceso ergódico:
– Proceso estocástico estacionario en el que la
media y la varianza se pueden estimar con un
número finito de datos y tienden al valor esperado
con probabilidad uno cuando dicho número
tiende a infinito.
𝑃 𝑥=E𝑋 =1
Procesos estocásticos
• Correlación cruzada:
– Medida de la similitud entre dos señales.
– Es función del tiempo relativo entre las señales y
se define, para un desfasaje de k muestras, como:
𝑁
1
𝑅𝑥𝑦 𝑘 = 𝑥 𝑖 𝑦 𝑖−𝑘
2𝑁
𝑖=−𝑁
Procesos estocásticos
• Correlación cruzada:
– Medida de la similitud entre dos señales.
– Es función del tiempo relativo entre las señales y
se define, para un desfasaje de k muestras, como:
𝑁
1
𝑅𝑥𝑦 𝑘 = 𝑥 𝑖+𝑘 𝑦 𝑖
2𝑁
𝑖=−𝑁
𝑅𝑥𝑦 𝑘
𝜎𝑥2 𝜎𝑦2
Procesos estocásticos
• Correlación cruzada:
– En Matlab:
Rxy=xcorr(x,y,K,'coeff')
% k=-K:K, por defecto K=N
% 'coeff': normaliza
Procesos estocásticos
• Autocorrelación:
– Correlación cruzada de una señal consigo misma.
– Permite:
• Encontrar patrones repetitivos dentro de una señal,
como por ejemplo, la periodicidad de una señal
enmascarada bajo el ruido.
• Identificar la frecuencia fundamental de una señal que
no contiene dicha componente, pero aparecen
numerosas frecuencias armónicas de esta.
Procesos estocásticos
• Autocorrelación:
– Se calcula según:
𝑁
1
𝑅𝑥𝑥 𝑘 = 𝑥 𝑖 𝑥 𝑖−𝑘
2𝑁
𝑖=−𝑁
Rxy=xcorr(x,x,K,'coeff')
% k=-K:K, por defecto K=N
% 'coeff': normaliza
Procesos estocásticos
• Ejemplo 1:
– Mostrar la autocorrelación de una señal seno de
período 20 segundos:
lag = 50;
rx = (-lag:lag)';
s = sin(2*pi/20*(1:200))';
rs = xcorr(s,s,lag,'coeff');
stem(rx,rs)
axis([-lag lag -0.5 1.1])
Procesos estocásticos
• Ejemplo 1:
– Mostrar la autocorrelación de una señal seno de
período 20 segundos:
1
Puede notarse
0.5 que la
correlación
0 positiva tiene
desfasaje igual al
-0.5
-50 -40 -30 -20 -10 0 10 20 30 40 50
período
Procesos estocásticos
• Ejemplo 1:
– Mostrar la autocorrelación de una señal seno de
período 20 segundos:
1
y la correlación
0.5 negativa tiene un
desfasaje igual al
0 período/2
-0.5
-50 -40 -30 -20 -10 0 10 20 30 40 50
Procesos estocásticos
• Ruido blanco:
– Secuencia aleatoria v(t) con densidad espectral
constante (por tanto su ancho de banda será
infinito) y no autocorralada.
– Su función de autocorrelación es la Delta de
Dirac, o sea, solo tiene valor para k=0 y es
precisamente la varianza de v(t)
𝑅𝑣 𝑘 = 0 Para 𝑘 ≠ 0
𝑅𝑣 0 = 𝜎𝑣2 𝜎𝑣2 : Varianza de 𝑣
Procesos estocásticos
• Ruido blanco:
– Secuencia aleatoria v(t) con densidad espectral
constante (por tanto su ancho de banda será
infinito) y no autocorralada.
– Su función de autocorrelación es la Delta de
Dirac, o sea, solo tiene valor para k=0 y es
precisamente la varianza de v(t)