Identificación (mínimos cuadrados, sistemas estáticos): MATLAB

Antonio Sala, UPV

Dificultad: *** / ****  ,       Relevancia: ,      Duración: 20:51

Resumen:

Este vídeo analiza (Matlab) los conceptos de ajuste por mínimos cuadrados, experimento informativo, combinación de parámetros (dirección principal) más difícil de identificar.

También se calcula la desviación típica del error de predicción, y la matriz de varianzas-covarianzas de los parámetros estimados.

[09:07] Se descompone la variabilidad del error de predicción en ($i$) variabilidad que podría ser reducida si se tuviera un experimento más informativo y ($i$) variabilidad que el modelo considera que debe ser ruido blanco aleatorio. Con ello, puede determinarse la pertinencia de tomar o no más datos experimentales. **** 

[13:28] Con la diagonal de la matriz de varianzas-covarianzas de los parámetros estimados se obtiene la desviación típica de cada parámetro, y con ella un intervalo de confianza (suponiendo ruido de distribución normal) en la estimación de parámetros. Como las suposiciones de la teoría no siempre se cumplen “suficientemente bien” en los experimentos, hay que interpretar con mucha precaución los resultados sobre varianza de parámetros estimados. El vídeo [procest] argumenta sobre ideas similares en un caso de estimación de modelos de primer y segundo orden con retardo.

Colección completa [VER]:

• Anterior   Determinación de parámetros de un modelo probabilístico: ejemplo Matlab (max likelihood)

• Siguiente Ajuste de modelos no lineales estáticos