Identificacion : Un problema de optimizacion.

Prof. Carlos Felipe Rengifo.

18 de marzo de 2013

Resumen
El objetivo de esta gua es mostrar al estudiante que en un procedimiento de identificacin la
fase de estimacin de parmetros implica un problema de optimizacin.

1.

Aspectos teoricos.

Cuando se modela un sistema dinmico utilizando identificacin paramtrica, el paso siguiente a la

recoleccin de datos de entrada-salida es la seleccin de la estructura que tendr el modelo que representara al sistema. Una vez seleccionada la forma que tendr el modelo, se procede con la estimacin
de parmetros, que consiste en la determinacin de los coeficientes de los polinomios A, B, C, D, F , que
minimizan el promedio de los cuadrados de los errores de prediccin. Como se explico en la gua anterior, Calidad de un modelo en trminos del error de prediccin, el mejor modelo es el que minimiza el
promedio de los cuadrados de los errores de prediccin. Es claro que lo anterior puede formularse como
un problema de optimizacin donde se busca un vector de parmetros en un espacio d dimensional,
siendo d el numero de parmetros, que minimiza el ndice de desempeo JN .

(1)
= y(k) = ay(k 1) + by(k 2) + cu(k) / b R3

denota la estructura del modelo. (Ec.1) es una estructura ARX de segundo orden, y (Ec.2) es un
modelo particular, un miembro de la familia de modelos ; dicho miembro se denota como (), donde

T
es el vector 0.2 0.7 2.0
R3 .
() : y(k) = 0.2y(k 1) + 0.7y(k 2) + 2.0u(k)

(2)

En trminos generales una estructura, denotada matemticamente como , es un conjunto de modelos

definido segn (Ec.3). D de (Ec.3) representa un subespacio de Rd . Por ejemplo, si el vector de
parmetros contiene dos parmetros y ambos deben ser positivos, D sera el primer cuadrante del
plano R2 .
= { () / D }

D Rd

(3)

El vector ptimo dentro de la estructura seleccionada , es aquel que minimiza el ndice JN ; este vector
se denotar como N y se define segn (Ec.4).
N = arg mn JN ()
D

(4)

La forma de encontrar N depende de la estructura utilizada para representar el sistema a identificar,

si se utilizan estructuras FIR o ARX se puede obtener una expresin analtica para N en trminos
1

de datos de entrada- salida. En el caso de las estructuras ARMAX, OE y BJ la bsqueda de N se

hace utilizando algoritmos basados en tcnicas numricas, porque no es posible obtener una expresin
analtica para N .

1.1.

Estimacin de parmetros en estructuras FIR y ARX

Como se vio en la seccin 1, la identificacin en su fase de estimacin de parmetros conlleva un

problema de optimizacin; dicho problema se resolver utilizando el mtodo de los mnimos cuadrados.
Formulacin del problema :
Dado un conjunto de N pares de medidas de entrada-salida que se denotar como {y(k), u(k)}N , y la
estructura del modelo, encontrar el que minimiza (Ec.5).
JN () =

N
1 X 2
ep (k/k 1, )
N

(5)

k=1

El que minimiza (Ec.5) se denotar como N y esta dado por (Ec.4).

N = arg mn JN ()

(6)

Para las estructuras FIR y ARX se puede demostrar que la ecuacin de prediccin es (Ec.7).
y(k) = (k)T

(7)

Siendo :
(Ec.7) para un modelo FIR.
(k) =

u(k 1) u(k 2) . . .

T
=
b1 b2 . . . bnb

u(k nb )

(Ec.7) para un modelo ARX.


(k) =
y(k 1) y(k 2) . . .

y(k na ) u(k 1) u(k 2) . . .

a1 a2 . . .

an a

b1 b2 . . .

bnb

T

u(k nb )
T

T

Se reemplaza (Ec.7) en (Ec.5).

JN () =

N

2
1 X
y(k) (k)T
N

(8)

k=1

Se deriva (Ec.8) con respecto a y se obtiene el gradiente de la funcin JN . Se utiliza la expresin

gradiente porque (Ec.8) es una funcin definida como : JN : Rd R, y es por tanto una funcin de
varias variables que asigna a cada vector Rd un escalar JN () que es el promedio de los cuadrados
de los errores de prediccin.

N


JN
1 X
=
2(k) y(k) (k)T

(9)

k=1

Se iguala (Ec.9) a cero.

N


1 X
2(k) y(k) (k)T = 0
N

(10)

k=1

Se multiplica (Ec.10) por

N2 .
N
X

(k)y(k)

k=1

N
X

(k)(k)T = 0

k=1
N
X

(k)(k)

k=1

N
X

(k)y(k)

k=1

(11)

La solucin ptima se calcula despejando el vector de parmetros de (Ec.11).

N =

N
X
k=1

(k)(k)

!1

N
X
k=1

(k)y(k)

(12)

La invertibilidad de la matriz de (Ec.12) se garantiza si los datos de entrada-salida son lo suficientemente

ricos en informacin. Si la seal de entrada utilizada como excitacin no tiene suficientes componentes
de frecuencia, la suma de las N matrices (k)T (k) podr ser una matriz no invertible o una matriz
mal condicionada.
Importante!
Una matriz es mal condicionada si su determinante es cercano
a cero, y por tanto el calculo de su inversa requiere de una
precisin mucho mayor de la que se puede obtener en un computador.
El programa en Matlab del listado 1 genera un mensaje de advertencia porque se esta calculando la
inversa de una matriz casi singular. El warning indica que los resultados obtenidos pueden ser inexactos,
por ejemplo al invertir una matriz casi singular es posible que el producto de dicha matriz por su inversa
NO sea una matriz identidad.

1.2.

Estimacin de parmetros en estructuras ARMAX, OE y BJ

En el caso de la estructuras ARMAX, OE y BJ, los modelos de regresin no son lineales en .

y(k) = T (k, )

(13)

Para la (Ec.13) se tiene que los vectores de parmetros y de regresin, son para el caso ARMAX los
mostrados en (Ec.14).

Listing 1: Inversion de una matrix mal condicionadaMatlab.

1
2
3
4
5

>> D = 1E -15;
>> A = [1 2+ D ;3 6];
>> inv ( A )
W a r n i n g: Matrix is close to s i n g u l a r or badly scaled .
R e s u l t s may be i n a c c u r a t e . RCOND = 3 . 7 0 0 7 4 3e -017.

6
7

ans =

1.0 e +015 *

9
10

- 2 . 2 5 1 7 9 9 8 1 368 525
1.12589990684262

11
12

0.75059993789508
- 0 . 3 7 5 2 9 9 9 68 947 54

(k, ) =

y(k 1) . . .

y(k na ) u(k 1) . . .
T
u(k nb ) ep (k 1) . . . ep (k nc )

T
=
a1 . . . ana b1 . . . bnb c1 . . . cnc

(14)

En (Ec.14) se nota que a diferencia de los modelos FIR y ARX, el valor de la salida predicho por
un modelo ARMAX en el instante k, y(k), tiene un vector de regresin que depende del error de
prediccin ep ; este a su vez depende del vector de parmetros. Luego y(k) no es una funcin lineal de
como en el caso FIR y ARX que se tiene y(k) = T (k) y no depende en absoluto de . En el caso de
los modelos BJ Y OE tambin se obtiene un vector de regresin dependiente del error de prediccin.
De acuerdo con lo anterior, el calculo de N no se puede hacer derivando e igualando a cero JN ()
porque el vector de regresin es tambin funcin de .
JN () =

N

2
1 X
y(k) T (k, )
N
k=1

Cuando se trabaja con estos modelos de regresin la estimacin de N se realiza mediante algoritmos
de optimizacin basados en tcnicas numricas; por tanto no es posible obtener expresiones analticas
como (Ec.12).
En Matlab existen las funciones armax, oe y bj, que permiten encontrar el vector de parmetros ptimo
a partir de un conjunto de datos de entrada-salida, y la cantidad de parmetros a estimar.

2.

Funciones Matlab Requeridas.

En esta seccin se explicaran las funciones : armax, oe y bj. Para cada una de ellas se ha desarrollado
un ejemplo que ilustra su utilizacin.

2.1.

Funcin armax.

Permite estimar el vector de parmetros que minimiza el promedio de los cuadrados de errores de
prediccin, la funcin armax recibe dos argumentos: el primero
IDDATA con los

 es un objeto de tipo
datos de entrada-salida, y el segundo un vector de la forma na nb nc nk , donde na , nb , nc y
4

Listing 2: Identificacin de un modelo ARMAX en Matlab.

1
2

% Se cargan los datos de entrada - salida .

load s e c a d o r _ a i r e ;

3
4
5
6
7

% Se crea
Secador =
DModelo =
DValida =

el objeto IDDATA .
iddata ( y2 , u2 , 0 . 0 8 ) ;
Secador(1:500);
S e c a d o r (501: end );

11
12
13
14
15

% Se e s t i m a n los p a r a m e t r o s.
na
= 2;
nb
= 2;
nc
= 2;
nk
= 3;
MArmax = armax ( DModelo ,[ na nb nc nk ]);
c o m p a r e( DValida , MArmax );

nk son los ordenes de los polinomios A(q), B(q), C(q) y el retardo de tiempo en instantes de muestreo
respectivamente. En el programa del listado 2 se muestra un ejemplo de utilizacin de la funcin armax.
En la figura 1 se muestra una comparacin entre los datos del objeto DValida y los predichos por el
modelo MArmax.
y1. (sim)
DValida; measured
MArmax; fit: 84.82%

5.5

5
y1

9
10

4.5

3.5
50

60

70

Figura 1: Comparacin de datos para el modelo ARMAX.

Listing 3: Identificacin de un modelo OE en Matlab.

1
2

% Se cargan los datos de entrada - salida .

load s e c a d o r _ a i r e ;

3
4
5
6
7

% Se crea
Secador =
DModelo =
DValida =

el objeto IDDATA .
iddata ( y2 , u2 , 0 . 0 8 ) ;
Secador(1:500);
S e c a d o r (501: end );

11
12
13
14

% Se e s t i m a n los p a r a m e t r o s.
nb
= 2;
nf
= 2;
nk
= 3;
MOe
= oe ( DModelo ,[ nb nf nk ]);
c o m p a r e( DValida , MOe );

2.2.

Funcin oe.

Permite estimar el vector de parmetros que minimiza el promedio de los cuadrados de errores de
prediccin, la funcin oe recibe dos argumentos: el primero
es un objeto
de tipo IDDATA con los datos


de entrada-salida y el segundo un vector de la forma nb nf nk , donde nb , nf y nk son los ordenes
de los polinomios B(q), F (q) y el retardo de tiempo en instantes de muestreo respectivamente. En el
programa del listado 3 se muestra un ejemplo de utilizacin de la funcin oe.
En la figura 2 se muestra una comparacin entre los datos del objeto DValida y los predichos por el
modelo MOe.
y1. (sim)
DValida; measured
MOe; fit: 85.18%

5.5

5
y1

9
10

4.5

3.5
50

60

70

Figura 2: Comparacin de datos para el modelo OE.

Listing 4: Identificacin de un modelo BJ en Matlab.

1
2

% Se cargan los datos de e n t r a d a salida .

load s e c a d o r _ a i r e ;

3
4
5
6
7

% Se crea
Secador =
DModelo =
DValida =

del objeto IDDATA .

iddata ( y2 , u2 , 0 . 0 8 ) ;
Secador(1:500);
S e c a d o r (501: end );

8
9
10
11
12
13
14
15
16

% Se e s t i m a n los p a r a m e t r o s
nb
= 2;
nf
= 2;
nc
= 2;
nd
= 2;
nk
= 3;
MBj
= bj ( DModelo ,[ nb nc nd nf nk ]);
c o m p a r e( DValida , MBj );

2.3.

Funcion bj.

Permite estimar el vector de parmetros que minimiza el promedio de los cuadrados de errores de
prediccin, la funcin bj recibe dos argumentos: el primero
es un objetode tipo IDDATA con los datos

de entrada-salida, y el segundo un vector de la forma na nb nc nk , donde nb , nf , nc , nd y nk son
los ordenes de los polinomios B(q), F (q), C(q), D(q) y el retardo de tiempo en instantes de muestreo
respectivamente. En el programa del listado 4 se muestra un ejemplo de utilizacin de la funcin bj.
En la figura 3 se muestra una comparacin entre los datos del objeto DValida y los predichos por el
modelo MBj.

3.

Ejemplo de aplicacin.

A continuacin se muestran dos ejemplos en los que se resuelve el problema de estimacin de parmetros;
el primero para una estructura ARX y el segundo para una estructura ARMAX.

3.1.

Ejemplo ARX

En el ejemplo 1 se muestra un programa en Matlab que permite encontrar el modelo ARX que mejor
se ajusta a un conjunto de datos.
Ejemplo 1 Para el conjunto de datos generado con el programa del listado 5 encuentre el modelo ARX
que mejor se ajusta a dichos datos.

Para realizar la identificacin de un modelo ARX a partir de los datos obtenidos al ejecutar el programa
del listado 5, se debe seleccionar primero la estructura del modelo. En este caso, aunque se sabe que se
utilizara una estructura ARX, se debe definir la cantidad de coeficientes a y b a estimar. Para realizar
la identificacin se partir de las estructuras mostradas en (Ec.15).

y1. (sim)
DValida; measured
MBj; fit: 83.61%

5.5

y1

4.5

3.5
50

60

70

Figura 3: Comparacin de datos para el modelo BJ.

1 : y(k) = a1 y(k 1) + b1 u(k 1)

2 : y(k) = a1 y(k 1) a2 y(k 2) + b1 u(k 1) + b2 u(k 2)

(15)

3 : y(k) = a1 y(k 1) a2 y(k 2) a3 y(k 3) + b1 u(k 1) + b2 u(k 2)

El programa del listado 6 permite estimar los coeficientes de los modelos 1 , 2 y 3 utilizando la
expresin (Ec.12). En (Ec.16) se muestran los modelos obtenidos

y(k) = 0.8411y(k 1) + 0.2039u(k 1)

y(k) = 1.7700y(k 1) 0.8073y(k 2) + 0.1957u(k 1) 0.1585u(k 2)

(16)

y(k) = 1.7510y(k 1) 0.7773y(k 2) 0.01384y(k 3) + 0.1957u(k 1) 0.1545u(k 2)

El promedio de los cuadrados de los errores de prediccin para cada uno de los modelos obtenidos
con el programa del listado 6 se muestra en la tabla 1. En la figura 5 se muestra la grfica de Bode
del modelo 2 y la del sistema que se utilizo para generar los datos, esto claro esta, es una forma de
validacin que no podra emplearse la practica porque el modelo de donde se obtienen los datos siempre
es desconocido.

3.2.

Ejemplo ARMAX

A continuacin se estimarn los parmetros de un modelo ARMAX utilizando Matlab. Al igual que en
los diferentes ejemplos desarrollados hasta ahora, los datos que se utilizaran para hacer la identificacin
sern generados mediante simulacin. En el listado 7 se muestra el programa utilizado para generar los
datos de entrada-salida del sistema.
8

Listing 5: Generacin de datos del ejemplo 1.

1
2
3
4

% Se define el s i s t e m a de tiempo c o n t i n u o.
Zeta
= 0.5;
Wn
= 1;
Gs
= tf ( Wn ^2*[1 1] ,[1 2* Zeta * Wn Wn ^2]);

5
6
7
8
9

% E q u i v a l e n t e de tiempo d i s c r e t o.
h
= 0.2;
disp ( La f u n c i o n ideal es : );
Gz
= disp ( c2d ( Gs ,h , zoh ));

10
11
12
13
14
15
16
17

% Se o b t i e n e la salida del s i s t e m a.
N
= 200;
Tiempo = 0 : 0 . 2 : (N -1) * 0.2;
U
= 5 + i d i n p u t(N , rbs ,[0 1]);
Y
= lsim ( Gz ,U , Tiempo );
E
= i d i n p u t(N , rgs ,[0 1]);
Y
= Y + 0.01* E ;

18
19
20

% Se g u a r d a n los datos en un a r c h i v o . mat

save D a t o s I D Tiempo U Y ;

Listing 6: Estimacin ARX del ejemplo 1.

1
2
3

% Se cargan los datos .

load D a t o s I D;
N
= length ( Tiempo );

4
5
6
7

% Se e l i m i n a n t e n d e n c i a s.
U
= dtrend ( U );
Y
= dtrend ( Y );

8
9
10
11

% Objeto iddata
Ts
= mean ( diff ( Tiempo ));
Datos
= iddata (Y ,U , Ts );

12
13
14
15
16

% Modelo na = 1 , nb = 1 , nk = 1
Theta1 = arx ( Datos , na ,1 , nb ,1 , nk ,1);
Ep1
= pe ( Theta1 , Datos );
Ind1
= mean ( Ep1 . o u t p u t d a t a .^2);

17
18
19
20
21

% Modelo na = 2 , nb = 2 , nk = 1
Theta2 = arx ( Datos , na ,2 , nb ,2 , nk ,1);
Ep2
= pe ( Theta2 , Datos );
Ind2
= mean ( Ep2 . o u t p u t d a t a .^2);

22
23
24
25
26

% Modelo na = 3 , nb = 2 , nk = 1
Theta3 = arx ( Datos , na ,3 , nb ,2 , nk ,1);
Ep3
= pe ( Theta3 , Datos );
Ind3
= mean ( Ep3 . o u t p u t d a t a .^2);

27
28
29

% Comparacion
disp ([ Ind1 , Ind2 , Ind3 ]);

Datos entradasalida

Entrada u(k)

6
5.5
5
4.5
4

10

15

20
25
Tiempo [seg]

30

35

40

10

15

20
25
Tiempo [seg]

30

35

40

Salida y(k)

8
6
4
2
0

Figura 4: Datos generados por el programa del listado 5.

Modelo
1
2
3

JN
0.01384
0.00039
0.00038

Cuadro 1: Promedio de los cuadrados de los errores de prediccin del ejemplo 1.

Dada la importancia del cdigo del listado 7 se realizar una explicacin detallada de cada una de sus
sentencias. En el primer grupo de sentencias (lineas de cdigo de la uno a la cuatro) se definen los
polinomios A(q), B(q) y C(q) del modelo ARMAX de la (Ec.17); este modelo es el que se utilizar para
generar los datos.
y(k) 1.5y(k 1) + 0.7y(k 2) = u(k 1) + 0.5u(k 2) + e(k) e(k 1) + 0.2e(k 2)

(17)

En la linea 4 se invoca a la funcin idpoly con el fin de empaquetar los polinomios A,B,C y crear el
modelo de la (Ec.17) que se almacenara en la variable Mod. En la linea 5 se define el nmero de datos
de entrada-salida que se utilizar para la identificacin. En las lineas 6 y 7 se definen la seales de
excitacin y ruido, u(k) y e(k), que afectaran al sistema. La seal u(k) sera una secuencia binaria,
solo toma los valores 1 o 1, de caractersticas aleatorias y con componentes de frecuencia en la banda
[0, s /2], siendo s la frecuencia de muestreo. El tercer argumento de la funcin idinput indica el rango
de componentes de frecuencia que tendr la seal generada, por ejemplo, el argumento [0 0.7] indicara
a idinput que se desea generar una seal con componentes de frecuencia en la banda [0, 0.7s /2]. La
sentencia U = idinput(100,rbs,[0 0.7]) har que a la variable U se le asignen 100 valores que
pueden ser 1 o 1, si a estos 100 valores se les asigna una escala de tiempo, por ejemplo los mltiplos
enteros de 0.1 entre 0 y 9.9, se tendr una seal binaria de tiempo discreto con componentes en la
banda de frecuencia [0, 0.7s /2] siendo s = 2/0.1.
La seal de ruido sera muy similar a u(k), con la diferencia de que e(k) toma valores en el rango [1, 1].
La diferencia entre las sentencias para generar u(k) y e(k) es el segundo argumento de la funcin
10

From u1 to y1

Amplitude

10

10

10

10

10

10

10

10

Phase (degrees)

0
50
100
150
200
1
10

10

10

10

Frequency (rad/s)

Figura 5: Grfica de Bode del ejemplo 1.

idinput, que puede ser rbs o rgs respectivamente.
rbs : Random Binary Secuence significa Secuencia Binaria Aleatoria, e indica que la seal
generada solo toma uno de dos posibles valores en un instante determinado, 1 o 1.
rgs : Random Gaussian Secuence que significa Secuencia Gaussiana Aleatoria, e indica que la
seal generada toma un valor cualquiera en el rango [1, 1]
En la linea 8 se obtiene la seal de salida del sistema y(k) cuando las seales de excitacin y ruido son
u(k) y e(k), estas se generaron en las lineas 6 y 7. La funcin idsim recibe dos argumentos, el primero
es una matriz, [U E], con las seales de excitacin (primera columna) y ruido (segunda columna), el
segundo argumento es el sistema que sera afectado por u(k) y e(k).
Dado que el objetivo de (Ec.17) es generar un conjunto de datos de entrada-salida que simule las mediciones que se haran sobre la planta a identificar, es conveniente definir un tiempo de muestreo. En
la lnea 9 se genera un vector con los 100 primeros mltiplos de 0.5, esto indica que en nuestro hipottico experimento de identificacin se adquiere una pareja de datos de entrada-salida cada 0.5 segundos.
En la lnea 10 se indica que los vectores Tiempo, U y Y se almacenaran en el archivo IDArmax1.mat.
Importante!
Se debe tener presente que en un experimento real de identificacin los
datos de entrada-salida provienen de mediciones hechas a una planta real,
y por tanto nunca es necesario escribir un programa como el del listado 7.
Una vez se han obtenido los datos de entrada-salida y se han almacenado en un archivo, el paso siguiente
es hacer la identificacin de la planta con la informacin obtenida. La identificacin comprende dos
partes : la seleccin de la estructura del modelo y la estimacin de parmetros. En el listado 8 se
muestra el programa utilizado para realizar la estimacin de los parmetros.
En la lnea 1 del programa del listado 8 se carga el archivo con los datos de entrada-salida del sistema
a identificar.

11

Listing 7: Generacin de datos con un modelo ARMAX.

1
2
3
4
5

% P o l i n o m i o s que c o n s t i t u y e n la e c u a c i n de d i f e r e n c i a s.
A
= [1 -1.5 0.7];
% P o l i n o m i o A ( q ).
B
= [0 1 0.5];
% P o l i n o m i o B ( q ).
C
= [1 -1 0.2];
% P o l i n o m i o C ( q ).
Mod
= idpoly (A ,B , C );

6
7
8
9
10

% Seales
N
=
U
=
E
=

de e x c i t a c i n y ruido .
100;
i d i n p u t(N , rbs ,[0 1]);
i d i n p u t(N , rgs ,[0 1]);

11
12
13

% Se o b t i e n e la seal de salida .
Y
= idsim ([ U E ] , Mod );

14
15
16

% Se supone un tiempo de m u e s t r e o en 0.5;

Tiempo = 0 : 0 . 5 : 0 . 5 * (N -1);

17
18
19

% Se g u a r d a n los datos en el a r c h i v o I D A r m a x 1. mat

save I D A r m a x 1 Tiempo Y U Mod ;

Listing 8: Estimacin ARMAX.

1
2

% Se o b t i e n e n los datos del a r c h i v o I D A r m a x 1. mat

load I D A r m a x 1;

3
4
5
6
7

% Se e l i m i n a n t e n d e n c i a s.
U
= dtrend ( U );
Y
= dtrend ( Y );
Datos
= [ Y U ];

8
9
10
11
12

% Se s e l e c c i o n a la e s t r u c t u r a ARMAX .
na
= 2;
nb
= 2;
nc
= 2;

13
14
15

% Se estima el modelo .
ModEst = armax ( Datos ,[ na nb nc 1]);

12

En las lneas 2 y 3 se aplica la funcin dtrend a los vectores U y Y para que tengan valor promedio cero,
en la lnea 4 se conforma la matriz con los datos de entrada-salida requeridos por el comando armax.
La primera columna debe contener los datos de salida y la segunda los datos de entrada. En las lneas
5,6 y 7 se define la cantidad de parmetros a estimar de los polinomios A(q), B(q) y C(q).
na = 2 indica que se estimaran dos parmetros para el polinomio A(q), a1 y a2 . A(q) sera A(q) =
1 + a1 q 1 + a2 q 2 .
nb = 2 indica que se estimaran dos parmetros para el polinomio B(q), b1 y b2 . B(q) sera B(q) =
b1 q 1 + b2 q 2 .
nc = 2 indica que se estimaran dos parmetros para el polinomio C(q), c1 y c2 . C(q) sera C(q) =
1 + c1 q 1 + c2 q 2 .
El modelo entregado por el programa del listado 8 se muestra en (Ec.18).
y(k) = 1.449y(k 1) 0.6522y(k 2) + 0.9297u(k 1) + 0.6802u(k 2)
+ e(k) 0.829e(k 1) + 0.1197e(k 2)

4.

(18)

Ejercicios.

Ejercicio 1 Escriba un programa en Matlab que genere un conjunto de 300 datos a partir de un
modelo ARMAX inventado por usted; el modelo debe ser estable y con na = 2, nb = 2 y nc = 2. Una
vez generados los datos, almacenelos en un archivo .mat utilizando el comando save (ver el programa
del listado 7). Despus, haga otro programa donde se cargue el archivo generado anteriormente, y a
partir de el, realice una estimacin de parmetros utilizando la funciones, bj con nb = 2, nf = 2,
nc = 2 y nd = 2, y oe con nb = 2, nf = 2. Cual de los dos modelos estimados se ajusta mejor al
conjunto de datos ?. Justifique su respuesta.

13