Mtodo De Mnimos Cuadrados

Introduccin

En el presente captulo se har una exposicin detallada del mtodo de mnimos
cuadrados (MMC) para la identificacin de sistemas discretos lineales. El MMC
resulta, sin duda, uno de los enfoques bsicos y ms utilizados en la teora y la
prctica recientes de la identificacin de procesos. Numerosos autores, tales como
Eykhoff (1974), Peterka (1975) y muchos otros han dedicado un esfuerzo
considerable al estudio de este mtodo y sus diversas extensiones y
modificaciones. Las razones son mltiples y bien fundamentadas: adems de su
indudable visin intuitiva, el MMC posee una serie de propiedades estadsticas
muy tiles y sobre todo, posibilita la bsqueda de una forma recursiva lo
suficientemente simple. Esta ltima posibilidad ha venido a ser la base de los
llamados mtodos de identificacin en lnea (on-line) de procesos, que han
alcanzado gran popularidad, como resultado del desarrollo de los sistemas de
control digital.
En este captulo se discutir en detalle el mtodo de mnimos cuadrados, tanto en
su versin convencional como en sus varias modificaciones orientadas a mejorar
la precisin del MMC cuando los datos utilizados estn contaminados con ruido. El
captulo est organizado de la forma siguiente: en el Epgrafe 2.2 se introduce el
modelo ARX en su variedad de formas posibles, que es la estructura bsica
utilizada para aplicar los mtodos de identificacin en lnea. En el Epgrafe 2.3 se
aplica el mtodo general de mnimos cuadrados al modelo ARX y se obtienen
expresiones para la estimacin ptima de los parmetros as como de la matriz de
covarianza de la estimacin. En el Epgrafe 2.4 se discute una tcnica heurstica
de extrema utilidad para la aplicacin del mtodo de mnimos cuadrados en tiempo
real: la llamada tcnica del olvido exponencial. En el Epgrafe 2.5 se deriva en
detalle el algoritmo recursivo mnimo- cuadrtico convencional y se discuten las
bondades y limitaciones de este mtodo. En el Epgrafe 2.6 se introducen tres
modificaciones del MMC que tienen como objetivo la obtencin de
estimaciones insesgadas de los parmetros: mnimos cuadrados generalizados,
variables instrumentales y mnimos cuadrados extendidos. Por ltimo, en el
Epgrafe 2.7 se presentan algunos ejemplos ilustrativos y en el Epgrafe 2.8
algunos problemas propuestos.


Estructura del modelo ARX

En el esquema de la Figura 2.1 se representa, de forma simplificada, una planta
de una entrada y una salida, con un ruido aditivo v(t) en esta ltima.

Figura 2.1. Planta con ruido aditivo a la salida.

Supongamos que la entrada y la salida de la planta representada son accesibles,
es decir, pueden ser medidas con un perodo de muestreo que ahora
llamamos T en aras de la simplicidad de la notacin. Independientemente de
que el sistema original P pueda ser continuo, para describir el comportamiento
dinmico de un conjunto discreto de mediciones de su entrada y su salida
tomadas durante un cierto nmero de intervalos de tiempo T, es posible, en
muchos casos, asumir el siguiente modelo lineal en diferencias:

()

( )

( ) ()

Donde N es el nmero de muestras de las variables y los ndices k, k-l,...,k-n se
utilizan, en lugar de kT, (k-1) T,..., (k-n)T.
Por comodidad y en aras de la claridad de la exposicin hemos supuesto
que el lmite de ambas sumatorias es el mismo, dejando abierta la posibilidad
de que algunos de los coeficientes a
j
o b
j
sean cero. El caso frecuente de
sistemas con retardo de transporte, queda incluido, si se anulan algunos de los
primeros coeficientes b
j
, por ejemplo b
0
, b
1
, etc. No obstante, en captulos
posteriores ser conveniente utilizar modelos en los que los rdenes de los dos
sumatorios puedan ser distintos y tambin donde aparezca eventualmente el
retardo de transporte de forma explcita. Por el momento, al entero n lo
denominamos orden del modelo.
La inclusin de b0 en el modelo que se propone, implica que el valor de la
variable de entrada u(k) influye sobre la salida en el mismo tiempo y(k). Muchos
autores utilizan una notacin en la que no se considera esa influencia y se supone
siempre la existencia, como mnimo, de un perodo de retardo en el modelo.
Desde nuestro punto de vista consideramos que se trata slo de un problema
convencional y de cmo se interpreta el muestreo de las variables de entrada y
salida; en el texto se ha adoptado la convencin que se ilustra en la Figura 2.2.
En la Figura 2.2, en efecto, se supone que la variable de entrada se calcula
y se aplica antes de medir la variable de salida y aunque ambas se denotan con el
mismo ndice u(k), y(k) o u(k+1), y(k+1 ), etc., en realidad corresponden a tiempos
distintos u(k), y(k+tm) o u(k+1), y(k+1+tm), etc., donde tm, como mnimo, es el
tiempo necesario para calcular y aplicar la variable de entrada u(k) ms el tiempo
de medicin de la variable y(k). Este tiempo, desde Juego, debe ser mucho menor
que el perodo de muestreo. Desde el punto de vista que se ilustra en la Figura
2.2, resulta imprescindible, la inclusin del coeficiente b
0
en el modelo ARX.




Figura 2.2. Orden supuesto de las mediciones
El modelo discreto definido en la Ecuacin (2.1), consta de tres partes
fundamentales: una autorregresin de los valores anteriores de la salida hasta y(k-
n), una suma de valores previos de la entrada hasta u(k-n) y una componente
estocstica exgena e(k). Aunque pueden encontrarse en la bibliografa
especializada diversos nombres para este modelo, nosotros adoptaremos el de
modelo ARX (auto-regressive and exogenous variable) con el que se le conoce
en el toolbox de identificacin de MatLab. El trmino e(k) es un proceso
estocstico al que pueden atribuirse varias interpretaciones. Desde el punto de
vista puramente estadstico, este trmino generalmente se interpreta como el
residuo o efecto no considerado en el modelo. Desde la ptica de los sistemas de
control, el proceso e(k) puede asociarse al ruido o a la indeterminacin presente
en la planta.
Como este ruido no es medible, el clculo de e(k), a partir del modelo,
puede servir como una estimacin de ste. El hecho de suponer a priori la
presencia del ruido sita la identificacin del proceso en un plano ms cercano a la
realidad. En efecto, esto significa que se admite que la parte determinstica del
modelo asumido no es exacta, que refleja slo parcialmente el proceso y que
factores tales como la no linealidad, la imprecisin de las mediciones, la
presencia de perturbaciones no consideradas explcitamente, etc., influyen sobre
la salida. Todos estos efectos y muchas otras fuentes posibles de imprecisin, se
engloban en el trmino e(k) considerado como ruido.
Al trmino e(k), que en lo sucesivo ser denominado ruido del modelo, se le
atribuyen las siguientes propiedades estadsticas, para k=l ,2,3,...:

E{e(k)}=0 (2.2)
E{e
2
(k)}= 2 (2.3)
E{e(k)e(k-i)}=0, i0 (2.4)
E{e(k)y(k -i)} =0, E{e(k)u(k -i)} =0 (2.5)

donde el operador E{.} simboliza a la esperanza matemtica que puede
interpretarse como el "valor ms esperado" o en muchos casos como el "valor
medio" de la variable o funcin en el argumento. Entonces, e(k) se considera un
proceso de ruido blanco, con media cero y varianza constante 2, no
correlacionado con la entrada o la salida.
El modelo (2.1) puede escribirse tambin en la forma:
y(k) = y(k)+ e(k) (2.6)
donde
()

( )

( )
(2.7)
El trmino y(k) en la Ecuacin (2.7) puede interpretarse entonces
como la prediccin de la salida en el tiempo k, a partir de las mediciones
anteriores y(k-1), y(k-2),..., y(k-n), u(k), u(k-1),....,u(k-n) y los parmetros del
modelo. Ntese que, de acuerdo con (2.6) y (2.7), se cumple:

E {y(k)} = y(k) (2.8)

Una manera alternativa de expresar el modelo (2.1), muy usada en la
bibliografa especializada, resulta de introducir el operador de retardo z- 1, definido
como sigue:
z
-i
y(k) = y(k-i) (2.9)
Definiendo adems los polinomios:
A( z
-1
)= a
1
z
-1
+ a
z
z
-2
+... + a
n
z
-n
(2.10)
B(z
- 1
)= b
0
+ b
1
z
- 1
+ b
2
z
-2
+... + b
n
z
-n
(2.11)

y aplicando la transformada z a la Ecuacin 2.1 podemos escribir entonces el
modelo ARX en la forma
(1- A(z
- 1
))y(k) = B(z
-1
)u(k) + e(k) (2.12)
o tambin
()
(

)
(

)
()

)
()
(2.13)
El segundo trmino de la parte derecha de la Ecuacin (2.13) puede
identificarse con una versin discretizada del ruido aditivo v(t) que aparece en la
Figura 2.1.
Esta ltima forma del modelo ARX pone en evidencia un hecho de gran
importancia para la identificacin de los parmetros del modelo (2.1) o (2.13), y es
que el ruido resultante que acta sobre la salida no satisface generalmente las
condiciones de ruido blanco no corre-lacionado supuestas en (2.4) y (2.5). En
efecto, el trmino estocstico del modelo (2.13) es un ruido filtrado a travs de la
funcin de transferencia 1 / (1- A(z
-1
)).
La Ecuacin (2.13) puede escribirse entonces:
()
(

)
(

)
() ()
(2.14)
Donde
()

)
()
(2.15)
Y tambin
()

( ) ()
(2.16)

De la Ecuacin (2.16) resulta evidente que v(k) es un ruido correlacionado.
En el contexto de las series cronolgicas (Box and Jenkins, 1970), el proceso
descrito en (2.16) se conoce como una serie o proceso autorregresivo.
Resumiendo el anlisis anterior podemos afirmar que aun cuando al ruido
del modelo e(k) se le atribuyan las propiedades del ruido blanco no
correlacionado, el ruido resultante sobre la salida de la planta no cumple en
general con esas condiciones, pues se trasmite a travs del filtro 1/(l-A).
Ahora vamos a introducir otra forma del modelo ARX que ser de
extrema utilidad cuando se estudien los algoritmos recursivos de identificacin.
La Ecuacin (2.1) puede, en efecto, escribirse de la siguiente forma ms
compacta:
y(k) = P
T
z(k) + e(k) (2.17)

donde P
T
y z(k) son respectivamente los vectores de los parmetros y de las
mediciones. A este ltimo se le conoce como vector de regresin.
Ambos vectores pueden definirse de varias formas; una muy conveniente,
desde el punto de vista de los algoritmos de identificacin en lnea, es la
siguiente:
P
T
= [b
0
a
1
b
1
,,a
n
b
n
] (2.18)
Z
T
(k)= [u(k) y(k -1) u(k -1),, y(k- n) u(k- n)] (2.19)

P
T
y Z
T
son vectores de dimensin 2n+1.
El modelo (2.17) puede expresarse en forma generalizada para t
observaciones del par entrada-salida (u,y) como sigue: