ANALISI ASINTOTICA DEI MODELLI PEM: dimostrazione che se S M i metodi PEM

in grado di trovare la parametrizzazione vera.

caso ARMAX
I metodi PEM risolvono il problema di ottimizzazione minimizzando

E UN BUON MODELLO?
hp. processi ERGODICI (ossia dei quali possiamo calcolarne le propriet
probabilistiche)
hp. N tende a infinito
hp. DELTA insieme dei minimi globali

caso particolare 1 solo minimo globale

SE S M allora Esistera un M(TETAottimo) = S e SE TETAottimo DELTA allora PEM
in grado di trovare parametrizzazione vera
DIM.
Scrivo lerrore di predizione
Tolgo a destra e sinistra il predittore del modello vero (ossia quello con teta ottimo)
accorpo trovando il rumore bianco del modello vero
applico loperatore varianza = J(TETA)
doppio prodotto nullo

4 CASI disegnati
TEST DI BIANCHEZZA: test di bianchezza di Anderson e a cosa serve
un modo per valutare laccuratezza del modello quello di calcolare quanto lerrore di
predizione si avvicina al rumore bianco, ossia il grado di separazione che siamo
riusciti ad ottenere tra segnale predetto e rumore.
Esistono diversi metodi per il calcolo
Un modo intuitivo consisterebbe nel calcolare la covarianza e lo spettro e vedere
visivamente quanto si avvicinano al template di un rumore bianco
Nella realt non si riesce comunque a distinguere bene perci devo operare verifiche
di plausibilit (TEST DI ANDERSON)
i. Calcolo la funzione di covarianza dellerrore di predizione (LAMBDAN(tau) ed
eseguo il calcolo per tau = 1,2,3

ii. Calcolo la funzione di covarianza normalizzata sulla varianza (SIGMAN(tau))

iii. Considero le VAR. CASUALI SIGMAN(tau) caratterizzate da propriet interessanti,

che ci permettono di calcolare la gaussianita di queste variabili.

iv. Queste propriet sono valide se e solo se ci troviamo di fronte ad un rumore bianco.
Nella realt non si riesce a trovare un risultato definitivo, si ricorre a misure di
confidenza. Si passa dunque da un problema di calcolo di bianchezza ad uno di
VERIFICA DI GAUSSIANITA
v. Si sceglie quindi un livello di confidenza (alfa)
vi. Si calcola il valore di BETA tale per cui larea delle due code di N = (alfa)
vii. Contiamo il numero di punti (P) al di fuori dellintervallo [-BETA,BETA]
viii. Concludiamo che lerrore di predizione bianco con un grado di confidenza (1-a)%
se P/M<=alfa (M numero totale di var. casuali calcolate)
IDENTIFICAZIONE DEI MODELLI ARX(m p+1): ordine di persistente eccitabilit
PREMESSE:
Consideriamo un processo ARX(m, p+1)
Scrivo la forma generale
Scrivo A(z) e B(z)

Condizione anch TETA esista unico che il primo termine sia invertibile
Per risolvere il problema definito di Identificabilit che consiste nel verificare che il
primo termine sia invertibile, definiamo S(N) = primo termine
Definiamo R(N) = S(N)/N

Anch TETA esista e sia unico necessario che R(N) risulti invertibile
Analizziamo quindi adesso la struttura di R
R matrice quadrata di dimensione m+p+1 * m+p+1

R = [Ryy, -Ryy; -Ruy, Ruu]

Ryy = matrice (m*m), ordine m-1, quadrata, matrice delle covarianze di y, struttura
matrice di toepliz
Ryu = matrice (m*p+1), matrice di crosscorrelazione, Ryu = RuyT
Ruu = matrice (p+1)*(p+1), matrice di covarianza di u, struttura della matrice di
toepliz
Cerchiamo la condizione di invertibilit di R attraverso laiuto del LEMMA DI
SCHUR che per una matrice quadrata definita cos: M = [F, K; KT, H] con F e H
simmetriche ci ore la condizione necessaria e suciente anch M sia > 0 e
quindi invertibile

La prima condizione da sola necessaria perinvertibilit di M e quindi di R in

quando aventi la stessa struttura. Si nota che la matrice H del LEMMA DI SCHUR
corrisponde alla nostra matrice di covarianza dellingresso esogeno u che un
segnale progettato da noi e che quindi modificabile nelle sue propriet, per cui
linevitabilit garantita dalle nostre scelte progettuali.
In particolare, la sottomatrice H esprime lordine di persistente eccitabilit di un
segnale u(t). Ru(1)>0, Ru(2)>0, Ru(n)>0, Ru(n+1=>0,
n lordine massimo per cui Ruu > 0 e quindi R invertibile
n corrisponde a p+1 nei modelli ARX per cui condizione necessaria per
lIDENTIFICABILIT di un modello ARX che il segnale u(t) usato per produrre i
dati sia almeno di ordine p+1
VALUTAZIONE DELLINCERTEZZA DI STIMA PARAMETRICA
Supponendo che S M e che TETAottimo DELTA con DELTA insieme dei punti di
minimo globale
In particolare supponiamo che TETAsegnato sia lunico punto di minimo globale
Ipotizzando di avere un numero finito N di dati
La stima del parametro TETAenne si riconduce al problema di minimizzazione della
cifra di merito JN(teta)

Ci poniamo quindi il problema di valutare con quanta incertezza abbiamo calcolato il

parametro:

Si mostra quindi che la varianza del parametro per N dati pari a

1/N*LAMBDA^2*C^-1
Dove LAMBDA^2 la varianza dellerrore che alimenta il processo e Csegnato il
valore atteso del prodotto della derivata di EPSILON per la sua TRASPOSTA

Cos questo C?
Scrivo la cifra di merito asintotica J(teta)
La derivo due volte
Noto che se TETA = TETAottimo allora EPSILON = e(t) per cui il secondo termine
della derivata seconda se ne va
Riscrivo e vedo che:

Quindi che Segnato la met dellHESSIANO della cifra di merito calcolata

allottimo
FORMULE DI STIMA DELLA COMPLESSITA OTTIMA
Queste funzioni sono delle alternative a JN: hanno un punto di minimo (che indica
lordine ottimo)
Vantaggio: non richiedono di usare solo N/2 dati per fare la identificazione del
modello.
Sono formule che utilizzano: N , nteta , JN ; le interpretiamo come funzioni di nteta
NB: questi criteri sono stati ricavati teoricamente per modelli ARX; in pratica si usano
anche per modelli ARMAX

Dal confronto di AIC e FPE sotto lipotesi che nteta sia molto inferiore di N si evince
che i due metodi sono praticamente equivalenti e che log(FPE) = AIC
MDL invece sottostima la valutazione del minimo per cui poco preferibile rispetto
agli altri due criteri