METODO DE MINIMOS

CUADRADOS

INTEGRANTES:
LEYVA SUAREZ JUAN CARLOS
MORENO RIVERA OSCAR ALEJANDRO
MEDINA UREA MARIA GUADALUPE
TRINIDAD TAPIA DIEGO
 Este mtodo permite la identificacin en tiempo real de
modelos con el nico requisito de que estos sean lineales
en los parmetros. Esto incluye, por tanto, a modelos
lineales y no lineales pero que estos sean lineales en los
parmetros.

El mayor inters practico reside, en la identificacin de los

primeros, dado que son los ms utilizados en control.
 Una de las tcnicas ms conocidas en la estimacin de
parmetros de
modelos matemticos es el mtodo de mnimos cuadrados
(LS). En el cual el objetivo del mtodo de mnimos de
cuadrados es estimar el vector .

Este mtodo se utiliza para identificar un sistema de

modelo dinmico en tiempo discreto.
 Considrese el siguiente modelo paramtrico lineal monovariable:

Es inmediato comprobar que este modelo corresponde a la siguiente funcin de

transferencia:
 El modelo (4.1) se puede reescribir como:

(4.2)
donde el vector

es llamado regresor.
Es el vector de parmetros.
 Todo modelo matemtico es capaz de predecir el valor de
la salida del sistema en funcin de las entradas y salidas en
instantes anteriores. Se llama error de prediccin a la
diferencia entre la salida estimada por el modelo y la salida
real del sistema en un determinado instante de tiempo.
 Dado un valor del vector de parmetros , el error de
prediccin para el instante k ser

Ntese que conocido el valor de los valores presentes y

pasados de la salida y la entrada, la expresin (4.2) es una
ecuacin en las que las 2n incgnitas son los parmetros
que forman
 El mtodo de los mnimos cuadrados parte de N pares
(y(k), m(k)) donde N es generalmente mucho mayor de 2n
y permite ajustar un modelo del tipo (4.1).

En la practica el proceso no se puede describir a la

perfeccin mediante un modelo lineal del tipo (4.1) por lo
que el sistema de ecuaciones no tiene solucin ya que no
existe un valor del vector de parmetros que haga que el
error sea cero para las medidas de estimacin.
 Sin embargo si se puede encontrar un valor del vector de
parmetros
que haga mnimo el error de prediccin, de manera ms
precisa que haga mnima la suma de los cuadrados de los
errores de prediccin del conjunto de estimacin.

Esta es precisamente la estrategia del mtodo de mnimos

cuadrados.
 Las medidas obtenidas desde k = n hasta k = N se agrupan
en vectores de manera que se obtiene:

donde los vectores E(N) e Y(N) son:

 y la matriz M(N) est formada por los regresores
correspondientes, es decir:

Se define el ndice de bondad de ajuste como

 Este ndice lo podemos reescribir como:

El mnimo valor de J() se dar en el valor del vector de parmetros que cumpla
que:

Es decir,
 De donde se obtiene que el valor del vector de
parmetros que hace mnimo el ndice de bondad de ajuste
es:

Y ese es por tanto el valor del vector de parmetros del

modelo identificado.
Se obtienen

Aplicando
transformada Z
 Funcin de costo

Tenemos que
 Por lo tanto se puede representar como:

Lo podemos
definir como el
regresor y se
puede representar
de este modo

Por lo tanto Se puede

representar
 Pasando a la forma
matricial queda de este
modo

Con la funcin
anterior
Propiedades de gradiente

Utilizando las propiedades