Universidad Técnica Federico Santa María

Análisis y Diseño de Experimentos

Estimación no Lineal.

Departamento de Ingeniería Química
y Ambiental

Estimación no Lineal

Ecuación no lineal en los parámetros.

Donde:

p : parámetros.
k : variables independientes.
n : observaciones.

La suma de los errores al cuadrado es:

Si los εµ se distribuyen normalmente y las varianzas constantes,
entonces:

Luego:

Para encontrar el punto máximo diferenciamos parcialmente: Para modelos lineales implica resolver p ecuaciones lineales. .

.Para modelos no lineales implica resolver p ecuaciones no lineales.

Barrido: Sólo útil para pocos parámetros y modelos simples. Para dos parámetros se construyen contornos de . Métodos de Búsqueda 1.

Métodos simplex. . Fletcher-Powell.2. Programas de minimización. Box. descenso máximo.

Linealización del modelo.3. . Se aproxima el modelo no lineal u otro lineal mediante la aplicación de una expansión en Serie de Taylor alrededor de β0.

Si: .

.Pueden existir problemas de convergencia si se inicia lejos del óptimo o el modelo es poco lineal.

Se vio que: Si (XT X)-1 es singular implica que existe una pobre estimación. es decir su determinante se aproxima a cero. Problemas Potenciáles en Estimación de M.C. . Se pueden presentar matrices mal condicionadas que tienden a singularidad.

Considere la siguiente matriz: . Ejemplo Estimación de parámetros no correlacionados. .

Pero si algún elemento cambia ligeramente: Se produce una alta correlación negativa entre los parámetros. .

Suponiendo el mismo error en ∆ Magnifica el error. .

Cómo evitar este problema? Suponga el ajuste de una línea recta a datos lejos del origen. 14 13 12 11 10 9 8 7 6 6 8 10 12 14 .

.

Observe el siguiente modelo: Sea: 14 13 12 11 10 9 8 7 6 6 8 10 12 14 . Reparametrización.

Si b1 se mueve. Ahora: a0 y b1 no están correlacionados. . a0 permanece casi constante.

6 k 0. .8 0.2 k: valido entre 450 y 490 °K. 1.4 Donde: 0.2 Vemos un ejemplo de datos remotos 1 del origen. 0 0 100 200 300 400 500 Esto implica una matriz X´X mal T acondicionada con parámetros altamente correlacionados. No lineal. 0.Ejemplo Modelo de Arrhenius.

Se requiere reparametrizar en torno a T0 . Ahora α0 y β0 no están correlacionados . 470°C por ejemplo.

. Suposiciones sobre M. Un procedimiento es robusto a una suposición si es insensible a desviaciones moderadas a dicha suposición. El punto importante no es determinar si las suposiciones son exactamente verdaderas (nuca lo son).C Robustez. sino saber si las desviaciones presentes afectan seriamente la validez de los métodos.

M. 4. E(yu) = ηu modelo adecuado. 3. εu se distribuye Normalmente con media 0 y varianza σ2 Necesario para justificar expresiones de I. Varianza constante εu . 2.C.Suposiciones.C. Los X son fijos y conocidos . Primero aceptamos que el modelo es el adecuado y luego verificamos si existe falta de ajuste. 1. relativamente robusto a variaciones moderadas. . Es robusto si Var(yi) >> Var(xi) y si la propagación del error de xi en yi es solo una parte relativamente pequeña.

Arreglos de modelos a una forma más simple.Ejemplo Ejemplos de variaciones de suposiciones. Para usar M..C. 1. Por conveniencia matemática se violan algunas suposiciones. .en ocasiones se arregla el modelo a una forma lineal.

.

Ejemplo: .Observación Siempre se debe ajustar el modelo a la variable respuesta. o variable medida.

El modelo realmente es: .

Otro problema común es la correlación de términos en grupos adimencionales. 40 35 30 25 hd/k 20 En el ejemplo vemos que d 15 aparece en ambas variables 10 5 0 0 5 10 15 20 25 Re = ρ d v /µ µ .

También pueden existir relaciones entre un número de variables. . posiblemente todas sujetas a error y ninguna de ellas puede calificarse como dependiente o independiente.Puede existir además relaciones fundamentales y modelos con errores en variables independientes.

T todas sujetas a error. ¿Cuál es la variable dependiente? . Si estimamos R se deben medir P. V.C. Si se usa M.Ejemplo Ley de los Gases Ideales.

Cada respuesta es medida con error: Relación funcional: Los residuos .

Supuestos 1. 3. Los experimentos son independientes. 2. El modelo es el adecuado. Errores Normales con varianzas σ2Ziµµ .

Suponga que en cada corrida cada respuesta es medida independientemente con una varianza σ2Ziµµ Puesto que: Para m variables. .

Fin del Capítulo .

Gráficos .

14 13 12 11 10 9 8 7 6 6 8 10 12 14 .

14 13 12 11 10 9 8 7 6 6 8 10 12 14 .

4 0.8 k 0.2 0 0 100 200 300 400 500 T .2 1 0.6 0. 1.

40 35 30 25 hd/k 20 15 10 5 0 0 5 10 15 20 25 R e = ρ d v /µ µ .