You are on page 1of 38

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. .

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

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

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

Si: .

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

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

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

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

Suponiendo el mismo error en ∆ Magnifica el error. .

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

.

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

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

0 0 100 200 300 400 500 Esto implica una matriz X´X mal T acondicionada con parámetros altamente correlacionados.2 k: valido entre 450 y 490 °K.6 k 0. .8 0. No lineal. 1. 0.2 Vemos un ejemplo de datos remotos 1 del origen.4 Donde: 0.Ejemplo Modelo de Arrhenius.

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

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

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

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

.

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

El modelo realmente es: .

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 .Otro problema común es la correlación de términos en grupos adimencionales.

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

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

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

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

.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 .

8 k 0.6 0.2 1 0.4 0.2 0 0 100 200 300 400 500 T . 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 .