Sistemas de Ecuaciones No Lineales

1. Introducción
1.1. Generalidades

Dado un conjunto de n valores de una variable independiente x y una variable dependiente y, de

la forma

X1 x2 . . . xn-1 xn

Y1 y2 . . . yn-1 yn

Y una ecuación o modelo que relaciona x e y de forma

𝑦̂= f (x,β)

El objetivo es encontrar los valores de β que hacen que y sea lo mas cercano a 𝑦̂ como sea posible

X es una o varias) variable independiente deterministica ( o con una variabilidad mucho menor que
la la variable dependiente, o con errores de medición despreciables.

Y es una variable dependiente aleatoria distribuida normalmente

Β es un conjunto de parametrs desconocidos

f es una realación funcional entre x e y, la cual puede ser completamente empirica o puede tener
fundamentos fisicos subyacentes. Tal realación puede ser lineal o no lineal en x o en β; en este
capitulo nos cconcentraremos en relaciones no lineales. Debe tener siempre en cuenta que xi e yi
son datos conocidos, las incognitas del problema son los parametros.

1.2 Ecuaciones Lineales o no lineales en los parametros

Si no puede darse cuenta a simple vista si un modelo es lineal en los parámetros o no, puede probar
lo siguiente: es un modelo lineal en los parámetros, si la variación (derivada) de la respuesta y, no
depende del parámetro (es decir, es constante):

dy/dβj = gj(x)

Si el modelo tiene la forma f(x) + a +bx +cx4 + d cos(x), las derivadas del modelo respecto de los
parámetros son:

df(x)/da = 1

df(x)/db = x

df(x)/dc = x4

df(x)/dd = cos(x)

los cuales no dependen de los parametros, por lo cual el modelo es lineal en los paarametros.

Si el modelo tiene la forma f(x) = a exp(bx, las derivadas del modelo respecto a lo parametros son:
 df/da = exp(bx)

df/db = a x exp(bx)

Los cuales dependen de los parámetros, por lo cual el moodelo es no lineal en los parámetros.

Sin embargo, una ecuación no lineal puede adoptar muchas formas diferentes. De hecho,
debido a que el número de posibilidades es infinito. Estos ejemplos ilustran la
variabilidad (las θ representan los parámetros):

Nombre del
Función de expectativa El modelo contiene
modelo

1 / (1 + Theta *X ) Convexo 1 Un parámetro y un

predictor

Theta1* X / ( Theta2 + X ) Michaelis- Dos parámetros y un

Menten predictor

Theta1 * cos ( X + Theta4 ) + Theta2 * cos ( Fourier 1 Cuatro parámetros y

2 * X + Theta4 ) + Theta3 un predictor

Theta1 - Theta2 * ( ln ( X1 + Theta3 ) - ln ( Ecuación de Tres parámetros y 2

X2 ) ) Nernst predictores

X1 * X2 / ( Theta1 + Theta2 * X1 + Theta3 * Reacción Cuatro parámetros y 3

X1 * X2 + Theta4 * X1 * X3 ) enzimática predictores

Sistema de ecuaciones no lineales

Un sistema de n ecuaciones en las n incógnitas x es un conjunto de ecuaciones de

1,…,n
la forma:
Este sistema puede expresarse de manera más compacta como:𝑓⃗𝑥⃗ = ⃗⃗ 0
⃗
Donde 𝑥⃗ es el vector de variables x1,x2,x3,…..xn y 𝑓 es un vector de funciones
f1,f2,f3……fn, ⃗0⃗ representa ahora un vector nulo, de tamaño n x 1.

Para que el sistema sea no lineal, basta con que sólo una de las f sea no lineal.
i

Como ya vimos, los métodos directos para resolver los sistemas lineales tienen como
base la eliminación de Gauss, y los métodos iterativos más simples para resolver los
sistemas lineales están basados en iteraciones de Punto Fijo (Jacobi (por pasos
totales) y Gauss-Seidel).
Veremos, en primer lugar, los métodos iterativos de Punto Fijo y Newton-Raphson para
aproximar soluciones de sistemas de ecuaciones no-lineales cuadrados o
determinados.

Método de Punto Fijo

Dado un sistema no-lineal de n ecuaciones con n incógnitas, 𝑓⃗𝑥⃗ = ⃗0⃗ el método de Punto
Fijo consiste en transformar dicho sistema en otro equivalente del tipo 𝑥⃗ = 𝑓⃗(𝑥⃗k).
El método consiste en partir de una inicialización 𝑥⃗0 para generar una sucesión
convergente con la fórmula iterativa
para k = 0,1,2,......n, ó de manera más extensa:
Este es el método de Jacobi para un sistema no-lineal

Si se utilizan los nuevos (k+1) valores de las primeras i variables calculadas con la
fórmula iterativa para hallar el valor de las restantes, la fórmula iterativa anterior se
transforma en la fórmula iterativa del método de Gauss-Seidel para sistemas no-lineales:
Condiciones suficientes de convergencia
Dada una región cerrada θ y tal que f(θ) C θ, (es decir, vale para todo 𝑥⃗ ε θ,
⃗⃗⃗⃗⃗⃗(𝑥)
:𝐹 ⃗⃗⃗⃗⃗ ε θ ), con 𝐹⃗ y sus primeras derivadas parciales continuos en θ), entonces 𝐹⃗
tiene un PUNTO FIJO en θ.
Si además existe una constante M ε [0 1] tal que 𝑑𝐹𝑗 ⃗⃗⃗⃗⃗ 𝑥⃗/𝑑𝑥𝑖 < M/n j=1,2….n
con 𝑥⃗ ε θ entonces 𝐹⃗ tiene un solo Punto Fijo en θ y la sucesión obtenida por
la fórmula iterativa 𝑥⃗𝑘 + 1= ⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ converge al mismo (la raíz de f (x) = 0) para
𝐹 (𝑥𝑘)
cualquier inicialización 𝑥⃗0 ε θ.
Retornemos, brevemente, a los sistemas de ecuaciones lineales. Supongamos que
tenemos el siguiente sistema de 3x3:

Despejando una variable de cada ecuación tenemos:

Que es un sistema de la forma 𝑥⃗= ⃗⃗⃗⃗⃗⃗

𝐹 (⃗⃗⃗⃗⃗
𝑥)
Independientemente del esquema iterativo (Jacobi o Gauss-Seidel) la matriz del sistema
debe ser estrictamente diagonalmente dominante (EDD) para garantizar que la sucesión
converja a la solución del sistema.
Si la matriz del sistema es EDD, es equivalente a solicitar que la suma de los valores
⃗⃗⃗⃗⃗⃗𝑥)
absolutos de las derivadas parciales de cada 𝐹𝑖( ⃗⃗⃗⃗⃗ sea menor que 1 (como el sistema
es lineal las derivadas parciales no dependen de las variables, es decir, son constantes).

Condición de EDD:

Calculando la suma de los valores absolutos de las derivadas parciales de ⃗⃗⃗⃗⃗⃗

𝐹𝑖(⃗⃗⃗⃗⃗
𝑥)
obtenemos:

a
1,
2 +a1
,
3

1
>
 a 1
,
1

a2
,
1 +a2
,
3

1
>
 a 2
,
2
a + a

1
>
3
,
1 3
,
2

 a
 3 ,
3

Que es igual a la condición EDD.

Cuando un sistema es lineal, se verifica si cumple la condición EDD, y en caso de

cumplirla la sucesión generada por el método converge a la solución del sistema para
cualquier inicialización.
Cuando el sistema es no-lineal, siempre se evalúan las derivadas parciales. Como el
sistema es no-lineal, las condiciones deben evaluarse en forma local, ya que las
derivadas parciales van a depender de las variables del sistema.
Esto quiere decir que para un sistema de ecuaciones no-lineales determinado, con
múltiples soluciones, pueden existir regiones en las cuales el método no converja, o
incluso, que no converja en ningún punto, al igual que en los sistemas lineales.

Esta condición impuesta a las derivadas de ⃗⃗⃗⃗⃗⃗𝐹 (⃗⃗⃗⃗⃗

𝑥), puede explicarse considerando
que deben ser contractivas. Una función es contractiva si una variación en x produce
una variación menor en la función (en términos absolutos); entonces |g(x1) − g(x2)| <
|x1−x2| . Para garantizar que g (x) es contractiva vasta con verificar que g′(x) < 1.

Método de Newton-Raphson
Dado un sistema no-lineal de n ecuaciones con n incógnitas, f(x) = 0, si χ es una
solución de la ecuación f(x) = 0 y χ es una aproximación de la raíz, expandiendo en
serie de Taylor para la función y truncándola a partir del segundo término, obtenemos


f

x n
f
(
x
i

x
)
f(
x
i)


j
1x
x
j
i

j
Recuerden para una sola ecuación:

d
g
(
x)


g
(
x
x
)
g
(
x
) 
x
d
x
donde se supone que
xx 

Truncando el desarrollando en series de Taylor de cada función, se obtiene lo siguiente:

En forma más compacta, podemos escribir la aproximación como:

 ̃ f(𝑥̅ )+𝑗̅(𝑥̅ )Δx
𝑓(𝑥̅ + ∆𝑥) =
Donde 𝑗̅(𝑥̅ ) es el Jacobiano del Sistema
Además como 𝑓(𝑥̅ + ∆𝑥) ≈ 0 el sistema queda:
f(𝑥̅ )+𝑗̅(𝑥̅ )Δx = 0 → 𝑗̅(𝑥̅ )Δx = - f(𝑥̅ )
Para obtener una nueva aproximación se debe resolver el último sistema lineal de
ecuaciones, por ejemplo, con eliminación de Gauss.
Así sucesivamente, en la iteración k (partiendo de k = 0), debe resolverse
𝑗̅(̅̅̅ ̅̅̅) y actualizar los valores de la aproximación con xk+1= xk + Δxk
𝑥𝑘)Δxk = - f(𝑥𝑘
Si el sistema se escribe como Δxk = - 𝑗̅(̅̅̅ ̅̅̅) y se tiene una sola ecuación, el
𝑥𝑘)-1 f(𝑥𝑘
mismo se transforma en:

f(
x
)



xk
k
f
(
x
)
k
Que corresponde al método de Newton-Raphson para el caso que ya hemos visto.

Gauss-Newton
El problema de búsqueda de raíces de f(x) = 0
Con χ* solución única del sistema, puede ser reformulado como: hallar el minimizador
global χ* de

1 T
 f
Gx x f
x
2 ,
El método de Gauss-Newton consiste en aproximar linealmente f(x) (por expansión en
serie de Taylor) en un vecindario de (obteniéndose la misma aproximación que en el
método de Newton-Raphson):
̃ f(𝑥̅ )+𝑗̅(𝑥̅ )Δx
𝑓(𝑥̅ + ∆𝑥) =
Insertando esta aproximación en G(𝑥̅ ) se obtiene:

𝐺(𝑥̅ +Δ𝑥̅ ) = ½( f(𝑥̅ )+𝑗̅(𝑥̅ )Δx)T (f(𝑥̅ )+𝑗̅(𝑥̅ )Δx)

Desarrollando el producto y reordenando
𝐺(𝑥̅ +Δ𝑥̅ ) ≈ ½ f(𝑥̅ )Tf(x)+f(x)T 𝐽(̅ x)Δx+½(𝐽(̅ x)Δx)T𝐽(̅ x)Δx +f(𝑥̅ ) (f(𝑥̅ )+𝑗̅(𝑥̅ )Δx)
𝐺(𝑥̅ +Δ𝑥̅ ) ≈ G(𝑥̅ )+ΔxT𝑗̅(𝑥̅ )Tf(x)+1/2 ΔxT𝑗̅(𝑥̅ )T𝑗̅(𝑥̅ )Δx
El mínimo de G(𝑥̅ ) se produce cuando dG(𝑥̅ )/dx = 0̅
Diferenciando la ecuación se obtiene:
𝑗̅(𝑥̅ )Tf(𝑥̅ )+𝑗̅(𝑥̅ )T𝑗̅(𝑥̅ )Δ𝑥̅ = 0
El cual debe resolverse para Δ𝑥̅ por ejemplo por eliminación de Gauss
𝑗̅(𝑥̅ )T𝑗̅(𝑥̅ )Δ𝑥̅ = - 𝑗̅(𝑥̅ )Tf(𝑥̅ )
Reordenando la ecuación se obtiene

̅̅̅ )T𝑗̅(𝑥𝑘
𝑥̅ 𝑘 + 1= 𝑥̅ 𝑘 – ( 𝑗̅(𝑥𝑘 ̅̅̅ ))-1 𝑗̅(𝑥̅ 𝑘)Tf(𝑥𝑘
̅̅̅ )

De esta manera, se mejora el método cuando el Jacobiano está mal condicionado.

Además, si el sistema no es cuadrado, 𝐽 ̅ no es cuadrado y no se puede invertir, pero
𝐽T̅ 𝐽 ̅ si es cuadrado, por lo cual puede ser invertido.
Este método es uno de los más básicos cuando se abordan problemas de regresión
no-lineal, en el cual se minimiza la suma cuadrados residuales entre datos conocidos y
simulados.
Nótese que el método busca la raíz de dG(𝑥̅ )/dx = 0̅ que corresponde a un mínimo
de G(𝑥̅ ) (que es a su vez, idealmente, raíz de f(x)).

Ejemplos
Equilibrio químico. Hallar las conversiones de equilibrio de las siguientes reacciones
simultáneas:




k
2
A
+
B
C
1




k
A
+
D
C
2

Con:
C
k1= 2 =510-4
AB
C
k2= =410-2
AD
La concentración de cada especie, expresada en función del grado de avance de las
reacciones, queda como:
Hay que hallar los valores de A, B, C y D en el
equilibrio, utilizando el método de Newton-
Raphson.
Esto se reduce a hallar los valores del grado de
avance (x1, x2) en el equilibrio.

Puede observarse que las conversiones en el equilibrio son de aproximadamente

0.1203 y 0.4786.
Se puede usar solver también para resolver el problema como se muestra

Minimización de una función

La función: posee un mínimo local cerca de [0,7 - 1,3].

   
4 2
g
x,
y =
x xy1 y
Se pide hallar un valor más preciso de este punto utilizando el método de Newton-
Raphson.
Para hallar este punto, se debe buscar un punto donde las derivadas parciales de g son
cero.

La siguiente tabla muestra el resultado obtenido utilizando el método de Newton-

Raphson.
Se puede usar solver también para resolver el problema como se muestra

Método de Levenberg Marquardt

Levenberg (1944) Marquardt (1963) desarrollaron una clase de método Gauss Newton
amortiguado. La fórmula iterativa del método es:

̅ )
(J(𝑥̅ )TJ(𝑥̅ )+λI)Δ(𝑥̅ ) = - J(𝑥̅ )T𝑓 (𝑥̅

Donde λ >0 es un parámetro seleccionado por una regla específica, y I es una matriz
identidad del mismo tamaño JTJ. Cuando λ se acerca al método Gauss Newton, que
funciona bien en las cercanías de la solución. Para valores grandes de λ, el método
produce pequeños pasos en la dirección negativa del gradiente, y el método se acerca
al método de steepest descent.
La secuencia que sigue a continuación, describe una posible implementación del
método

 Seleccionar una inicialización 𝑥̅ o

 Obtener el jacobiano en el punto inicial, J(𝑥̅ o)

 Definir A = JTJ

 Inicializar λ como λ = Τmax[diagonal A], con T>0 arbitrario

 Obtener θ, que da cuenta de la bondad de la aproximación lineal al modelo real

̅ ))
Θ = F(𝑥̅ )- F(𝑥̅ + 𝛥𝑥̅ )/1/2 𝛥𝑥̅ T(λ 𝛥𝑥̅ -J(𝑥̅ )T𝑓 (𝑥̅

̅ ))
Donde F(𝑥̅ ) = G(𝑥̅ ) =1/2 f(𝑥̅ )T𝑓(𝑥̅

Un valor de θ grande indica que la aproximación es satisfactoria y λ puede reducirse

para que el método se acerque a Gauss Newton. Un valor de θ pequeño o negativo
indica que la aproximación no es buena, y λ debe aumentarse para que el método se
acerque a steepest descent.

El criterio de finalización puede ser tomado como el valor del gradiente de la función. Si
es menor que una tolerancia determinada, se finaliza la búsqueda. Otra condición
adicional es el cambio absoluto en las variables 𝐼𝛥𝑥̅𝐼 ∞ si es menor que una tolerancia
determinada se finaliza la búsqueda. Además siempre hay que usar un número máximo
de iteraciones.
Una regla utilizada, entre otras, para determinar la variación de λ puede ser
Inicialmente definir v = 2. Luego en cada iteración

Si θ > 0, asignar λ =λ máx. (I1/3,1-(2θ-1)3 I), v = 2

En caso contrario λ = v y v=2v.

Regresión No Lineal Secado de Camarón

Introducción

El secado es probablemente el más antiguo y el método más importante de

conservación de los alimentos practicado por los seres humanos. Este proceso mejora
la estabilidad de alimentos, ya que reduce considerablemente la actividad de agua y
microbiológica del material y reduce al mínimo cambios físicos y químicos durante su
almacenamiento.
El camarón seco es uno de los productos del mar más importantes en muchos países
como Tailandia, China, Malasia y Estados Unidos. La mayoría de los estudios sobre
cinética de secado de camarones se han centrado en la convección, vapor
sobrecalentado y bomba de calor como métodos de secado [1-8]. No hay ningún
informe disponible sobre la eficacia de secado por microondas intermitente de
camarones en comparación con las técnicas de secado convencionales.
Materiales y Métodos

Las muestras de camarón utilizadas en este estudio se obtuvieron de un mercado de

pescado local, Teherán, Irán durante la temporada de verano de 2010. Las muestras
seleccionadas se limpiaron con el agua del grifo para hacer muestras libres de polvo y
materiales extraños. Con el fin de preservar su calidad original, se almacenaron en un
refrigerador a 4 ° C hasta que se realizaron los experimentos de secado.

Se encontró que los contenidos de humedad iniciales promedio de las muestras de

camarón fueron de 3,103% (bs), determinado en un horno de convección a 103 ± 1 ºC
durante 4 h [3].
El secado se realiza en un secador de microondas desarrollado para este propósito. El
esquema experimental de secado por microondas se muestra en la Fig. 1. El secador
consta de un horno de microondas M945 de Samsung Electronics Ins, un ventilador de
velocidad variable y una balanza digital. Las dimensiones de la cavidad de microondas
eran 327 × 370 × 207 mm.
El contenido de humedad de la muestra de secado en el tiempo t puede ser
transformado para ser relación de humedad (MR):
MR = Mt-Me/Mo-Me
Donde Mt, M0 y Me son el contenido de humedad en cualquier momento del secado
(kg agua / kg Materia seca), el contenido de humedad inicial (kg de agua / kg de
materia seca) y humedad de equilibrio contenidos (kg de agua/ kg de materia seca),
respectivamente.

La relación de humedad se simplificó a Mt / M0 = (1-%H/100) en lugar de la ecuación.

(1) por algunos investigadores [9-11] debido a la fluctuación continua de la humedad
relativa de la aire de secado durante el proceso de secado por microondas.
Resultados y Discusión

W 500 400 300 200

Mr tiempo tiempo tiempo tiempo

0 4 4,75 7 12,5
0,2 3 3,5 4,75 8,5
0,4 2,25 2,5 3,75 6,25
0,6 1,5 2 2,5 4,5
0,8 1,25 1,25 1,5 2,75
1 0 0 0 0
 1
0.9
0.8
0.7
0.6
500 W
Mr

0.5
400 W
0.4
300 W
0.3
200 W
0.2
0.1
0
0 2 4 6 8 10 12 14
Tiempo min

Los datos obtenidos de secado se ajustaron a siete modelos de secado de capa fina
que se detallan en la Tabla 1 utilizando el análisis de regresión de mínimos cuadrados
no lineal. Los análisis estadísticos de los datos experimentales se realizaron utilizando
el software SPSS 17.0

Si las dispersiones son pequeñas, la curva será un buen representante de la nube de

puntos, o lo que es lo mismo, la bondad de ajuste del modelo será alta. Si la dispersión
es grande, la bondad de ajuste será baja.
Una forma de medir dicha bondad de ajuste es precisamente evaluando la suma de los
cuadrados de los errores. Por tanto, se llamará varianza residual a la expresión:

2
El coeficiente de determinación (R ) Es uno de los criterios principales para
seleccionar el mejor modelo para definir las curvas de secado. Adicionalmente se
puede usar chi-cuadrado (2 ) Y la raíz del error cuadrático medio (RMSE) se utilizan
para determinar la calidad del ajuste. Estos parámetros se pueden calcular de la
siguiente manera:
Donde MRexp, i es la relación experimental de humedad; MRpre, es la relación de
humedad predicho; N es el número de observaciones; z es el número de constantes.

Los cambios en la relación de la humedad con el tiempo de secado de las muestras de

camarón en el microondas se presentan en la Fig. 2. De acuerdo con los resultados en
la Fig. 2, el horno de microondas de secado la potencia ejerce un efecto significativo
en el contenido de humedad de las muestras de camarones como se esperaba. Los
resultados mostraron que el tiempo de secado se redujo en gran medida cuando la
temperatura de secado aumentó.
El tiempo de secado requerido para alcanzar el contenido final de humedad de las
muestras fueron 11,75, 7, 4,75 y 4 minutos con la potencia del microondas de 200, 300,
400 y 500W, respectivamente.
Los resultados indican que la transferencia de masa dentro de la muestra fue más

rápida cuanta más alta la potencia en el microondas generando una diferencia de

presión de vapor más grande entre el centro y la superficie del producto debido a la
característica del calentamiento volumétrico.
 Loss: Suma de Cuadrados
 Restricciones: Sin Restricciones
 Save: Salve Valores Predichos
 Options: Programa Secuencial






 cuadrático
1.2

0.8

0.6 Exp
Pred

0.4

0.2

0
0 1 2 3 4 5 t (Min)
Bibliografía

Figueroa Selva Carina Modelo de Regresión no Lineal Departamento de Matemática Facultad

de Ciencias Exactas y Naturales UNIVERSIDAD DE BUENOS AIRES Diciembre 2013

GARCÍA, S.V.; SCHMALKO, M.E. ISOTERMAS DE ADSORCIÓN Y CINÉTICA DE

SECADO DE CIERTAS HORTALIZAS Y AROMÁTICAS CULTIVADAS EN MISIONES
Agencia de Extensión Rural Oberá- INTA, Facultad de Ciencias Exactas, Químicas y
Naturales – UNAM, RIA, 36 (1): 115-129. Abril 2007. INTA, Argentina.

Goñi M Sandro Rodolfo H. Mascheroni Notas sobre sistemas ecuaciones algebraicas

no-lineales Catedra Simulación de Procesos I y II Departamento de Ingeniería Química
Facultad de Ingeniería, UNLP 2017

Hosain Darvishi, Asie Farhang Eisa Hazbavi Mathematical Modeling of Thin-Layer

Drying of Shrimp By Islamic Azad University Global Journal of Science Frontier
Research Mathematics & Decision Sciences Volume 12 Issue 3 Version 1.0 March 2012