Академический Документы
Профессиональный Документы
Культура Документы
1. Introducción
1.1. Generalidades
X1 x2 . . . xn-1 xn
Y1 y2 . . . yn-1 yn
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.
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.
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
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.
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:
Condición de EDD:
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
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
1x
x
j
i
j
Recuerden para una sola ecuación:
d
g
(
x)
g
(
x
x
)
g
(
x
)
x
d
x
donde se supone que
xx
Truncando el desarrollando en series de Taylor de cada función, se obtiene lo siguiente:
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:
̅̅̅ )T𝑗̅(𝑥𝑘
𝑥̅ 𝑘 + 1= 𝑥̅ 𝑘 – ( 𝑗̅(𝑥𝑘 ̅̅̅ ))-1 𝑗̅(𝑥̅ 𝑘)Tf(𝑥𝑘
̅̅̅ )
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.
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.
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
Definir A = JTJ
̅ ))
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
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
Introducción
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
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.
cuadrático
1.2
0.8
0.6 Exp
Pred
0.4
0.2
0
0 1 2 3 4 5 t (Min)
Bibliografía