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- Barrido: Sólo útil para pocos parámetros y modelos

simples.

Para dos parámetros se construyen contornos de

2- Programas de minimización.

Métodos simplex, descenso máximo, Fletcher-Powell, Box.

3- 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.
Si:
Pueden existir problemas de convergencia si se inicia lejos del
óptimo o el modelo es poco lineal.
 Problemas Potenciáles en Estimación de M.C.

Se pueden presentar matrices mal condicionadas que tienden

a singularidad, es decir su determinante se aproxima a cero.

Se vio que:

Si (XT X)-1 es singular implica que existe una pobre estimación.

 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.
Cómo evitar este problema?

Suponga el ajuste de una línea recta a datos lejos del origen.

14

13

12

11

10

6
6 8 10 12 14
 Reparametrización.

Observe el siguiente modelo:

Sea:

14

13

12

11

10

6
6 8 10 12 14
Si b1 se mueve, a0 permanece casi constante.

Ahora:

a0 y b1 no están correlacionados.
Ejemplo
Modelo de Arrhenius. No lineal.

1.2
Vemos un ejemplo de datos remotos
1
del origen.
0.8

0.6
k

0.4 Donde:
0.2 k: valido entre 450 y 490 °K.
0
0 100 200 300 400 500
Esto implica una matriz X´X mal
T
acondicionada con parámetros
altamente correlacionados.
Se requiere reparametrizar en torno a T0 , 470°C por ejemplo.

Ahora α0 y β0 no están correlacionados

 Suposiciones sobre M.C

Robustez.

El punto importante no es determinar si las suposiciones son

exactamente verdaderas (nuca lo son), sino saber si las
desviaciones presentes afectan seriamente la validez de los
métodos.

Un procedimiento es robusto a una suposición si es insensible a

desviaciones moderadas a dicha suposición.
Suposiciones.
1- Los X son fijos y conocidos .
M.C. Es robusto si Var(yi) >> Var(xi) y si la propagación del
error de xi en yi es solo una parte relativamente pequeña.

2- E(yu) = ηu modelo adecuado.

Primero aceptamos que el modelo es el adecuado y luego
verificamos si existe falta de ajuste.

3- Varianza constante εu , relativamente robusto a variaciones

moderadas.

4- εu se distribuye Normalmente con media 0 y varianza σ2

Necesario para justificar expresiones de I.C.
Ejemplo
Ejemplos de variaciones de suposiciones..

1- Arreglos de modelos a una forma más simple. Por

conveniencia matemática se violan algunas suposiciones.
Para usar M.C.en ocasiones se arregla el modelo a una forma
lineal.
Observación
Siempre se debe ajustar el modelo a la variable respuesta, o
variable medida.

Ejemplo:
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

0
0 5 10 15 20 25

Re = ρ d v /µ
µ
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.
Ejemplo
Ley de los Gases Ideales.

Si estimamos R se deben medir P, V, T todas sujetas a error.

Si se usa M.C. ¿Cuál es la variable dependiente?
Cada respuesta es medida con error:

Relación funcional:

Los residuos
Supuestos

1- El modelo es el adecuado.
2- Los experimentos son independientes.
3- 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

6
6 8 10 12 14
14

13

12

11

10

6
6 8 10 12 14
 1.2

0.8
k

0.6

0.4

0.2

0
0 100 200 300 400 500
T
 40

35

30

25
hd/k

20

15

10

0
0 5 10 15 20 25

R e = ρ d v /µ
µ