Avanzado
12 12
Valor
Valor
6 6
0
0
0 12 24 36
0 12 24 36
Tiempo
Tiempo
12 12
Valor
Valor
6 6
0 0
0 12 24 36 0 12 24 36
Tiempo Tiempo
Modelos teóricos o prácticos
Modelos originados principalmente en base a consideraciones
teóricas (fenomenológicos).
== si CA = CA(0) - CB
== ( ∞
∞
−− ) y si para t = 0 CA(0) = CB∞∞
( )= ∞
∞
(− ) −−
es la solución del modelo.
temperatura.
0.5
0.4
0.3
0.2 η = 0.0061x + 0.068
0.1 η =α + β ⋅
0.0
0 25 50 75 100
η =α + β ⋅
Temperatura
Reactor 1 Reactor 2
Es posible agregar términos cuadráticos a la ecuación pero los
parámetros del modelo pierden el sentido físico adquirido en
el modelo lineal.
Temperatura
Reactor
25 50 75
1 - - - - - -
2 - - - - - -
C1
C2
T1 T2 T1 T2 T1 T2 T1 T2
Cat 1 Cat 2 Cat 1 Cat 2
Reactor 1 Reactor 2
0,6
en la estimación de
0,4
los parámetros de
0,2 la curva.
(− )
0,0
−− ββ ⋅⋅
-0,2
0 25 50 75 100
η=β
Temperatura
µ =η ( µ µ µ β )+ µ
Luego, µ ≈ (η µ σ )
Ejemplo
−− ββ ⋅⋅
Considere el siguiente modelo: µµ = µµ
+ µµ
100
80
VAriable η
60
40
20
0
0 25 50 75 100
Temperatura
1- Error de medición.
2- Efecto de cualquier variable no considerada en el
modelo.
3- Modelo incorrecto.
4- Efecto de cualquier caso no considerado en el modelo.
η = β + β + β
Si los parámetros son conocidos, el modelo es claramente no
lineal en la variable. Pero en el caso de estimación de los
parámetros (con xi conocidos) el modelo se transforma en uno
lineal en los parámetros, es decir:
η = ( )β + ( )β + ( )β
∂η ∂η
η =η + (β − β )+ + (β − β ) +
∂β ∂β
η=β⋅
Datos Conc. X 1 3 3 4 6 6 7
Conc. Y 8 30 33 42 59 60 68
=β⋅ +
Se requiere estimar β. Para esto se puede utilizar el criterio de
mínimos cuadrados:
(β ) = ( µµ − η µµ ) = ( µµ −β⋅ µµ )
µµ== µµ==
12000
10000
8000
S( )
6000
4000
2000
0
0 2 4 6 8 10 12 14 16 18 20
β
Para la estimación lineal se puede encontrar el valor exacto
tomando:
∂ (β )
=
∂β
Siendo en este caso:
∂ (β )
∂β
= ( µµ −β µµ )(− ) =
µµ
µµ ==
µµ µµ ⋅
β = =
µµ
Siendo en el ejemplo:
β = =
El estimador de M.C. Para η en condición xµ será:
=β⋅ µµ = ⋅ µµ
= ( − + )
= ( − ) + + ( − )
Residuos, lo Modelo, Ecuación
que queda tomado en normal de
después de cuenta por valor nulo
ajustar el el modelo
modelo
Interpretación de los residuos
Los residuos se descomponen en:
( − )= ( − + − )
== ==
( − )= ( − )+ ( − )+ ( ) (
− ⋅ − )
== == == == == ==
y: 30 33 = 31.5
y: 59 60 = 59.5
Error puro:
Σ()2 = (30-31.5)2 + (32-31.5)2 + (60-59.5)2 + (59-59.5)2 = 5
Grados de libertad = 1+1 = 2.
≈ ( )= =
Modelo ajustado µµ = µµ + µµ
Modelo verdadero µµ = η + ε µµ
Con ~ N(0, 2)
También se pueden presentar los residuos gráficamente.
1.0
0.8
0.6
0.4
0.2
0.0
e
-0.2 0 5 10 15 20 25
-0.4
-0.6
-0.8
-1.0
x
Falta de ajuste en término lineal.
40
35
30
25
20
e
15
10
5
0
0 5 10 15 20 25
x
Falta de ajuste en término cuadrático
200
150
100
50
0
e
0 5 10 15 20 25
-50
-100
-150
-200
x
Intervalo de Confiabilidad para β
Consideremos un modelo lineal:
µ = β ⋅ µ + µ
⋅
β = = η
Y varianza:
σ
(β ) = ⋅σ =
( )
En general cualquier función se puede expandir a otra función
lineal mediante Serie de Taylor.
= ( )
La contribución a la varianza de y, de la varianza en cada una
de las variables que depende es:
∂
σ = ⋅σ
= ∂
Luego:
(β ) = ⋅σ + ⋅σ + + ⋅σ
σ =σ = =σ
Pero:
µ =β⋅ µ + µ σ µµ
= σ µµ
Finalmente:
σ
(β ) = ⋅σ =
( )
De esta manera se llega a determinar que:
β≈ (β σ )
Como σ2 es desconocido se puede determinar por s2.
La estimación de M.C. de η a xk es
= β ⋅
La varianza de yk viene dada por:
( ) = ∂(β ⋅ ) ⋅ σ ββ + ∂(β ⋅ ) ⋅ σ
β
σ = ⋅σ ββ = ⋅σ
Lo anterior implica que:
≈ η σ
y
⋅
η = ± (γγ )
x
¿Cuándo no lo es?
Este método posee las siguientes suposiciones implícitas:
=
π ⋅σ
⋅ −
σ
( µµ − ηµµ )
µµ==
( )= ( µµ − η µµ )
ββ ββ µµ ==
Modelo de dos Parámetros
En el caso de un modelo con dos parámetros:
η = β ⋅ + β ⋅
( )= ( µµ − µµ − µµ )
µµ ==
β β
Los contornos β β
son elipses perfectas en
β el caso de modelos
lineales
β
Para encontrar los parámetros que ajustan el modelo se deriva
parcialmente la ecuación de M.C. originando dos ecuaciones
normales:
∂ (β β ) =
∂β
β⋅ µµ +β ⋅ µµ ⋅ µµ = µµ ⋅ µµ
µµ== µµ== µµ==
β⋅ µµ ⋅ µµ +β ⋅ µµ = µµ ⋅ µµ
µµ== µµ== µµ==
En forma matricial:
⋅ ⋅
µµ==
µµ
µµ==
µµ µµ
β µµ==
µµ µµ
=
β
µµ ⋅ µµ µµ µµ ⋅ µµ
µµ== µµ== µµ==
Modelo General de Ecuaciones
Todas las ecuaciones anteriores se pueden representar
mediante ecuaciones matriciales.
[ ] ×× = [ ] ×× ⋅ [β ] ×× + [ε ] ××
([ β ]) = ( µµ − η µµ )
µµ==
Aplicando derivadas parciales a las matrices se obtiene la
expresión final para el cálculo del Vector de Parámetros.
([β ]) = − [ ] ⋅ ([ ] − [ ]⋅ [β ]) =
∂ [β ]
[ ] ⋅ [ ]⋅ [β ] =
[β ] = ([ ] ⋅ [ ]) [ ] ⋅ [ ]
−−
Inferencias Acerca de los Parámetros
A continuación analizaremos el Vector de Parámetros luego
de aplicarle los operadores de Esperanza y Varianza.
(β ) = ( ⋅ )
−−
⋅ ⋅ ( )
(β ) = ( ⋅ )−−
⋅β = β
Aplicando el operador Varianza:
(β ) = (((β ) − (β ))⋅ (β − (β )) )
[β ] [β β ] [β β ]
[β β ] [β ] [β β ]
[β β ] [β ]
Se obtiene una matriz simétrica.
Al desarrollar la expresión de la varianza:
(β ) = (( )−−
⋅ ⋅( − ( )) ⋅ ( − ( )) ⋅ ( ))
−−
(β ) = (( )
−−
⋅ ⋅ ( )⋅ ⋅ ( ))
−−
Si los errores ε son independientes, poseen varianza constante.
( )= ⋅σ
(β ) = ( ⋅ )−−
⋅σ
Cuando existen dos parámetros es necesario establecer el
estado de relación entre ellos. El coeficiente de correlación
queda definido por:
β ρβ β =
ρ ββ =
(β β )
ββ
(β )⋅ (β )
β
β
− ≤ ρββ ββ ≤
< ρβ β ≤
β
Observación
Si:
≈ ( ⋅β ⋅σ )
Entonces:
β≈ (β ( ⋅ )σ
−−
)
Inferencias Acerca de los Parámetros
Individuales
β −β
≈ ( )
(β )
Generalmente σ es desconocido, pero puede ser estimado
por:
=
( µµ − µµ )
−
β −β
≈
(β ) ( −− )
95% I.C. Individuales en cada parámetro βi.
β ± ( −− (
) ) (β )
= ⋅β η = ⋅β
( )= (( −η )⋅ ( −η ) )
( )= ( ⋅ (β − β ) ⋅ (β − β ) ⋅ )
( )= ⋅ (β )⋅
( )= ⋅ ( ⋅ )
−−
⋅ ⋅σ
Análisis de Varianza aplicado a M.C.
Considere la sumatoria de Y al cuadrado alrededor de un valor
arbitrario .
( −η )( −η )= ( − + −η )( − + −η )
( −η ) ( −η ) = ( − )( − ) + ( −η ) ( −η ) + ( − )( −η )
( −η )( −η ) = ( − )( − ) + (β − β ) (β − β )
Σ()2 de Σ()2 de
+ =
desviaciones desviaciones
entre Σ()2 de los entre las
observaciones residuos. predicciones
y predicciones. usando β y β
Tabla resumen de análisis de varianza.
Fuente
Fuente ΣΣ()
()22 G.L.
G.L. Var
Var EstVar
EstVar
Discrepancia
Discrepancia (β − β ) (β − β ) PP σ + ( )
Residuos
Residuos ( − )( − ) n-p
n-p (β )
( − )
Total
Total ( −η ) ( −η ) nn σ
Si hay replicados. Los residuos se pueden separar en error puro
y falta de ajuste.
≈
(β ) ( − ) ( −− )
Un valor hipotético β0 llegará e ser significante al nivel de
probabilidad α cuando:
−
⋅ ≈
(β ) αα ( −− )
o cuando:
= ⋅ (β )⋅ αα ( −− )
−
pero:
= (β ) − (β )
finalmente:
= (β )⋅ + αα ( −− )
−
Interpretación
El lugar geométrico de todos los parámetros con valor β0 que
β0) define una región de
alcanzan este valor significante de S(β
α)%.
confiabilidad de 100(1-α
(β )
(β )
(β )
β
(β )
(β ) β
β β
⋅( −α )
β
Estudios de Parámetros Extras en el Modelo
Consideremos el siguiente modelo al cual se le ha agregado
un tercer parámetro:
Ajustamos:
= β + β ⋅ + β ⋅ +
= β + β ⋅ +ε (β β ) → ( − ) !
= β + β ⋅ + β ⋅ +ε (β β β) → ( − ) !
El término extra al agregar este nuevo parámetro es:
= (β β ) − (β β β ) → !
Compare:
≈ ( γ)
Si no se dispone de una estimación independiente de s2, se
puede usar:
=
(β β β )
−
También es posible observar el intervalo individual de
confiabilidad para el parámetro en cuestión: β2
1- Errores independientes.
2- Todos los errores tenían igual varianza.
Supongamos ahora que los dos supuestos anteriores son falsos.
( β )= −−
⋅ − ⋅( − β ) ( − β) ≡ (β )
π
ββ
(β )= ββ
( − β) −−
( − β)
∂
= = − ⋅ ⋅ ⋅ −−
( − ⋅β )
∂β
( ⋅ −−
⋅ )⋅ β = ⋅ −−
⋅
(β ) = ( ⋅ −−
⋅ )
−−
Casos Especiales
1- M.C. ordinarios.
= ⋅σ
( )⋅ β = ⋅
(β ) = ( −−
⋅ ) −−
σ
1- M.C. ponderados.
σ σ
σ
= −−
= σ
σ σ
ββ
( −η) −−
( −η) ≡ ββ σ µµ
( µµ − ηµµ )
µµ==
Implementación
Sea:
−−
= " " → =
σ
β = ( −−
) ( −− −−
)
Se define:
$ = " → $ = "
# = "
Note que se aplica una transformación a Y (Z=PY).
= β
+ ε
" = " β + " ε
# = $ β + ε
Lo mismo podemos aplicarlo a:
β = ( " " ) (
−−
" " )
= ($ )
−−
β $ $ #
= β+ε
×× ×× ×× ××
β =( ) ( )
−−
⋅ ⋅
+ = + β +ε +
En forma matricial:
++ = = β +ε ++
++ ++
Luego:
−−
β ++ = [ ++ ]⋅ ⋅ [ ++ ]⋅
++ ++
Resolviendo:
β ++ = β + ++ ⋅( ++ − ++ β )
" = ( ⋅ )= σ (β )
→ β "
→β = " =α ⋅