M,Sc, Eder C, Vicuña Galindo

1
Linealización
Técnica que consiste en transformar un modelo no-
lineal en lineal:
Ejemplo: En un nuevo proceso artesanal de fabricación de cierto artículo
que está implantado, se ha considerado que era interesante ir anotando
periódicamente el tiempo medio (medido en minutos) que se utiliza para
realizar una pieza (variable Y) y el número de días desde que empezó dicho
proceso de fabricación (variable X). Con ello, se pretende analizar cómo los
operarios van adaptándose al nuevo proceso, mejorando paulatinamente su
ritmo de producción conforme van adquiriendo más experiencia en él. A partir
de las cifras recogidas, que aparecen en la tabla adjunta, se decide ajustar una
función exponencial que explique el tiempo de fabricación en función del
número de días que se lleva trabajando con ese método.
X 10 20 30 40 50 60 70
Y 35 28 23 20 18 15 13
Linealización…
a) Estime los parámetros de la regresión y su margen de
precisión usando los resultados experimentales dados.
b) ¿Qué tiempo se predeciría para la fabricación del artículo
cuando se lleven 100 días?
c) ¿Qué tiempo transcurriría hasta que el tiempo de fabricación
que se prediga sea de 10 minutos?
40

30

Diagrama de dispersión: 20
Y

10

0
0 20 40 60 80
X
Linealización…
a) Y = Ae  lnY = lnA + BX a  ln A  A  e a
BX

y = a + bx  bB
Haciendo el análisis de regresión lineal:
A = e3,664  A = 39,02
a = 310-03
b = 6,810-05 días-1 B = 6,810-05 días-1
A
A  a  e3,664a  A  39,02  0,00306  11001 min
a
Linealización…
b) X = 100 días
Y  39,02e0,016100 = 7,87 = 8 min

c) Y = 10 min
lnY = lnA + BX 

ln(Y / A) ln(10 / 39,02)

X = = 85 días
B  0,016
Linealización…
Aunque es una técnica útil en ajustar un modelo no-
lineal mediante técnicas de regresión lineal, presenta los
siguientes inconvenientes:
 Los parámetros de ajuste solo son aproximados.
 Se debe usar con mucho cuidado.
¿Porqué los parámetros de ajuste son aproximados?
Esto se responde al considerar la propagación de errores de los
datos iniciales dados como X e Y, que ahora, mediante la
linealización, se transformaron en X y lnY; el problema no es en
el parámetro b sino en a, por tanto:
A
A  a  e3,664a
a
EL ERROR SE PROPAGA DEBIDO A ESTE TÉRMINO
Linealización…
Sin embargo esta técnica es útil:
Para tener un estimado inicial de la regresión
del modelo no-lineal.
Como valores iniciales de la regresión no-
lineal; pues se usan regularmente programas
computacionales.
 AJUSTE DE MODELOS NO
LINEALES
 Exponencial
f ( x)  y  a0e a1x
Potencial
f ( x)  y  a0 x a1
 Parabólico
f ( x)  y  a0  a1 x  a2 x 2
Ajuste de Modelos No Lineales…
Para la regresión no-lineal (ajuste) se usa
también el método de los mínimos cuadrados.
Requiere de programas computacionales.
Estos se dividen clásicamente en dos tipos:
las que usan derivadas y las que no.
La linealización es muy útil para establecer
los valor iniciales del proceso de regresión
nio-lineal.
Ajuste de Modelos No Lineales…
o Veamos el caso de la regresión parabólica:
  
n
Min a 0 , a1, a2 S   yi  a0  a1 xi  a x
2 2 2
e 2 i
i 1

S
  
2 n
e
 2 yi  a0  a1 xi  a 2 xi2  1  0
 a0 i 1

Se2
  
n
 2 yi  a0  a1 xi  a 2 xi2  xi   0
 a1 i 1

S
   
2 n
e
 2 yi  a0  a1 xi  a 2 xi2  xi2  0
 a2 i 1
Ajuste de Modelos No Lineales…
• Desarrollando los términos:
n n n n

 yi 
i 1
 a0 
i 1
 a1xi 
i 1
 2 i 0
a x
i 1
2

n n n n

x y
i 1
i i  a x
i 1
0 i  a x
i 1
2
1 i  a x
i 1
3
2 i 0

n n n n

x
i 1
2
i yi  a x
i 1
2
0 i  a x
i 1
3
1 i  a x
i 1
4
2 i 0
Ajuste de Modelos No Lineales…
• Determinando las ecuaciones normales
n n n
a0 n  a1  xi  a2  x 2
i  y i
i 1 i 1 i 1
n n n n
a0  xi  a1  x  a2  x 2
i
3
i  x y i i
i 1 i 1 i 1 i 1
n n n n
a0  x  a1  x  a2  x
2
i
3
i
4
i  x 2
i yi
i 1 i 1 i 1 i 1
Ajuste de Modelos No Lineales …
• Ejemplo:
xi yi
-6 2,0
-3 2,8
0 3,9
3 4,7
6 5,8
9 7,1
12 7,5
15 8,2
20 9,3
25 9,8
Ajuste de Modelos No Lineales …
Diagrama de dispersión
12
10
8
6
y

4
2
0
-7 -2 3 8 13 18 23 28

x
 Ajuste de Modelos No Lineales …
Determinación de los coeficientes de las ecuaciones
normales:
10 10 10
n  10  xi  81
i 1
 i  1565
x 2

i 1
yi 1
i  61,1

11 11 11 10

 xi  81
i 1
 i  1565
x 2

i 1
 i  29457
x 3

i 1
x y
i 1
i i  736,4

10 10 10 10

 i  1565
x 2

i 1
 i  29457
x 3

i 1
 i  631301
x 4

i 1
 i yi  13693,4
x 2

i 1
Ajuste de Modelos No Lineales …
Usando MATLAB para determinación de los
parámetros de ajuste:
10a0 + 81a1 + 1565a2 = 61,1
81a0 + 1565a1 + 29457a2 = 736,4
1565a0 + 29457a1 + 631301a2 = 13693,4

 10 81 1565   a0   61,1 
 81 1565 29457  a    736,4 
   1
1565 29457 631301 a2  13693,4
Ajuste de Modelos No Lineales …
• Continuando…
 10 81 1565 
C   81 1565 29457 
1565 29457 631301
 a0 
A   a1 
a2 
 61,1 

I   736,4  
13693,4
Ajuste de Modelos No Lineales …
• En forma compacta:
CA  I
A  inv (C ) I
• En MATLAB:
Ajuste de Modelos No Lineales …
Ajuste de Modelos No Lineales …

12
10
8
6
y

4
y = -0,0043x2 + 0,3446x + 3,9876
2 R² = 0.995

0
-7 -2 3 8 13 18 23 28

x
Ajuste de Modelos No Lineales …
Análisis de Residuales
0.4
0.3
0.2
0.1
error

0
-0.1
-0.2
-0.3
-0.4
1 2 3 4 5 6 7 8 9 10
número de dato