REGRESIÓN NO LINEAL APLICANDO LA HERRAMIENTA MATLAB

Para el desarrollo de una regresión no lineal por la herramienta Matlab, es necesario conocer la
función que describe este modelo, en este caso es la función nlinfit, que está sujeta a una expresión
matemática que describe el comportamiento de la cinética enzimática (Michaelis-Menten), la cual
por medio de unas entradas, una función y un punto de arranque, arroja valores de km y vmax que
se ajustan más a los datos, minimizando la función nlinfit.

1. SINTAXIS

Beta= nlinfit(X,Y,modelfun,beta0)devuelve un vector de coeficientes estimados para la

regresión no lineal de las respuestas en Y los predictores al X usar el modelo especificado
por modelfun. Los coeficientes se estiman utilizando la estimación iterativa de mínimos
cuadrados, con valores iniciales especificados por beta0.

[beta,R,J,CovB,MSE,ErrorModelInfo] = nlinfit(___)además, devuelve los residuales, Rel

jacobiano de modelfun, J la matriz de varianza-covarianza estimada para los coeficientes
estimados CovB, una estimación de la varianza del término de error MSE y una estructura que
contiene detalles sobre el modelo de error ErrorModelInfo.

Las entradas que se definieron fueron las siguientes:

 x→ Variable dependiente
 y→ Variable independiente
 modelfun→ modelo de la función
 beta0→ punto semilla o de arranque del método

Salida

 beta→ parámetros estimados


2. GRÁFICA DE LOS PUNTOS EXPERIMENTALES Vo vs So

Para graficar las velocidades y sustratos iniciales, es necesario plantear los vectores con los datos
experimentales y graficarlo, así:

So=[0.20 0.29 0.50 1.00 2.50]';

Vo=[0.034 0.051 0.067 0.100 0.133]';

plot(So,Vo,'*r')

title('Vo vs So')
xlabel('So (mmol/L)')
ylabel('Vo (mmol/L.min)')
 Gráfica N°1: Vo vs So (datos experimentales)

3. GRÁFICA UTILIZANDO LA FUNCIÓN NLINFIT Y EL MODELO DE

MICHAELIS-MENTEN

Utilizando la función para regresiones no lineales de Matlab (nlinfit), podemos encontrar km y

vmax que se ajusta más a los datos experimentales, para esto es necesario minimizar dicha
función que está sujeta al modelo de Michaelis-Menten, obteniendo una gráfica así:
 Gráfica N°2: Valores de km y vmax que se ajusta más a los datos por regresión no lineal, minimizando la función sujeta al modelo de
Michaelis-Menten

Los valores de km y vmax que se ajustan más a los datos experimentales son:

Km 0,7613 mmol/L
vmax 0,1749 mmol/L.min

4. CÓDIGO

Para hallar los valore de km y vmax que más se ajustan a los datos, y las gráficas por medio de
regresión no lineal, se utilizó el siguiente código en Matlab:

function Vo=ecu(par,So)

vmax=par(1); km=par(2);

Vo=vmax*So(:,1)./(km+So(:,1));

clear all
close all
clc

So=[0.20 0.29 0.50 1.00 2.50]';

Vo=[0.034 0.051 0.067 0.100 0.133]';

plot(So,Vo,'*r')

[BETA,R,J,COVB,MSE] = nlinfit(So,Vo,@ecu,[1;1]);

vmax=BETA(1); km=BETA(2);

SSo=[0.2:0.1:3.0]';

Voo=vmax*SSo(:,1)./(km+SSo(:,1));

hold on

plot(SSo,Voo,'b')

title('Vo vs So')
xlabel('So (mmol/L)')
ylabel('Vo (mmol/L.min)')
REGRESIONES NO LINEALES (MATLAB)

MILENA CARDONA MORALES

VALENTINA CASTRO CARDONA

DOCENTE
OSCAR JULIÁN SANCHÉZ

BIOTECNOLOGÍA

UNIVERSIDAD DE CALDAS
PROGRAMA INGENIERÍA DE ALIMENTOS
FEBRERO 2019