Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Slides:



Advertisements
Presentaciones similares
Tema 6: Regresión lineal.
Advertisements

Tema.9.Predicción y estimación. Concepto. Cálculo de la ecuación de regresión lineal. Modelo general lineal. Evaluación del modelo. Diagnóstico del modelo.
Regresión mínimo cuadrada (I)
REGRESION LINEAL SIMPLE
Error Estándar de la Media
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Pronósticos, Series de Tiempo y Regresión
UNIVERSIDAD AUTÓNOMA DEL CARIBE
KRIGING.
Determinación de la situación relativa de los haces
Covarianza muestral Sean x1, x2, ..., xn e y1, y2, ..., yn dos muestras aleatorias independientes de observaciones de X e Y respectivamente. La covarianza.
Curso 2006/07 S. Ramírez de la Piscina Millán U.D. Técnicas Experimentales Departamento de Física y Química Aplicadas a la Técnica Aeronáutica Técnicas.
MODELO DE REGRESIÓN MÚLTIPLE
REGRESIÓN POR MÍNIMOS CUADRADOS
Introducción a la Estadística. Modelos de regresión
Regresión Lineal y Regresión Polinomial
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Econometria 2. Modelo de Regresión Lineal Simple
CASO 1: REGRESION LINEAL SIMPLE
Capitulo 10: La metodología Box-Jenkins
Regresión y correlación
TEMA 8: ANÁLISIS DE LA REGRESIÓN Y CORRELACIÓN ENTRE DOS VARIABLES
Métodos Matemáticos I.
Resortes y análisis mediante regresión lineal de datos
Estadística Descriptiva: 4. Correlación y Regresión Lineal
Tema 1- Regresión lineal simple.
Estadística Descriptiva: 4. Correlación y Regresión Lineal Ricardo Ñanculef Alegría Universidad Técnica Federico Santa María.
Regresión Lineal Simple
Tema 2: Métodos de ajuste
Facultad: Turismo Y Hotelería
Distribuciones bidimensionales. Tablas de contingencia
Análisis de supervivencia Tema 5 Itziar Aretxaga.
BIOMETRIA II TEMA 2 El Modelo de Regresión.
1 Asignatura: Autor: Análisis Numérico César Menéndez Titulación: Planificación: Materiales: Conocimientos previos: Aproximación Ingeniero Técnico Informático.
Pronósticos, Series de Tiempo y Regresión
Pronósticos, Series de Tiempo y Regresión
Tópicos Especiales en Computación Numérica
Programación Numérica
1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.
APROXIMACIÓN INTERPOLACIÓN Y REGRESIÓN. INTERPOLACIÓNREGRESIÓN.
ESTADÍSTICA BÁSICA EN ECOLOGÍA EVOLUTIVA Juan J. Soler Cruz Estación Experimental de Zonas Áridas Almería.
ESTIMACIÓN DE COEFICIENTES DE MÁXIMA VEROSIMILITUD
Modelo de regresión con dos variables: Estimación
METODOS DE INTERPOLACIÓN.
Métodos de calibración: regresión y correlación
Introducción a la Inferencia Estadística
Regresión No- lineal y Múltiple
Análisis de series de tiempo
CORRELACION Y REGRESION LINEAL: Introducción
Estadística Descriptiva
1 TEMA II Prof. Samaria Muñoz Análisis de Regresión simple: ESTIMACION.
Optimización, Ajuste de Curvas
Estadística I. Finanzas y Contabilidad
Regresión lineal simple
Sabemos reconocerlas, y calcularlas como soluciones de sistemas de ecuaciones, o de desigualdades Buscamos métodos de cálculo generales y eficientes Problemas.
Regresión lineal múltiple
1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.
SEMINARIO DE INVESTIGACION Titular: Agustín Salvia
1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.
Método de mínimos cuadrados
1 Análisis Matemático II Presentaciones en el Aula TEMA 3 Otras herramientas para la resolución de EDO Autor: Gustavo Lores 2015 Facultad de Ingeniería.
Construcción de modelos con regresión y correlación
TEMA : ANALISIS DE REGRESION
para Ingenieros Químicos
Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Capitulo II.
1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.
Tema 2: Estadística bidimensional
REGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.
M.E. ADA PAULINA MORA GONZALEZ. Esta parte describe las técnicas para ajustar curvas en base a datos para estimaciones intermedias. Una manera de hacerlo.
Transcripción de la presentación:

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Tema 5: Estimación de parámetros Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez ÍNDICE Introducción Regresión lineal Regresión lineal múltiple Regresión no lineal Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez 1. Introducción Problema: Tenemos una serie de valores (normalmente discretos) experimentales. Estos valores relacionan una(s) variable(s) de entrada y una(s) de salida. Queremos obtener un modelo que nos permita saber los valores en cualquier punto entre esos valores discretos de que disponemos. 2 alternativas: Regresión: Una curva representa la tendencia general de los datos. Se emplea cuando los datos tienen bastante variabilidad. Interpolación: Una curva pasa por todos los datos experimentales. Se emplea cuando los datos apenas tienen variabilidad. Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Variablidad de los datos Media Desviación estándar Varianza Coeficiente de variación Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez 2. Regresión lineal simple Dados unos datos y una relación lineal entre ellos Encontrar unos valores para 1 y 0 tal que hagan el error de la predicción mínimo. El modelo escogido es: Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Queremos minimizar el error, es decir, la diferencia entre el valor real y el modelo Posibles criterios para obtener los parámetros. Suma de errores Suma del valor absoluto del error Suma de los cuadrados de los errores Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Ajuste por el método de Mínimos cuadrados Minimizar la suma de los cuadrados de los errores. Derivamos respecto de cada parámetro: Ax=b Problema lineal Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Ejemplo xi yi 1 0.5 2 2.5 3 2.0 4 4.0 5 3.5 6 6.0 7 5.5   Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Análisis de la estimación Propiedades del estimador 1 Suma de cuadrado de errores Desviacion típica de los datos y Desviacion típica residual Coeficiente de correlación Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Ejemplo: Análisis de los resultados Desviacion típica residual Media de los errores -4.4409e-016 Coeficiente de correlación Distribución de los errores Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Estimación polinómica Polinomio de segundo orden Modelo Parámetros según mínimos cuadrados Sistema de ecuaciones lineales Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Polinomio de orden m Modelo Parámetros según mínimos cuadrados Sistema de ecuaciones lineales Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez 3. Regresión lineal múltiple Ahora tenemos múltiples variables x que explican la variable y. Encontrar unos valores para todos los  tal que hagan el error de la predicción mínimo. El modelo escogido es: Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Ajuste por el método de Mínimos cuadrados Minimizar la suma de los cuadrados de los errores. Derivamos respecto de cada parámetro: Poco robusto numéricamente Formulación para resolución numérica Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Análisis de la estimación Matriz de varianzas y covarianzas Propiedades de los estimadores i Suma de cuadrado de errores Desviacion típica residual Coeficiente de determinación corregido Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez 3. Regresión no lineal Modelo NO lineal Transformar el problema a uno de regresión lineal Se transforma en Modelo exponencial Ecuación en potencias Fracciones Se transforma en Se transforma en Modelado y simulación en Ingeniería Química. Manuel Rodríguez

Modelado y simulación en Ingeniería Química. Manuel Rodríguez Resolver el problema NO lineal directamente Linealizar aproximando según desarrollo en serie de Taylor Ajuste por mínimos cuadrados Iteración de regresiones lineales- Gauss-Newton. O emplear un algoritmo de optimización al problema: Levenberg-Marquadt Modelado y simulación en Ingeniería Química. Manuel Rodríguez