Ingeniera Civil en Informtica. Mtodos Numricos. Prof. Estefan Berres.

Ajuste no-lineal.

Integrantes: Diego Barrera Carmona. Vanessa Crdova Zavala. Roco Daz Ortiz.

Martes 27, noviembre, 21012.

Modelos no Lineales.

En los modelos lineales los parmetros o valores poblacionales desconocidos entran linealmente en la ecuacin. No importa que la o las variable(s) independiente(s) estn en la ecuacin en forma no lineal, recordemos que estas ecuaciones son fijas, ya sea por el diseo o por observacin. Algo importante es que cada parmetro aparezca multiplicado por una cantidad conocida y despus sumado. Esto permite encontrar soluciones usando mtodos para resolver ecuaciones mltiples. Ejemplos clsicos de modelos lineales de regresin son:
1)

El modelo de regresin lineal simple.

2) El modelo de regresin mltiple.

3) El modelo de regresin polinomial.

Los modelos no lineales son modelos de regresin en los cuales los parmetros aparecen en forma no lineal en la ecuacin.

Por ejemplo,

Estas ltimas tres ecuaciones son comnmente usadas para describir crecimiento, y se llaman, el modelo de Gompertz, el modelo Logstico y el modelo de Richards. Cuando la respuesta crece o decrece monotnicamente, pero la magnitud de la tasa de crecimiento o decrecimiento se hace cada vez ms pequea, y la variable dependiente se aproxima a una constante, la siguiente funcin exponencial suele usarse:

Con todos estos modelos estamos presentando la media de la respuesta Y como una funcin no lineal de una o ms variables independientes. Para completar una especificacin del modelo, debemos indicar adems la distribucin de Y, y la independencia o dependencia entre los valores de Y.

Ahora que ya se han comentado los diferentes modelos no lineales, podemos comenzar a mostrar el modelo con el cul en ste informe trabajaremos y nos introduciremos en su desarrollo. Por ejemplo, no est dems decir que es posible encontrar que algunos parmetros de cualquier curva de crecimiento varen de individuo a individuo, entonces as podamos reflejar su variabilidad mediante trminos aleatorios en el modelo. Lo que cambiar ahora es que estaremos modelando una funcin no lineal expresar la esperanza o media condicional de la variable de respuesta, dado as el o los efectos aleatorios. En nuestro modelo se considerar una circunferencia de 5 arboles de manzanas, con 7 diferentes mediciones por rbol. En la siguiente figura se mostrarn los perfiles individuales de los 5 rboles.

El modelo que nosotros utilizaremos ser el logstico, entonces tenemos:

En este modelo se representa una asntota y su divisin representa el intercepto y est relacionado a la pendiente. Cuando se pueda observar las curvas individuales, podremos pensar que todas las curvas comienzan ms o menos en el mismo dimetro, pero cada una alcanza un dimetro mximo diferente. Supongamos que asumimos que la asntota tiene un efecto aleatorio, que le llamaremos , la especificacin del modelo condicional entonces sera:

Si suponemos que cada observacin, dado un efecto aleatorio del individuo, es independiente de las otras observaciones y tiene una distribucin normal con varianza constante, y si suponemos que los son a su vez variables normales con cierto valor medio y cierta varianza, entonces se puede decir que tenemos completamente especificado nuestro modelo. Como se ha visto en modelos lineales, la presencia de efectos aleatorios tiene el efecto que las observaciones provenientes de la misma unidad estn correlacionadas, ya que comparten el mismo valor observado de . El problema que esta correlacin no siempre es simple de estimar, y vara dependiendo de los valores de x involucrados.

Esta formulacin del modelo permite considerar varios efectos aleatorios, adems no est limitada a datos con distribucin normal. La principal dificultad de realizar inferencias con este modelo es el aspecto computacional. Se puede decir que no existen frmulas explcitas para el clculo de los estimadores mximo verosmiles, y las rutinas de optimizacin usadas deben combinarse con rutinas de integracin numrica, que son particularmente difciles de usar cuando tenemos ms de 3 o 4 efectos aleatorios en un modelo.

Otra de las dificultades que no surge en los modelos lineales con distribucin normal es la interpretacin de los parmetros. Si se tiene a un modelo que no incluye coeficientes aleatorios, el modelo estudia la relacin entre la esperanza de la respuesta y la o las variable(s) independiente(s). Esto significa que podemos interpretar, por ejemplo, el intercepto en el ejemplo de crecimiento de troncos,

como un intercepto promedio para la poblacin de rboles de la cual se obtienen las muestras estudiadas. En cambio, en el modelo con coeficientes aleatorios no lineales, la relacin modelada es la de la esperanza condicional de la respuesta con la(s) variable(s) independiente(s).

Entonces,

se interpretar como el intercepto de un rbol tpico, tpico en el sentido que el valor realizado de los efectos aleatorios es su promedio: [0,0]. Este tipo de interpretacin se denomina inferencia especfica para sujetos. Ms bien decir, que en el modelo no lineal con efectos aleatorios modelamos relaciones condicionales, mientras que en un modelo no lineal sin efectos aleatorios modelamos relaciones marginales. Ms an, si en el modelo no lineal mixto se cumple la relacin entre la Y, y la X con la funcin logstica, entonces la esperanza marginal no va a tener la misma relacin. Esto se debe a que para obtener la esperanza marginal de la Y a partir de su esperanza condicional debemos promediar la esperanza condicional para cada valor posible del efecto aleatorio. En el caso de efectos aleatorios con distribucin normal, este proceso implica integrar respecto a la distribucin normal bivariada de [ , v]. Este proceso no siempre mantiene la misma relacin entre la Y, y la X como en el caso de los modelos lineales mixtos. Para ver un ejemplo grfico de este proceso, consideremos el efecto que tendra promediar pendientes en una regresin lineal y en una regresin no lineal:

Figura 1. Promedio de modelos lineales.

Figura 2. Promedios de modelos no-lineales.

En las figuras 1 y 2 se puede apreciar que cuando promediamos rectas con pendientes iguales en una lnea recta la pendiente promedio es la misma, pero cuando promediamos curvas logsticas con pendientes iguales la pendiente promedio es menor. Ahora, si lo que se desea es interpretar un efecto para el promedio de la poblacin (por ejemplo, el efecto general de aplicar cierto tratamiento de descontaminacin a predios contaminados) la idea de usar modelos formulados con la esperanza marginal parece preferible. Si se quiere ajustar los modelos se usa el mtodo de mxima verosimilitud. Se debe recordar que en este caso para obtener la funcin de verosimilitud se debe integrar a travs de la distribucin de los efectos aleatorios, por lo que los algoritmos computacionales incluyen los aspectos de integracin y maximizacin.
proc nlmixed data=tree; parms b0=190 b1=5 b2=500 su=35 se=8; num = b0+u; ex = b1*exp(-day/b2); den = 1 + ex; model y ~ normal(num/den,se*se); random u ~ normal(0,su*su) subject=tree; run;

Salida SAS . Datos Manzano.

Conclusiones.
Para comprender como formular una modelo de ajuste no-lineal, es preciso conocer mucho acerca de sus propiedades, en sta oportunidad se nos permiti comprender el tipo de anlisis que debemos dominar para lograr desarrollar un problema como ste. Verdaderamente, si nos detenemos a comprender que en nuestra realidad podemos encontrar muchos ms problemas como stos, as como tambin pasa con otras ramas de estudios, se podr entender que todo esta totalmente relacionado, que conocimientos bsicos nos llevarn a desarrollar y a avanzar en ms descubrimientos que puedan aportar a nuestra realidad, comprender que cada mtodo numrico que podamos conocer ser slo un piso para alcanzar los altos techos llenos de descubrimientos que nos esperan por ser hallados. Sin duda, os modelos no lineales nos invitan a aventurarnos para formular nuevos modelos, que estn vinculados con la realidad para as ejercitar y poder tomar cada conocimiento.