Mtodos Numricos

Realizado por:
Carlos Buenao
Andrs Herrera
Juan Plaza
Tema:
Regresiones lineales y polinomiales, aplicables a problemas
prcticos.
Profesor:
Ing.: Paul Torres
Cuenca
2015

1. Resumen:
En el siguiente trabajo de investigacin, se presenta de una manera muy sencilla una
explicacin, caractersticas y ejemplo del tema: Regresiones lineales y
polinomiales, aplicables a problemas prcticos las cuales se veras ms detalladas,
y revisadas con ms profundidad, mediante un caso prctico analizado, mediante
dos mtodos.

2. Introduccin:
Regresin Lineal:
Si sabemos que existe una relacin entre una variable denominada dependiente y otras
denominadas independientes (como por ejemplo las existentes entre: la experiencia
profesional de los trabajadores y sus respectivos sueldos, las estaturas y pesos de
personas, la produccin agraria y la cantidad de fertilizantes utilizados, etc.), puede
darse el problema de que la dependiente asuma mltiples valores para una
combinacin de valores de las independientes.
La dependencia a la que hacemos referencia es relacional matemtica y no
necesariamente de causalidad. As, para un mismo nmero de unidades producidas,
pueden existir niveles de costo, que varan empresa a empresa.
Si se da ese tipo de relaciones, se suele recurrir a los estudios de regresin en los
cuales se obtiene una nueva relacin pero de un tipo especial denominado funcin, en
la cual la variable independiente se asocia con un indicador de tendencia central de la
variable dependiente. Cabe recordar que en trminos generales, una funcin es un tipo
de relacin en la cual para cada valor de la variable independiente le corresponde uno
y slo un valor de la variable dependiente.
SUPOSICIONES DE LA REGRESIN LINEAL

Los valores de la variable independiente X son fijos, medidos sin error.

La variable Y es aleatoria
Para cada valor de X, existe una distribucin normal de valores de Y
(subpoblaciones Y)
Las variancias de las subpoblaciones Y son todas iguales.
Todas las medias de las subpoblaciones de Y estn sobre la recta.
Los valores de Y estn normalmente distribuidos y son estadsticamente
independientes.

REGRESIN SIMPLE Y CORRELACIN

La Regresin y la correlacin son dos tcnicas estadsticas que se pueden utilizar para
solucionar problemas comunes en los negocios.
Muchos estudios se basan en la creencia de que es posible identificar y cuantificar
alguna Relacin Funcional entre dos o ms variables, donde una variable depende de
la otra variable.

Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en

un modelo de Regresin Simple.
"Y es una funcin de X"
Y = f(X)
Como Y depende de X,
Y

es la variable dependiente, y

es la variable independiente.

En el Modelo de Regresin es muy importante identificar cul es la variable

dependiente y cul es la variable independiente.
En el Modelo de Regresin Simple se establece que Y es una funcin de slo una
variable independiente, razn por la cual se le denomina tambin Regresin Divariada
porque slo hay dos variables, una dependiente y otra independiente y se representa
as:
Y = f (X)
"Y est regresando por X"
La variable dependiente es la variable que se desea explicar, predecir. Tambin se le
llama REGRESANDO o VARIABLE DE RESPUESTA.
La variable Independiente X se le denomina VARIABLE EXPLICATIVA o
REGRESOR y se le utiliza para explicar Y.

Regresin Polinmica:
En estadstica, regresin polinmica es una forma de regresin lineal en el que la
relacin entre la variable independiente x y la variable dependiente Y se modela como
un polinomio de orden n. Regresin polinmica se ajusta a una relacin no lineal entre
el valor de x y la media condicional correspondiente de y, denotado E, y se ha
utilizado para describir los fenmenos no lineales tales como la tasa de crecimiento de
los tejidos, la distribucin de los istopos de carbono en los sedimentos del lago, y la
progresin de epidemias de enfermedades. Aunque regresin polinmica se ajusta a
un modelo no lineal a los datos, como un problema de estimacin estadstica es lineal,
en el sentido de que la funcin de regresin E es lineal en los parmetros
desconocidos que se estiman a partir de los datos. Por esta razn, regresin
polinmica se considera que es un caso especial de regresin lineal mltiple.

DEFINICIN Y EJEMPLO

El objetivo del anlisis de regresin es modelar el valor esperado de una variable

dependiente en funcin del valor de una variable independiente x. En la regresin
lineal simple, el modelo se utiliza, en donde e es un error aleatorio no observado con
media cero acondicionado en una variable escalar x. En este modelo, por cada unidad
de aumento en el valor de x, la expectativa condicional de Y aumenta por unidades a1.
En muchos lugares, esta relacin lineal no puede sostenerse. Por ejemplo, si estamos
modelando el rendimiento de una sntesis qumica en trminos de la temperatura a la
que tiene lugar la sntesis, podemos encontrar que el rendimiento mejora al aumentar
las cantidades para cada unidad de aumento en la temperatura. En este caso,
podramos proponer un modelo cuadrtico de la forma
En este modelo, cuando se aumenta la temperatura de x a x 1 unidades, los cambios en
el rendimiento esperados por a1 2a2x. El hecho de que el cambio en el rendimiento
depende de x es lo que hace que la relacin no lineal.
En general, podemos modelar el valor esperado de y como un polinomio de orden n,
dando el modelo de regresin polinmica en general

INTERPRETACIN
Aunque regresin polinmica es tcnicamente un caso especial de regresin lineal
mltiple, la interpretacin de un modelo de regresin polinmica ajustada requiere
una perspectiva algo diferente. A menudo es difcil interpretar los coeficientes
individuales en un ajuste de regresin polinmica, ya que los monomios subyacentes
pueden ser altamente correlacionados. Por ejemplo, x y x2 tienen correlacin
alrededor de 0,97 cuando x se distribuye uniformemente en el intervalo. Aunque la
correlacin se puede reducir mediante el uso de polinomios ortogonales, por lo
general es ms informativo que considerar la funcin de regresin ajustada en su
conjunto. Punto de bandas de confianza-sabia o simultnea a continuacin, se pueden
utilizar para proporcionar un sentido de la incertidumbre en la estimacin de la
funcin de regresin. [2]

3. Situacin fsica

Determinar mediante regresin lineal o polinomial la ecuacin que mejor describa de

acuerdo a los datos presentados a continuacin.

t(min )

T(C)

0
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30

95
86
84
79
74
66
63
60
56
52
50
48.5
46
43
43
42

4. Modelo matemtico
Polinomio de m-esimo grado:

En este caso la suma de los cuadrados de los residuos es

Se toma la derivada de la ecuacin anterior con respecto a cada uno de los

coeficientes del polinomio, para obtener:

Estas ecuaciones se pueden igualar a cero y reordenar de tal forma que se obtenga el
siguiente conjunto de ecuaciones normales:

Ley de enfriamiento de Newton

dT
=k (T Tm)
dt

Resolucin para determinar la ecuacin mediante Matlab

Funcion :

f ( x )=0.000684 x3 +0.074598 x 20.337498 x +94.82

Figura 1. Ajuste de la curva con las datos obtenidos

5. Anlisis de resultados:
Finalmente para validar nuestro experimento nos basamos tambin con conocimientos
adquiridos de ecuaciones diferenciales con la finalidad de modelar este enfriamiento con
los datos ya conocidos como las condiciones de frontera que obtuvimos en el
experimento. A continuacin modelaremos con los datos obtenidos en el experimento.

Datos:

=k dt
T dT
21

T ( amb )=21 C

Condiciones Frontera
t=0 ; T =95 C

t=20 ;T =52 C

( t21 )=kt +c
T 21=c e

kt

T =21+ce kt
Desarrollo:

95=21+ c
dT
=k (T Tm)
dt

c=74

52=21+74 ek20
k =0.043504

T (t)=21+74 e0.043504t

Finalmente para validar nuestro experimento nos basamos tambin con conocimientos
adquiridos de ecuaciones diferenciales con la finalidad de modelar este enfriamiento con
los datos ya conocidos como las condiciones de frontera que obtuvimos en el
experimento.
A continuacin en la figura 2 se observa las dos funciones superpuestas entres si la cual
de color verde es la que obtuvimos con el modelamiento matemtico mediante ecuaciones
diferenciales y el de color azul es la obtenida mediante regresiones polinomiales.
De tal forma observando dicha figura podemos garantizar que la funcin obtenida
mediante regresin polinomial es vlida para describir dicho fenmeno real.

Figura 2. Comparacin de funciones

6. Conclusiones:

Las pequeas desviaciones que se dan en la comparacin de las dos graficas

mostradas en la figura 2 se da debido a que la funcin que obtuvimos mediante
ecuaciones diferenciales existe una variacin de datos en los diversos puntos los
cuales se observa que no son tan significantes de tal forma podemos concluir que
nuestra funcin obtenida mediante regresiones polinomial es vlida.

7. Bibliografa:
[1] http://www.monografias.com/trabajos27/regresion-simple/regresion-simple.shtml
[2] http://docsetools.com/articulos-noticias-consejos/article_135336.html