Académique Documents
Professionnel Documents
Culture Documents
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
es la variable dependiente, y
es la variable independiente.
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
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
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:
Estas ecuaciones se pueden igualar a cero y reordenar de tal forma que se obtenga el
siguiente conjunto de ecuaciones normales:
Funcion :
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.
6. Conclusiones:
7. Bibliografa:
[1] http://www.monografias.com/trabajos27/regresion-simple/regresion-simple.shtml
[2] http://docsetools.com/articulos-noticias-consejos/article_135336.html