Regresion Lineal Simple y Multiple

ESTADISTICA INFERENCIAL II
I.T.S.CH
1. REGRESION LINEAL SIMPLE

Regresin lineal simple. Tiene como objeto estudiar cmo los cambios en una variable, no aleatoria,
afectan a una variable aleatoria, en el caso de existir una relacin funcional entre ambas variables que
puede ser establecida por una expresin lineal, es decir, su representacin grfica es una lnea recta.
Cuando la relacin lineal concierne al valor medio o esperado de la variable aleatoria, estamos ante un
modelo de regresin lineal simple. La respuesta aleatoria al valor x de la variable controlada se designa
por Yx y, segn lo establecido, se tendr
De manera equivalente, otra formulacin del modelo de regresin lineal simple sera: si xi es un valor de
la variable predictora e Yi la variable respuesta que le corresponde, entonces
Ei es el error o desviacin aleatoria de Yi .

Definicin VALOR MEDIO. Constante que representa el centro de gravedad de la ley de probabilidad de
una variable aleatoria y que, en casos de notable simetra en la funcin de densidad, puede interpretarse
que dicha constante nos seala la zona donde se sitan los valores de mxima probabilidad de la
variable aleatoria.
El valor medio o valor esperado de una variable aleatoria X se define como
Siempre que dicho valor exista, donde f es la funcin de densidad de la variable.
I.T.S.CH
Estimacin de parmetros.
I.T.S.CH
En un grupo de 8 pacientes se miden las cantidades antropomtricas peso y edad, obtenindose los
siguientes resultados:
Resultado de las mediciones
I.T.S.CH
edad
peso
12
10
11
10
14
58
42
51
54
40
39
49
56
Existe una relacin lineal importante entre ambas variables? Calcular la recta de regresin de la edad
en funcin del peso y la del peso en funcin de la edad. Calcular la bondad del ajuste En qu medida,
por trmino medio, vara el peso cada ao? En cunto aumenta la edad por cada kilo de peso?
Solucin:
Para saber si existe una relacin lineal entre ambas variables se calcula el coeficiente de correlacin
lineal, que vale:
Ya que
Por tanto el ajuste lineal es muy bueno. Se puede decir que el ngulo entre el vector formado por las
desviaciones del peso con respecto a su valor medio y el de la edad con respecto a su valor medio, ,
es:
I.T.S.CH
es decir, entre esos vectores hay un buen grado de paralelismo (slo unos 19 grados de desviacin).
La recta de regresin del peso en funcin de la edad es
La recta de regresin de la edad como funcin del peso es
que como se puede comprobar, no resulta de despejar en la recta de regresin de Y sobre X.

La bondad del ajuste es
Por tanto podemos decir que el
de la variabilidad del peso en funcin de la edad es explicada
mediante la recta de regresin correspondiente. Lo mismo podemos decir en cuanto a la variabilidad de

la edad en funcin del peso. Del mismo modo puede decirse que hay un
de
varianza que no es explicada por las rectas de regresin. Por tanto la varianza residual de la regresin
del peso en funcin de la edad es
I.T.S.CH
y la de la edad en funcin del peso:
Por ltimo la cantidad en que vara el peso de un paciente cada ao es, segn la recta de regresin del
peso en funcin de la edad, la pendiente de esta recta, es decir, b1=2,8367 Kg/ao. Cuando dos personas
difieren en peso, en promedio la diferencia de edad entre ambas se rige por la cantidad b2=0,3136
aos/Kg de diferencia.
1.11 PRUEBA DE HIPOTESIS EN LA REGRESION LINEAL SIMPLE
I.T.S.CH
I.T.S.CH
1.1.2 CALIDAD DEL AJUSTE EN REGRESION LINEAL SIMPLE
I.T.S.CH
I.T.S.CH
1.1.3 ESTIMACION Y PREDICCION POR INTERVALOS EN

REGRESION LINEAL SIMPLE
I.T.S.CH
I.T.S.CH
Medicin
-
de
la
adecuacin
Anlisis
del
modelo
residual
de
regresin.
I.T.S.CH
I.T.S.CH
1.4 USO DE SOFTWARE ESTADISTICO
I.T.S.CH
I.T.S.CH
1.2 REGRESION LINEAL MULTIPLE
I.T.S.CH
I.T.S.CH
1.2.1 PRUEBAS DE HIPOTESIS EN REGRESION LINEAL

MULTIPLE
I.T.S.CH
I.T.S.CH
1.2.2 INTERVALOS DE CONFIANZA Y PREDICCION EN

REGRESION MULTIPLE
I.T.S.CH
I.T.S.CH
1.2.3 USO DE SOFTWARE ESTADISTICO
I.T.S.CH
I.T.S.CH
I.T.S.CH
I.T.S.CH
1.3 REGRESION NO LINEAL
I.T.S.CH
En estadstica, la regresin no lineal es un problema de inferencia para un modelo tipo:
y = f(x, ) +
Basado en datos multidimensionales x, , donde f es alguna funcin no lineal respecto a algunos
parmetros desconocidos . Como mnimo, se pretende obtener los valores de los parmetros asociados
con la mejor curva de ajuste (habitualmente, con el mtodo de los mnimos cuadrados). Con el fin de
determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de inferencia estadstica
tales como intervalos de confianza para los parmetros as como pruebas de bondad de ajuste.
El objetivo de la regresin no lineal se puede clarificar al considerar el caso de la regresin polinomial, la
cual es mejor no tratar como un caso de regresin no lineal. Cuando la funcin f toma la forma:
f(x) = ax2 + bx + c
la funcin f es no lineal en funcin de x pero lineal en funcin de los parmetros desconocidos a, b, y c.
Este es el sentido del trmino "lineal" en el contexto de la regresin estadstica. Los procedimientos
computacionales para la regresin polinomial son procedimientos de regresin lineal (mltiple), en este
caso con dos variables predictoras x y x2. Sin embargo, en ocasiones se sugiere que la regresin no
lineal es necesaria para ajustar polinomios. Las consecuencias prcticas de esta mala interpretacin
conducen a que un procedimiento de optimizacin no lineal sea usado cuando en realidad hay una
solucin disponible en trminos de regresin lineal. Paquetes (software) estadsticos consideran, por lo
general, ms alternativas de regresin lineal que de regresin no lineal en sus procedimientos.
Mtodos Numricos para Regresiones No Lineales
Regresin Exponencial
En determinados experimentos, en su mayora biolgicos, la dependencia entre las variables X e Y es de
forma exponencial, en cuyo caso interesa ajustar a la nube de puntos una funcin del tipo:
Mediante una transformacin lineal, tomando logaritmos neperianos, se convierte el problema en una
cuestin de regresin lineal. Es decir, tomando logaritmos neperianos:
ln( y ) b x ln( a )
a e[ln( y ) b x ]
Ejemplo
I.T.S.CH
x
1
1,2
1,5
2
3
3,7
4
4,5
20,9
y
In y
3
1,0986
3,4 1,2237
5
1,6094
2
0,6931
4,1 1,4109
5
1,6094
7
1,9459
6,5 1,8718
36 11,4628
x2
x Iny
In y2
1
1,0986
1,2069
1,44
1,4684
1,4974
2,25
2,4141
2,5901
4
1,3862
0,4803
9
4,2327
1,9906
13,69 5,9547
2,5901
16
7,7836
3,7865
20,25 8,4231
3,5056
67,63 32,7614 17,6455
Numero de datos = n = 8
x
x promedio =
x
n
= 2,6125
ln( y )
y promedio =
= 1,43285
Usando la forma lineal de la Regresin Exponencial:
b=
[ x ln( y)] ln( y ) x

x x x
2
= 0,216047
= 1,43285 - (0,216047)(2,6125) = 0,868427
a e[ln( y ) b x ]
a = eb = e0,216047 = 2,38316
La ecuacin final que modela el sistema es
ln( y)
n
I.T.S.CH
y 2.38316 e 0.2166047x
Regresin Logartmica
La curva logartmica
originales e , est referida a
es tambin una recta, pero en lugar de estar referida a las variables

ya
Ejemplo
x
1
1.2
1.5
2
3
3.7
4
4.5
20.9
y
3
3.4
5
2
4.1
5
7
6.5
36
ln x
0
0.1823
0.4054
0.6931
1.0986
1.3083
1.3862
1.5040
6.5779
ln x2
0
0.0332
0.1643
0.4803
1.2069
1.7116
1.9215
2.2620
7.7798
ln x * y
0
0.6198
2.027
1.3862
4.5042
6.5415
9.7034
9.776
34.5581
n=8
y
y 36 4.5
n
ln( x)
a=
ln( x) 6.5779 0.8222

n
y ln( x) y ln( x) 34.5581 4.5(6.5779) 2.090513

ln x ln( x) ln( x) 7.7798 0.8222(6.5779)
2
= 2.090513
y2
9
11.56
25
4
16.81
25
49
42.25
182.62
I.T.S.CH
b y a ln( x) 4.5 (2.090513)(0.8222) 2.78117

b=
= 4.5 - (2.090513)(0.8222) = 2.78117
Regresin Polinomial
Algunas veces cuando la relacin entre las variables dependientes e independientes es no lineal, es til
incluir trminos polinomiales para ayudar a explicar la variacin de nuestra variable dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con varios trminos
Ejemplo
x
xy
x2
y2
x2y
x3
x4
1.2
3.4
4.08
1.44
11.56
4.896
1.728
2.0736
1.5
7.5
2.25
25
11.25
3.375
5.0625
16
4.1
12.3
16.81
36.9
27
81
3.7
18.5
13.69
25
68.45
50.653
187.4161
28
16
49
112
64
256
I.T.S.CH
4.5
6.5
29.25
20.25
42.25
131.625
91.125
410.0625
20.9
36
106.63
67.63
182.62
376.121
246.881
958.6147
Usando una Matriz para calcular valores de los coeficientes
Usando el mtodo de Eliminacin de Gauss-Jordan
Linealizacin
Algunos problemas de regresin no lineal pueden linealizarse mediante una transformacin en la
formulacin del modelo. Por ejemplo, consideremos el problema de regresin no lineal (ignorando el
trmino de error):

Regresion Lineal Simple y Multiple

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Regresion Lineal Simple y Multiple

Transféré par

Droits d'auteur :

Formats disponibles

ESTADISTICA INFERENCIAL II

1. REGRESION LINEAL SIMPLE

Ei es el error o desviacin aleatoria de Yi .

Siempre que dicho valor exista, donde f es la funcin de densidad de la variable.

La recta de regresin de la edad como funcin del peso es

que como se puede comprobar, no resulta de despejar en la recta de regresin de Y sobre X.

Por tanto podemos decir que el

de la variabilidad del peso en funcin de la edad es explicada

mediante la recta de regresin correspondiente. Lo mismo podemos decir en cuanto a la variabilidad de

1.11 PRUEBA DE HIPOTESIS EN LA REGRESION LINEAL SIMPLE

1.1.2 CALIDAD DEL AJUSTE EN REGRESION LINEAL SIMPLE

1.1.3 ESTIMACION Y PREDICCION POR INTERVALOS EN

1.4 USO DE SOFTWARE ESTADISTICO

1.2 REGRESION LINEAL MULTIPLE

1.2.1 PRUEBAS DE HIPOTESIS EN REGRESION LINEAL

1.2.2 INTERVALOS DE CONFIANZA Y PREDICCION EN

1.2.3 USO DE SOFTWARE ESTADISTICO

1.3 REGRESION NO LINEAL

Usando la forma lineal de la Regresin Exponencial:

[ x ln( y)] ln( y ) x

= 1,43285 - (0,216047)(2,6125) = 0,868427

es tambin una recta, pero en lugar de estar referida a las variables

ln( x) 6.5779 0.8222

y ln( x) y ln( x) 34.5581 4.5(6.5779) 2.090513

b y a ln( x) 4.5 (2.090513)(0.8222) 2.78117

= 4.5 - (2.090513)(0.8222) = 2.78117

La ecuacin final que modela el sistema es

Usando una Matriz para calcular valores de los coeficientes

Usando el mtodo de Eliminacin de Gauss-Jordan

La ecuacin final que modela el sistema es

Vous aimerez peut-être aussi