Académique Documents
Professionnel Documents
Culture Documents
I.T.S.CH
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
ESTADISTICA INFERENCIAL II
I.T.S.CH
Estimacin de parmetros.
ESTADISTICA INFERENCIAL II
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
ESTADISTICA INFERENCIAL II
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:
ESTADISTICA INFERENCIAL II
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
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
ESTADISTICA INFERENCIAL II
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.
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
Medicin
-
de
la
adecuacin
Anlisis
del
modelo
residual
de
regresin.
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
I.T.S.CH
ESTADISTICA INFERENCIAL II
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
ESTADISTICA INFERENCIAL II
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
b=
= 0,216047
a e[ln( y ) b x ]
a = eb = e0,216047 = 2,38316
La ecuacin final que modela el sistema es
ln( y)
n
ESTADISTICA INFERENCIAL II
I.T.S.CH
y 2.38316 e 0.2166047x
Regresin Logartmica
La curva logartmica
originales e , est referida a
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=
= 2.090513
y2
9
11.56
25
4
16.81
25
49
42.25
182.62
ESTADISTICA INFERENCIAL II
I.T.S.CH
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
ESTADISTICA INFERENCIAL II
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
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):