20

Regresión lineal Ajustar la mejor línea a través de datos inciertos

Valor
observado
propuesto yobs
línea de
yobs - yprop e regresión
yprop
propuesto
Valor
observado

xobs

e  yobs  y prop El error proviene sólo de los valores de la variable dependiente y

y prop  a0  a1 x e  y  a0  a1 x
Valor propuesto

21
 Regresión lineal
e  y  a0  a1 x Se busca el mejor ajuste
minimizando la sumatoria de los cuadrados de los errores.
n n
S r   e   ( yi  a0  a1 xi ) 2
2
i
i 1 i 1

Para determinar los valores de a0 y a1 se deriva la ecuación respecto a cada

coeficiente y se igualan a 0 para obtener los coeficientes que dan la suma mínima.

S r
 2 ( yi  a0  a1 xi )
a0 0  y  a  a x
i 0 1 i

S r 0   y x  a x  a x
i i 0 i
2
1 i
 2[( yi  a0  a1 xi ) xi ]
a1
 a0 n  a1  xi   yi 
  Ecuaciones normales
 0 i  1 i   i i
2
a x a x x y

n xi yi   xi  yi
a1  Pendiente a0  y  a1 x Intercepto
n xi2  ( xi ) 2

22
 Coeficiente de determinación: r2

Error antes de aplicar el modelo St   ( yi  y )2

Media de los valores
Valor observados
observado

Error después de aplicar el modelo de regresión Sr   ( yi  a0  a1 xi ) 2

Modelo propuesto
St  S r
r2  Cuantifica la reducción del error al describir los datos con una línea recta
St

NO representa ≈ 0
una mejora

representa un ≈ 1
buen ajuste

23
sumax = sum(x) x i

sumay = sum(y) y n xi yi   xi  yi
i
a1 
n xi2  ( xi ) 2
sumax2 = sum(x.^2) x 2
i

sumaxy = sum(x.*y) x i yi

a1 = (n * sumaxy - sumax * sumay) / (n * sumax2 - sumax^2)

mediax = mean(x)

mediay = mean(y)
a0  y  a1 x
a0 = mediay - a1 * mediax

St = sum((y - mediay)^2) 
St  ( yi  y ) 2

Sr = sum((y - a0 - a1*x)^2) Sr  ( y  a  a1 xi ) 2
i 0
St  S r
r2 
r2 = (St - Sr)/St St

24
Linealización
E
40
x 3,75

p 3 ln y  ln a0  a1 x
y  a0e o
a1 x
30

n
2,25
20
e 1,5

10 n 0,75

0
c
i
0
0 0,5 1 1,5 2 0 0,5 1 1,5 2
a
l

25
Linealización
1,5
4
P
3 o 0,5

t -1 -0,8 -0,6 -0,4 -0,2 -0,5 0 0,2 0,4

2
e
n
-1,5
1
c -2,5
0
0 0,5 1 1,5 2
i
a
-3,5

y  a0 x a1 log y  log a0  a1 log x

26
 Linealización
Crecimiento saturado
x 1 a1  x a 1
y  a0 o poblacional   1 
a1  x y a0 x a0 x a0

1 2,5

0,8 2

0,6 1,5

0,4 1

0,2 0,5

0 0
0 2,5 5 7,5 10
0 0,5 1 1,5 2

27
Exponencial

y = log(y) a0 = exp(mediay - a1*mediax)

Potencial

x = log10(x) a0 = 10^(mediay - a1*mediax)

y = log10(y)

Crecimiento saturado

x = 1 ./ x a0 = 1/a0
y = 1 ./ y a1 = a1*a0

28
Regresión polinomial

Para determinar el residuo o error mínimo se deriva la ecuación

del residuo respecto a cada coeficiente y se igualan a 0.

n n
y  a0  a1 x  a2 x  e
2
S r   e   ( yi  a0  a1 xi  a2 xi2 ) 2
2
i
i 1 i 1

 a0 n  a1  xi  a2  xi2   yi 
 
 0 i  1 i  2 i   i i
2 3
Ecuaciones normales a x a x a x x y
a0  xi2  a1  xi3  a2  xi4   xi2 yi 
 

Al resolver este
1
sistema de n xi2 
xi  yi  a0 
ecuaciones se    x y   a 
obtiene el valor de  xi xi2 xi3   i i   1
los coeficientes  xi2 xi3 xi4   xi2 yi  a2 


29
 Problema
La temperatura ambiente es Ta = 70°F. Un automóvil comienza su marcha y
se enfría lentamente. Los datos de variación de la temperatura según el t T
tiempo figuran en la tabla. 5 110
Un modelo para la variación de la temperatura en función del tiempo está 10 86
dado por
T  Ta  T0 e kt 15 77

Donde T0 es el valor cuando el automóvil empieza a ser conducido t ∆T

en el tiempo 0 y k es una constante de la velocidad de enfriamiento.
5 110-70
Calcular k y T0
10 86-70
15 77-70

30
 Ajuste de curvas

Método Error en los Cantidad de

datos puntos
exactos
Regresión Lineal Si 0

Polinomial Si 0

Interpolación Pol. Newton No N+1

Pol. Lagrange No N+1

31