REGRESIN NO

LINEAL
190

180

Altura del hijo

170

160

150
150

160

Altura del Padre

170

180

190

200

Modelos de anlisis de
regresin
Modelos de regresin

1 variable explicativa

2+ variables explicativas

Simple

Lineal

Mltiple

No lineal

Lineal

No lineal

Cundo es bueno un modelo de

regresin?

420

r= 0.415
r^2 = 0.172

400

380

la dispersin marginal de Y
La dispersin de Y condicionada a
X

360

Lo adecuado del modelo depende

de la relacin entre:

320

340

150

160

170

180

190

La distribucin de Y, para valores

fijados de X, se denomina
distribucin condicionada.

La distribucin de Y,
independientemente del valor de X,
se denomina distribucin marginal.

370
360

350

380

390

r= 0.984
r^2 = 0.969

Es decir, fijando valores de X,

vemos cmo se distribuye Y

150

160

170

180

190

Si la dispersin se reduce
notablemente, el modelo de
regresin ser adecuado.

Se pueden
considerar otros
tipos de modelos, en
funcin del aspecto
que presente el
diagrama de
dispersin (regresin
no lineal)

Incluso se puede
considerar el que
una variable
dependa de varias
(regresin mltiple).

Introduccin
El analsis de regresin no lineal es un

poderosa herramienta para analizar datos

cientificos. Su principal objetivo es:
A justar un modelo matematico a los
datos cientficos:
Encontrar los mejores valores de

las varibles en el modelo.

Encontrar
una
representacin

grfica de los datos ajustados.

Introduccion
Razones para

Regresion Nolineal:

usar

la

Ejemplo

La regresin lineal es
menos exacta:
Asume que los datos

siguen
una
distribucin
gaussiana, las cuales no son
usualmente verdaderas.
Esto puede distorsionar

el anlisis de los resultados,

al sobre o sub estimar los
valores del ajuste.

Regresion
nolineal

Modelos de regresion lineal

i = + X 1

+i

i=+1Xi + 2Xi +..mXmi +

Modelos de regresion
exponencial

Modelo exponencial creciente

i=*exp(*Xi) + i

Modelo exponencial decreciente

i= *exp(-*Xi)+ i

Modelo de crecimiento programado

i= - *(exp-*Xi) + i

Mtodo de Gauss Newton

Como en el caso de
mnimos
cuadrados
lineales, la regresin no
lineal se basa en la
determinacin de los
valores
de
los
parmetros
que
minimizan la SC de
residuos. Sin embargo,
en el caso de RNL la
solucin debe realizarse
en una forma iterativa.

En esta tcnica se
utiliza una expansin
en serie de taylor para
expresar la ecuacin
no lineal original en
una forma lineal
aproximada.

Mtodo de Gauss Newton

Entonces es posible
aplicar la teora de
mnimos
cuadrados
para obtener nuevas
estimaciones de los
parmetros que se
mueven
en
la
direccin
que
minimiza el residuo.

Por lo tanto, primero

se expresa de manera
general la relacin
entre la ecuacin no
lineal y los datos, de
la manera siguiente:
yi= f ( xi;ao, a1,.am)
+ ei

Forma matricial

Yi = Valor medio de la
variable dependiente.

f ( xi; ao, a1,.am) = la

ecuacin que es una
funcin de la variable
independiente xi y una
funcin no lineal de los
paramtros ao, a1,.am.
ei= un error aleatorio.

[D] = [Zj] [A]

[E]

[Zj] = es la matriz de las

derivadas parciales de
la funcin evaluadas
en el valor inicial j.

Forma matricial
f1 / ao
f1 / a1

[Zj] =
[

f2 / ao

f2 / a1

[D] = [Zj] [A] [E]

Donde n = el nmero de datos .

f1 / ak = derivada parcial de la funcin con rspecto
al K.simo parmetro evaluado en el i-simo dato.
El vector D contiene la diferencia entre las
mediciones y los valores de la funcin.
Vector A contiene los cambios en los valores de los
parmetros.

Forma matricial
Si se aplica la teora de los
mnimos cuadrados lineales a
la ecuacin se obtienen la
siguiente ecuacin

[Zj]

[Zj] =

[A]=[Zj][D[]
Despejando la
formula obtenemos.

[ZexpTZ] exp-1[Zexp(TZA)
D]

Forma matricial
[ZexpTZ] exp-1[Zexp(TZA)
D]

As, el procedimiento consiste en

resolver de la ecuacin citada
arriba para A, que se utiliza para
calcular valores mejorados de los
parmetros, como en
aoj+1 = aoj+ ao A1j+1 = a1j+
a1

El procedimiento se repite hasta que la solucin converge Ea!k=100%

EJEMPLO
PLANTEAMIENTO DEL PROBLEMA : Ajuste la funcin f (x; ao, a1 )
= ao (1-e1a1x) a los datos:
X = 0.25, 0.75, 1.25, 1.75, 2.25
Y = 0.28, 0.57, 0.68 0.74 0.79
Emplee ao =1 y a1 = 1, como valores iniciales para los
parmetros. Observe que para estos valores la suma inicial de
los cuadrados de los residuos es de 0.0248.
Solucin : Las derivadas parciales
de la funcin con respecto a los
parmetros son: f / ao f / a1