Académique Documents
Professionnel Documents
Culture Documents
LINEAL
190
180
170
160
150
150
160
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
420
r= 0.415
r^2 = 0.172
400
380
la dispersin marginal de Y
La dispersin de Y condicionada a
X
360
320
340
150
160
170
180
190
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
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
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
Regresion
nolineal
i = + X 1
+i
Modelos de regresion
exponencial
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.
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.
Forma matricial
Yi = Valor medio de la
variable dependiente.
Forma matricial
f1 / ao
f1 / a1
[Zj] =
[
f2 / ao
f2 / a1
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]
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