Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Segundo Ao
TURNO: SECCIN:
Tarde
ESTUDIANTES: CDIGOS:
REGRESIN NO LINEAL
I. Introduccin
En estadstica, la regresin no lineal es un problema de inferencia para un modelo tipo:
basado en datos multidimensionales x, y, donde fes 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.
II.
En muchos casos, es una funcin de segundo grado la que se ajusta lo suficiente a la situacin real dada. La expresin general de un polinomio de segundo grado es:
El problema consiste, por tanto, en determinar dichos parmetros para una distribucin dada. Se seguir para ello, un razonamiento similar al que se hace en el caso del modelo de regresin lineal simple, utilizando el procedimiento de ajuste de los mnimos cuadrados, es decir, haciendo que la suma de los cuadrados de las desviaciones con respecto a la curva de regresin sea mnima:
donde
son
los valores estimados segn el modelo. Por tanto, D se puede escribir de la forma:
Para encontrar los valores de a, b y c que hacen mnima la expresin anterior, se igualarn las derivadas parciales de D con respecto a dichos parmetros a cero y se resolver el sistema resultante. Las ecuaciones que forman dicho sistema se conocen, igual que en el caso de la regresin lineal simple, como ecuaciones normales de Gauss.
2.2
Regresin Hiperblica
Cuando la dependencia entre las variables X e Y es de forma hiperblica, interesa ajustar a la nube de puntos una funcin del tipo:
Donde
por tanto,
Para minimizar la expresin, se calculan las derivadas parciales respecto a los parmetros a y b, igualando a cero:
)( )
( )( )
2.3
Que es la ecuacin de una recta Y=a + b X, donde ahora a = log A. El problema se reduce a transformar Y en log Y y X en log X y ajustar una recta a los valores transformados. El parmetro b del modelo potencial coincide con el coeficiente de regresin de la recta ajustada a los datos transformados y A se obtiene mediante antilog (a).
Modelo 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: y = exp (a + bx). Mediante una transformacin lineal, tomando logaritmos neperianos, se convierte el problema en una cuestin de regresin lineal. Es decir, tomando logaritmos neperianos:
Y llamando
Para simplificar, descartando multiplicidades y suponiendo que cada par se repite una sola vez, las ecuaciones normales sern:
Modelo Logartmico
La curva logartmica Y = a + b log X es tambin una recta, pero en lugar de estar referida a las variables originales X e Y, est referida a log X y a Y.
III.
Ejemplos
3.1
Bondad de Ajuste
Coeficiente de determinacin:
3.2
sino (
) de ah
3.3
La comparacin de la bondad de modelos de regresin mediante el coeficiente de determinacin slo es correcta cuando la variable dependiente no ha sido sometida a transformaciones no lineales (por ejemplo, una transformacin logartmica). En este ejercicio, mediante R2 slo se puede comparar la regresin lineal y la parablica. Por eso, para comparar los cuatro ajustes efectuados se utiliza el error cuadrtico medio (ECM). El mejor ajuste resulta ser el parablico puesto que presenta el menor valor para el ECM.