AO DE LA INVERSIN PARA EL DESARROLLO RURAL Y LA SEGURIDAD ALIMENTARIA

FACULTAD DE INGENIERA ESCUELA DE INGENIERA EN INFORMTICA Y SISTEMAS

Regresin No Lineal
PROFESOR:

Mario Matos Pea

AO DE ESTUDIO:

Segundo Ao
TURNO: SECCIN:

Tarde
ESTUDIANTES: CDIGOS:

Karla P. Aliaga Colque Roco E. Paria Paredes Grunddy K. Yaipen Chiro

2011-119007 2011-119027 2011-119061

TACNA PER 2013

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.

Tipos de Regresin No Lineal 2.1 Parbola de Regresin

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:

donde a, b y c son los parmetros.

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 observados de la variable dependiente , y

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:

La funcin a minimizar ser:

Donde

por tanto,

Para minimizar la expresin, se calculan las derivadas parciales respecto a los parmetros a y b, igualando a cero:

)( )

En consecuencia, las ecuaciones normales sern:

( )( )

2.3

Funcin exponencial, potencial y logartmica

El problema de ajustar un modelo potencial, de la forma exponencial logaritmos. y uno

se reduce al de la funcin lineal, con solo tomar

Modelo potencial Si en la expresin de la funcin potencial se toman logaritmos, se obtiene:

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

se tiene Y = a + bx (regresin lineal).

Para simplificar, descartando multiplicidades y suponiendo que cada par se repite una sola vez, las ecuaciones normales sern:

Calculando los parmetros a exponencial: y = exp (a + bx).

b se tiene la ecuacin de la funcin

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

Ajuste de una funcin parablica:

Aplicando el mtodo de los mnimos cuadrados se obtiene el siguiente sistema de ecuaciones:

Resolviendo este sistema se obtiene:

Bondad de Ajuste
Coeficiente de determinacin:

3.2

Ajuste de una funcin potencial

Linealizando:

Se deshace el cambio efectuado:

De modo que el ajuste efectuado es:

Bondad del ajuste

Ntese que al haber transformado la variable dependiente ya no se minimiza

sino (

) de ah

3.3

Ajuste de una funcin exponencial

Linealizando:

Deshaciendo los cambios efectuados:

Por lo que el ajuste efectuado es:

Bondad del ajuste

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.