1.

Recta de mejor ajuste (Recta de regresin)

Empezamos intentando construir una funcin lineal de demanda. Suponga que su investigacin de mercado muestra las siguientes estadsticas de venta para casas de varios precios durante el ao pasado: Precio (Miles de dlares) 160 180 200 220 240 260 280 75 82 40 20

Ventas de nueva casas este ao 126 103 82

Queremos utilizar estos datos para construir una funcin de demanda para el mercado de los bienes races. (Recuerde que una funcin de demanda especifica la demanda, y, medida aqu por ventas anual, como una funcin del precio, x.) Aqu est una traza de y contra x:

Los datos sugiera una recta, ms o menos, y entonces una relacin lineal entre y y x. Aqu son varias rectas que se acercan a los puntos:

P Cul recta ajusta los puntos lo ms estrechamente que posible? R Nos gustara que las ventas que pronosticara la recta (los valores pronosticados )
estuvieran tan cerca como fuera posible de las ventas reales (los valores observados). Las

diferencias entre los valores esperados y los valores pronosticados, que son los errores residuales, son las distancias verticales que se marcan in la figura ms abajo. Error residual = Valor observado - Valor pronosticado

P Entonces como podemos hacerlo? R Sumamos primero todos los cuadrados de los errores residuales para obtener un solo
error que se llama el suma de los errores al cuadrado (SSE -- siglas en ingls de "Sum of Squares Error") y escogemos la recta que se da el ms pequeo valor de SSE. Esta recta se llama la recta de mejor ajuste, recta de regresin, o recta de mnimos cuadrados asociada a los datos.

Ejemplo 1: Calculando SSE para una recta dada

Supngase que nos gustara calcular SSE para una recta especifica, como y=x+300 como mostrada ms abajo:

Tenemos la siguiente tabla de valores: x 160 180 y Observado y Pronosticado Error residual y y =x+300 yy 126 103 140 120 -14 -17

200 220 240 260 280

82 75 82 40 20

100

-18

Entonces, para la recta y=x+300 SSE = Suma de los valores de errores residuales = - 14 - 17 - 18 - 5 + 22 + 0 + 0 = -32

P Muy bien. Ahora sabemos como se calcula el valor de SSE para una recta ya dada.
Como hallamos la recta de mejor ajuste; es decir, la recta para que SSE es lo menor? R Presentaremos aqu la formula que la determina. Justificarla necesita clculo; puede consultar el capitulo de funciones de varias variables en Clculo Aplicado para una explicacin detallada. Recta de regresin (o mejor ajuste) La recta que se ajusta mejor a los n puntos (x1 y1) (x2 y2) la forma y=mx+b donde Pendiente=m=n (x2) x 2n xy x y (xn yn) tiene

Aqu,

Interseccin=b=n ym x significa "la suma de." As, xy= suma del productos =x1y1+x2y2+ valores de x=x1+x2+ +yn +xn +xnyn x= suma del

y= suma del valores de y=y1+y2+ +x2n

x2= suma del valores de x2=x21+x22+

El uso de las formulas as bastante fcil, como se muestra el siguiente ejemplo.

Ejemplo 2: Calculando la recta de regresin a mano

Determine la recta de regresin asociada a los siguientes datos: xx 1 2 3 4 yy 1.5 1.6 2.1 3.0 Solucin Para aplicar las formulas, es mejor organizar los datos en forma de tabla como sigue: (Cuando ha rellenado los valores de xy y x2 correctamente, pulse "Sumas" para obtener la suma de cada columna.) xx 1 2 3 4 x= 10 yy 1.5 1.6 2.1 3.0 y= 8.2 xy= x2= xyxy x2x2

Sustituyendo los valores correctos de la tabla ms arriba en las formulas, obtenemos Pendiente=m=n (x2) x 2n ym xy x y =4(30)1024(23)(10)(8

2)=0 5 Interseccin=b=n

x =48 2(0 5)(10)=0 8

Por lo tanto, la recta de regresin es y=0 5x+0 8 Antes de seguir... Aqu esta una traza de los pontos de dados y la recta de regresin.

Observe que ni siquiera pasa la recta por uno de los puntos, pero es la recta que se ajusta mejor a los puntos.

Regresamos a los datos sobre la demanda para el mercado de los bienes races con la que empezamos este tema.

Ejemplo 3: Funcin de demanda

Obtenga la ecuacin de demanda que se ajusta mejor a los siguientes datos, y sela para pronosticar ventas anuales de casas preciadas a $140,000. Precio (Miles de dlares) 160 180 200 220 240 260 280 75 82 40 20

Ventas de nueva casas este ao 126 103 82

Solucin Aqu esta una tabla como la que usamos ms arriba para organizar las calculaciones: xx 160 180 200 220 240 260 280 x=1540 yy 126 103 82 75 82 40 20 y=528 xyxy 20,160 18,540 16,400 16,500 19,680 10,400 5,600 xy=107 280 x2x2 25,600 32,400 40,000 48,400 57,600 67,600 78,400 x2=350 000

Sustituyendo estos valores en la formula (con n=7), obtenemos Pendiente=m=n (x2) x 2n xy x y =7(350 000)154027(107 ym x 7528(0

280)(1540)(528) 0 7929 Interseccin=b=n 7928571429)(1540) 249 9

Observe que usamos el valor ms exacto que pudimos obtener en la calculadora, m 0 7928571429, en lugar del valor redondeado (0 7929) en la calculacin de b. Eso ilustra la sigiuente regla general: Al calcular, no redondee los resultados intermedios; en vez de eso, utilice los resultados ms exactos que puede obtener, usando los valores guardados en su computadora o calculadora si es posible. Por lo tanto, la recta de regresin es y=0 7929x+249 9

Ahora podemos utilizar esta ecuacin pronosticar las ventas anuales de casa cuyo precio es $140,000: Ventas anuales de casas preciadas a $140,000 redondee al nmero entero ms cercano

Antes de seguir... Ms abajo est una traza de la recta de regresin.

P Si mis puntos estn en una recta, est la recta de mejor ajuste? R S. Si los puntos estn en una recta, el valor mnimo posible de SSE es cero, y eso sucede
si se usa la recta que pasa por todos los puntos. Una consecuencia de este hecho es que se puede usar la herramienta regresin en su graficadora o la herramienta regresin en este sitio para calcular la ecuacin de la recta que pasa por dos puntos especificados.

P Si no todos los untos estn en una recta, cmo puedo saber cunto se acercan a una
recta? R Hay un nmero que mide la "bondad de ajuste" de la recta de regresin llamado coeficiente de correlacin. Este nmero, que se representa por r, est entre 1 y 1. Cuanto ms se acerca r a1 o 1, el ajuste es mejor. Si el ajuste es malo, se acerca r a 0. Si el ajusto es exacto, r=1 para una recta con pendiente negativa, o r=1 para una recta de pendiente positiva. La figura ms abajo muestra varios conjuntos de puntos con sus rectas de regresin, y los valores correspondientes de r.

El coefficiente de correlacin se puede calcular con la siguiente formula. Para obtener la se requieren buenos conocimientos de estadstica. Coeficiente de correlacin

Coeficiente de correlacin =r=n n y2 y 2

xy

x2

x 2

2. Curva exponencial de mejor ajuste (Curva exponencial regresin)

P Ahora sabemos como ajustar una recta a un conjunto de datos. Que hay una curva
exponencial de la forma y=Arx ? R La idea es convertir una curva exponencial a una recta por medio de logaritmos, como sigue: Empiece con la funcin exponencial y=Arx y tome el logaritmo de ambos lados: logy=log(Arx) Las propiedades de logaritmos nos dan entonces logy logy =logA+logrx o =logA+xlogr Esto expresa logy como una funcin lineal de x, con Pendiente =m=logr Interseccin =b=logA Por lo tanto, si calculamos la recta de mejor ajuste usando logy como una funcin de x, entonces la pendiente y la interseccin en y seran dados como ms arriba, y despus podemos obtener los coeficientes r y A por r A =10m =10b

Para resumir, Regresin exponencial Para obtener la curva exponencial de mejor ajuste de la forma y=Arx 1. Obtenga la recta de regresin usando los datos (x logy). 2. Los coeficientes deseados A y r son entonces r A =10m =10b donde m y b son la pendiente y interseccin de la recta de regresin.

Ejemplo 4: Ventas de Compaq

Ingresos de ventas de computadores Compaq (una marca ahora extinguida) son mostrados en la siguiente tabla, donde t representa aos desde 1990.* Obtenga el modelo exponencial de regresin para los datos. tt = Ao (1990 = 0) 0 2 4 7

RR = Ingreso ($ billn) 3 4 11 25 * Datos son redondeados. Fuente: Informes de compaa/The New York Times, Enero 27, 1998, p. D1. Solucin Pues necesitamos modelar logR como una funcin lineal de t, primero construimos una tabla con x=t y y=logR , y entonces calculamos la recta de regresin, y=mx+b. x (=t)x (=t) 0 2 4 7

y (=logR)y (=logR) 0.477121 0.602060 1.04139 1.39794 En lugar de hacer la calculacin a mano como hicimos ms arriba, podemos utilizar la herramienta regresin en este sitio para hacerlo automticamente. Simplemente ingrese los valores de x y y y pulse el botn "y=mx+b". (S, la herramienta puede hacer regresin exponencial directamente, pero preferimos que sabe usted como funciona!) La recta de regresin que obtenemos es y=0 13907x+0 42765

Por lo tanto, el modelo exponencial deseado es R=Art , donde r=10m=100 13907

1 3774, y A=100 42765

2 6770.

Nuestra modelo de ingresos es, por lo tanto, R=2 6770(1 3774)t . Antes de seguir... Vaya a la herramienta regresin, ingrese los datos originales (sin tomar logaritmos) y pulse el botn "y=a(bx)". Qu encuentra? Note: Pues hemos tomado logaritmos antes de hacer la regresin lineal, se puede decir que la curva de regresin exponencial no es la curva que minimiza SSE para los datos originales, esta curva minimiza SSE para los datos tranformados --- es decir, para los datos (x logy). Por lo tanto, la curva de regresin exponencial no es la curva exponencial de mejor ajuste en el sentido "estricto." Vea los libros de texto "Applied Calculus" para un mtodo obtener esta curva.

3. Otras formas de regresin

A la herramienta de regresin se puede encontrar tambin curvas de regresin de las siguientes formas: y=ax2+bx+c y=ax3+bx2+cx+d y=axb (Regresin cuadrtica) ( Regresin cbica) (Regresin potencia) En la calculadora TI-83/84, se puede encontrar todos estos y tambin los siguientes: y=ax4+bx3+cx2+dx+e y=asin(bx+c) (Regresin curtica) (Regresin seno)