Tema: Criterios y Convalidación de Regresión Lineal, Exponencial y Polinomial.

Extrapolación de Datos y su aplicación en ingeniería.

Preguntas del Foro:

Buenos días Ingeniero, a continuación haré mi intervención:

1. ¿Indique la importancia del Ajuste por el Método de Mínimos Cuadrados y

su influencia en la Ingeniería y sus principales factores: Linealidad,
homocedasticidad, heterocedasticidad, poblacional muestreal?

La importancia del ajuste por el método de mínimos cuadrados en la ingeniería,

tiene mucha relevancia, ya que es una técnica de análisis numérico que
proporciona la mejor función continua que se aproxime o ajuste a los datos en un
diagrama de dispersión de puntos buscando minimizar la suma de los cuadrados
de las diferencias ordenadas, llamadas residuos. Se pretende expresar el
comportamiento de manera lineal, logrando así minimizar los errores de la data
tomada que puede ser de cualquier proyecto de investigación en cualquier rama
de la ingeniería.

Con respecto a la linealidad, se puede mencionar que nos sirve para obtener datos
proporcionales según un método analítico a cualquier concentración de puntos, en
un intervalo determinado.

https://es.khanacademy.org/science/electrical-engineering/ee-circuit-analysis-
topic/ee-dc-circuit-analysis/a/ee-linearity

En otras palabras se puede mencionar que está asociada al concepto de espacio

vectorial, en donde se define un conjunto de dos operaciones, una interna, que
será la suma de vectores (x+y) y otra externa que será la multiplicación por un
escalar λx.

Es decir, f(ax+by)=af(x)+bf(y)

https://es.wikipedia.org/wiki/Lineal

La homocedasticidad, se refiere a una característica de un modelo de regresión

lineal que implica la varianza de errores de estimación, siendo los mismos
constantes en un largo periodo. Si se tiene una varianza constante se podrá obtener
modelos más optimos y fiables. A diferencia de la heterocelasticidad en que la
varianza de los errores de las variables explicativas a lo largo de todas las
observaciones, no es constante mostrando su datos muy dispersos.

https://economipedia.com/definiciones/homocedasticidad.html

Población muestral

Población: Una población es un conjunto de elementos (sujetos, objetos,

entidades abstractas, etc.) que poseen una o más características en común,
 podemos encontrar dos tipos de poblaciones dependiendo del número de
elementos de que consten:

 Poblaciones finitas: formadas por un número finito de elementos.

 Poblaciones infinitas: formadas por un número infinito de elementos.

El hecho de que las poblaciones, por lo general, sean infinitas o estén formadas
por un gran número de elementos, hace que la descripción exacta de sus
propiedades sea un objetivo prácticamente inaccesible. Por esta razón, lo habitual
es trabajar con “muestras”.

http://humanidades.cchs.csic.es/cchs/web_UAE/muestreo/muestreo.html

2. ¿Cuáles son los tipos de Regresiones existentes? Efectúe una descripción

breve de cada una de estos considerando las características más relevantes?

Se pueden aplicar diferentes tipos de regresiones, dependiendo del coeficiente de

determinación y el coeficiente de correlación, el que nos ayudará a tener un mejor
ajuste y minimización de los errores de la data tomada, que pueden ser de tipo:

El coeficiente de correlación de cada regresión se debe encontrar en un intervalo

[a,b].

Regresión Lineal
Se basa en la ecuación de la recta, yestimada=B1X+B0
La regresión lineal o ajuste lineal es un modelo matemático usado para aproximar
la relación de dependencia entre una variable dependiente y variables
independientes. Se trata de ajustar una línea a los datos proporcionados, buscando
que la diferencia entre la línea y los datos sea lo menor posible.
Regresión Exponencial
Una regresión exponencial es el proceso de encontrar la ecuación de la función
exponencial que se ajuste mejor a un conjunto de datos. Como un resultado,
obtenemos una ecuación de la forma donde .

La potencia predictiva relativa de un modelo exponencial está denotada por R 2 .

El valor de R 2 varía entre 0 y 1. Mientras más cercano el valor esté de 1, más
preciso será el modelo.

Regresión polinomial de grado 2, 3 y 4

La regresión polinomial es un tipo de regresión lineal que se utiliza cuando los

datos se ajustan mejor a una curva que a una linea recta. Teniendo un polinomio:
 Se identifica el grado de la función.
 Buscamos las derivadas de cada uno de los coeficientes del polinomio. (utiliza
ecuaciones de segundo grado).
 Hacer una tabla de sumatorias.
 Igualamos las derivadas a 0 para hacer un sistema de ecuaciones.

https://metodonumericos2017.wordpress.com/2017/05/04/regresion-polinomial/
https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/exponential
-regression

3. ¿Explique cómo utilizar la ecuación para el Cálculo del Coeficiente de

Correlación y como contribuye validando una primera aproximación a la
Selección del Tipo de Regresión más apropiado?

La fórmula para el cálculo del coeficiente de correlación es:

∑(𝒙 − 𝒙
̅) (𝒚 − 𝒚
̅)
𝝆=
̅)𝟐 √(𝒚 − 𝒚
√(𝒙 − 𝒙 ̅ )𝟐

El coeficiente de correlación mide la fuerza o grado de asociación de las variables

y el sentido de la relación lineal entre dos variables cuantitativas. Contribuye de
manera que, con el valor de 𝝆 se puede determinar cuál regresión sería la mejor
para determinar el ajuste.

∑𝒙
̅=
𝒙
𝒏
∑𝒚
̅=
𝒚
𝒏

n= número de datos

este coeficiente varia dentro del intervalo:

−𝟏 < 𝝆 < 𝟏
Regresión Lineal+-0.99 a +-0.84 B0;B1
Regresión Exponencial+-0.84 a +-0.70 … B1
Regresión Polinomial(2) +-0.69 a +-0.50… B2
Regresión Polinomial(3) +-0.49 a +-0.20… B3
Regresión Polinomial(4)+-0.19 a +-0.10… B4
No se puede ajustar a una curvas si  +-0.001 a +-0.09; o sea, los datos son
demasiado heterocedásticos.
4. ¿Explique cómo utilizar la ecuación para el Cálculo del Coeficiente de
Determinación y como contribuye en la validación de la eficiencia del Tipo
de Regresión seleccionado?

Es posible cuantificar la bondad del ajuste realizado en la regresión lineal simple

al aplicar el método de mínimos cuadrados mediante las siguientes magnitudes:
Coeficiente de determinación.

5. ¿Indique las ecuaciones que permiten calcular la varianza de los estimadores

B0, B1, B2, B3 y B4?

Con los datos de la tabla se obtienen los estimadores de los parámetros B0, B1 de
la recta de regresión poblacional c.

Para cada valor xi se tiene el dato observado yi. Logrando evaluar la y estimada
(recta de mínimos cuadrados).

En donde los estimadores son B0^+ B1^ y se despejan en la recta de mínimos

cuadrados yi^= B0^+ B1^xi

Con las siguientes fórmulas se realiza un sistema de ecuaciones para el cálculo

final de la función de regresión de mínimos cuadrados: y^= B0^+ B1^x
específicamente los valores de de B0 y B1.

B2, B3 y B4 son parámetros de la recta o curva de regresión población.

Para poder hacer inferencias acerca de los estimadores B0, B1, B2, B3, B4
(Intercepción de la recta de regresión lineal teórica) es necesario un estimador.

Ahora en la regresión lineal múltiple de igual manera se deben calcular los

estimadores B0^, B1^, B2^, Bk^ son los k+1 estimadores para los k+1 parámetros B2,
B3, B4, Bk.

Realiza el mismo proceso y muestra las yi^ según Bk en forma matricial en donde
se pueden realizar las operaciones y calcular los parámetros B0, B1, B2, B3, B4
hasta la Bk.
 6. ¿Explique como utilizar el Cálculo de los Intervalos de Confianza, la
interpretación de Hipótesis, y como contribuyen en la validación de la
eficiencia del Tipo de Regresión seleccionado?

El cálculo de los intervalos de confianza son fundamentales en la validación de la

eficiencia del tipo de regresión seleccionado, ya que el parámetro: B1 (pendiente
de la recta de regresión lineal) y el estimador B1^ (pendiente de la recta de mínimos
cuadrados). Determino el estadístico t, el mismo que tiene una distribución t con
v=n-2 grados de libertad. La desigualdad estará dada por -tα/2<=t<= tα/2 con una
probabilidad de 1-α, el intervalo de confianza sirve para verificar las hipótesis y
determinar si se encuentra en la zona de rechazo. Tiene mucha importancia en la
validación de la eficiencia del tipo de regresión seleccionado ya que es importante
Es importante probar la hipótesis Ho: Bi = 0 individualmente con cada parámetro
Bi.
En caso de que se pueda rechazar Ho, se puede concluir que la variable
contribuye significativamente a la respuesta. Caso contrario, la variable es
redundante y puede eliminarse del modelo.

7. ¿Explique cómo utilizar el Cálculo de la Prueba de Kolmogorov_Smirnov, su

interpretación y como contribuyen en la validación de la eficiencia del Tipo
de Regresión seleccionado?

Se puede mencionar el cálculo de la prueba K-S nos ayuda a comparar las

distribuciones acumuladas de las frecuencias teóricas y las observadas, probando
la suposición de la normalidad de los errores, según el Dn verificando si cae o no
en la zona de rechazo y así aceptar la hipótesis.

Bibliografía:

1. chapra

2. Zumbado Fernández, Héctor (2004). Análisis químico de los alimentos: métodos

clásicos. Ciudad de La Habana: Editorial Universitaria (Cuba). -- ISBN 978-959-16-
0253-4 -- 439 pág.