Modelos no Lineales

Académico: Juan Carlos Klenner

Carrera : ICINF – II Sem. 2018.
 Definición
• Un modelo de regresión NO
LINEAL se puede definir como un
ajuste a cualquier modelo
diferente del modelo de una
LINEA RECTA.
 Modelos Comunes
• Los modelos más comunes son
– Modelos Potenciales
– Modelos Exponenciales
– Modelos Polinmiales
 Diagrama de Dispersión
2500

2000
Tamaño de Población

1500
Series1

1000

500

0
0 2 4 6 8 10 12 14
Generaciones
 Modelo potencial
• Es un modelo del tipo

Y = β0 X β1

• Es un crecimiento que se incrementa

primero lentamente y luego más
rápido.
 Linerización
• Antiguamente, Cuando no había computadoras
estas ecuaciones se “Linera izaban”, es decir se
transformaban a una línea recta usando logaritmos

Log(y)= β0 + log (β1) X

• De esta forma se resolvía como una regresión lineal.

Los modelos de computadora han permitido que sea
más fácil aplicar los modelos directamente.
• Por eso este modelo tambien recibe el nombre
semilog
 El Modelo SemiLogartimico

• El modelo logaritmico esdel

tipo
• Y= β1X
 Linearización
• El modelo semilog se line rizaba

• Log(y)= X log(β1)

• Habia que tener cuidado de sacar los

antilogaritmos
 Modelo Exponencial
• Es un modelo que se basa en el logaritmo
natural

Y = β0e X β1

• Se aplica en situaciones en que el aumento de

los valores es muy acelerado y cualquier cambio
en los parámetros se hace que la respuesta se
aumente mucho.
•
 Modelo Polinomial
• Es un modelo que basa en elevar la
variable explicativa a diferentes potencias.
• En una ecuación lineal la variable
explicativa esta elevada a la primera
potencia.
Y= β0 + β1X1
 Modelo Polinomial
• En este modelo el mismo valor de X se
repite, solamente elevado a diferente
potencia
Y= β0 + β1X + β2X2 + β3X3 + β4X4… + βnXn

• Cada potencia nueva aumenta una curva

a la gráfica del modelo
 Mod. Polinomial
• Así el modelo cuadrático tiene una curva,
el cúbico tiene dos y así sucesivamente

• Con cada curva se eleva también el valor

predictivo o r2
 LIMITES
• Como se aprecia el coeficiente de
regresión es cada vez más pequeña y el
coeficiente de determinación es más
pequeño.
• En programas estadísticos se puede
probar si cada β es o no diferente de 0
para determinar donde parar.