PROBABILIDAD Y ESTADSTICA

ANLISIS DE REGRESIN NO LINEAL

 CONTENIDO:

o Anlisis de Regresin No Lineal Simple

o Anlisis de Regresin Lineal Mltiple
LOGRO DE LA SESION:
Al trmino de la sesin, el estudiante encuentra el modelo de regresin no
lineal y explica la relacin existente entre una variable dependiente y las
variables independientes de un conjunto de datos, determinando el mejor
modelo matemtico que permita predecir el efecto de unas variables sobre
la otra.
CASO DE APLICACIN 1:

RELACIN LA NOTA, EL TIEMPO Y EL NUMERO DE VECES DE

LOS ESTUDIANTES DE PROES.
La informacin que se da a continuacin se refiere a la nota que han
obtenido los estudiantes en una prctica calificada en el curso de
Probabilidad y Estadstica, el tiempo que han dedicado al estudio y el
nmero de veces que el estudiante est llevando el curso.
Se cree que hay una relacin entre la nota, el tiempo de estudio y nmero
de veces que lleva el curso.

Nota (Y) 12 14 15 11 16 17 10 8 18 19
Horas (X1) 1 3 5 4 5 4 1 2 5 6
N veces (X2) 1 2 2 3 1 1 1 2 1 2

Existir un modelo matemtico que pronostique la nota del curso en

funcin del tiempo de estudio y el nmero de veces que lleva el curso?.
REGRESIN NO LINEAL

En la sesin anterior vieron que la dependencia entre dos variables se

pueden explicar por un modelo lineal. Pero en el mundo real este tipo de
dependencia no siempre se da, por ejemplo podemos encontrar una
dependencia polinomial (el caso mas simple es el cuadrtico),
exponencial, logartmica, potencial, etc. Veremos a continuacin las

relaciones cuadrticas y exponenciales

REGRESIN CUADRTICA

Modelo estimado es:

Basndonos en una muestra y el mtodo de mnimos cuadrados

para hallar la ecuacin estimada tenemos las siguientes
ecuaciones para obtener los estimadores de la ecuacin
estimada:
Ejemplo 1:

Un editor de libros de texto universitario realiz un estudio para

relacionar la ganancia por libro con el costo de venta para un
perodo de 6 aos cuando el nmero de sus vendedores (y el
costo de ventas) aumentaba rpidamente se obtuvieron los
siguientes datos (miles de dlares).

Costo de venta por

5 5.6 6.1 6.8 7.4 8.6 39.5
libro(X)
Utilidad por libro (Y) 16.5 22.4 24.9 28.8 31.5 35.8 159.9

Hallar la ecuacin cuadrtica estimada.

Solucin:

Costo de venta por

5 5.6 6.1 6.8 7.4 8.6 39.5
libro(X)
Utilidad por libro (Y) 16.5 22.4 24.9 28.8 31.5 35.8 159.9
X2 25 31.36 37.21 46.24 54.76 73.96 268.53
X3 125 175.616 226.981 314.432 405.224 636.046 1883.309
X4 625 983.45 1384.58 2138.14 2998.66 5470.08 13599.910
XY 82.5 125.44 151.89 195.84 233.1 307.88 1096.65
X2Y 412.5 702.464 926.53 1331.712 1724.74 2647.768 7745.913
Solucin:
 REGRESIN MODELO EXPONENCIAL

Supongamos que la relacin supuesta entre X e Y es explicada por el

modelo matemtico Y = ABX , entonces el modelo estadstico asociado
es:
Yi = ABXi ei,
Donde ei = Yi ( ABXi ), se llama error de estimacin y el modelo
estimado es:
Y AB X (1)

Para encontrar ell modelo estimado particular nos basaremos en el

modelo lineal:
Y A B X
cuyas ecuaciones son:
REGRESIN MODELO EXPONENCIAL

Aplicando logaritmo en (1) se tiene:

cuyas ecuaciones son:

REGRESIN MODELO EXPONENCIAL:
COEFICIENTE DE CORRELACIN

Mide el grado de asociacin exponencial entre X e Y y se define

por:
Ejemplo 2:

La siguiente informacin se refiere a la proporcin de simientes

vidriosas (X) y el contenido de protenas (Y) en 10 muestras de
trigo.

X 6 75 87 55 34 98 91 45 51 17 559
Y 10.3 12.2 14.5 11.1 10.9 18.1 14 10.8 11.4 11 124.3

Encontrar la ecuacin estimada y el coeficiente de correlacin.

Solucin:
X 6 75 87 55 34 98 91 45 51 17 559
Y 10.3 12.2 14.5 11.1 10.9 18.1 14 10.8 11.4 11 124.3
Log Y 1.013 1.086 1.161 1.045 1.037 1.258 1.146 1.033 1.057 1.041 10.878

XlogY 6.077 81.48 101.03 57.49 35.27 123.2 104.3 46.50 53.90 17.70 627.018
X2 36 5625 7569 3025 1156 9804 8281 2025 2601 289 40211
(logY)2 1.023 1.181 1.349 1.093 1.076 1.582 1.314 1.068 1.117 1.084 11.888

La ecuacin estimada es:

Solucin:

El coeficiente de correlacin es:

REGRESIN NINEAL MLTIPLE

Especificacin del Modelo

El modelo de Regresin Lineal con k variables se puede representar
de la siguiente manera:

Yi = 0 + 1 X 1i + 2 X2i + + Xki + ui i = 1,2..n

Donde:
0 = Intercepto
1 a k Coeficientes de regresin
Si se considera una muestra de n observaciones, se puede representar
como un conjunto de ecuaciones lineales como a continuacin se
detalla.
 REGRESIN NINEAL MLTIPLE

Este sistema de ecuaciones se puede expresar usando matrices.

Donde:
Y: un vector columna de observaciones de la variable endgena en estudio de orden n*1.
X: matriz con n*k variables explicativas.
: Vector de parmetros desconocidos
U: Vector columna de variables de perturbacin de orden n*1.
REGRESIN NINEAL MLTIPLE

Estimacin del Modelo

El objetivo es determinar los valores de tal manera que los
residuales sean lo ms pequeos posibles, el mtodo mas adecuado
es el de mnimos cuadrados:

: Vector de estimadores mnimos cuadrados

(XX): Matriz simtrica, para que tenga inversa, su
determinante es diferente de cero
Ejemplo 3: (Caso aplicativo)

La informacin que se da a continuacin se refiere a la nota que han

obtenido los estudiantes en una prctica calificada en el curso de
Probabilidad y Estadstica, el tiempo que han dedicado al estudio y el
nmero de veces que el estudiante est llevando el curso.

Nota (Y) 12 14 15 11 16 17 10 8 18 19
Horas (X1) 1 3 5 4 5 4 1 2 5 6
N veces (X2) 1 2 2 3 1 1 1 2 1 2

Se cree que hay una relacin entre la nota, el tiempo de estudio y nmero
de veces que lleva el curso.
Solucin: (Caso aplicativo)
Modelo Propuesto:
Nota = 0 + 1 horas de estudio + 2 nmero de veces que lleva el curso

Para calcular los estimadores mnimos cuadrados usando matrices se tiene:

Nota = 11.121 + 1.856 horas de estudio 2.378 nmero de veces que

lleva el curso
QU HEMOS VISTO?

o El modelo de regresin cuadrtico.

o El modelo de regresin exponencial.
o Cmo calcular el coeficiente de correlacin.

o El modelo de regresin lineal mltiple.

BIBLIOGRAFIA BASICA:

Estimado estudiante, puedes revisar los siguientes textos que se encuentran en

tu biblioteca:

N CDIGO AUTOR TTULO AO

519.5
PROBABILIDAD Y ESTADISTICA PARA
1 DEVO DEVORE, JAY L. 2012
INGENIERIA Y CIENCIAS
2012