MODELO DE

REGRESION NO
LINEAL
William Jaime
Len Velsquez
UNIVERSIDAD
NACIONAL MAYOR DE
SAN MARCOS

ESTADISTICA
INDUSTRIAL
FACULTAD DE INGENIERIA
INDUSTRIAL
SESION 09
Regresin no lineal
Ing. William len Velsquez 2
En la practica ocurre que al representar grficamente los
datos de una distribucin bidimensional, se obtiene la
figura 1c.
Se observa una clara
relacin entre las dos
variables, pero claramente
no lineal.
Por tanto, se deber buscar
la funcin que ha de
describir la dependencia
entre las dos variables.
Regresin no lineal
Ing. William len Velsquez 3
Esta sesin se limitarn al estudio de las ms
utilizadas:
La funcin parablica,
La funcin hiperblica,
La funcin logartmica,
La funcin exponencial y
La funcin potencial.
Parbola de regresin
Ing. William len Velsquez 4
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.
Parbola de regresin
Ing. William len Velsquez 5
El problema consiste, por tanto, en determinar dichos
parmetros para una distribucin dada.
Se sigue 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:
Parbola de regresin
Ing. William len Velsquez 6
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.
Parbola de regresin
Ing. William len Velsquez 7
Las ecuaciones que forman dicho sistema se
conocen, igual que en el caso de la regresin
lineal simple, como ecuaciones normales de
Gauss.

Regresin hiperblica
Ing. William len Velsquez 8
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:
Por tanto,
Regresin hiperblica
Ing. William len Velsquez 9
Para minimizar la expresin, se calculan las
derivadas parciales respecto a los parmetros a y
b, igualando a cero:
Regresin hiperblica
Ing. William len Velsquez 10
En consecuencia, las ecuaciones normales sern:
Funcin exponencial, potencial, y logartmica
Ing. William len Velsquez 11
El problema de ajustar un modelo potencial, de la
forma Y = A X
b
y uno exponencial Y = A B
X
se
reduce al de la funcin lineal, con solo tomar
logaritmos.
Modelo potencial
Ing. William len Velsquez 12
Si en la expresin de la funcin potencial se
toman logaritmos, se obtiene:
logY = log A + b log X
que es la ecuacin de una recta Y = a +b X , donde
ahora a =log A .
El problema se reduce a transformar
Y en logY 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
Ing. William len Velsquez 13
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 +b x) .
Mediante una transformacin lineal, tomando
logaritmos neperianos, se convierte el problema
en una cuestin de regresin lineal.
Es decir, tomando logaritmos neperianos:
ln y = a + b x
Y llamando Y =ln y se tiene Y = a + b x (regresin
lineal).
Modelo exponencial
Ing. William len Velsquez 14
Para simplificar, descartando multiplicidades y
suponiendo que cada par se repite una sola vez,
las ecuaciones normales sern:
Calculando los parmetros a y b se tiene la ecuacin de la funcin
exponencial: y =exp(a +b x) .
Modelo logartmico
Ing. William len Velsquez 15
La curva logartmica Y = a +blog 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 .
Ejemplos de regresin no lineal
Ing. William len Velsquez 16
Ajuste de una funcin parablica: Y* = a + b X + c X
2
Ejemplos de regresin no lineal
Ing. William len Velsquez 17
Aplicando el mtodo de los mnimos cuadrados se
obtiene el siguiente sistema de ecuaciones:

Ejemplos de regresin no lineal
Ing. William len Velsquez 18
Resolviendo este sistema se obtiene:

Ejemplos de regresin no lineal
Ing. William len Velsquez 19
Bondad del ajuste
Coeficiente de determinacin:

Ejemplos de regresin no lineal
Ing. William len Velsquez 20
Ajuste de una funcin potencial: Y* = a X
b
Linealizando:
lnY* = ln a + b ln X V* = A+bU

Ejemplos de regresin no lineal
Ing. William len Velsquez 21
Se deshace el cambio efectuado:
a = anti ln A = anti ln 0,2277 = 1,2557
De modo que el ajuste efectuado es:
Y* = 1,2557 X
1,9902
Ejemplos de regresin no lineal
Ing. William len Velsquez 22
Bondad del ajuste




Ntese que al haber transformado la variable dependiente
ya no se minimiza e
2
sino
(lnY lnY* )
2
de ah que e 0 .

Ejemplos de regresin no lineal
Ing. William len Velsquez 23
Ajuste de una funcin exponencial: Y* = a b
X
Linealizando:
lnY* = ln a + X ln b V* = A+ B X

Ejemplos de regresin no lineal
Ing. William len Velsquez 24
Deshaciendo los cambios efectuados:


Por lo que el ajuste efectuado es:
Y* = 0,819 2,176
X
Ejemplos de regresin no lineal
Ing. William len Velsquez 25
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.

Variables ficticias (dummy)
El ejemplo se refiere a la relacin entre
el nivel de ingresos y el nivel de
educacin en dos grupos raciales en
Estados Unidos.
Suponemos que el nivel de ingresos
(medido a travs del salario) es la
variable dependiente y que el nivel de
educacin (medido a travs del
nmero de aos) es la variable
independiente o regresora.
Ing. William len Velsquez 26
Variables ficticias (dummy)
Cabe esperar que, en general, para un
nivel de educacin ms alto el nivel de
ingresos sea tambin ms alto.
Dadas las caractersticas de la sociedad
americana, es de esperar tambin que
para un mismo nivel de educacin una
persona de raza blanca tenga un nivel
de ingresos mayor que una persona de
raza negra. Luego el nivel de ingresos
depende de la raza (variable
cualitativa) y debera ser incluida en el
modelo como regresora.
Ing. William len Velsquez 27
Variables ficticias (dummy)
La situacin se ha esquematizado en la figura
Ing. William len Velsquez 28
Variables ficticias (dummy)
Es claro que si no incluimos la variable raza de
alguna manera, el modelo conjunto que relaciona
ingresos y educacin no se ajusta bien ni al grupo
de los blancos ni al de los negros.
Una solucin sera ajustar un modelo por
separado para cada grupo y compararlos, sin
embrago, vamos a buscar una solucin que
explique correctamente la situacin con un solo
modelo.
Ing. William len Velsquez 29
Variables ficticias (dummy)
En lugar de ajustar el modelo conjunto
Y =
0
+
1
X
podemos ajustar el modelo
Y =
0
+
1
X + D
donde la variable D se define de la siguiente manera
D = 1 si el individuo es blanco
0 si el individuo es negro
la variable D se dice que es una variable ficticia ya que
no ha sido media directamente de esta forma. Veamos
como la variable ficticia soluciona el problema.
Ing. William len Velsquez 30
Interpretacin del modelo con variables
ficticias
La interpretacin de los modelos en los que se han
incluido variables ficticias es simple.
Calculemos el modelo en cada uno de los grupos.
En el grupo de los negros (D = 0)


En el grupo de los blancos (D = 1)
Ing. William len Velsquez 31
Interpretacin del modelo con variables
ficticias
Luego
1
es la pendiente (comn) de los modelos
para ambos grupos.
0
es la constante en el
modelo para el grupo de los negros,
0
+ es la
constante en el modelo para el grupo de los
blancos y , por tanto, es la diferencia entre los
ingresos de los blancos y los negros, sea cual sea el
nivel de educacin.
El contraste de igualdad a cero de es el contraste
de que no hay diferencias en el nivel de ingresos
entre los dos grupos de la raza, sea cual sea el
nivel de educacin

Ing. William len Velsquez 32
Interpretacin del modelo con variables
ficticias
La situacin esquematizada se muestra en la figura
Ing. William len Velsquez 33
Cuando la variable cualitativa tiene ms de dos grupos tenemos
que introducir varias variables ficticias.
FIN
wjleonv@yahoo.com