01preliminaresyregresionlineal 150719213325 Lva1 App6891 PDF

MTODOS NUMRICOS
CAPTULO 4: REGRESIN POR

MNIMOS CUADRADOS.
PRELIMINARES Y REGRESIN
LINEAL.
Ing. Willians Medina.
Maturn, Junio de 2015.
Captulo 4. Regresin por mnimos cuadrados.
Preliminares y Regresin lineal.
PRESENTACIN.
La presente es una Gua de Ejercicios de Mtodos Numricos para estudiantes de
Ingeniera, Ciencia y Tecnologa dictada en las carreras de Ingeniera Ambiental, Civil, de
Computacin, Elctrica, Electrnica, Industrial, Mecnica, de Petrleo, de Sistemas y
Qumica de reconocidas Universidades en Venezuela.
El material presentado no es en modo alguno original, excepto la inclusin de las
respuestas a ejercicios seleccionados y su compilacin en atencin al contenido
programtico de la asignatura y al orden de dificultad de los mismos.
Dicha gua ha sido elaborada tomando como fuente las guas de ejercicios y
exmenes publicados en su oportunidad por Profesores de Mtodos Numricos para
Ingenieros en los ncleos de Monagas y Anzotegui de la Universidad de Oriente, adems
de la bibliografa especializada en la materia y citada al final de cada captulo, por lo que el
crdito y responsabilidad del autor slo consiste en la organizacin y presentacin en forma
integrada de informacin existente en la literatura.
Adicionalmente es conveniente mencionar que este trabajo ha sido realizado con
fines estrictamente acadmicos y su uso y difusin por medios impresos y electrnicos es
libre, no representando ningn tipo de lucro para el autor.
Finalmente, se agradece infinitamente la dispensa y atencin a esta modesta
contribucin en la enseanza y aprendizaje de los Mtodos Numricos, as como las
sugerencias que tengan a bien para mejorar este trabajo, las cuales pueden hacer llegar
directamente a travs de los telfonos: +58-424-9744352 +58-426-2276504, PIN:
2736CCF1
7A264BE3,
correo
electrnico:
medinawj@udo.edu.ve
medinawj@gmail.com, twitter: @medinawj personalmente en la seccin de Matemticas,

Universidad de Oriente, Ncleo de Monagas.
Ing. Willians Medina.

Mtodos Numricos. Ing. Willians Medina.
http://www.slideshare.net/asesoracademico/
ACERCA DEL AUTOR.

Willians Medina es Ingeniero Qumico, egresado de la Universidad de Oriente,
Ncleo de Anzotegui, Venezuela. Durante el transcurso de su carrera universitaria se
desempe como preparador docente en el rea de Laboratorio de Qumica I y
Termodinmica Aplicada de la carrera de Ingeniera Qumica de la referida Universidad.
En el ao 1996 ingres a la Industria Petrolera Venezolana, Petrleos de Venezuela
(PDVSA), desempeando el cargo de Ingeniero de Procesos en la Planta de Produccin de
Orimulsin, en Morichal, al sur del Estado Monagas hasta el ao 1998, momento en el cual
comenz su desempeo en la misma corporacin como Ingeniero de Manejo de Gas en el
Complejo Operativo Jusepn, al norte del Estado Monagas hasta finales del ao 2000.
Durante el ao 2001 form parte del Plan Integral de Adiestramiento (PIA) en San Tom,
Estado Anzotegui, donde recibi cursos de preparacin integral en las reas de produccin
y manejo de petrleo y gas, pasando finalmente a la Gerencia de Manejo de Gas del Norte
del Estado Monagas, en la localidad de Punta de Mata, siendo responsable del tratamiento
qumico anticorrosivo de gasoductos de la zona de produccin de petrleo y gas hasta
finales del ao 2002. Desde el ao 2006, forma parte del Staff de Profesores de
Matemticas, adscrito al Departamento de Ciencias, Unidad de Cursos Bsicos del Ncleo
de Monagas de la Universidad de Oriente (UDO), cargo en el cual ha dictado asignaturas
tales como Matemticas I (Clculo Diferencial), Matemticas II (Clculo Integral),
Matemticas III (Clculo Vectorial), Matemticas IV (Ecuaciones diferenciales), Mtodos
Numricos, Termodinmica y Fenmenos de Transporte para estudiantes de Ingeniera. Es
autor de compendios de ejercicios propuestos y formularios en el rea de Matemticas,
Fsica, Qumica, Mecnica Vectorial, Mtodos Numricos, Termodinmica, Estadstica,
Diseo de Experimentos, Fenmenos de Transporte, Mecnica de los Fluidos e Ingeniera
Econmica. Es miembro del Colegio de Ingenieros de Venezuela.
4.1.- GENERALIDADES.
El estudio de la teora de aproximacin involucra dos tipos generales de problemas.
Un problema surge cuando se tiene explcitamente una funcin pero se desea encontrar un
tipo de funcin ms simple, como un polinomio, que se pueda usar para determinar los
valores aproximados de la funcin dada. El otro problema en la teora de aproximacin es
el que consiste en ajustar funciones a datos dados y encontrar la mejor funcin dentro de
cierta clase que pueda usarse para representar a los datos.
Ambos problemas se han tratado en el captulo 3. El polinomio de Taylor de grado n
alrededor de un nmero x 0 fue discutido como una aproximacin excelente a una funcin
diferenciable (n+1)-veces en una pequea vecindad de x 0 . Los polinomios interpolantes de
Lagrange se discutieron ya sea como polinomios aproximantes o como polinomios
empleados para ajustar ciertos datos. A continuacin se considerarn las limitaciones de
estas tcnicas y se discutirn enfoques en otras direcciones.
4.2.- REGRESIN LINEAL.
Ejemplo ilustrativo 4.1.
Consideremos el problema de estimar los valores de una funcin en puntos no tabulados,
dados los datos experimentales de la tabla siguiente:
i
1
2
3
4
xi
2
4
6
8
yi
2
11
28
40
La figura 4.1 muestra la grfica de los puntos dados (diagrama de dispersin):
Figura 4.1. Diagrama de dispersin de los datos del ejemplo ilustrativo 4.1.
Los mtodos descritos requieren de la construccin ya sea de un polinomio de Lagrange de

grado 3 que asuma el valor y i en x i para cada i 1, 2, 3, 4 (Figura 4.2).
Figura 4.2. Polinomio interpolante de grado 3 de los datos del ejemplo ilustrativo 4.1.
Sin embargo, la grfica de los valores dados en la tabla nos indica que sera razonable
suponer que la relacin real es lineal y que ninguna recta se ajusta a los datos exactamente
debido al error en el problema de recoleccin de datos.
Si ste es realmente el caso, no sera razonable pedir que la funcin aproximante

coincidiera exactamente con los datos dados; en realidad, tal funcin aproximante
introducira oscilaciones que no ocurran originalmente. Un mejor enfoque para un
problema de este tipo sera encontrar la mejor (en algn sentido) recta que se pudiera usar
como funcin aproximante, an cuando pudiera no coincidir precisamente con los datos en
cada punto (Figura 4.3).
Figura 4.3. Recta de mejor ajuste de los datos del ejemplo ilustrativo 4.1.
El enfoque de mnimos cuadrados a este problema requiere de la determinacin de

la mejor recta aproximante cuando el error involucrado es la suma de los cuadrados de las
diferencias ( S r ) entre los valores de la recta aproximante y los valores dados.
El problema general de encontrar la mejor recta de mnimos cuadrados
y a0 a1 xi
(4.1)
que ajuste a una coleccin de n datos requiere de la minimizacin de

n
S r ( y i a0 a1 xi ) 2
(4.2)
i 1
con respecto a los parmetros a 0 y a1 . Para que ocurra un mnimo es necesario que
Sr
0
a0
Sr
0
a1
2 ( yi a0 a1 xi ) 2 ( xi ) 0
2 ( yi a0 a1 xi ) 2 (1) 0
i 1
i 1
Estas ecuaciones se simplifican a lo que se conoce como ecuaciones normales:

n
i 1
i 1
i 1
a0 xi a1 xi2 xi y i
n
i 1
i 1
a0 n a1 xi y i
(4.3)
La solucin de este sistema de ecuaciones es
a0
i 1
i 1
n
i 1
n
i 1
xi2 yi xi yi xi
n x ( x i )
2
i
i 1
a1
(4.4)
i 1
i 1
n
i 1
n xi y i xi y i
i 1
n x ( xi )
i 1
2
i
(4.5)
i 1
El mtodo de mnimos cuadrados es el procedimiento ms conveniente para determinar la

mejor aproximacin lineal. El enfoque de mnimos cuadrados le da mucho ms peso a un
punto que est fuera de la tendencia del resto de los datos, pero no permite que el punto
domine completamente la aproximacin.
Cuantificacin del error en la regresin lineal.
Cualquier otra lnea diferente a la indicada en la ecuacin 4.1 con parmetros dados por las
ecuaciones (4.4) y (4.5) dar como resultado una suma mayor de los cuadrados de los
residuos. As, la lnea es nica y, en trminos de nuestro criterio elegido, es la mejor lnea
a travs de los puntos. Varias propiedades de este ajuste se observan al examinar ms de
cerca la forma en que se calcularon los residuos. Recuerde que la suma de los cuadrados se
define como
n
i 1
i 1
S r ei2 ( y i a0 a1 xi ) 2
(4.2)
En la ecuacin (4.2), el cuadrado del residuo representa el cuadrado de la distancia vertical

entre el dato y una medida de tendencia central: la lnea recta (Figura 4.4)
16.00
14.00
Medicin
yi
12.00
yi-a0-a1xi
10.00
a0+a1xi
8.00
6.00
4.00
2.00
0.00
0.00
1.00
2.00
xi
3.00
4.00
5.00
6.00
x
Figura 4.4. El error en el valor
y i es igual a la diferencia yi a0 a1 xi entre el valor observado y el valor

terico de y.
Una desviacin estndar para la lnea de regresin se determina como sigue:
Sy/x
Sr
n2
(4.6)
donde a S y / x se le llama error estndar del estimado. El subndice y/x designa que el
error es para un valor predicho de y correspondiente a un valor particular de x. Tambin,
observe que dividimos entre n 2 debido a que se usaron dos datos estimados ( a 0 y a1 ),
para calcular S r ; as, se han perdido dos grados de libertad. Otra justificacin para dividir
entre n 2 es que no existe algo como datos dispersos alrededor de una lnea recta que
une dos puntos. De esta manera, en el caso donde n 2 , la ecuacin (4.6) de un resultado
sin sentido, infinito.
El error estndar del estimado cuantifica la dispersin de los datos. Aunque, S y / x
cuantifica la dispersin alrededor de la lnea de regresin.
Los conceptos anteriores se utilizan para cuantificar la bondad de nuestro ajuste.
Esto es en particular til para comparar diferentes regresiones. Para hacerlo, regresamos a
los datos originales y determinamos la suma total de los cuadrados alrededor de la media
para la variable dependiente (en nuestro caso, y). Esta cantidad se designa por S t y se
define como
n
S t ( yi y ) 2
(4.7)
i 1
donde y es la media aritmtica de la variable dependiente, definida como

n
y
i 1
(4.8)
S t es la magnitud del error residual asociado con la variable dependiente antes de la

regresin. Despus de realizar la regresin, calculamos S r , es decir, la suma de los
cuadrados de los residuos alrededor de la lnea de regresin (Ecuacin 4.2). Esto caracteriza
el error residual que queda despus de la regresin. Es por lo que, algunas veces, se le llama
la suma inexplicable de los cuadrados. La diferencia entre estas dos cantidades S t S r ,
cuantifica la mejora o reduccin del error por describir los datos en trminos de una lnea
recta en vez de un valor promedio. Como la magnitud de esta cantidad depende de la
escala, la diferencia se normaliza a S t para obtener
r2
St S r
St
(4.9)
donde r 2 se conoce como el coeficiente de determinacin y r es el coeficiente de

correlacin (
r 2 ). En un ajuste perfecto, S r 0 y r r 2 1 , significa que la lnea
explica el 100% de la variabilidad de los datos. Si r r 2 0 , S t S r , el ajuste no

representa alguna mejora. Una representacin alternativa para r que es ms conveniente
para implementarse en una computadora es
n
i 1
i 1
n xi y i xi y i
n x ( xi )
i 1
2
i
i 1
i 1
(4.10)
n y ( y i )
i 1
2
i
i 1
Aunque el coeficiente de correlacin ofrece una manera fcil de medir la bondad del
ajuste, se deber tener cuidado de no darle ms significado del que ya tiene. El solo hecho
de que r sea cercana a 1 no necesariamente significa que el ajuste sea bueno. Por
ejemplo, es posible obtener un valor relativamente alto de r cuando la relacin entre y y x
no es lineal. Adems, como mnimo, usted deber inspeccionar siempre una grfica de los
datos junto con su curva de regresin.
Ejemplo 4.1.
Use regresin por mnimos cuadrados para ajustar una lnea recta a
xi
yi
11
28
40
a) Junto con la pendiente y la interseccin, calcule el error estndar del estimado y el

coeficiente de determinacin y de correlacin.
b) Grafique los datos y la lnea de regresin.
c) Estime el valor de y para x 5 . Estime el valor de x para y 30 .
Solucin.
a) Para encontrar la recta de mnimos cuadrados que aproxima a estos datos, extendemos la
tabla y sumamos las columnas como se muestra en las tres ltimas columnas de la tabla
i
1
2
3
4
xi
2
4
6
8
20
yi
2
11
28
40
81
x i2
4
16
36
64
120
xi y i
4
44
168
320
536
y i2
4
121
784
1600
2509
Al sustituir en las ecuaciones (4.4) y (4.5), obtenemos:
a0
i 1
i 1
n
i 1
n
i 1
xi2 yi xi yi xi
n x ( x i )
i 1
a0
2
i
(4.4)
i 1
120 81 536 20
4 120 (20) 2
a0 12.5
n
a1
i 1
i 1
n
i 1
n x ( xi )
i 1
a1
n xi y i xi y i
2
i
(4.5)
i 1
4 536 20 81
4 120 (20) 2
a1 6.55
La mejor ecuacin lineal en el sentido de mnimos cuadrados es, de acuerdo con la

ecuacin (4.1):
y a0 a1 xi
(4.1)
y 12.5 6.55 x
La tabla siguiente muestra los valores observados con los valores obtenidos usando
esta aproximacin.
xi
2
4
6
8
20
i
1
2
3
4
yi
2
11
28
40
81
y 12.5 6.55 x
0.6
13.7
26.8
39.9
81
( yi y ) 2
333.0625
85.5625
60.0625
390.0625
868.75
( yi y ) 2
1.96
7.29
1.44
0.01
10.7
El error estndar del estimado es, de acuerdo con la ecuacin (4.6):
Sy/x
Sr
n2
(4.6)
10
10.7
42
Sy/x
S y / x 2.313007
El coeficiente de determinacin es, de acuerdo con la ecuacin (4.9):
r2
St S r
St
r2
868.75 10.7
868.75
(4.9)
r 2 0.987683
Y el coeficiente de correlacin es
r2
0.987683
r 0.993823
El coeficiente de correlacin es, de acuerdo con la ecuacin (4.10):
i 1
i 1
n x ( xi )
i 1
n xi y i xi y i
2
i
i 1
i 1
(4.10)
n y ( y i )
i 1
2
i
i 1
4 536 20 81
4 (120) (20) 2
4 (2509) (81) 2
524
80 3475
r 0.993823
b) En la figura 4.5 se muestran los datos y la recta de regresin.
11
Figura 4.5. Diagrama de dispersin y recta de mnimos cuadrados de los datos del ejemplo 4.1.
c) Para hacer las estimaciones o pronsticos, se utiliza la ecuacin de la lnea de regresin

y 12.5 6.55 x .
Para x 5 :
y 12.5 6.55 (5)
y 20.25
Para y 30 :
30 12.5 6.55 x
x 6.488549618
Este procedimiento de regresin lineal se puede ejecutar en la mayora de las calculadoras

cientficas. Se explicar a continuacin como realizar la regresin lineal en la calculadora
CASIO fx-570ES PLUS.
- Encender la calculadora:
ON
- Limpiar la memoria:
SHIFT
AC
- Entrar en el modo Estadstica y a los clculos de regresin lineal.

MODE
12
La calculadora muestra el display siguiente:

X
1
2
3
Para ingresar los datos del ejemplo 4.1, presionar la siguiente secuencia de teclas:
2
1
AC
=
2
4
8
=
0
=
1
=
- Obtener los parmetros de la regresin lineal.

Interseccin:
AC
SHIFT
Display:
A
12.5
Pendiente:
AC
SHIFT
Display:
B
6.55
Coeficiente de correlacin:
AC
SHIFT
Display:
R
0.9938226468
El modelo de regresin lineal es y 12.5 6.55 x .
Estimacin del valor de y para x 5 :
AC
SHIFT
Display:
5 y
20.25
13
Estimacin del valor de x para y 30 :

AC
SHIFT
Display:
30 x
6.488549618
De igual manera se pueden determinar todas las sumas requeridas por las ecuaciones (4.4),
(4.5) y (4.10) que permiten calcular la interseccin con el eje y, la pendiente y el coeficiente
de correlacin. El detalle del clculo se realiz en una tabla precedente, sin embargo, se
muestra la secuencia de teclas en la calculadora para obtener cada una de ellas.
n
x
i 1
AC
SHIFT
Display:
x
20
n
y
i 1
AC
SHIFT
Display
y
81
n
x
i 1
2
i
AC
SHIFT
Display
120
n
x y
i 1
14
AC
SHIFT
Display
x y
536
n
y
i 1
2
i
AC
SHIFT
Display
2509
Y de esta manera estos valores pueden ser sustituidos en las ecuaciones (4.4), (4.5) y (4.10).
Ejemplo 4.2.
[DM] Se piensa que el nmero de libras de vapor consumidas mensualmente por una planta
qumica se relaciona con la temperatura ambiente promedio (en F) de ese mes. En la tabla
siguiente se muestran la temperatura y el consumo anual.
Mes
Ene.
Feb.
Mar.
Abr.
May.
Jun.
Jul.
Ago.
Sep.
Oct.
Nov.
Dic.
Temperatura
21
24
32
47
50
59
68
74
62
50
41
30
Consumo/1000
185.79
214.47
288.03
424.84
454.58
539.03
621.55
675.06
562.03
452.93
369.95
273.98
a) Elabore un diagrama de dispersin.

b) Suponiendo que un modelo de regresin lineal simple es apropiado, ajuste el modelo de
regresin que relacione el consumo de vapor (y) con la temperatura promedio (x).
c) Qu cambio se espera en el consumo de vapor promedio cuando la temperatura mensual
promedio cambia 1F?
15
d) Cul es la estimacin del consumo esperado de vapor cuando la temperatura promedio

es 55F?
e) Suponga que la temperatura mensual promedio es 47F. Calcule el valor ajustado de y y
el residual correspondiente.
f) Determine el error estndar del estimado.
g) Determine el coeficiente de determinacin.
h) Determine el coeficiente de correlacin.
Solucin.
a) En la figura 4.6 se muestra el diagrama de dispersin de los datos.
800
700
Consumo (1000, lb)
600
500
400
300
200
100
0
10
20
30
40
50
60
70
80
Temperatura (F)
Figura 4.6. Diagrama de dispersin de los datos del ejemplo 4.2.
En la figura 4.6 se observa que los datos se ajustan a una lnea recta.
b) Para encontrar la recta de mnimos cuadrados que aproxima a estos datos, extendemos la
tabla y sumamos las columnas como se muestra en las tres ltimas columnas de la tabla
Mes
Ene.
xi
21
yi
185.79
x i2
441
xi y i
3901.59
y i2
34517.9241
16
Feb.
Mar.
Abr.
May.
Jun.
Jul.
Ago.
Sep.
Oct.
Nov.
Dic.
24
32
47
50
59
68
74
62
50
41
30
558
214.47
288.03
424.84
454.58
539.03
621.55
675.06
562.03
452.93
369.95
273.98
5062.24
576
1024
2209
2500
3481
4624
5476
3844
2500
1681
900
29256
5147.28
9216.96
19967.48
22729
31802.77
42265.4
49954.44
34845.86
22646.5
15167.95
8219.4
265864.63
45997.3809
82961.2809
180489.0256
206642.9764
290553.3409
386324.4025
455706.0036
315877.7209
205145.5849
136863.0025
75065.0404
2416143.684
Al sustituir en las ecuaciones (4.4) y (4.5), obtenemos:
a0
i 1
i 1
n
i 1
n
i 1
xi2 yi xi yi xi
n x ( x i )
i 1
a0
2
i
(4.4)
i 1
29256 5062.24 265864.63 558

12 29256 (558) 2
a0 6.3355017
n
a1
i 1
i 1
n
i 1
n x ( xi )
i 1
a1
n xi y i xi y i
2
i
(4.5)
i 1
12 265864.63 558 5062.24

12 29256 (558) 2
a1 9.2083620
La mejor ecuacin lineal en el sentido de mnimos cuadrados es, de acuerdo con la

ecuacin (4.1):
y a0 a1 xi
(4.1)
y 6.3355017 9.2083620 x
17
c) Por cada cambio de 1F en la temperatura mensual promedio, se espera un cambio de

9.2083620 miles de libras de vapor consumidas. Este valor est dado por la pendiente de la
recta de regresin.
En la figura 4.7 se muestran los datos y la recta de regresin.
800
700
Consumo (1000, lb)
600
500
400
300
200
100
0
10
20
30
40
50
60
70
80
Temperatura (F)
Figura 4.7. Diagrama de dispersin y recta de mnimos cuadrados de los datos del ejemplo 4.2.
d) Consumo esperado cuando la temperatura promedio es 55F.

Aplicando la ecuacin de regresin y 6.3355017 9.2083620 x , se sustituye x 55 ,
para obtener:
y 6.3355017 9.2083620 (55)
y 6.3355017 506.4991
y 500.12 mil libras de vapor.
La tabla siguiente muestra los valores observados con los valores obtenidos usando
esta aproximacin.
xi
yi
y 6.3355017 9.2083620 x
( yi y ) 2
( yi y ) 2
18
21
24
32
47
50
59
68
74
62
50
41
30
558
185.79
214.47
288.03
424.84
454.58
539.03
621.55
675.06
562.03
452.93
369.95
273.98
5062.24
187.0401012
214.6651874
288.3320837
426.4575144
454.0826005
536.9578589
619.8331173
675.0832895
564.582945
454.0826005
371.2073421
269.9153596
5062.24
55725.89734
43007.84694
17908.68454
8.920177778
1071.034711
13730.37121
39878.75868
64113.61604
19649.49788
965.7592111
2693.956011
21866.52271
280620.8655
1.5627531
0.0380981
0.0912546
2.6163527
0.2474063
4.2937689
2.9476864
0.0005424
6.5175282
1.3284879
1.5809091
16.5213014
37.7460889
e) El valor estimado para x 47 es:

y 426.46 mil libras de vapor
con un valor residual.

e 424.84 426.46
e 1.62
f) El error estndar del estimado es, de acuerdo con la ecuacin (4.6):
Sy/x
Sr
n2
Sy/x
37.7460889
12 2
(4.6)
S y / x 1.9428353
g) El coeficiente de determinacin es, de acuerdo con la ecuacin (4.9):
r2
St S r
St
r2
280620.8655 37.7460889
280620.8655
(4.9)
r 2 0.9998655
h) El coeficiente de correlacin es
r2
19
0.9998655
r 0.9999327
El coeficiente de correlacin es, de acuerdo con la ecuacin (4.10):
n
i 1
i 1
n xi y i xi y i
i 1
i 1
n xi2 ( xi ) 2
i 1
i 1
i 1
(4.10)
n y i2 ( y i ) 2
12 265864.63 558 5062.24
12 (29256) (558) 2 12 (2416143.64) (5062.24) 2
365645.64
39708 3367450.39
r 0.9999327
Ejercicios propuestos.
1. [BF] Calcule el polinomio de mnimos cuadrados de grado uno para los datos siguientes:
i
xi
1
0
2
0.25
3
0.5
4
0.75
5
1.00
yi
1.0000
1.2840
1.6487
2.1170
2.7183
2. [BF] Encuentre un polinomio de mnimos cuadrados de grado 1 para los datos que se
muestran en la siguiente tabla:
i
xi
1
0
2
0.15
3
0.31
4
0.5
5
0.6
6
0.75
yi
1.0
1.004
1.031
1.117
1.223
1.422
3. [BF] Dados los datos:
xi
4.0
4.2
4.5
4.7
5.1
5.5
5.9
6.3
6.8
7.1
yi
102.5
6
113.1
8
130.1
1
142.0
5
167.5
3
195.1
4
224.8
7
256.7
3
299.5
0
326.7
2
Construir la aproximacin de mnimos cuadrados de grado uno y calcular el error.

4. [BF] Repetir el ejercicio 3 para los datos:
xi
0.2
0.3
0.6
0.9
1.1
1.3
1.4
1.6
20
yi
0.050446 0.098426 0.33277 0.72660 1.0972
1.5697
1.8487
2.5015
5. [CC] Con la regresin por mnimos cuadrados ajuste una lnea recta a
x
y
1
4
3
5
5
6
7
5
10
8
12
7
13
6
16
9
18
12
20
11
Junto con la pendiente y la interseccin, calcule el error estndar del estimado y el

coeficiente de correlacin. Grafique los datos y la lnea de regresin. Despus repita el
problema, pero ahora efecte la regresin de x contra y (es decir, cambie las variables).
Interprete sus resultados.
6. [CC] Use regresin por mnimos cuadrados para ajustar una lnea recta a
x
y
5
30
6
22
10
28
14
14
16
22
20
16
22
8
28
8
28
14
36
0
38
4
Junto con la pendiente y la interseccin, calcule el error estndar del estimado y el

coeficiente de correlacin. Grafique los datos y la lnea de regresin. Si alguien hizo una
medicin ms, x 5 , y 5 , podra usted esperar, basndose en una apreciacin visual y
en el error estndar, que la medicin sea vlida o invlida? Justifique su conclusin.
7. [CC] Con la regresin por mnimos cuadrados ajuste una lnea recta a
x
y
2
9
3
6
4
5
7
10
8
9
9
11
5
2
5
3
Junto con la pendiente y la interseccin, calcule el error estndar de la estimacin y el

coeficiente de correlacin. Grafique los datos y la lnea recta. Evale el ajuste.
8. [CC] Con los datos
x
y
5
16
10
25
15
32
20
33
25
38
30
36
35
39
40
40
45
42
50
42
Utilice regresin por mnimos cuadrados para ajustar una lnea recta.
9. [BF] El siguiente conjunto de datos, presentados en mayo de 1970 al Senate Antitrust
Subcommitte, muestra las caractersticas comparativas de la supervivencia en choques de
autos de varias clases. Encuentre la recta de mnimos cuadrados que mejor aproxima a estos
datos (la tabla muestra el porcentaje de vehculos involucrados en un accidente en los
cuales la lesin ms severa fue fatal o seria).
Tipo
Peso promedio
Porcentaje de
21
(lb)
4800
3700
3400
2800
1900
1. De lujo regular del pas.

2. Intermedio regular del pas.
3. Econmico regular del pas.
4. Compacto del pas.
5. Compacto extranjero.
ocurrencia
3.1
4.0
5.2
6.4
9.6
Ingeniera Qumica / Bioingeniera.

10. [CC] Usted realiza experimentos y determina los siguientes valores de capacidad
calorfica c para varias temperaturas T de un gas:
40
1250
T
c
20
1280
10
1350
70
1480
100
1580
120
1700
Use regresin y determine un modelo para predecir c como una funcin de T .

11. [CC] Se sabe que la resistencia a la tensin de un plstico aumenta en funcin del
tiempo cuando se trata con calor. Se obtienen los siguientes datos:
Tiempo
Resistencia a la tensin
10
4
15
20
20
18
25
50
40
33
50
48
55
80
60
60
75
78
Ajuste una lnea recta a estos datos y use la ecuacin para determinar la resistencia a la
tensin correspondiente a 30 min.
12. [CC] Se reunieron los siguientes datos para determinar la relacin entre presin y
temperatura de un volumen fijo de 1 kg de nitrgeno. El volumen es de 10 m 3.
T, C
P, N/m2
20
7500
0
8104
20
8700
40
9300
50
9620
70
10200
100
11200
120
11700
Emplee la ley de los gases ideales P V n R T para determinar R , basndose en estos

datos. Observe que en esta ley, T se debe expresar en Kelvin.
13. [BF] Para determinar la relacin entre el nmero de peces y el nmero de especies de
peces en las muestras tomadas de una porcin del Great Barrier Reef, P. Sale y R. Dybdahl
[114] ajustaron un polinomio de mnimos cuadrados lineal a la siguiente coleccin de datos
que fueron recolectados en muestras durante un periodo de ms de dos aos. Sea x el
nmero de peces en la muestra e y el nmero de especies en la muestra.
x
13
15
y
11
10
x
29
30
y
12
14
x
60
62
y
14
21
22
16
21
22
23
25
11
12
12
13
13
31
36
40
42
55
16
17
13
14
22
64
70
72
100
130
21
24
17
23
34
Determine el polinomio de mnimos cuadrados lineal para estos datos.

Ingeniera Civil / Ambiental.
14. [CC] El esfuerzo cortante, en kips por pie cuadrado (kpc) de nueve muestras tomadas a
distintas profundidades en un estrato de arcilla son
Profundidad, m
Esfuerzo, kpc
1.9
0.3
3.1
0.6
4.2
0.4
5.1
0.9
5.8
0.7
6.9
1.1
8.1
1.5
9.3
1.3
10.0
1.6
Estime el esfuerzo cortante a una profundidad de 4.5 m.

15. [CC] Se realiz un estudio de ingeniera de transporte para determinar el diseo
adecuado para carriles de bicicletas. Se recolectaron datos de amplitud de carriles de
bicicletas y distancias promedio entre bicicletas y carros en circulacin. Los datos
obtenidos de 11 calles son:
Distancia x, ft
Ampl. Carril y, ft
3
5
8
10
5
7
8
7.5
6
7
6
6
10
8
10
9
4
5
5
5.5
7
8
a) Grafique los datos.

b) Ajuste una lnea recta a datos mediante regresin lineal. Agregue esta lnea a la grfica.
c) Si la distancia promedio mnima segura entre las bicicletas y los carros en circulacin se
considera 7 pies, determine el ancho de carril mnimo correspondiente.
16. [CC] En la ingeniera hidrulica, el tamao de un dique depende de la estimacin exacta
del fluido de agua en el ro del cual se toma. En algunos ros es difcil obtener registros
histricos de muchos aos atrs de tales flujos. En cambio, datos meteorolgicos sobre la
precipitacin a menudo si estn disponibles. Por lo tanto, con frecuencia es til determinar
una relacin entre flujo y precipitacin. Entonces tal relacin se utiliza para estimar los
flujos de aos anteriores, an cuando slo se tomaron mediciones de precipitacin. Para un
ro que se va a encauzar a un dique, se muestran los siguientes datos:
Precipitacin, cm
Flujo, m3/s
88.9
114.7
101.6
172.0
104.1
152.9
139.7
269.0
132.1
206.4
94.0
161.4
116.8
175.8
121.9
239.0
99.1
130.0
23

b) Ajuste una lnea recta a los datos mediante regresin lineal. Sobreponga la lnea a su
grfica.
c) Use la mejor lnea de ajuste para predecir el flujo anual de agua si la precipitacin es de
120 cm.
17. [CC] La concentracin total de fsforo (p en mg/m3) y clorofila a (c, en mg/m3) en cada
uno de los grandes lagos es
Lago superior
Lago Michigan
Lago Hurn
Lago Erie
Cuenca oeste
Cuenca central
Cuenca este
Lago Ontario
p
4.5
8.0
5.5
c
0.8
2.0
1.2
39.0
19.5
17.5
21.0
11.0
4.4
3.8
5.5
La concentracin de clorofila a es un parmetro que indica cunta vida vegetal est

suspendida en el agua. Como tal, indica qu tan turbia y opaca se ve el agua. Utilice los
datos anteriores para determinar la relacin c como funcin de p. Use esta ecuacin
prediciendo el nivel de clorofila que se espera si se usa un tratamiento de aguas para
disminuir la concentracin de fsforo en la cuenca oeste del Lago Erie a 15 mg/m 3.
Ingeniera Elctrica.
18. [CC] Los siguientes datos se tomaron de un experimento en el que se mide la corriente
en un alambre a diferentes voltajes:
V, V
i, A
2
5.2
3
7.8
4
10.7
5
13
7
19.3
10
27.5
Basndose en una regresin lineal de estos datos, determine la corriente para un voltaje de 6
V. Grafique la lnea y los datos, y evale el ajuste. Determine si es una buena suposicin
que la interseccin sea cero. Si es as, haga otra vez la regresin y fuerce la interseccin
para que sea cero.
19. Se sabe que la cada de voltaje a travs de un inductor sigue la ley de Faraday:
24
VL L
di
dt
donde V L es la cada de voltaje (en volts), L es la inductancia (en henrios; 1 H = 1 V.s/A) e

i es la corriente (en amperes). Emplee los siguientes datos para estimar L.
d i / d t , A/s
VL , V
1
5
2
12
4
18
6
31
8
39
10
50
Cul es el significado, si lo hay, de la interseccin de la ecuacin de regresin a partir de

estos datos?
20. [CC] Se realiza un experimento para determinar el porcentaje de elongacin de un
material conductor elctrico como funcin de la temperatura. Los datos resultantes son:
Temperatura, C
Porcentaje de elongacin
200
11
250
13
300
13
375
15
425
17
475
19
525
20
600
23
Prediga el porcentaje de elongacin a una temperatura de 400F.

Ingeniera Mecnica / Aeronutica.
21. [CC] Se realiza un experimento para definir la relacin entre la tensin aplicada y el
tiempo para fracturar un acero inoxidable. Se aplican tensiones de ocho diferentes valores,
y los datos resultantes son:
Tens. aplic, x, kg/mm2
Tiempo de fractura, y, h
5
40
10
30
15
25
20
40
25
18
30
20
35
22
40
15

b) Ajuste una lnea recta a los datos usando regresin lineal. Sobreponga esta lnea en su
grfica.
c) Utilice la ecuacin de mejor ajuste para predecir el tiempo de fractura aplicando una
tensin de 17 kg/mm2.
22. [CC] La aceleracin debida a la gravedad a una altitud y por encima de la superficie de
la Tierra est dada por
y, m
g , m/s
0
9.8100
20000
9.7487
40000
9.6879
60000
9.6278
80000
9.5682
Calcule g para y 55000 m .

25
23. [CC] Al examinar el comportamiento viscoso de un fluido se acostumbra graficar

rapidez de corte (gradiente de velocidad)
dv

dy
en las abcisas contra esfuerzo cortante ( ) en las ordenadas. A un lquido que tiene una
relacin lineal entre esas dos variables se le llama fluido newtoniano y la relacin resultante
es

donde es la viscosidad del fluido. Muchos de los fluidos comunes tienen este
comportamiento, como por ejemplo el agua, la leche y el aceite. A los lquidos que no se
comportan de esta manera se les llama no newtonianos. En la figura 4.8 se presentan
algunos ejemplos de fluidos no newtonianos.
Figura 4.8.Tipos de fluidos.
En los plsticos de Bingham hay una tensin de deformacin, y , que debe

superarse antes de que el fluido empiece a fluir
y
Un ejemplo comn de estos fluidos es la crema dental.
26
En los pseudoplsticos, el esfuerzo cortante se eleva a la potencia n,
n
Fluidos de este tipo son el yogurt y el champ.
Los datos siguientes muestran la relacin entre el esfuerzo cortante, , y la
velocidad del esfuerzo cortante, n , para un plstico de Bingham. La tensin de
deformacin, y , es la cantidad de tensin que hay que sobrepasar antes de que el lquido
empiece a fluir. Encuentre la viscosidad, (pendiente), y , y el valor de R cuadrada,
utilizando un mtodo de regresin.
Tensin, , N/m2
Velocidad del esfuerzo cortante, , 1/s
3.57
1
3.89
2
4.96
3
5.62
4
6.13
5
24. [BF] Para determinar una relacin funcional entre el coeficiente de atenuacin y el
grosor de una muestra de taconite, V.P. Singh (125) ajust una coleccin de datos usando
un polinomio de mnimos cuadrados lineal. La siguiente coleccin de datos fue tomada de
una grfica de este artculo. Encuentre el mejor polinomio de mnimos cuadrados lineal que
ajusta estos datos.
Grosor (cm)
0.040
0.041
0.055
0.056
0.062
0.071
0.071
0.078
0.082
0.090
0.092
0.100
0.105
0.120
0.123
0.130
Coeficiente de
atenuacin
(db/cm)
26.5
28.1
25.2
26.0
24.0
25.0
26.4
27.2
25.6
25.0
26.8
24.8
27.0
25.0
27.3
26.9
27
0.140
26.2
Ciencias sociales.
25. [BF] La siguiente tabla muestra el promedio de calificaciones de licenciatura de 20
estudiantes de matemticas y computacin, junto con el resultado que recibieron en el
examen ACT (American College Testing Program) durante su bachillerato. Grafique estos
datos y encuentre la ecuacin de la recta de mnimos cuadrados para estos datos.
Resultado del ACT
28
25
28
27
28
33
28
29
23
27
Promedio de
calificaciones
3.84
3.21
3.23
3.63
3.75
3.20
3.41
3.38
3.53
2.03
Resultado del ACT

29
28
27
29
21
28
28
26
30
24
Promedio de
calificaciones
3.75
3.65
3.87
3.75
1.66
3.12
2.96
2.92
3.10
2.81
26. [BF] A continuacin se muestran las calificaciones de las tareas y de los exmenes
finales de 30 estudiantes de anlisis numrico. Encuentre la ecuacin de la recta de
mnimos cuadrados para estos datos y sela para determinar la calificacin de las tareas
necesaria para predecir las calificaciones mnimas en el final de A (90%) y D (60%).
Tarea
302
325
285
339
334
322
331
279
316
347
Final
45
72
54
54
79
65
99
63
65
99
Tarea
343
290
326
233
254
323
337
337
304
319
Final
83
74
76
57
45
83
99
70
62
66
Tarea
234
337
351
339
343
314
344
185
340
316
Final
51
53
100
67
83
42
79
59
75
45
28
RESPUESTA A LOS EJERCICIOS SELECCIONADOS.

1. y 0.8996800 1.7082000 x , S y / x 0.1141410 , r 2 0.9790184 , r 0.9894536 .
2. y 0.9295140 0.5281021 x , S y / x 0.0783678 , r 2 0.8201749 , r 0.9056351 .
3. y 194.1382407 72.0845177 x , S y / x 6.4130062 , r 2 0.9941221, r 0.9970567 .
4. y 0.5124568 1.6655401 x , S y / x 0.2364987 , r 2 0.9393901, r 0.9692214 .
5. y 3.3887850 0.3724967 x , S y / x 1.2317019 , r 2 0.8106597 , r 0.9003664 .
14
12
10
0
0
10
15
20
25
x 5.3868955 2.1762871 y , S y / x 2.9771622 , r 2 0.8106597 , r 0.9003664 .
No existe relacin entre las ecuaciones de regresin. Se conserva el valor de r2 y de r.
29
25
20
15
10
0
0
10
12
14
6. y 30.7396291 0.7719100 x , S y / x 4.3936293 , r 2 0.8149599 , r 0.9027513 .

35
30
25
20
15
10
0
0
10
15
20
25
30
35
40
7. y 3.4895522 0.6298507 x , S y / x 3.2213529 , r 2 0.2106157 , r 0.4589289 .
30
12
10
0
0
10
8. y 20.6666667 0.4957576 x , S y / x 3.7280672 , r 2 0.8201134 , r 0.9056012 .

9. y 13.1464996 0.0022550 x , S y / x 0.8284797 , r 2 0.9195399 , r 0.9589264 .
Ingeniera Qumica / Bioingeniera.
10. y 1333.7614679 2.6559633 x , S y / x 34.7121188 , r 2 0.9696108 , r 0.9846882 .
11. c 2.4103261 1.0551630 T , S y / x 12.9712864 , r 2 0.7944617 , r 0.8913258 , En
x 30 : y 34 .
nR
12. La correlacin de P (N/m2) contra T (K) conduce a:
30.3164087 , y siendo
V
1000 g
n
35.6972 mol , se obtiene: R 8.4926573 J/mol.K .
28.0134 g/mol
13. y 8.2084078 0.1795224 x , S y / x 2.4170462 , r 2 0.8402766 , r 0.9166660 .
Ingeniera Civil / Ambiental.
14. y 0.0330209 0.1598748 x , S y / x 0.1734369 , r 2 0.8817064 , r 0.9389922 , En
x 4.5 : y 0.6864157 .
15. a)
31
12.0
10.0
8.0
6.0
4.0
2.0
0.0
0
10
12
b) y 3.2482759 0.5870690 x , S y / x 0.9566514 , r 2 0.6881135 , r 0.8295261 .

c) Para x 7 : y 7.4 .
16. a)
300
250
200
150
100
50
0
80
90
100
110
120
130
140
150
b) y 104.1331659 2.5630119 x , S y / x 23.1708413 , r 2 0.8123229 , r 0.9012896 .
32
300
250
200
150
100
50
0
80
90
100
110
120
130
140
150
c) Para x 120 : y 203.4282621.

17. c 0.6289895 0.2878515 p , S y / x 0.4615926 , r 2 0.9854977 , r 0.9927224 .
Para p 15 : c 3.688783 .
Ingeniera Elctrica.
18. y 0.5922179 2.8081712 x , S y / x 0.2702499 , r 2 0.9991359 , r 0.9995678 .
Para V 6 : i 16.2568093 .
30
25
20
15
10
0
0
10
12
19. La correlacin de V L contra
di
conduce a: L 4.9013699 .
dt
33
20. y 4.8457077 0.0292807 x , S y / x 0.6323332 , r 2 0.9796473 , r 0.9897713 .

Para x 400 F (204.4444444 C) : y 10.8319841.
Ingeniera Mecnica / Aeronutica.
21. a) y 39.7500000 0.6000000 x , S y / x 6.6770752 , r 2 0.5855926 , r 0.7652402 .
b)
45
40
35
30
25
20
15
10
5
0
0
10
15
20
25
30
35
40
45
c) Para x 17 : y 29.5500000 .
22. y 9.8094200 0.0000030 x , S y / x 0.0006332 , r 2 0.9999671, r 0.9999835 .
Para x 55000 : y 9.6444200 .
23. y 2.7790000 , 0.6850000 , S y / x 0.1913722 , r 2 0.9771205 , r 0.9884941 .
24. y 25.9217546 1.6003929 x , S y / x 1.1425854 , r 2 0.0019700 , r 0.0443850 .
Ciencias Sociales.
25.
34
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
20
22
24
26
28
30
32
34
y 0.4865757 0.1008580 x , S y / x 0.5296071 , r 2 0.2052787 , r 0.4530769 .
26. y 0.8028314 0.2233485 x , S y / x 14.8249513 , r 2 0.2699059 , r 0.5195247 .
35

01preliminaresyregresionlineal 150719213325 Lva1 App6891 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

01preliminaresyregresionlineal 150719213325 Lva1 App6891 PDF

Cargado por

Copyright:

Formatos disponibles

MTODOS NUMRICOS

CAPTULO 4: REGRESIN POR

Ing. Willians Medina.

Maturn, Junio de 2015.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

medinawj@gmail.com, twitter: @medinawj personalmente en la seccin de Matemticas,

Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

ACERCA DEL AUTOR.

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

La figura 4.1 muestra la grfica de los puntos dados (diagrama de dispersin):

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

Los mtodos descritos requieren de la construccin ya sea de un polinomio de Lagrange de

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

Si ste es realmente el caso, no sera razonable pedir que la funcin aproximante

El enfoque de mnimos cuadrados a este problema requiere de la determinacin de

que ajuste a una coleccin de n datos requiere de la minimizacin de

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

Estas ecuaciones se simplifican a lo que se conoce como ecuaciones normales:

La solucin de este sistema de ecuaciones es

El mtodo de mnimos cuadrados es el procedimiento ms conveniente para determinar la

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

En la ecuacin (4.2), el cuadrado del residuo representa el cuadrado de la distancia vertical

y i es igual a la diferencia yi a0 a1 xi entre el valor observado y el valor

Una desviacin estndar para la lnea de regresin se determina como sigue:

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

donde y es la media aritmtica de la variable dependiente, definida como

S t es la magnitud del error residual asociado con la variable dependiente antes de la

donde r 2 se conoce como el coeficiente de determinacin y r es el coeficiente de

r 2 ). En un ajuste perfecto, S r 0 y r r 2 1 , significa que la lnea

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

explica el 100% de la variabilidad de los datos. Si r r 2 0 , S t S r , el ajuste no

a) Junto con la pendiente y la interseccin, calcule el error estndar del estimado y el

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

Al sustituir en las ecuaciones (4.4) y (4.5), obtenemos:

La mejor ecuacin lineal en el sentido de mnimos cuadrados es, de acuerdo con la

El error estndar del estimado es, de acuerdo con la ecuacin (4.6):

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

El coeficiente de determinacin es, de acuerdo con la ecuacin (4.9):

Mtodos Numricos. Ing. Willians Medina.

Captulo 4. Regresin por mnimos cuadrados.

Preliminares y Regresin lineal.

c) Para hacer las estimaciones o pronsticos, se utiliza la ecuacin de la lnea de regresin

Este procedimiento de regresin lineal se puede ejecutar en la mayora de las calculadoras

- Entrar en el modo Estadstica y a los clculos de regresin lineal.