Está en la página 1de 6

ANLISIS DE REGRESIN MLTIPLE Y NO LINEAL

1. Regresin Mltiple
En este caso analizaremos un conjunto de datos, que relaciona la el caudal
descargado con intensidad de precipitacin y el rea de varias cuencas del
Per, donde Q(m3/s), A(Km2) e I(mm/hr)

Para efectuar el proceso de clculo de los coeficientes de regresin mltiple


debemos tener en cuenta que el modelo lineal mltiple, tiene la siguiente
forma:

y= 1 x 1 + 2 x 2 + 3 x 3 + + p x p

Donde;
y

: es la variable dependiente

x 1 , x 2 , .. x p

: son las variables independientes

1 , 2 , .. p

: son los parmetros desconocidos.

La notacin matricial es:

[ ] [ ][ ]
x 1,1
y1
x 2,1
y2
y 3 = x 3,1

yn
x n ,1

x 1,2
x 2,2
x 3,3

x 1,P
x 2,P
x 3,P

xn , P

( x ' x ) x ' y =( x ' x ) ( x ' x ) ^

1
2
3

y=( x )

^
= ,

Donde

^=( x ' x )1 ( x' y )

[
[ ]

x 2i 1 xi 2 xi 1 xi 3 xi 1

( x ' x )= x i1 xi 2 x 2i 2 xi 3 xi 2
xi 1 xi 3 xi 2 xi 3 x 2i 3

yi
( x y )= xi 2 yi
xi 3 yi
'

Por tanto tenemos:

()

puede

ser

estimado

por:

Finalmente podemos concluir que el modelo resultante de regresin mltiple


ser:

y= 1 x 1 + 2 x 2 + 3 x 3 + + p x p

Q=4,136+12,901 A0,522 I

Asimismo podemos establecer un cdigo computacional MATLAB de la


siguiente forma:
load data1.txt
X1 = [ones(size(data1,1),1) data1(:,1:2)];
y = data1(:,3);
betahat = regress(y,X1)

El archive data1.txt, contiene la siguiente informacin:

Al correr el programa especificado obtendremos:


betahat =
4.1344
12.9022

-0.5247
Si usamos la caja de herramientas de MATLAB podemos tambin determinar
este modelo lineal mltiple u otros modelos no lineales. Activamos la opcin
Surface Fitting Tool.

Si notamos la opcin utilizada corresponde a un modelo polinomio pero de


grado 1, lo que hace que estemos frente a una regresin mltiple lineal.
Notemos que los resultados reportados son similares a los obtenidos
anteriormente, con lo que la ecuacin quedara de la siguiente manera:

Q=4,134+12,9 A0,5247 I , con un r2=0,9795

2. Regresin No Lineal
Tambin podemos ensayar modelos de regresin no lineal, por ejemplo
polinmicos de grados mayores a la unidad, MATLAB nos da la opcin de
efectuar regresiones en x e y para respuestas en z, en grados de 2 a 5, con lo
que podemos obtener las combinaciones que sean factibles segn los datos
existentes, a continuacin se muestra la primera opcin ensayada grado 2 en x
(A) y grado 1 en (I).

Los resultados de las 16 combinaciones son el modelo Poly11 (representa


grado 1 en (A) y grado 1 en (I):

Linear model Poly11:


f(x,y) = p00 + p10*x + p01*y
Coefficients (with 95% confidence bounds):
p00 =
p10 =
p01 =

4.134 (-2.314, 10.58)


12.9 (11.6, 14.2)
-0.5247 (-2.222, 1.173)

Goodness of fit:
SSE: 273
R-square: 0.9795

Adjusted R-square: 0.9758


RMSE: 4.982

Poly12 (representa grado 1 en (A) y grado 2 en (I):

Linear model Poly12:


f(x,y) = p00 + p10*x + p01*y + p11*x*y + p02*y^2
Coefficients (with 95% confidence bounds):
p00 =

10.45 (-25.33, 46.23)

p10 =

13.44 (-11.42, 38.3)

p01 =

-3.721 (-22.1, 14.66)

p11 =

-0.3848 (-13.31, 12.54)

p02 =

0.2837 (-1.25, 1.817)

Goodness of fit:
SSE: 266.3
R-square: 0.98
Adjusted R-square: 0.9712
RMSE: 5.439

Poly12 (representa grado 1 en (A) y grado 3 en (I):

Linear model Poly13:


f(x,y) = p00 + p10*x + p01*y + p11*x*y + p02*y^2 + p12*x*y^2 + p03*y^3
Coefficients (with 95% confidence bounds):
p00 =

-135.2 (-578.5, 308.1)

p10 =

62.23 (-326.5, 450.9)

p01 =

137.1 (-287.6, 561.9)

p11 =

-42.26 (-389.6, 305.1)

p02 =

-39.01 (-155.8, 77.78)

p12 =

8.581 (-66.87, 84.04)

p03 =

2.718 (-4.991, 10.43)

Goodness of fit:
SSE: 232
R-square: 0.9826
Adjusted R-square: 0.9677
RMSE: 5.757