Artculo Cientfico / Scientific Paper

ERROR EN REGRESIONES LINEALES Y EN REGRESIONES

CUADRTICAS
UNIVERSIDAD POLITCNICA SALESIANA
Oscar Santander M, Cristina Saavedra, Javier Serrano

Resumen Abstract

El presente trabajo busca conocer, analizar y resolver
los errores que hay en las ecuaciones de regresiones
lineales y regresiones cuadrticas, por lo que el
presente trabajo busca afianzar conceptos para
poder desarrollar ejercicios de regresin lineal y
regresin cuadrtica.
The present work seeks to know, to analyze and to
solve the errors that there is in the equations of linear
regressions and quadratic regressions, which is why
the present work seeks to base concepts to be able to
develop exercises of linear regression and quadratic
regression.

Palabras Clave: Regresin, lineal, cuadrtica, Keywords: Regression, linear, quadratic, polinomial,
polinomial, error. error.

1
 Artculo Cientfico / Scientific Paper

1. Introduccin
Definicin de Error

Los mtodos numricos ofrecen soluciones

aproximadas muy cercanas a las soluciones exactas;
la discrepancia entre una solucin verdadera y una
aproximada constituye un error, por lo que es
importante saber qu se entiende por aproximar y
aprender a cuantificar los errores, para
minimizarlos.1
Los errores numricos se generan con el uso de
aproximaciones para representar las operaciones y
cantidades matemticas.
Regresin Lineal

Objetivo General La regresin lineal o ajuste lineal es un mtodo

matemtico que modela la relacin entre una
variable dependiente Y, las variables
Conocer y definir el error que se da al realizar una independientes Xi y un trmino aleatorio .
regresin lineal y una regresin cuadrtica.

Objetivos especficos

Calcular el error que se produce al realizar

regresin lineal.
Calcular el error que se produce al realizar
una regresin cuadrtica.

Figura 1: Representacin de la regresin lineal [1]

2. Materiales y Mtodos

Para el siguiente trabajo de investigacin se utiliz el La expresin matemtica para la lnea recta es:
internet y el libro de Steven C. Chapra Mtodos
Numricos para Ingenieros, 6ta edicin, para definir
conceptos. = 0 + 1 + (1)

3. Marco terico Dnde:

0 y 1 son coeficientes que representan la

1
interseccin con el eje y y la pendiente,
(www.dcb.unam.mx/users/gustavorb/MN/.../1.3%20Er respectivamente.
rores.pps)
2
Error en aproximaciones lineales y cuadrticas

: es el error, o diferencia, entre el modelo y las mejor se ajusten a una serie de datos que poseemos,
observaciones. ya sean mediciones hechas o de otro tipo.

0 = 1 (2)

1 = (3)
2 ( )2

La suma de los cuadrados se define como: Figura 2: Representacin de la regresin cuadrtica [3]

= =0 2 = =0( 0 1 )2 (4) La expresin matemtica para la funcin cuadrtica

ser:

Desviacin Estndar
= 0 + 1 +2 2 + (7)

Es la medida de dispersin ms comn para una

muestra. La suma de los cuadrados se define como:

= 1 (5)
= =0 2 = =0( 0 1 2 2 )2 (8)
Dnde:

es la suma total de los cuadrados de las

4. Error en Regresin Lineal:
diferencias entre los datos y la media

Varias propiedades de la regresin lineal se

pueden observar de una mejor manera al analizar
= ( )2 (6)
cmo se calcularon los residuos.
Regresin Cuadrtica

Al observar las ecuaciones 2 y 4 nos damos cuenta

que:
La regresin cuadrtica es el proceso por el cul
encontramos los parmetros de una parbola que

3
Error en aproximaciones lineales y cuadrticas

1. La dispersin de los puntos alrededor de la Dnde:

lnea es de magnitud similar en todo el rango de
los datos, 2 : es el coeficiente de determinacin.

: es el coeficiente de correlacin.

2. La distribucin de estos puntos cerca de la

lnea es normal. Para un ajuste perfecto = 0 y = 2 = 1,
Es posible demostrar que si estos criterios se significa que la lnea explica el 100% de la
cumplen, la regresin por mnimos cuadrados variabilidad de los datos.
proporcionar la mejor estimacin de 0 y 1

Ejemplo: a partir de los datos de la tabla que se

presenta a continuacin, encuentre el error de por
Esto se conoce en estadstica como el principio de
medio de la regresin lineal.
mxima verosimilitud.

xi yi
Si estos criterios se satisfacen, una desviacin
estndar para la lnea de regresin se determina 1 0,5
como sigue:
2 2,5

3 2

/ = (9)
2 4 4

5 3,5

Siendo: 6 6

/ : El error estndar de estimado, cuantifica la 7 5,5

dispersin alrededor de la lnea de regresin.

Para el caso que nos ocupa,

La diferencia entre (6) y (4) cuantifica la mejora o
reduccin del error por describir los datos en n = 7 (la cantidad de datos)
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 Para la solucin del problema procedemos a llenar la
para obtener: siguiente tabla con sus sumatorias.

2 = (10)

4
Error en aproximaciones lineales y cuadrticas

xi yi xiyi xi^2 (yi- ) (yi-ao-a1x1)^2 = 0,07142857 + 0,8392857

1 0,5 0,5 1 8,5765 0,1687

2 2,5 5 4 0,8622 0,5625

3 2 6 9 2,0408 0,3473

4 4 16 16 0,3265 0,3265

5 3,5 17,5 25 0,0051 0,5896

6 6 36 36 6,6122 0,7972

7 5,5 38,5 49 4,2908 0,1993

28 24 119,5 140 22,7143 2,9911

Sr nos servir para calcular el error estndar de
aproximacin basado en la regresin lineal.
Se pudo calcular las siguientes cantidades:
= 2,9911

St nos servir para calcular el coeficiente de

=7 = 119,5 2 = 140 determinacin.

28 = 22,7143
= 28 = =4 = 24
7

24
= = 3,42857142
7

Mediante las ecuaciones (2) y (3).

7(119,5)(28)(24)
1 = = 0,8392857 Desviacin estndar total
7(140)(28)2

=
1
0 = 3,428571 0,8392857(4) = 0,07142857
22,7143
= = 1,9457
71
Por lo tanto la ecuacin seria:
El error estimado es Ec (9)

5
 Error en aproximaciones lineales y cuadrticas

As como en la regresin lineal, el error en la

2,9911
/ = = 0,7735 regresin polinomial se puede cuantificar mediante
72
el error estndar de aproximacin:

Como , el modelo de regresin lineal es

adecuado. La mejora se puede cuantificar mediante
Donde m es el grado del polinomio que queremos
la Ec (10).
ajustar.

Adems del error estndar, se puede calcular

tambin el coeficiente de determinacin, de la
22,71432,9911
2 = = 0,868 misma manera que para el caso lineal:
22,7143

= 0,868 = 0,932

Ejemplo: a partir de los datos de la tabla que se

Los resultados indican que el modelo lineal explico el
presenta a continuacin, ajuste un polinomio de
86,8% de la incertidumbre original.
segundo grado, utilizando regresin polinomial.

5. Error en Regresin Cuadrtica:2 Xi Yi

0 2,1
El procedimiento de mnimos cuadrados se puede
extender fcilmente y ajustar datos a un polinomio 1 7,7
de grado m.
2 13,6

3 27,2
2 3 m
Y = ao + a1x + a2x + a3x + + amx
4 40,9
Entonces, el problema de determinar polinomios de
grado m con mnimos cuadrados es equivalente a 5 61,1
resolver un sistema de m+1 ecuaciones lineales
simultneas.
Para el caso que nos ocupa,

m = 2 (el grado del polinomio que necesitamos)

2
(es.slideshare.net/diegoegas/regresion-polinomial-
2512264)
6
Error en aproximaciones lineales y cuadrticas

n = 6 (la cantidad de datos)

Debemos calcular Sr y St
Y el conjunto general de ecuaciones queda
instanciado de la siguiente manera: Sr nos servir para calcular el error
estndar de aproximacin basado en la
regresin polinomial.
St nos servir para calcular el
coeficiente de determinacin.

Por lo tanto, las ecuaciones lineales simultneas son:

Resolviendo ese sistema con alguna tcnica como la

eliminacin gaussiana, se obtiene:

El polinomio es:

7
 Error en aproximaciones lineales y cuadrticas

6. Conclusiones

Calcular el error de la regresin

polinomial es similar al clculo del
error de la regresin lineal la
diferencia es colocar el grado del
polinomio que se requiere ajustar o
calcular.
Al calcular el error en la progresin
lineal Los resultados indican que el
modelo lineal explico el 86,8% de
la incertidumbre original.

7. Referencias

Disponible en:

[1] (Metodos numericos2 monica 21398 views -

SlideShare)
[2] S. C. Chapra., Mtodos Numricos para
ingenieros, Editorial McGraw Hill, Sexta edicin,
2011.

(www.dcb.unam.mx/users/gustavorb/MN/.
../1.3%20Errores.pps)

(es.slideshare.net/diegoegas/regresion-
polinomial-2512264)