Regresión Curvilinea

Función Exponencial
Ejemplo:

El volumen de ventas mensuales (y) en miles de dólares y los años de experiencia en ventas (X) r
6 vendedores de la Empresa "LOZANO" procesadora de alimentos, se dan en la tabla que sigue

X 1 2 3 4 5 6
Y 10 40 120 300 800 500

a)Estime la ecuación de regresión exponencial

(BX)
Y=Ae
b)Calcular el coeficiente de correlación y determinación.

Solución:
x=años de experiencia en ventas n= 6
y=ventas mensuales en miles de dólares

X Y Y´=lnY XY´ X^2 Y´^2

1 10 2.303 2.303 1 5.302
2 40 3.689 7.378 4 13.608
3 120 4.787 14.362 9 22.920
4 300 5.704 22.815 16 32.533
5 800 6.685 33.423 25 44.684
6 500 6.215 37.288 36 38.621
21 29.382 117.569 91 157.668

B= 0.8418172
A´= 1.9506328
A= 7.033137
Ecuación de regresión exponencial
ventas mensuales miles de $
BX
Y=Ae
lnY=lnAeBX
lnY=lnA+lneBX 900
f(x) = 7.0331370263 exp( 0.8418172166 x )
lnY
 =lnA
 +BX 800
|
Y A |
700
Y| =A| +BX 600
B

n  XY|    X   Y |    500
n X 2    X 
2
400
A |  Y|  BX 300
6*117.569-21*29.382 200
B=
6*91-212 100
B=0.84 0
29.382 21 0 1 2 3 4 5
A|   0.84 *
6 6 Años de experiencia
A |  1.95  ln A  A  e1.95
A  7.03
Y  7.03e0.84 X
   
A |  Y|  BX
6*117.569-21*29.382
B=
6*91-212
B=0.84
29.382 21
A|   0.84 *
6 6
A |  1.95  ln A  A  e1.95
A  7.03
Y  7.03e0.84 X

b)
Coeficiente de correlación :

r=
 
n  XY| -   X   Y| 

(n X 2 -   X  )(n Y |2 -  Y | ) 
2 2

6*117.569-21*29.382
r=
(6*91-212 )(6 * 157.668  29.382 2 )
r=0.9484
Existe una muy buena correlación entre los años de experiencia en ventas y las
ventas mensuales en miles de dólares
Coeficiente de determinación :
r 2 =0.94842  0.8996
89.96% de los valores de las ventas mensuales es explicada por la ecuación
de regresión exponencial
e experiencia en ventas (X) registradas de una muestra aleatoria de
dan en la tabla que sigue

Coeficiente de correlación
0.94848872
Coeficiente de determinación
0.899630852

gresión exponencial

0263 exp( 0.8418172166 x )

3 4 5 6 7
ños de experiencia
riencia en ventas y las

ada por la ecuación

Teoría
https://www.youtube.com/watch?v=jqub1i15B0Q https://www.youtube.com/watch?v=VHaob8Q5EP8

Excel
https://www.youtube.com/watch?v=zzJTa7yP8DY https://www.youtube.com/watch?v=uTHJ-Vp

Geogebra
https://www.youtube.com/watch?v=j6Vf0KtXtpE https://www.youtube.com/watch?v=s1qkaafPmy0

SPSS
https://www.youtube.com/watch?v=0o2X2J5OV9I https://www.youtube.com/watch?v=3mGAuN8JC9g
utube.com/watch?v=VHaob8Q5EP8

youtube.com/watch?v=uTHJ-VpNmwg

utube.com/watch?v=s1qkaafPmy0

utube.com/watch?v=3mGAuN8JC9g
Regresión Curvilínea
Función Potencial
Ejemplo:

Los siguientes datos son la inversión neta(y) y la tasa de interés (X)

X 2.5 3 4 5 5.5 6 7
Y 12.5 10 7 4.5 4 3 3.5
a)Hallar la ecuación de regresión potencial
B
Y=AX
b)Hallar el coeficiente de correlación y determinación
Solución:
X=Tasa de interés n= 7
Y=Inversión neta
X Y X´=logX Y´=logY X´Y´ X´^2 Y´^2
2.5 12.5 0.3979 1.0969 0.4365 0.1584 1.2032
3 10 0.4771 1.0000 0.4771 0.2276 1.0000
4 7 0.6021 0.8451 0.5088 0.3625 0.7142
5 4.5 0.6990 0.6532 0.4566 0.4886 0.4267
5.5 4 0.7404 0.6021 0.4457 0.5481 0.3625
6 3 0.7782 0.4771 0.3713 0.6055 0.2276
7 3.5 0.8451 0.5441 0.4598 0.7142 0.2960
4.5397 5.2185 3.1558 3.1049 4.2302

B= -1.421563
A= 1.6674209 46.49656424

Y=AXB
logY=logAXB
logY=logA+logXB
logY
 =logA
 +B logX

Y|
| |
A|
|
X| Inversión neta Regresión Potencial
Y =A +BX 14
n   X| Y |     X|    Y|  12
B f(x) = 46.4965642389 x^-1.4215634466
n X|2    X| 
2
10
8
A |  Y|  BX|
7 * 3.155  4.539 * 5.218 6
B=
7*3.104-4.539 2 4
B=-1.422 2
5.218 4.539
A|   -1.422* 0
7 7 2 3 4 5 6 7
A |  1.667  log A
Tasa de interés
 A  101.667  46.496
Y  46.496 X -1.422
 B=-1.422 2
5.218 4.539
A|   -1.422* 0
7 7 2 3 4 5 6 7
A |  1.667  log A
Tasa de interés
 A  101.667  46.496
Y  46.496 X -1.422
b)
Coeficiente de correlación :

r=
   
n  X| Y| -  X|  Y| 
  
(n X|2 -  X| )(n Y|2 -  Y| ) 
2 2

7 * 3.1558  4.5397 * 5.2185

r=
(7 * 3.1049  4.5397 2 )(7 * 4.2302  5.2185 2 )
r=-0.9776
Hay una muy buena correlación inversa entre
la tasa de interés y la inversión neta
Coeficiente de determinación :
r 2  (-0.9776)2  0.9558
95.58% de los valores de la inversión es
explicada por la ecuación de regresión potencial
 Teoría
https://www.youtube.com/watch?v=W

Excel
https://www.youtube.com/watch?v=P

Geogebra
https://www.youtube.com/watch?v=P

SPSS
https://www.youtube.com/watch?v=1

Coeficiente de correlación
-0.97766173
Coeficiente de determinación
0.955822452

ón Potencial

x^-1.4215634466

5 6 7 8
asa de interés
 5 6 7 8
asa de interés
ttps://www.youtube.com/watch?v=W1hGbO72PIk http://www.youtube.com/watch?v=9TwoThWPSvY

ttps://www.youtube.com/watch?v=PqOrlbZZvPE

ttps://www.youtube.com/watch?v=PVGpPbUoqAg

ttps://www.youtube.com/watch?v=1uhOW4VM5nU
ch?v=9TwoThWPSvY
Regresión Curvilínea
Función Compuesta
Ejemplo:

Dados los siguientes datos X:Ingreso ,Y:Consumo e miles de dólares

X 4 8 12 16 20 24 28
Y 3 7 10 14 15 20 21
a)Estime la ecuación de regresión compuesta.
X
Y=AB
b)Coeficiente de correlación y determinación
Solución:
X:Ingreso n= 8
Y:Consumo en miles de dólares
X Y Y´=logY XY´ x^2
4 3 0.477 1.908 16
8 7 0.845 6.761 64
12 10 1.000 12.000 144
16 14 1.146 18.338 256
20 15 1.176 23.522 400
24 20 1.301 31.225 576
28 21 1.322 37.022 784
32 24 1.380 44.167 1024
144 8.648 174.943 3264

B´= 0.02869 1.0682953

A´= 0.56454 3.6689629

Y=AB X
logY=logAB X
logY=logA+logB X
logY
 =logA
 +X logB

Y| A| B|
| | |
Y =A +B X

B 
|  
n  XY|    X   Y |  
n X 2    X 
2

A |  Y|  B| X
8 * 174.493  144 * 8.648
B| 
8 * 3264  144 2
B  0.029
|

8.648 144
A|   0.029 *
8 8
A |  0.565
A |  0.565  log A  A  100.565
A  3.668
A  Y B X
8 * 174.493  144 * 8.648
B| 
8 * 3264  144 2
B  0.029
|

8.648 144
A|   0.029 *
8 8
A |  0.565
A |  0.565  log A  A  100.565
A  3.668
B|  0.029  log B  B  100.029
B  1.068
Y  3.668 * 1.068 X
 Teoría
https://www.youtube.com/watch?v=etXezk4D4ec

SPSS
https://www.youtube.com/watch?v=YwJ-PFFdvJo
32
24 Geogebra
https://www.youtube.com/watch?v=UA4_kTkmFEM
om/watch?v=etXezk4D4ec

om/watch?v=YwJ-PFFdvJo

om/watch?v=UA4_kTkmFEM
Regresión Curvilínea
Función Hiperbólica
Ejemplo:

Dados los siguientes datos X e Y

X 4 8 12 16 20 24 28
Y 24 21 20 15 14 10 7

Estime la ecuación de regresión hiperbólica.

1
Y=
A+BX
Solución: n= 8
X Y Y´=1/Y XY´ X^2
4 24 0.0417 0.1667 16
8 21 0.0476 0.3810 64
12 20 0.05 0.6 144
16 15 0.0667 1.0667 256
20 14 0.0714 1.4286 400
24 10 0.1 2.4 576
28 7 0.1429 4 784
32 5 0.2 6.4 1024
144 0.7202 16.4429 3264

B= 0.005176446
A= -0.00314626

1
Y=
A+BX
1
=A+BX
Y
Y|
Y| =A+BX

B
  
n  XY |    X   Y | 
n X 2    X 
2

A  Y|  BX
8*16.4429-144*0.7202
B=
8*3264-144 2
B=0.0051
0.7202 144
A= -0.0051*
8 8
A=-0.0031
1
Y=
-0.0031+0.0051X
 8*3264-144
B=0.0051
0.7202 144
A= -0.0051*
8 8
A=-0.0031
1
Y=
-0.0031+0.0051X
 Teoría
https://www.youtube.com/watch?v=WEpJiTvC4W8

32
5
Regresión Curvilínea
Función Logarítmica
Ejemplo:

Los siguientes datos son X:Precios en soles, Y: Cantidades vendidas (en miles de unidades) de un artí
período de 8 meses.

X 4 8 12 14 18 23
Y 240 200 150 130 100 80

Estime la ecuación de regresión logarítmica

Y=A+Bln(X)
Solución:
X:Precios en soles
Y:Cantidad vendida n= 8
X Y X´=lnX X´Y X´^2
4 240 1.3863 332.7106 1.9218
8 200 2.0794 415.8883 4.3241
12 150 2.4849 372.7360 6.1748
14 130 2.6391 343.0775 6.9646
18 100 2.8904 289.0372 8.3542
23 80 3.1355 250.8395 9.8313
28 60 3.3322 199.9323 11.1036
32 30 3.4657 103.9721 12.0113
990 21.4135 2308.1935 60.6858

B= -101.448777
A= 395.2967535

Y=A+BlnX
 Ecuación de Regresión Logarítmica
Cantidad vendida
|
X
|
Y=A+BX 300

B
  
n  X| Y   X|   Y   250
f(x) = -101.4487772719 ln(x) + 395.2967535118
 
2
n X|2   X| 200

A  Y  BX | 150
8*2308.1935-21.4135*990 100
B=
8*60.6858-21.4135 2 50
B=-101.448
990 21.4135 0
A=  (-101.448)* 0 5 10 15 20 25 30
8 8
A  395.3 Precio en soles
Y  395.3-101.448lnX
 8*60.6858-21.4135 50
B=-101.448
990 21.4135 0
A=  (-101.448)* 0 5 10 15 20 25 30
8 8
A  395.3 Precio en soles
Y  395.3-101.448lnX
 Teoría
https://www.youtube.com/watch?v=0dq3

Excel
miles de unidades) de un artículo en el mercado en un https://www.youtube.com/watch?v=KB

SPSS
28 32 http://www.youtube.com/watch?v=o8F2B
60 30
Geogebra
http://www.youtube.com/watch?v=zWc2c

resión Logarítmica

n(x) + 395.2967535118

20 25 30 35
en soles
 20 25 30 35
en soles
utube.com/watch?v=0dq3Hok7e-M

outube.com/watch?v=KBBE1aT3H80

tube.com/watch?v=o8F2BSYuDNo

tube.com/watch?v=zWc2c51tPKc
Regresión Curvilínea
Función Inversa
Ejemplo:

Los siguientes datos son X:Precios en soles, Y: Cantidades vendidas (en miles de unidades) de un artí
período de 8 meses.

X 4 8 12 14 18 23 28
Y 240 200 150 130 100 80 60

Estime la ecuación de regresión inversa.

Y=A+B/X
Solución:
X:Precios en soles
Y:Cantidad vendida n= 8
X Y X´ X´Y X´^2
4 240 0.2500 60 0.0625
8 200 0.1250 25 0.0156
12 150 0.0833 12.5 0.0069
14 130 0.0714 9.2857 0.0051
18 100 0.0556 5.5556 0.0031
23 80 0.0435 3.4783 0.0019
28 60 0.0357 2.1429 0.0013
32 30 0.0313 0.9375 0.0010
990 0.6958 118.8999 0.0974

B= 889.116517
A= 46.4235357

B
Y=A+
X
1
Y=A+B
X
X|
Y=A+BX|
n   X| Y     X|    Y 
B
n X|2    X| 
2

A  Y  BX|
8*118.9-0.6958*990
B=
8*0.0974-0.6958 2
B=889.11
990 0.6958
A=  889.11*
8 8
A  46.42
889.11
Y  46.42 
 n X|2    X| 
A  Y  BX|
8*118.9-0.6958*990
B=
8*0.0974-0.6958 2
B=889.11
990 0.6958
A=  889.11*
8 8
A  46.42
889.11
Y  46.42 
X
 Teoría:
https://www.youtube.com/watch?v=8zwkOs_8qko

SPSS
es de unidades) de un artículo en el mercado en un https://www.youtube.com/watch?v=C4ti6vDr_hE

32
30
tch?v=8zwkOs_8qko

tch?v=C4ti6vDr_hE
Regresión Curvilínea

Ejemplo:

Se llevó un experimento para determinar la distancia de frenado a diferentes velocidade de un m

se registraron los siguienes datos:

Velocidad X (km/h) 30 40 50 60 70
Distancia de frenado Y 15 25 35 65 100
(metros)

Estime la ecuación de regresión cuadrática

Y=b 0 +b1X+b 2 X 2
Solución:

X:Velocidad (km/h)
Y:Distancia de Frenado (m)
X Y X^2 X^3 X^4 XY (X^2)Y
87.7 154 7691.29 674526.13 59155941.864 13505.8 1184458.66
96.6 204 9331.56 901428.7 87078012.034 19706.4 1903638.24
176 255 30976 5451776 959512576 44880 7898880
263 306 69169 18191447 4784350561 80478 21165714
351 5 123201 43243551 15178486401 1755 616005
571 150 326041186169411 106302733681 85650 48906150
1545.3 1074 566409.85254632140 1.2737E+11 245975 81674846
rentes velocidade de un modelo nuevo de automóvil

80
150

Modelo de Regresión Cuadrático

Distancia franado
350
300
250
200
f(x) = 1.86653363693049E-05x^2 - 0.1939427413x + 227.1879146325
150
100
50
0
0 100 200 300 400 500 600
Velocidad
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.99998354
Coeficiente de determinación R^2 0.99996708
R^2 ajustado -1.6666667
Error típico 314.260638
Observaciones 1

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 5 8999703721 1799940744 91127.2444 #NUM!
Residuos 3 296279.245 98759.7483
Total 8 9000000000

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción
Variable X 1
Variable X 2
Variable X 3
Variable X 4 4868040.23 15927.9866 305.628097 7.7246E-08 4817350.26
Variable X 5 -496261.58 1643.94216 -301.87289 8.0164E-08 -501493.34

Análisis de los residuales

Observación Pronóstico para YResiduos

1 42120187.7 -42120188
or crítico de F 0
0
0
0
0
Superior 95%Inferior 95.0%
Superior 95.0% 0
1.335E-306 1.335E-306
0 0
0 0
-9.536E-251 -9.536E-251
4918730.19 4817350.26 4918730.19
-491029.82 -501493.34 -491029.82
 Regresion Lineal

y/m 0 30000 60000 90000 120000

g, m/s 9.81 9.7487 9.6879 9.6278 9.5682

x1 y1 x*y
0 9.81 0
30000 9.7487 292461
60000 9.6879 581274
90000 9.6278 866502
120000 9.5682 1148184
sumatoria 300000 48.4426 2888421

x'= 60000
y'= 9.68852

a= -2.51875E-07
b= 60000.000002
x^2 y1-y' y1-b-ax
0 0.01475739 3598822897
900000000 0.003621632 3598829345
3600000000 3.844E-07 3598835733
8100000000 0.003686918 3598842037
14400000000 0.014476902 3598848281
90000000000 0.036543228 1.7994E+10

St= 0.036543228 Sy/x= 77447.1396

Sr= 17994178293 Sy= 0.09558142

R2 -4.9241E+11
R 701717.9014