Documentos de Académico
Documentos de Profesional
Documentos de Cultura
I. INTRODUCCIÓN
II. OBJETIVOS
III. MARCO TEÓRICO
3.1. REGRESIÓN LINEAL SIMPLE
3.2. REGRESIÓN LOGARÍTMICA
I. INTRODUCCIÓN
En el siguiente informe analizaremos y estudiaremos las ecuaciones de regresión, entre dos
fenómenos meteorológicos, en los que se establecerán relaciones
Interesa, en gran medida, descubrir la interdependencia o la relación existente entre dos
o más de las características analizadas.
La dependencia estadística es un tipo de relación entre variables tal que conocidos los
valores de las variables independientes no puede determinarse con exactitud el valor de
la variable dependiente, aunque si se puede llegar a determinar un cierto comportamiento
global de la misma.
Pues bien, el análisis de la dependencia estadística admite dos planteamientos, aunque
íntimamente relacionados. El estudio del grado de dependencia existente entre las
variables que queda recogido en la teoría de la correlación.
Nos centraremos en primer lugar, en el caso de que la función que relaciona las dos
variables X e Y sea la más simple posible, es decir, una línea recta. Por ello pasaremos a
interpretar los coeficientes que determinan una línea recta.
Toda función de la forma:
𝑦 = 𝑎 + 𝑏𝑥 …………1
𝑁∑𝑥𝑦−(∑𝑥)(∑𝑦)
𝑏= …………………3
𝑁(∑𝑥 2 )−(∑𝑥)2
𝑦 = 𝑎 + 𝑏 𝑙𝑛𝑥…………5
De esta ecuación, hacemos que el lnX, sea equivalente a X′, para obtener los parámetros
a y b, reemplazo obtenemos:
𝑦 = 𝑎 + 𝑏 X′……………6
𝑁∑𝑥𝑦−(∑𝑥)(∑𝑦)
𝑏= ……………7
𝑁(∑𝑥 2 )−(∑𝑥)2
𝑎 = 𝑦 − 𝑏𝑥′…………………8
Teniendo un coeficiente de correlación de:
∑𝑥𝑦
𝑟= ……………9
√(∑𝑥 2 )(∑𝑦 2 )
Aplicando métodos de los mínimos cuadrados obtenemos los parámetros a y b sin antes
asignarle una variable a:
𝐥𝐨𝐠 𝒀 = Y'………q
𝐥𝐨𝐠 𝒂 = A'………t
Entonces reemplazando q y t en la ecuación anterior se tiene:
y´= a´+ b x………………13
Donde:
𝑁(∑ 𝑋𝑌´)−(∑ 𝑋)(∑ 𝑌´)
𝑏= …………………14
𝑁(∑ 𝑥 2 )−(𝑥 2 )
𝐴´ = 𝑌´ − 𝑏𝑋…………………15
Será aquella en la que la función de ajuste sea una función potencial del tipo:
𝑦 = 𝑎. 𝑥 𝑏 ……………………17
Aplicando métodos de los mínimos cuadrados obtenemos los parámetros a y b sin antes
asignarle una variable a: 𝐥𝐨𝐠 𝒀 = Y'……………m
𝐥𝐨𝐠 𝒂 = A'……………..n
𝐥𝐨𝐠 𝑿 = 𝐗′……………..p
Entonces reemplazando las variables (m, n, p) en la variable V se obtiene:
V= A +B X′…………..19
Luego por el método de mínimos cuadrados obtenemos los parámetros:
𝑵(∑ 𝑿𝒀´)−(∑ 𝑿¨)(∑ 𝒀´)
𝒃= 𝟐 𝟐 ……………………20
(𝑵(∑ 𝑿´) )−(∑ 𝑿´)
𝑨´ = 𝒀´ − 𝑩𝑿´………………21
X=TEMPERATURA 𝑋2
PROMEDIO Y= AÑO XY Y^2
16.9517 1998 287.359 33869.430 3992004
14.8536 1999 220.629 29692.289 3996001
14.8033 2000 219.139 29606.667 4000000
14.6283 2001 213.988 29271.295 4004001
14.9283 2002 222.855 29886.523 4008004
15.4050 2003 237.314 30856.215 4012009
15.0533 2004 226.603 30166.880 4016016
15.5483 2005 241.751 31174.408 4020025
14.6550 2006 214.769 29397.930 4024036
15.0117 2007 225.350 30128.415 4028049
14.8600 2008 220.820 29838.880 4032064
15.4950 2009 240.095 31129.455 4036081
16.1417 2010 260.553 32444.750 4040100
15.1367 2011 229.119 30439.837 4044121
15.2717 2012 233.224 30726.593 4048144
15.6700 2013 245.549 31543.710 4052169
15.1450 2014 229.371 30502.030 4056196
15.5317 2015 241.233 31296.308 4060225
17.0750 2016 291.556 34423.200 4064256
16.2700 2017 264.713 32816.590 4068289
15.8467 2018 251.117 31978.573 4072324
∑ 324.2819 42168 5017.105 651189.979 84674114
16.2141 2108.4
𝑁∑𝑥𝑦 − (∑𝑥)(∑𝑦)
𝑏=
𝑁(∑𝑥 2 ) − (∑𝑥)2
(21∗651189.979)−(324.282∗42168)
𝑏=
(21∗5017.105)−(324.182)2
b=2.511662
(∑y)∗(∑𝑥 2 )−(∑x)∗(∑xy)
𝑎=
𝑁(∑𝑥 2 )−(∑𝑥)2
𝑎 =1956.664
Y=1956.664+ 2.511662X
Coeficiente de correlación
∑xy
𝑟=
√(∑𝑥 2 )(∑𝑦 2 )
1659.810
r=
√(22.064)(212453.360)
r=0.372
𝑁∑𝑥𝑦 − (∑𝑥)(∑𝑦)
𝑏=
𝑁(∑𝑥 2 ) − (∑𝑥)2
∑x’y’=436.974
∑x= 57.459
∑y= 159.703
∑x^2= 157.257
∑y^2= 1214.522
∑xy = 0.001035
∑𝑥 2 = 0.038
∑𝑦 2 = 0.000191
0.001035
r=
√(0.038)(0.000191)
r=0.3841
𝑁∑𝑥′𝑦 − (∑𝑥′)(∑𝑦)
𝑏=
𝑁(∑𝑥′2 ) − (∑𝑥′)2
21(57.459∗42168)−(57.459∗42168)
b= 21(324.2822 )−(324.282)2
b = 23.041
ANALISIS DE REGRESION LOGARITMICA
̅
X =𝑎X=- 𝒙′ ̅
̅ Y = Y - 𝒚′ 𝑿𝟐 XY 𝒀𝟐
𝑌̅ − 𝑏𝑥′
a = 2008 - 23.041*
14.216 2.736 -10.000 202.081 -142.155 100.000
a = 1944.9612.117 -9.000 146.832 -109.057 81.000
12.067 -8.000 145.617 -96.537 64.000
11.892 -7.000 141.424 -83.245 49.000
12.192 -6.000 148.649 -73.153 36.000
12.669 -5.000 160.499 -63.344 25.000
12.317 -4.000 151.713 -49.269 16.000
12.812 -3.000 164.152 -38.437 9.000
11.919 -2.000 142.059 -23.838 4.000
12.276 -1.000 150.688 -12.276 1.000
12.124 0.000 146.987 0.000 0.000
12.759 1.000 162.788 12.759 1.000
13.406 2.000 179.708 26.811 4.000
12.401 3.000 153.772 37.202 9.000
12.536 4.000 157.139 50.142 16.000
12.934 5.000 167.284 64.669 25.000
12.409 6.000 153.979 74.453 36.000
12.796 7.000 163.725 89.569 49.000
14.339 8.000 205.602 114.711 64.000
13.534 9.000 183.165 121.805 81.000
13.111 10.000 171.885 131.105 100.000
∑ 3399.746 31.915 770.000
∑𝑋𝑌
𝑟=
(∑ 𝑋 2 )( ∑𝑌 2 )
31.915
r=
√3399.746 ∗770.000
r = 0.019
La ecuación de regresión logarítmica es:
Y = a + bLn
Y = 1944.96 - 23.041 LnX
VI. CONCLUSIONES.
Mediante la información de la pagina web de SENAMHI obtuvimos los datos
para hacer los cálculos.
Logramos encontrar los coeficientes de correlación para cada una de las
ecuaciones (lineal, logarítmica, exponencial, potencial).
Se grafico los cálculos obtenidos, en el Excel.
VII. REFERENCIAS BIBLIOGRÁFICAS.
https://www.uv.es/ceaces/base/regresion/potencial.htm.
https://www.uv.es/ceaces/pdf/regre.pdf
http://www.uca.edu.sv/matematica/upload_w/file/REGRESION%20SIMPLE%20Y%20
MULTIPLE.pdf
http://biplot.usal.es/problemas/regresion/teoria/regsimple.htm
VIII. ANEXOS.