Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. INTRODUCCION:
Este modelo de regresión es una alternativa cuando el modelo lineal no logra un coeficiente de
determinación apropiado, o cuando el fenómeno en estudio tiene un comportamiento que puede
considerarse potencial o logarítmico. La forma más simple de tratar de establecer la tendencia es a
través de un diagrama de dispersión o nube de puntos, tal como la siguiente:
Este modelo también es conocido como potencial, Cobb-Douglas de primer grado o exponencial
inverso.
2. Ecuación característica
La función que define el modelo es la siguiente:
Yi=A*XBi* E
En la cual:
Yi : Variable dependiente, iésima observación
A, B: Parámetros de la ecuación, que generalmente son
desconocidos
E: Error asociado al modelo
Xi : Valor de la í-esima observación de la variable
independiente
Al sustituir los parámetros por estimadores, el modelo adopta la siguiente forma:
yi=a*xbi
la ecuación se transforma aplicando logaritmos de ambos lados, con lo cual se convierte a una
forma lineal:
Ln yi= Ln a +b*Ln xi
3. Tabla de datos
Para el ajuste de un conjunto de datos al modelo geométrico de regresión, se construye la
siguiente tabla de datos:
Debido a las propiedades de los logaritmos, ningún valor de x ni de y puede ser negativo. En tal
caso, lo que se hace es definir un valor de x o de y muy pequeño (Ej: 0.00000001)
Se puede trabajar con logaritmos naturales o logaritmos base 10.
iii) Se busca en la tabla de t de student el valor tabulado para los siguientes datos:
n-2 grados de libertad y un nivel α/2
8. Intervalos de confianza
i) formar la matriz x: (matriz de variable independiente), agregando la primera columna formada por
unos:
1 Ln x1
1 Ln x2
... .....
1 Ln xn
Ln y1
Ln y2
.....
Ln yn
1 1 ... 1
Ln x1 Ln x2 ... Ln xn
POTENCIA DECIBELES
100 60
500 80
1000 90
5000 99
10000 120
a) Diagrama de Dispersión
El diagrama de dispersión muestra una tendencia logarítmica, pues aunque hay incrementos
fuertes de potencia, los niveles de ruido no crecen excesivamente.
i) Tabla de Datos:
x y Ln x Ln y (ln x)2 (ln y)2 Lnx*Lny
100 60 4.6052 4.0943 21.2076 16.7637 18.8552
500 80 6.2146 4.3820 38.6214 19.2022 27.2326
1000 90 6.9078 4.4998 47.7171 20.2483 31.0836
5000 99 8.5172 4.5951 72.5426 21.1151 39.1375
10000 120 9.2103 4.7875 84.8304 22.9201 44.0944
SUMAS: 35.4551 22.3588 264.9190 100.2493 160.4033
Se puede concluir que el grado de ajuste del modelo es alto, por lo que el modelo es confiable para
hacer predicciones.
Debido a que F calculada es mayor que F tabulada, se rechaza la Ho y se acepta la Ha, con lo cual
se concluye que el modelo sì explica el fenòmeno en estudio y que los resultados obtenidos no se
deben a la casualidad.
y= 33.164*(3000)0.1374=99.63
se puede aplicar la operaciòn equivalente por medio de los logaritmos de los estimadores:
LN Y= 3.497+0.1374*LN(3,000)=4.59707
Finalmente, y=e4.59707=99.63
f) Pruebe la hipòtesis de que b=1 con un 99% de confianza
Inicialmente se plantea Ho: b=1 y su alterna Ha: b≠1
A continuaciòn se obtiene el error standard de b:
El valor de t de student de calcula de la siguiente manera: (el logaritmo de 1 es cero)
Finalmente, dado que t calculada es mayor que la tabulada, se concluye al 99% que el coeficiente
b no es igual a 1.
Vector y: 4.09430
4.3820
4.4998
4.5595
4.7875
Producto x´x:
5 35.4551
35.4551 264.9191
3.9228 -0.5250
-0.5250 0.07403
Producto x ´ y
22.8231
163.5535
3.6644
0.1269
Análisis de varianza
Suma de cuadrados de regresión= b´x´y- nym2= 0.255
ym= 22.3588/5=4.47176
4.09430
4.3820
(4.0943 4.382 4.4998 4.5595 4.7875) 4.4998 -5(4.47176)2= 0.2661
4.5595
4.7875
Aquí se describe como hacer una regresión para ajustar a una parábola de
segundo grado
Una función cuadrática o de segundo grado se puede representar de manera genérica como :
Entonces lo que nos interesa es encontrar los valores de a, b y c que hacen que el valor de y
calculado sea lo mas cercano posible al medido.
De nuevo hacemos una definición de la función de error, y encontramos los valores de los
parámetros que la minimizan, tomando derivadas parciales de la función por cada parámetro que
haya:
Una vez se haya reemplazado el valor de n, y de las sumatorias, sólo habrá que solucionar el
sistema de ecuaciones por su método preferido, Eliminación Gaussiana, Krammer, etc. Después
de que ha solucionado el sistema de ecuaciones entonces tendrá el valor de los parámetros: a,b,c.
Ejemplo:
X Y
0 10,08
0,5 12,03
1 11,38
1,5 18,81
2 20,53
2,5 28,50
3 31,38
3,5 38,40
4 48,39
4,5 60,60
5 66,66
5,5 82,61
6 91,37
6,5 105,44
7 122,53
7,5 137,77
8 152,74
8,5 172,65
9 188,84
9,5 207,77
10 230,94
10,5 251,35
11 274,07
11,5 295,95
Ahora, teniendo en cuenta la matriz que dedujimos anteriormente, sabemos que tenemos que
encontrar los valores de la suma de x, la suma de x2, de x3, x4, de Yi, xYi, x2*Yi y n=24.
1 0 -21,08 -33,04
0 1 11,5 25,02
0 0 2741,08 5544,03
1 0 0 9,60
0 1 0 1,76
0 0 1 2,02