MODELOS DE REGRESION

NO LINEALES
Daniel Vargas Cano - 1759735
Jacobo Hernández Echeverry - 1759585
Jonathan Obando Saa - 1664001
Carlos Andres Jimenez Castrillón - 1759597
Introducción

 El presente trabajo está destinado a enseñar los diferentes tipos de

modelos de regresión no lineal, entre los cuales podemos encontrar el
modelo de regresión exponencial, regresión potencial, regresión
logarítmica, regresión polinomial, entre otros.
Objetivos

General:
 Dar a conocer al lector un enfoque superficial sobre los temas básicos de
los diferentes modelos de regresión no lineales.

Específicos:
 Definir que son los modelos de regresión no lineal, sus características y sus
diferentes tipos.
 Desarrollar un ejemplo práctico que dé una idea más detallada de que es
un modelo de regresión no lineal, mediante una aplicación que puede
darse en el ámbito de la probabilidad y estadística.
Justificación

 Se pretende demostrar que con el uso de modelos de regresión no lineales

es posible prever o aproximar la tendencia de ciertos datos a futuro para
entender cómo será su comportamiento; nuestro trabajo pretende mostrar
el posible crecimiento poblacional en la ciudad de Bogotá a futuro,
aplicando los conocimientos adquiridos en la materia y en la investigación
realizada
Marco Teórico

 Definición:
Un modelo de regresión no lineal se puede definir como un ajuste a cualquier
modelo diferente al de una línea recta. En estadística, la regresión no lineal es
un problema de inferencia para un modelo tipo:
y = f(x, θ) + ε
Basado en datos multidimensionales x, y donde f es alguna función no lineal
respecto a algunos parámetros desconocidos θ.

Se pretende obtener los valores de los parámetros asociados con la mejor

curva de ajuste, utilizando habitualmente el método de los mínimos
cuadrados.
 Definición:

En ciencias e ingeniería hay muchos fenómenos cuya naturaleza no es

inherentemente lineal y, cuando se conoce su verdadera estructura, no hay
duda de que habría que intentar ajustar el modelo real.
En la mayoría de los fenómenos de la ciencia las relaciones entre las variables
científicas son de naturaleza no lineal y se desconoce el modelo verdadero.
Diferencias entre modelos lineales y no
lineales
En parte, la diferencia entre la regresión lineal y no lineal es que la regresión
lineal involucra líneas y la regresión no lineal involucra curvas. Sin embargo, las
ecuaciones lineales a veces pueden producir curvas.
La regresión lineal utiliza una ecuación lineal en una forma básica, 𝑦 = 𝑎 + 𝑏𝑥,
donde x es la variable explicativa e Y es la variable dependiente.
Puede incluso cuadrar un término para modelar una curva: 𝑦 = 𝑎0 + 𝑏1 𝑥 2
Aunque modela una curva, sigue siendo una ecuación de regresión lineal
porque tiene la forma 𝑦 = 𝑎 + 𝑏𝑥. Si la ecuación se parece a los ejemplos
anteriores (es decir, se parece a 𝑦 = 𝑎 + 𝑏𝑥), es lineal. Si no, es no lineal.
Regresión 2500

Potencial
2000

Es un modelo del tipo

y = 𝑎𝑥 b 1500

Es un crecimiento que se Ser i e1

Potenci al (Ser i e1)

incrementa primero
lentamente y luego más
1000

rápido. y = 6.8117x1.7433
500
R2 = 0.6931

0
0 2 4 6 8 10 12 14
Linealización del modelo potencial

Este modelo también es conocido como potencial, Cobb-Douglas de primer

grado o exponencial inverso.
La función que define el modelo es la del modelo potencial: y = a𝑥 b
La ecuación se transforma aplicando logaritmos de ambos lados, con lo cual
se convierte a una forma lineal: log 𝑦=log 𝑎+𝑏∗log x
Para hallar las constantes a y b se debe resolver un sistema de ecuaciones:

෍ log 𝑦 = 𝑛 log 𝑎 + 𝑏 ෍ log 𝑥

෍ log 𝑥 ∗ log 𝑦 = log 𝑎 ෍ log 𝑥 + 𝑏 ෍(log 𝑥)2

Regresión logarítmica

La función que define el modelo es: 𝑦 = 𝑎 + 𝑏 ∗ ln(𝑥)

Aplicando mínimos cuadrados se llega a un sistema de ecuaciones de dos
incógnitas, con el que se pueden hallar las constantes a y b.

෍ 1 ∗ 𝑎 + (෍ ln(𝑥)) ∗ 𝑏 = ෍ 𝑌𝐼

෍ ln(𝑥) ∗ 𝑎 + (෍ 𝑙𝑛2 (𝑥)) ∗ 𝑏 = ෍ ln 𝑥 ∗ 𝑌𝐼

Regresión
Exponencial
Es el proceso de encontrar la
ecuación de la función
exponencial que se ajuste
mejor a un conjunto de datos.
Como un resultado,
obtenemos una ecuación de
la forma 𝑦 = 𝑎𝑏 𝑥 donde 𝑎≠0.
Aplicando mínimos cuadrados se llega a un sistema de ecuaciones de dos
incógnitas, con el que se pueden hallar las constantes a y b.

෍ 𝑦𝑏 𝑥 = ෍ 𝑏2𝑥 𝑎

෍ 𝑥𝑦𝑏 𝑥−1 = ෍ 𝑥𝑏2𝑥−1 𝑎

Para facilitar los cálculos, al linealizar la función se obtendría: ln 𝑦 = ln 𝑎 + 𝑥 ln 𝑏

Al hacer la transformación: 𝑧 = 𝑙𝑛𝑦; 𝑎0 = ln 𝑎 ; 𝑎1 = ln 𝑏
Se obtiene 𝑧 = 𝑎0 + 𝑎1 𝑥

𝑛 σ 𝑥𝑧 − σ 𝑥 σ 𝑧
𝑎1 = ; 𝑎0 = 𝑧 − 𝑎1 𝑥
𝑛 σ 𝑥 2 − (σ 𝑥)2
Regresión Polinomial

Algunas veces cuando la relación entre las variables dependientes e

independientes es no lineal, es útil incluir términos polinomiales para ayudar a
explicar la variación de nuestra variable dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con
varios términos:
Segundo grado: 𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2
Tercer grado: 𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 + d𝑥 3
Ecuación general: 𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ 𝑎𝑛 𝑥 𝑛
Cada potencia nueva aumenta una curva a la gráfica del modelo, con
cada curva se eleva también el valor predictivo.
 180

160

140

y = -0.0016x2 + 0.8203x + 27.21

120 R 2 = 0.4398

100

80

60

40

20

0
0 20 40 60 80 100 120 140 160
180

160

140

y = 5E-05x3 - 0.0148x2 + 1.7091x + 13.021

120
R 2 = 0.448
100

80

60

40

20

0
0 20 40 60 80 100 120 140 160
Otros modelos

 Función logística:

1
𝑝=
1 + 𝑒 −𝑥′𝑏
 Crecimiento de Weibull:

𝑑)
𝑎 + 𝑏 − 𝑎 𝑒 (−𝑐𝑥
 Fourier:

𝑎 ∗ cos 𝑥 + 𝑑 + 𝑏 ∗ cos 2𝑥 + 𝑑 + 𝑐
Conclusiones
Ejemplo

Se va a calcular la población estimada de la ciudad de Bogotá para un año

X en el futuro mediante el modelo logarítmico F(x) = a + b.ln(x)

X 1 (2014) 2 (2015) 3 (2016) 4 (2017) 5 (2018) 6 (2019)

F(x) 7776845 7878783 7980001 8080734 8181047 8281030

Las ‘x’ hacen referencia a los años, empezando como primer año desde el
que se va a tomar para realizar las operaciones (2014) hasta el último año con
el que se trabaja (2019), y los F(X) son las poblaciones registradas por el DANE
en cada año.
Referencias

 Walpole, Myers y Myers – Probabilidad y estadística para ingeniería y

ciencias – Novena edicion
 Modelos no lineales (Universidad técnica de Machala):
https://www.youtube.com/watch?v=v3Nzfi2c89E
 Definición, modelos no lineales:
https://es.wikipedia.org/wiki/Regresi%C3%B3n_no_lineal
 Regresión logarítmica:
http://reyesestadistica.blogspot.com/2011/07/analisis-de-regresion-
logaritmica.html
 Regresión exponencial:
https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/expo
nential-regression
 Regresión polinomial:
https://www.coursehero.com/file/p5qc573/utilizar-conceptos-de-
inferencia-estad%C3%ADstica-tales-como-intervalos-de-confianza/
 Proyección poblacional ciudad de Bogotá:
http://www.sdp.gov.co/sites/default/files/demografia_proyecciones_2017_
0.pdf
 Anexo: Población de Bogotá: EstimacionesProyecciones1985__020.xls