Curso: Ingeniería Matemática II – Matemática IV

Unidad: III
Tema: Regresión Lineal y cuadrática
Semestre Académico: V
Profesor: Mg. Carlos Deudor Gomez

Mg. Carlos Deudor Gomez 1

Regresión Lineal

Ajuste de curvas

“Ajustar una curva implica ajustar una función f(x) a un conjunto de

datos (xi,yi), i=1,2,…,n. f(x) puede ser un polinomio, una función lineal o
combinación de funciones conocidas”

Mg. Carlos Deudor Gomez 2

Regresión Lineal
Ajuste de curvas
El ajuste de curvas es un proceso mediante el cual, dado un
conjunto de n pares de puntos (xi,yi), (siendo x la variable
independiente e y la dependiente), se determina una función
matemática f(x) de tal manera que la suma de los cuadrados de la
diferencia entre la imagen real y la correspondiente obtenida mediante
la función ajustada en cada punto sea mínima:

 n 2
 
  mín   yi  f  xi   

Regresión por mínimos cuadrados.
 i 0 
Generalmente, se escoge una función genérica f(x) en función de uno o más parámetros y se
ajusta el valor de estos parámetros de la manera que se minimice el error cuadrático, e.
La forma más típica de esta función ajustada es la de un polinomio
de grado 1 f(x) = a0 + a1x (ajuste lineal o regresión lineal)
de grado 2 f(x) = a0 + a1x +a2x2 (ajuste parabólico)

Mg. Carlos Deudor Gomez 3

Regresión Lineal

En este método se pretende trazar la recta que más se acerque al conjunto

de datos dado, a la cual se le llama “línea (recta) de regresión”.

Se desea ajustar un serie de puntos (xi, yi) a

una línea recta dada por:
y=a+bx+e
Donde a0 y a1 son coeficientes que representan
la intersección con el eje y la pendiente, y e es
el error, o diferencia, entre el modelo y las
observaciones.
e=y-a-bx

Mg. Carlos Deudor Gomez 4

Regresión Lineal

Criterio del mejor ajuste

En el método de mínimos cuadrados se desea minimizar la suma de los cuadrados de
los residuos(errores).
n n n

   yi ,medida  yi ,modelo     yi  a  b xi 
2 2
Sr  ei2 
i 1 i 1 i 1

Mg. Carlos Deudor Gomez 5

Regresión Lineal -Ajuste por mínimos cuadrados

Derivando respecto a a0 y a1.

n n n

   yi ,medida  yi ,modelo   
2
Sr  ei2   y i  a  b xi  2

i 1 i 1 i 1
Sr
a0
 2   y i  a  b xi 
Obtenemos Sr
a1
 2   yi  a  b xi  xi 
Igualando a 0
0   y i   a   b xi a


 1  b  xi   y i
0   yi xi   a xi   b xi2 a  i  i   y i xi
x  b x 2

Mg. Carlos Deudor Gomez 6

Regresión Lineal -Ajuste por mínimos cuadrados

Resolviendo el SEL
a


  
1 b xi  yi  n x   a   y 
 2
  b    xy 
 x x     
a  i  i   y i xi
x  b x 2

 n x   a    y 
 2
  b    xy  AX  B  X  A1 B
 x x     
A X B

a  1  x 2 x   y 
b   2   
 xy 
  n.x   x  x   x n  

Identificando y reemplazando y a  bx

Mg. Carlos Deudor Gomez 7

Regresión Lineal -Ajuste por mínimos cuadrados

Ejemplo
 8 20  a   37  a  1  92 20   37 
 20 92  b    25  b    20 8   25 
       336   

 121 
 a   14   8.6428571 
 b    45    1.6071429 
     

 28 
y  8.6428571  1.6071429 x

Mg. Carlos Deudor Gomez 8

Regresión Lineal -Ajuste por mínimos cuadrados
Resolviendo para a0 y a1

b
n  xi y i   xi  y i Pendiente, número de unidades que
aumenta y por cada unidad de x.
n xi    xi 
2 2

Ordenada al origen; intersección de y;

a
 yi    xi  xi .yi
xi2 punto donde la recta corta al eje y; valor
n xi    xi 
2 2 de y cuando x=0

Coeficiente correlación; varía de 0 a 1;

r
 xi .yi   xi  yi
n nos dice qué tan bien la recta se ajusta a
los puntos experimentales; entre más
n xi    xi   n yi    yi  
 2 2 2 2
cercano a 1, mayor bondad de ajuste.
Mg. Carlos Deudor Gomez 9
Regresión Lineal - Linealización de relaciones no lineales
La ecuación de razón de
La ecuación exponencial La ecuación por potencias crecimiento saturado

Mg. Carlos Deudor Gomez 10

Regresión Lineal - Linealización de relaciones no lineales

Mg. Carlos Deudor Gomez 11

Regresión Lineal - Linealización de relaciones no lineales

Mg. Carlos Deudor Gomez 12

Regresión Lineal - Linealización de relaciones no lineales

Mg. Carlos Deudor Gomez 13

Regresión Lineal - Linealización de relaciones no lineales

Mg. Carlos Deudor Gomez 14

Ejercicios

Mg. Carlos Deudor Gomez 15

Regresión Lineal - Linealización de relaciones no lineales

Mg. Carlos Deudor Gomez 16

Regresión Lineal - Linealización de relaciones no lineales

Mg. Carlos Deudor Gomez 17

Regresión Lineal - Linealización de relaciones no lineales

Tarea (Laboratorio)
Dados los datos siguientes use regresión por mínimos cuadrados para ajustar
a) una línea recta, b) una ecuación exponencial, c) una ecuación de potencias.
x 5 10 15 20 25 30 35 40 45 50
y 17 24 31 33 37 37 40 40 42 41

Usar regresión de mínimos cuadrados para ajustar a una ecuación de taza de

crecimiento de saturación.
x 5 10 15 20 25 30 35 40 45 50
y 17 24 31 33 37 37 40 40 42 41

y  a3
x 1 1 b3  x b3 1 1
b3  x   
y a3 x a3 x a3

Mg. Carlos Deudor Gomez 18

Regresión Polinómica

Ajuste a un polinomio cuadrático

y = a0 + a1x + a2x2 + e
La suma de los cuadrados de los residuos es:
n
Se   2 2
yi  a0  a1 xi  a2 xi 
i 1

 
Sr
 2 yi  a0  a1 xi  a2 xi2
a0

  
De aquí obtenemos: Sr
 2 xi yi  a0  a1 xi  a2 xi2
a1

  
Sr
 2 xi2 yi  a0  a1 xi  a2 xi2
a2
Mg. Carlos Deudor Gomez 19
Regresión Polinómica

Reordenando se obtiene

       yi
n  a0  xi a1  xi2 a2 

  i  0   i  1   i  a2   y i x i
x a  x 2
a  x 3

  i  0   i  1   i  2  i yi
x 2
a  x 3
a  x 4
a  x 2

El error estándar es:

Sr
Sy /x 
n3
Mg. Carlos Deudor Gomez 20
Mg. Carlos Deudor Gomez 21
Mg. Carlos Deudor Gomez 22