Regresión no lineal es un método para encontrar un modelo no lineal para la

relación entre la variable dependiente y un conjunto de variables

independientes.
A diferencia de la regresión lineal tradicional, que está restringida a la
estimación de modelos lineales, la regresión no lineal puede estimar modelos
con relaciones arbitrarias entre las variables independientes y las dependientes.
Esto se lleva a cabo usando algoritmos de estimación iterativos. Tenga en
cuenta que este procedimiento no es necesario para los modelos polinómicos
simples de la forma Y = A + BX**2. Definiendo W = X**2, obtenemos un
modelo lineal simple, Y = A + BW, que se puede estimar usando métodos
tradicionales como el procedimiento Regresión lineal.
¿Puede pronosticarse la población basándose en el tiempo Un diagrama de
dispersión muestra que parece haber una estrecha relación entre la población y el
tiempo, pero la relación es no lineal y por eso exige la utilización de los métodos
de estimación especiales del procedimiento Regresión no lineal. Creando una
ecuación adecuada, como la del modelo logístico de crecimiento poblacional,
podemos obtener una buena estimación del modelo, lo que nos permitirá hacer
predicciones sobre la población para épocas que no se han sido medidas.
 Hay correlación no lineal

r≈0
𝐲 = 𝐀𝐱 𝐁
 Hay correlación no lineal

𝐫≈𝟎

𝐲 = 𝐀𝐁 𝐱
No hay correlación no lineal

r≈0
 correlación lineal positiva

r=1
Se puede conseguir que una relación no lineal se transforma en una
relación lineal mediante una transformación de variable que son

a) 𝐲 = 𝐀𝐁 𝐱 exponencial 𝐥𝐨𝐠 𝐲 = 𝐥𝐨𝐠𝐀 + 𝐥𝐨𝐠𝐁𝐱 ≡ 𝐲 ′ = 𝐀′ + 𝐁′𝐱

b) 𝐲 = 𝐀𝐱 𝐁 potencial 𝐥𝐨𝐠 𝐲 = 𝐥𝐨𝐠𝐀 + 𝐁𝐥𝐨𝐠𝐱 ≡ 𝐲 ′ = 𝐀′ + 𝐁𝐱′

𝟏 𝟏
c) 𝐲 = hiperbólica 𝐲′ = 𝐀 + 𝐁𝐱, 𝐬𝐢𝐞𝐧𝐝𝐨 𝒚′ =
𝐀+𝐁𝐱 𝒚
X 0.5 0.75 1 1.25 1.5 1.75 2 2.25 2.5 2.75 3 3.25 3.5
Y 10 8 12 12 14 12 16 18 17 20 18 20 21
 Y
25

20

15

10

0
0 0.5 1 1.5 2 2.5 3 3.5 4
 x y 𝐱𝟐 𝒚𝟐 𝐱𝐲
0.5 10 0.2500 100 5 𝐧 σ 𝐱 𝐢 𝐲𝐢 − σ 𝐱 𝐢 σ 𝐲𝐢 𝟏𝟑(𝟒𝟒𝟐. 𝟓) − (𝟐𝟔)(𝟏𝟗𝟖)
𝐛= =
0.75 8 σ
𝐧 𝐱𝐢 − 𝟐 σ 𝐱𝐢 𝟐 𝟏𝟑 𝟔𝟑. 𝟑𝟕𝟓 − 𝟐𝟔𝟐
0.5625 64 6
1 12 1.0000 144 12 𝟔𝟎𝟒. 𝟓
𝐛=
1.25 12 𝟏𝟒𝟕. 𝟖𝟕𝟓
1.5625 144 15
1.5 14 𝐛 = 𝟒. 𝟎𝟗
2.2500 196 21
1.75 12 σ 𝐱 𝐢𝟐 σ 𝐲𝐢 − σ 𝐱 𝐢 σ 𝐱 𝐢 𝐲𝐢
3.0625 144 21 𝐚=
2 16 4.0000 256 32 𝐧 σ 𝐱 𝐢𝟐 − σ 𝐱 𝐢 𝟐
2.25 18
𝟔𝟑. 𝟑𝟕𝟓𝟎(𝟏𝟗𝟖) − (𝟐𝟔)(𝟒𝟒𝟐. 𝟓)
5.0625 324 40.5 𝐚=
𝟏𝟑 𝟔𝟑. 𝟑𝟕𝟓 − 𝟐𝟔𝟐
2.5 17 6.2500 289 42.5 𝟏𝟎𝟒𝟑. 𝟐𝟓
2.75 20 7.5625 400 55 𝐚=
𝟏𝟒𝟕. 𝟖𝟕𝟓
3 18 9.0000 324 54 𝐚 = 𝟕. 𝟎𝟓 𝐲 = 𝐚 + 𝐛𝐱
3.25 20 10.5625 400 65
3.5 21 12.2500 441 73.5 𝐲 = 𝟕. 𝟎𝟓 + 𝟒. 𝟎𝟗𝐱
26 198 63.3750 3226 442.5
 𝐧 σ 𝐱 𝐢 𝐲𝐢 − σ 𝐱 𝐢 σ 𝐲𝐢
𝐫=
𝐧 σ 𝐱 𝐢𝟐 − σ 𝐱 𝐢 𝟐 𝐧 σ 𝐲𝐢𝟐 − σ 𝐲𝐢 𝟐

(𝟏𝟑)(𝟒𝟒𝟐. 𝟓) − (𝟐𝟔)(𝟏𝟗𝟖)
𝐫=
𝟏𝟑 𝟔𝟑. 𝟑𝟕𝟓 − 𝟐𝟔𝟐 (𝟏𝟑)(𝟑𝟐𝟐𝟔) − 𝟏𝟗𝟖 𝟐

𝟔𝟎𝟒. 𝟓
𝐫=
𝟏𝟒𝟕. 𝟖𝟕𝟓 𝟐𝟕𝟑𝟒
𝟔𝟎𝟒. 𝟓
𝐫=
𝟒𝟎𝟒𝟐𝟗𝟎. 𝟐𝟓
𝟔𝟎𝟒. 𝟓
𝐫=
𝟔𝟑𝟓. 𝟖𝟑𝟖𝟐
𝐫 = 𝟎. 𝟗𝟓
 σ 𝐲𝐢𝟐 − 𝐚 σ 𝐲𝐢 − 𝐛 σ 𝐱 𝐢 𝐲𝐢
𝛅𝟐𝐱𝐲 =
𝐧
𝟑𝟐𝟐𝟔 − (𝟕. 𝟎𝟓)(𝟏𝟗𝟖) − (𝟒. 𝟎𝟗)(𝟒𝟒𝟐. 𝟓)
𝛅𝟐𝐱𝐲 =
𝟏𝟑
𝟑𝟐𝟐𝟔 − 𝟏𝟑𝟗𝟓. 𝟗 − 𝟏𝟖𝟎𝟗. 𝟖𝟐𝟓
𝛅𝟐𝐱𝐲 =
𝟏𝟑
𝟐
𝟐𝟎. 𝟐𝟕𝟓
𝛅𝐱𝐲 =
𝟏𝟑
𝛅𝟐𝐱𝐲 = 𝟏. 𝟓𝟔
 X 1.5 2 3 3.5 4 5
y 2.6 2.4 1.2 1.8 1.6 1.4

𝐲 ′ = 𝐀′ + 𝐁′𝐱′
y ′ = log y
A′ = log A
B′ = B
x ′ = log x
 x y x’=log x y‘=log y x‘y’ 𝐱′𝟐 𝐲′𝟐
1.5 2.6 0.1761 0.4150 0.0731 0.0310 0.0172
2 2.4 0.3010 0.3802 0.1144 0.0906 0.1446
3 1.2 0.4771 0.0792 0.0378 0.2276 0.0063
3.5 1.8 0.5440 0.2553 0.1378 0.2959 0.0652
4 1.6 0.6021 0.2041 0.1229 0.3625 0.0417
5 1.4 0.6990 0.1461 0.1021 0.4886 0.0213
2.7993 1.4799 0.5891 1.4962 0.4513

𝐧 σ 𝐱 𝐢 𝐲𝐢 − σ 𝐱 𝐢 σ 𝐲𝐢 𝟔(𝟎. 𝟓𝟖𝟗𝟏) − (𝟐. 𝟕𝟗𝟗𝟑)(𝟏. 𝟒𝟕𝟗𝟗) −𝟎. 𝟔𝟎𝟖𝟎

𝐛= 𝟐
= 𝟐
= = −𝟎. 𝟓𝟑𝟐
σ
𝐧 𝐱𝐢 − σ 𝐱𝐢 𝟐 𝟔 𝟏. 𝟒𝟗𝟔𝟐 − 𝟐. 𝟕𝟗𝟗𝟑 𝟏. 𝟏𝟒𝟏𝟏

σ 𝐱 𝐢𝟐 σ 𝐲𝐢 − σ 𝐱 𝐢 σ 𝐱 𝐢 𝐲𝐢 (𝟏. 𝟒𝟗𝟔𝟐)(𝟏. 𝟒𝟕𝟗𝟗) − (𝟐. 𝟕𝟗𝟗𝟑)(𝟎. 𝟓𝟖𝟗𝟏) 𝟎. 𝟓𝟔𝟓𝟏

𝐚= = = = 𝟎. 𝟒𝟗𝟓𝟐
𝐧 σ 𝐱 𝐢𝟐 − σ 𝐱 𝐢 𝟐 𝟔 𝟏. 𝟒𝟗𝟔𝟐 − 𝟐. 𝟕𝟗𝟗𝟑𝟐 𝟏. 𝟏𝟒𝟏𝟏
𝐛 = −𝟎. 𝟓𝟑𝟐, 𝐚 = 𝟎. 𝟒𝟗𝟓𝟐

y ′ = a + bx′

y ′ = 0.4952 − 0.532x′
𝐛 = −𝟎. 𝟓𝟑𝟐 = 𝐁, 𝐚 = 𝟎. 𝟒𝟗𝟓𝟐

y ′ = a + bx′
A = antilog(a)
A = antilog(0.4952)
A = 3.125

y = Ax B
y = 3.125x −0.532