Regresión Exponencial

En determinados experimentos, en su mayoría biológicos, la dependencia entre las

variables X e Y es de forma exponencial, en cuyo caso interesa ajustar a la nube de
puntos una función del tipo:

Mediante una transformación lineal, tomando logaritmos neperianos, se convierte el

problema en una cuestión de regresión lineal. Es decir, tomando logaritmos neperianos:

Ejemplo

x y ln(y) x2 x ln(y) (ln y)2

1 3 1,0986 1 1,0986 1,2069
1,2 3,4 1,2237 1,44 1,4684 1,4974
1,5 5 1,6094 2,25 2,4141 2,5901
2 2 0,6931 4 1,3862 0,4803
3 4,1 1,4109 9 4,2327 1,9906
3,7 5 1,6094 13,69 5,9547 2,5901
4 7 1,9459 16 7,7836 3,7865
4,5 6,5 1,8718 20,25 8,4231 3,5056
Σ 20,9 Σ 36 Σ 11,4628 Σ 67,63 Σ 32,7614 Σ 17,6455

Numero de datos = n = 8

x promedio = = = 2,6125

y promedio = = = 1,43285

Usando la forma lineal de la Regresión Exponencial:

b= =

La ecuación final que modela el sistema es

Confidential - Company Proprietary

Regresión Logarítmica

La curva logarítmica es también una recta, pero en lugar de estar

referida a las variables originales e , está referida a ya

Ejemplo

x y ln x ln2 x ln x * y y2
1 3 0 0 0 9
1.2 3.4 0.1823 0.0332 0.6198 11.56
1.5 5 0.4054 0.1643 2.027 25
2 2 0.6931 0.4803 1.3862 4
3 4.1 1.0986 1.2069 4.5042 16.81
3.7 5 1.3083 1.7116 6.5415 25
4 7 1.3862 1.9215 9.7034 49
4.5 6.5 1.5040 2.2620 9.776 42.25
Σ 20.9 Σ 36 Σ 6.5779 Σ 7.7798 Σ 34.5581 Σ 182.62

a= = = 2.090513

b= = 4.5 - (2.090513)(0.8222) = 2.78117

La ecuación final que modela el sistema es

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

Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento un

sistema de ecuaciones de la siguiente forma (donde m es el número de pares de datos):

Confidential - Company Proprietary

Ejemplo

x y xy x2 y2 x2y x3 x4
1 3 3 1 9 3 1 1
1.2 3.4 4.08 1.44 11.56 4.896 1.728 2.0736
1.5 5 7.5 2.25 25 11.25 3.375 5.0625
2 2 4 4 4 8 8 16
3 4.1 12.3 9 16.81 36.9 27 81
3.7 5 18.5 13.69 25 68.45 50.653 187.4161
4 7 28 16 49 112 64 256
4.5 6.5 29.25 20.25 42.25 131.625 91.125 410.0625
Σ 20.9 Σ 36 Σ 106.63 Σ 67.63 Σ 182.62 Σ 376.121 Σ 246.881 Σ 958.6147

Usando una Matriz para calcular valores de los coeficientes

Usando el método de Eliminación de Gauss-Jordan

La ecuación final que modela el sistema es

Confidential - Company Proprietary