Documentos de Académico
Documentos de Profesional
Documentos de Cultura
𝑛𝑎 + 𝑏 ∑ 𝑥𝑖 + 𝑐 ∑ 𝑥𝑖2 = ∑ 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛
𝑎 ∑ 𝑥𝑖 + 𝑏 ∑ 𝑥𝑖2 + 𝑐 ∑ 𝑥𝑖3 = ∑ 𝑥𝑖 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛
Sistema de ecuaciones del que se pueden despejar los valores de los coeficientes de regresión
parabólica.
Ejemplo
Se realiza una prueba de frenado de un automóvil nuevo, midiendo la distancia de parada de acuerdo a
la rapidez del vehículo al momento de aplicar los frenos, obteniéndose los siguientes resultados:
1
Estadística y Análisis de Datos
Diagrama de dispersión
140
120
100
Distancia (m)
80
60
40
20
0
0 20 40 60 80 100 120
Rapidez (km/h)
2
Estadística y Análisis de Datos
Coeficiente de determinación:
2
𝑆𝐸2 0,020238095
𝑅 =1− 2 =1− = 0,999984253
𝑆𝑌 1285,22222
Una expresión de la varianza residual que simplifique el cálculo es:
∑𝑛𝑖=1 𝑦𝑖2 − 𝑎 ∙ ∑𝑛𝑖=1 𝑦𝑖 − 𝑏 ∙ ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − 𝑐 ∙ ∑𝑛𝑖=1 𝑥𝑖2 𝑦𝑖
𝑆𝐸2 =
𝑛
Entonces:
28362 − 13,35873016 ∙ 352 − (−0,339444444) ∙ 30935 − 0,011825396 ∙ 2888725
𝑆𝐸2 = = 0,020238095
6
REGRESIÓN EXPONENCIAL
Si el comportamiento de los valores de las variables puede ser explicado por medio de una función de
tipo exponencial.
𝑦 = 𝑎𝑒 𝑏𝑥
Si se aplica logaritmo natural, la función se linealiza y de esa manera se pueden obtener los valores de
a y b.
ln y = ln(𝑎𝑒 𝑏𝑥 )
ln y = ln 𝑎 + 𝑏x
Haciendo y´= ln y, A = ln a, se obtiene y´ = A + b x, con lo que se reduce a un ajuste lineal entre las
variables Y´ y X, y por medio de mínimos cuadrados podemos encontrar los valores de A y b.
𝑆𝑥𝑦´
𝑏=
𝑆𝑥2
̅ − 𝑏 ∙ 𝑥̅
𝐴 = 𝑦´
Lógicamente se puede aplicar un ajuste exponencial si la variable y sólo toma valores positivos.
Ejemplo
Ajuste los datos siguientes con el modelo exponencial y aplique una transformación logarítmica para
hallar los coeficientes de dicho modelo.
X 6 3 0 3 6 9 12 15 20 25
Y 2 2,8 3,9 4,2 5,8 6,2 7,5 8,2 9,3 10,9
Diagrama de dispersión
14
12
10
8
Y
6
4
2
0
-10 -5 0 5 10 15 20 25 30
X
3
Estadística y Análisis de Datos
Por lo tanto:
𝑥̅ = 8,1
̅ = 1,68390492
𝑦´
184,08581
𝑆𝑥𝑦´ = − 8,1 ∙ 1,68390492 = 4,76895107
10
𝑠𝑥2 = 90,89
𝑆𝑥𝑦´
𝑏= = 0,05246948
𝑆𝑥2
̅ − 𝑏 ∙ 𝑥̅ = 1,25890213
𝐴 = 𝑦´
Entonces
A = ln a a = 𝑒 𝐴 = 3,52155317
Ecuación final:
𝑦̂ = 3,52155317 ∙ 𝑒 0,05246948∙𝑥
Coeficiente de determinación:
𝑆𝐸2 0,01801033
𝑅2 = 1 − 2 = 1 − 0,268234715 = 0,93285608
𝑆𝑌´
Una expresión de la varianza residual que simplifique el cálculo es:
∑𝑛𝑖=1 𝑦´2𝑖 − ln 𝑎 ∙ ∑𝑛𝑖=1 𝑦´𝑖 − 𝑏 ∙ ∑𝑛𝑖=1 𝑥𝑖 𝑦´𝑖
𝑆𝐸2 =
𝑛
Entonces:
31,03770512 − ln 3,52155317 ∙ 16,83904925 − 0,05246948 ∙ 184,0858097
𝑆𝐸2 = = 0,01801033
10
4
Estadística y Análisis de Datos
O también, se puede obtener el coeficiente de correlación teniendo en cuenta que existe un ajuste
lineal entre las variables Y´ y X.
𝑆𝑥𝑦´ 4,76895107
𝑟= = = 0,965844749
𝑠𝑥 ∙ 𝑠𝑦´ 9,533624704 ∙ 0,51791381
De donde 𝑅 2 = 𝑟 2 = 0,93285608
REGRESIÓN POTENCIAL
Si el comportamiento de los valores de las variables viene explicado por una función de tipo Potencial
𝑦 = 𝑎𝑥 𝑏
Tomamos logaritmos neperianos:
ln 𝑦 = ln 𝑎 + 𝑏 ∙ ln 𝑥
Haciendo 𝑦´ = ln 𝑦, 𝐴 = ln 𝑎, 𝑥´ = ln 𝑥 queda
𝑦´ = 𝐴 + 𝑏𝑥´
con lo que se reduce a un ajuste lineal entre las variables Y´ y X´, y por medio de mínimos cuadrados
podemos encontrar los valores de A y b.
𝑆𝑥´𝑦´
𝑏= ̅ − 𝑏 ∙ 𝑥´
𝐴 = 𝑦´ ̅
2
𝑆𝑥´
Este ajuste se puede aplicar sólo si las variables 𝑥 e 𝑦 toman valores positivos.
Ejemplo
Ajuste los datos siguientes con el modelo de potencias y aplique una transformación logarítmica para
estimar los parámetros de dicho modelo.
X 2,5 3,5 5 6 7,5 10 12.5 15 17.5 20
Y 13 11 8.5 8.2 7 6.2 5.2 4.8 4.6 4.3
Diagrama de dispersión
14
12
10
8
Y
0
0 5 10 15 20 25
X
5
Estadística y Análisis de Datos
Por lo tanto:
̅ = 2,09794512
𝑥´ ̅ = 1,917945026
𝑦´
184,08581
𝑆𝑥´𝑦´ = − 8,1 ∙ 1,68390492 = −0,239733942
10
2
𝑠𝑥´ = 0,443713801
𝑆𝑥´𝑦´
𝑏= = −0,540289579 ̅ − 𝑏 ∙ 𝑥´
𝐴 = 𝑦´ ̅ = 3,051442911
2
𝑆𝑥´
Entonces: A = ln a a = 𝑒 𝐴 = 21,14583399
Ecuación final:
𝑦̂ = 21,14583399 ∙ 𝑥 −0,540289579
Coeficiente de determinación:
𝑆𝐸2 0,000632515037
𝑅2 = 1 − 2 = 1 − 0,130158266 = 0,995140415
𝑆𝑌´
Una expresión de la varianza residual que simplifique el cálculo es:
∑𝑛𝑖=1 𝑦´2𝑖 − ln 𝑎 ∙ ∑𝑛𝑖=1 𝑦´𝑖 − 𝑏 ∙ ∑𝑛𝑖=1 𝑥´𝑖 𝑦´𝑖
𝑆𝐸2 =
𝑛
Entonces:
38,08671388 − ln 21,14583399 ∙ 19,17945026 − (−0,540289579) ∙ 37,84009464
𝑆𝐸2 = = 0,000632515037
10
O también, se puede obtener el coeficiente de correlación teniendo en cuenta que existe un ajuste
lineal entre las variables Y´ y X´.
𝑆𝑥´𝑦´ −0,239733942
𝑟= = = −0,997567248
𝑠𝑥´ ∙ 𝑠𝑦´ 0,666118458 ∙ 0,360774536
De donde 𝑅 2 = 𝑟 2 = 0,995140415