UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

ESCUELA DE ESTADÍSTICA

Asignatura:

Semana 5

Docente: Fiorella Vanessa Li Vega

 Regresión No
Lineal Simple

Docente: Fiorella Vanessa Li Vega

 ¿Qué relación matemática habrá entre
el tiempo que se utiliza para realizar
una pieza y el número de días desde
que empezó el proceso de fabricación?

Tiempo (min.)

Docente: Fiorella Vanessa Li Vega

N° de días del proceso
Ejemplo 1

En un nuevo proceso artesanal de fabricación de cierto artículo que

se está implantando, se ha considerado ir anotando periódicamente
el tiempo medio (minutos) que se utiliza para realizar una pieza
(variable Y) y el número de días desde que empezó dicho proceso de
fabricación (variable X).

Número de días
10 20 30 40 50 60 70
del proceso X

Tiempo (min) Y 50 45 35 25 20 15 12

Ajuste una función que explique el tiempo de fabricación en

función del número de días que se lleva trabajando con ese
método
Docente: Fiorella Vanessa Li Vega
¿La relación es lineal?
Docente: Fiorella Vanessa Li Vega
Introducción

La regresión lineal simple, supone que la relación entre la variables X e Y

es lineal.
¿Qué sucede si la relación es no lineal?
▪El coeficiente de determinación será bajo.
▪La prueba F resultará no significativa.
▪Las estimaciones serán imprecisas.
¿Cómo relacionamos las variables X e Y?
Usando ecuaciones que permitan modelar relaciones no lineales.

Docente: Fiorella Vanessa Li Vega

Introducción
Los modelos de regresión no lineal permiten modelar la
relación entre dos variables, cuando estas no se ajustan
a una regresión lineal simple. Entre las ecuaciones de
regresión no lineales se tiene:
▪Regresión exponencial
▪Regresión cuadrática
▪Regresión potencia

Docente: Fiorella Vanessa Li Vega

Introducción
y y
Función exponencial
b
0

b > 0
1

b < 0
1

b
0

x x
Función potencia
y b > 1 y
1

0 < b < 1
1
b < 0
1

b
0

x x
Docente: Fiorella Vanessa Li Vega
 Modelos de regresión no lineal

Modelo Ecuación de Transformación

regresión apropiada

Exponencial b1 x
y = b0e y* = Ln y
Potencia b1 y* = Ln y
y = b0 x
x* = Ln x
Cuadrática
y = b 0 + b1 x + b 2 x 2

Docente: Fiorella Vanessa Li Vega

 Mejor modelo
¿Cuál es el mejor modelo no lineal para
explicar el tiempo de producción de un
artículo y la cantidad de días desde la
implementación del proceso?

Docente: Fiorella Vanessa Li Vega

Elección del mejor modelo
Resumen del modelo y estimaciones de los parámetros

Variable dependiente:Tiempo
Ecuación Estimaciones de los
Resumen del modelo parámetros

R cuadrado F gl1 gl2 Sig. Constante b1 b2

Lineal ,970 163,110 1 5 ,000 55,857 -,675

Cuadrático ,989 173,314 2 4 ,000 62,286 -1,104 ,005

Potencia ,884 38,170 1 5 ,002 356,774 -,749

Exponencial ,991 543,749 1 5 ,000 69,803 -,025

La variable independiente esDias.

b1 x bo b1
Es el modelo exponencial: y = b 0 e
El modelo linealizable: Lny = Lnb 0 + b1 x
y* = b * + b1 x Docente: Fiorella Vanessa Li Vega
Ecuaciones: Estimada y linealizada

• Estimación de los coeficientes de regresión.

Coeficientes
Coeficientes
Coeficientes no estandarizad
estandarizados os

B Error típico Beta t Sig.

Días -,025 ,001 -,995 -23,318 ,000

(Constante) 69,803 3,365 20,743 ,000

La variable dependiente es ln(Tiempo).

• Ecuación estimada. ˆy = 69,803 e−0,025 x

• Ecuación linealizada: yˆ* = 4, 246 − 0, 025 x

Docente: Fiorella Vanessa Li Vega
Ln(69,803)
Validación del modelo

Coeficientes

Coeficientes no Coeficientes
estandarizados estandarizados
B Error típico Beta t Sig.
Días -,025 ,001 -,995 -23,318 ,000
(Constante) 69,803 3,365 20,743 ,000
La variable dependiente es ln(Tiempo).
H 0 : b1 = 0
b1 −0, 025
H1 : b1  0 tc = = = −23,318
Sb1 0, 001
 = 0, 05
sig = 0, 00 <  = 0, 05. Se rechaza H 0 .

Conclusión. Con un nivel de significación de 0,05, se puede

afirmar que el modelo exponencial Si es válido.
Docente: Fiorella Vanessa Li Vega
Coeficiente de determinación:

¿Qué porcentaje de la variabilidad total del tiempo de

fabricación de una pieza, es explicada por el modelo de
regresión exponencial?.
Resumen del modelo

R cuadrado Error típico de la

R R cuadrado corregida estimación
,995 ,991 ,989 ,057

La variable independiente esDias.

Coeficiente de determinación: r = 99,1% 2

Docente: Fiorella Vanessa Li Vega

 Con un nivel de confianza del 95%, estime el
Intervalo de tiempo promedio de fabricación de una pieza
predicción: cuando el proceso se empezó hace 45 días.

1 (x0 − x )
2

Yˆ0  t( 2,n − 2 ) S e +

*

n S xx
yˆ = 69.803 e −0.025( 45) = 22.6617
yˆ * = ln(22.6617) = 3.1207

t(0.025,5)= 2.57058 Se=0.057

ANOVA
Xo=45 x = 40 Suma de Media
cuadrados gl cuadrática F Sig.
Regresión 1,769 1 1,769 543,749 ,000
SCR 1.769
S xx = = = 2830.4 Residual ,016 5 ,003
b12
(−0.025) 2 Total 1,785 6
La variable independiente esProceso.

Docente: Fiorella Vanessa Li Vega

 1 (45 − 40)
2
3.1207  2.57058  0.057 +
7 2830.4

3.1207± 0.0570669 = (3.0636;3.1777)

(e 3.0636
;e 3.1777
) = (21.4047;23.9925)
Con un nivel de confianza del 95%, se estima que el
tiempo promedio de fabricación de una pieza cuando el
proceso se empezó hace 45 días está entre 21.4947 y
23.9925 min.

Docente: Fiorella Vanessa Li Vega

Ejemplo 2

Se han observado, en varios modelos de automóviles, los

datos de potencia del motor (X), en caballos, y la aceleración
(Y), medida en el número de segundos necesarios para
acelerar de 0 a 100 Km./h. La tabla adjunta refleja los valores
obtenidos:

Potencia del
motor(x) 45 75 90 100 120 150 85 110 125 140
Aceleración
(y) 15 12 10,5 10 9 8 10 11,5 11 9,5

Ajuste una función que explique la aceleración función de la

potencia del motor.

Docente: Fiorella Vanessa Li Vega

¿La relación entre
Docente:X e Vanessa
Fiorella Y esLi Vega
lineal?
 Mejor modelo

¿Cuál es el mejor modelo no lineal para explicar el costo

en función de las cantidades?
Resumen del modelo y estimaciones de los parámetros
Variable dependiente: ACELERACION
Ecuación Resumen del modelo Estimaciones de los parámetros
R
cuadrado F gl1 gl2 Sig. Constante b1 b2
Lineal ,686 17,486 1 8 ,003 15,896 -,050
Cuadrático ,745 10,205 2 7 ,008 19,774 -,136 ,00043
Potencia ,726 21,236 1 8 ,002 70,917 -,416
Exponencial ,689 17,710 1 8 ,003 16,806 -,005
La variable independiente es: POTENCIA.

Es el modelo cuadrático: y = b 0 + b1 x + b 2 x + e 2

y : Aceleración (Km./h)
x : Potencia del motor (Hp) Docente: Fiorella Vanessa Li Vega
 Modelo y validación del modelo

• Estimación de los coeficientes de regresión.

Coeficientes

Coeficientes
Coeficientes no estandarizados estandarizados
B Error típico Beta t Sig.
POTENCIA -,136 ,069 -2,241 -1,981 ,088
POTENCIA ** 2 0,00043 0,00034 1,43277 1,26650 0,24585
(Constante) 19,774 3,311 5,973 ,001

• Ecuación estimada:

Validación H0 : b2 = 0
del modelo H1 : b 2  0
Sig = 0.246 > 0.05. No _ se _ Re chaza _ Ho
El Modelo cuadrático no es valido Docente: Fiorella Vanessa Li Vega
 Elección del siguiente modelo

b1
Es el modelo potencia: y = b0 X
El modelo linealizado Lny = Lnb 0 + b1 ln x
y * = b 0 * + b1 x *
Docente: Fiorella Vanessa Li Vega
Validación del modelo de regresión potencial

H 0 : b1 = 0
H1 : b1  0
Conclusión. Con un nivel de significación de 0,05, se puede afirmar
que el modelo potencia SI es válido.
• Ecuación estimada. ŷ = 70.917 X -0.416
• Ecuación linealizada: ŷ * = 4.2615 – 0.416 X *
Docente: Fiorella Vanessa Li Vega
Coeficiente de determinación

¿Qué porcentaje de la variabilidad total del costo de inventario,

es explicada por el modelo de regresión potencia?

Resumen del modelo

R cuadrado Error típico de la

R R cuadrado corregida estimación
,852 ,726 ,692 ,096

La variable independiente es Potencia.

Coeficiente de determinación: r 2 = 72.6%

Docente: Fiorella Vanessa Li Vega
Predicción
Con un 95% de confianza estimar la aceleración del auto
cuando la potencia es de 132 Hp.
1 (ln x − ln x )
2
ln yˆ  t( 2,n −2) S e 1 + +
n S xx Se 0,09573888

−0.416
Sxx 1,12638247
yˆ = 70.917 * (132) = 9.315964 Hp T 1,85954804

ln yˆ = ln(9.315964) = 2.231729 Suma de

ANOVA
Media

ln x0 = ln(132) = 4.882802
cuadrados gl cuadrática F Sig.
Regresió 0,1946 1 ,195 21,236 ,002
n

ln x = 4.59403
Residual ,073 8 ,00916

Total ,268 9

(e ; e2.42463 ) = (7.6816;11.2981)
La variable independiente es X.

2.03882
( 2.038828 ; 2.4246309) →

Con un 95% de confianza, se espera que la aceleración del auto se

encuentre entre 7.682 y 11.298 segundos, cuando la potencia es de 132 Hp.
Docente: Fiorella Vanessa Li Vega
Trabajo en Equipo
Subir los resultados procesado en el Software en
el SPSS y compararlos con los resultados que
arroja el Excel.

Docente: Fiorella Vanessa Li Vega