Métodos No Lineales 2023 Nueva Etapa

UNIVERSIDAD NACIONAL DE LOJA
FACULTAD DE ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS NATURALES NO RENOVABLES

CARRERA DE INGENIERÍA EN MINAS
ANALISIS ESTADISTICO DE LOS DATOS Y GEOESTADISTICA
MODELO DE REGRESIÓN NO LINEAL

✓ En muchos casos es posible modificar un modelo no lineal para convertirlo
en un modelo lineal.
✓ Dentro de este grupo tenemos: Logarítmico, Exponencial y Potencial
(cuadrático o parabólico y ternario o cúbico)
Base para seleccionar este tipo de Ajuste No lineal
• Grafica de dispersión (objetiva de los datos)
• Índice de correlación de Pearson (Modelo se aparta de la forma lineal)
Linealizamos los modelos estamos es ajustando a un modelo lineal (Pearson)
Valor del Índice de Correlación Pearson Criterio

𝒓=𝟏 Correlación grande perfecta y positiva
𝟎, 𝟗 ≤ 𝒓 ≤ 𝟏 Correlación muy alta
𝟎, 𝟕 ≤ 𝒓 ≤ 𝟎, 𝟗 Correlación alta
𝟎, 𝟒 ≤ 𝒓 ≤ 𝟎, 𝟕 Correlación Moderada
𝟎, 𝟐 ≤ 𝒓 ≤ 𝟎, 𝟒 Correlación muy baja
𝒓 = 𝟎, 𝟎𝟎 Correlación Nula
−𝟎, 𝟗 ≥ 𝒓 ≥ −𝟏 Correlación muy alta negativa
𝒓 = −𝟏 Correlación grande perfecta y negativa
Valor del Índice de Correlación Pearson Criterio

−𝟎, 𝟗𝟏 ≥ 𝒓 ≥ −𝟏 Correlación negativa perfecta
−𝟎, 𝟕𝟔 ≥ 𝒓 ≥ −𝟎, 𝟗𝟎 Correlación negativa muy fuerte
−𝟎, 𝟓𝟏 ≥ 𝒓 ≥ −𝟎, 𝟕𝟓 Correlación negativa considerable
−𝟎, 𝟏𝟏 ≥ 𝒓 ≥ −𝟎, 𝟓𝟎 Correlación negativa media
−𝟎, 𝟎𝟏 ≥ 𝒓 ≥ −𝟎, 𝟏 Correlación negativa débil
𝒓 = 𝟎, 𝟎𝟎 Correlación Nula (No existe correlación)
𝟎, 𝟎𝟏 ≤ 𝒓 ≤ 𝟎, 𝟏 Correlación positiva débil
𝟎, 𝟏𝟏 ≤ 𝒓 ≤ 𝟎, 𝟓𝟎 Correlación positiva media
𝟎, 𝟓𝟏 ≤ 𝒓 ≤ 𝟎, 𝟕𝟓 Correlación positiva considerable
𝟎, 𝟕𝟔 ≤ 𝒓 ≤ 𝟎, 𝟗𝟎 Correlación positiva muy fuerte
𝟎, 𝟗𝟏 ≤ 𝒓 ≤ 𝟏 Correlación positiva perfecta
ANALISIS ESTADISTICO DE LOS DATOS Y GEOESTADISTICA ING. DIEGO EDUARDO JARA DELGADO MG.SC.

Modelo Mínimos Cuadrados Pearson
𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙 𝜷𝟏 ≠ 𝟎
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏: ∑ 𝒚 = 𝒏𝜷𝟎 + 𝜷𝟏 ∑ 𝒙
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐: ∑ 𝒙𝒚 = 𝜷𝟎 ∑ 𝒙 + 𝜷𝟏 ∑ 𝒙𝟐
1. Logarítmico
𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒍𝒏|𝒙|
2. Exponencial
𝒚 = 𝜷𝟎 ℮𝜷𝟏 𝒙
3. Potencial
𝒚 = 𝜷𝟎 𝒙𝜷𝟏
1. METODO LOGARITMICO
• Expresiones del Modelo de Regresión No Lineal: Método Logarítmico

𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙 𝜷𝟏 ≠ 𝟎 𝑴𝒐𝒅𝒆𝒍𝒐 𝒍𝒊𝒏𝒆𝒂𝒍
𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒍𝒏(𝒙) 𝑵𝒐 𝒍𝒊𝒏𝒆𝒂𝒍 (𝑴é𝒕𝒐𝒅𝒐 𝑳𝒐𝒈𝒂𝒓𝒊𝒕𝒎𝒊𝒄𝒐)
𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒍𝒏|𝒙| 𝑵𝒐 𝒍𝒊𝒏𝒆𝒂𝒍 (𝑴é𝒕𝒐𝒅𝒐 𝑳𝒐𝒈𝒂𝒓𝒊𝒕𝒎𝒊𝒄𝒐)
Linealizar el modelo logarítmico no lineal se debe aplicar el Método de los
mínimos cuadrados
∑ 𝒚 = 𝒏𝜷𝟎 + 𝜷𝟏 ∑ 𝒍𝒏(𝒙)
𝒚 ∑ 𝒍𝒏(𝒙) = 𝜷𝟎 ∑ 𝒍𝒏(𝒙) + 𝜷𝟏 ∑ 𝒍𝒏 𝟐 (𝒙)
Realizar el Diagrama de Dispersión de los datos
Contar con la Tabla de valores para la aplicación y determinación de 𝜷𝟎 ; 𝜷𝟏

# par de VI “x” VD “y” ln(x) y.ln(x) Ln2(x) Y2
datos
1
2
3
…
TOTAL
Resolver el sistema de Ecuaciones para definir 𝜷𝟎 ; 𝜷𝟏
𝒏 ∑ 𝒍𝒏(𝒙) ∑𝒚
| |
𝟐
∑ 𝒍𝒏(𝒙) ∑ 𝒍𝒏 (𝒙) 𝒚 ∑ 𝒍𝒏(𝒙)
∑𝒚 ∑ 𝒍𝒏(𝒙)
| |
𝒚 ∑ 𝒍𝒏(𝒙) ∑ 𝒍𝒏 𝟐 (𝒙) ∑ 𝒚 . ∑ 𝒍𝒏 𝟐 (𝒙) − 𝒚 ∑ 𝐥 𝐧(𝒙) . ∑ 𝒍𝒏(𝒙)
𝜷𝟎 = =
𝒏 ∑ 𝒍𝒏(𝒙) 𝒏. [ ∑ 𝒍𝒏 𝟐 (𝒙)] − [∑ 𝒍𝒏(𝒙)]𝟐
| |
∑ 𝒍𝒏(𝒙) ∑ 𝒍𝒏 𝟐 (𝒙)
𝒏 ∑𝒚
⌈ ⌉
∑ 𝒍𝒏(𝒙) 𝒚 ∑ 𝒍𝒏(𝒙) 𝒏. [𝒚 ∑ 𝐥 𝐧(𝒙)] − ∑ 𝒍𝒏(𝒙) ∑ 𝒚
𝜷𝟏 = =
𝒏 ∑ 𝒍𝒏(𝒙) 𝒏. [∑ 𝒍𝒏 𝟐 (𝒙)] − [∑ 𝒍𝒏(𝒙)]
𝟐
| |
∑ 𝒍𝒏(𝒙) ∑ 𝒍𝒏 𝟐 (𝒙)
Índice de Correlación de Pearson
𝒏.[𝒚 ∑ 𝐥 𝐧(𝒙)]−∑ 𝒍𝒏(𝒙) ∑ 𝒚

𝒓(𝒙𝒚) =
√{𝒏.[∑ 𝒍𝒏 𝟐 (𝒙)]−[∑ 𝐥𝐧(𝒙)]𝟐 }{𝒏.[∑ 𝒚𝟐 )]−[∑ 𝒚]𝟐 }
Índice de Determinación
𝑹𝟐 = 𝒓(𝒙𝒚) 𝟐
EJERCICIO: Sobre la base de la siguiente información determinar entre el
modelo de regresión lineal y el modelo logarítmico cual de los modelos se
adapta a las condiciones dadas
X 4 8 12 14 18 23 28 32
Y 240 200 150 130 100 80 60 30

2. METODO EXPONENCIAL
• Expresiones del Modelo de Regresión No Lineal: Método Exponencial

𝒚 = 𝜷𝟎 + 𝜷𝟏 𝒙 𝑴𝒐𝒅𝒆𝒍𝒐 𝒍𝒊𝒏𝒆𝒂𝒍
𝒚 = 𝜷𝟎 ℮𝜷𝟏𝒙 𝑴𝒐𝒅𝒆𝒍𝒐 𝑵𝒐 𝒍𝒊𝒏𝒆𝒂𝒍 𝑬𝑿𝑷𝑶𝑵𝑬𝑵𝑪𝑰𝑨𝑳
En este modelo es necesario linealizarlo debemos aplicar los logaritmos y sus

propiedades a partir de la ecuación correspondiente al modelo:
𝒚 = 𝜷𝟎 ℮𝜷𝟏𝒙
𝒍𝒏(𝒚) = 𝒍𝒏[𝜷𝟎 ℮𝜷𝟏𝒙 ]
𝒍𝒏(𝒚) = 𝒍𝒏𝜷𝟎 + 𝒍𝒏[℮𝜷𝟏𝒙 ]
𝒍𝒏(𝒚) = 𝒍𝒏𝜷𝟎 + 𝜷𝟏 𝒙𝒍𝒏[℮] 𝒍𝒏[℮] = 𝟏
𝒍𝒏(𝒚) = 𝒍𝒏𝜷𝟎 + 𝜷𝟏 𝒙 𝒎𝒐𝒅𝒆𝒍𝒐 𝒆𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍 𝒍𝒊𝒏𝒆𝒂𝒍𝒊𝒛𝒂𝒅𝒐

∑ 𝒍𝒏(𝒚) = 𝒏 𝒍𝒏(𝜷𝟎 ) + 𝜷𝟏 ∑ 𝒙
∑ 𝒙𝒍𝒏(𝒚) = 𝒍𝒏(𝜷𝟎 ) ∑ 𝒙 + 𝜷𝟏 ∑ 𝒙𝟐
Realizar el Diagrama de Dispersión de los datos

Contar con la Tabla de valores para la aplicación y determinación de 𝒍𝒏(𝜷𝟎 ); 𝜷𝟏
# par de VI “x” VD “y” ln(y) xln(y) x2 Ln2(y)
datos
1
2
3
…
TOTAL
Resolver el sistema de Ecuaciones para definir 𝒍𝒏(𝜷𝟎 ); 𝜷𝟏
𝑛 ∑𝒙 ∑ 𝒍𝒏(𝒚)
| |
𝟐
∑𝒙 ∑ 𝒙 ∑ 𝒙𝒍𝒏(𝒚)
∑ 𝒍𝒏(𝒚) ∑𝒙
| |
∑ 𝒙𝒍𝒏(𝒚) ∑ 𝒙𝟐 ∑ 𝒍𝒏(𝒚). ∑ 𝒙𝟐 − [∑ 𝒙𝒍𝒏(𝒚). ∑ 𝒙]
𝒍𝒏(𝜷𝟎 ) = =
𝑛 ∑𝒙 𝒏. ∑ 𝒙𝟐 − (∑ 𝒙)
𝟐
| |
∑ 𝒙 ∑ 𝒙𝟐
∑ 𝒍𝒏(𝒚). ∑ 𝒙𝟐 −[ ∑ 𝒙𝒍𝒏(𝒚).∑ 𝒙]
𝟐
𝒍𝒏(𝜷𝟎 ) ⇔ 𝜷𝟎 = ℮ 𝒏.∑ 𝒙𝟐 −(∑ 𝒙)
𝒏 ∑ 𝒍𝒏(𝒚)
| |
∑𝒙 ∑ 𝒙𝒍𝒏(𝒚) 𝒏. ∑ 𝒙𝒍𝒏(𝒚) − ∑ 𝒙 . ∑ 𝒍𝒏(𝒚)
𝜷𝟏 = =
𝑛 ∑𝒙 𝒏. ∑ 𝒙𝟐 − (∑ 𝒙)
𝟐
| |
∑ 𝒙 ∑ 𝒙𝟐
Índice de Correlación de Pearson

𝒏.∑ 𝒙𝒍𝒏(𝒚)−∑ 𝒙.∑ 𝒍𝒏(𝒚)
𝒓(𝒙𝒚) =
𝟐 𝟐
√[𝒏.∑ 𝒙𝟐 −(∑ 𝒙) ] [𝒏.∑ 𝒍𝒏𝟐 (𝒚)−(∑ 𝒍𝒏𝒚) ]
𝑹𝟐 = 𝒓(𝒙𝒚) 𝟐
Ejercicio de Aplicación
1. Determinar el Modelo de Regresión ideal para la siguiente matriz de datos
que relaciona la potencia de una máquina secadora de productos
alimenticios en relación a la carga que soporta para ello determine los
modelos tanto lineal como logarítmico y exponencial y cuál será el modelo
que recomiende en este caso
Tiempo Pérdida de
( días) peso (mg)
160 126
180 103
200 82
220 75
240 82
260 40
280 20
𝒚 = 𝟏𝟖𝟗, 𝟐𝟏℮−𝟎,𝟐𝟔𝟓𝒙
−𝟎,𝟐𝟔𝟓
𝒍𝒏(𝜷𝟎 ) ⇔ 𝜷𝟎 = ℮ = 𝟎, 𝟕𝟔𝟕𝟐𝟖
𝜷𝟏 = 𝟏𝟖𝟗, 𝟐𝟏
Pérdida
Nro par Tiempo (
de peso ln(Y) x* ln(Y) x2 ln2(Y)
de datos días) "x"
(mg) "y"
1 160 126 4,83628191 773,805105 25600 23,3896227
2 180 103 4,63472899 834,251218 32400 21,4807128
3 200 82 4,40671925 881,343849 40000 19,4191745
4 220 75 4,31748811 949,847385 48400 18,6407036
5 240 82 4,40671925 1057,61262 57600 19,4191745
6 260 40 3,68887945 959,108658 67600 13,6078316
7 280 20 2,99573227 838,805037 78400 8,97441185
TOTAL 1540 29,286549 6294,7739 350000 124,93163
2. Determinar el Modelo de Regresión ideal para la siguiente matriz de datos

que relaciona la potencia de una máquina en relación a la carga que
soporta para ello determine los modelos tanto lineal como logarítmico y
exponencial y cuál será el modelo que recomiende en este caso
Tiempo Pérdida de
(meses) peso Kg
50 30
100 60
500 80
1000 90
5000 99
10000 120
3. Determinar el Modelo de Regresión ideal para el siguiente proceso de

secado de una cantidad de pulpa sometido en un lapso de tiempo mediante
un control de su temperatura para ello determine los modelos tanto lineal
como logarítmico y cual será el modelo que recomiende en este caso (Nota
no es necesario verificar el índice de determinación: Modelo de T Student).
Tiempo Pérdida de
(meses) peso Kg
1 8,45
2 7,23
3 4,12
4 3,2
5 2,08
3. En la producción de herramientas, el método para deformar acero a

temperatura normal mantiene una relación inversa con la dureza del mismo
ya que, a medida que la deformación crece, se ve afectada la dureza del
acero. Para investigar esta relación se ha tomado la siguiente muestra:
“x” 6 9 11 13 22 26 28 33 35
deformación
(mm)
“y” Dureza 68 67 65 53 44 40 37 34 32
Brinell kg/mm2
Tabla 1: Deformación y Dureza Brinell
Determinar el Modelo de Regresión ideal de acuerdo a los modelos de Regresión

Lineal y No Lineal (logarítmico y exponencial) en caso de seleccionar el modelo
de Regresión lineal se recomienda verificar el índice de determinación a través
del Modelo de T Student).
4. La producción de insumos médicos expresado en millones de dólares y las

exportaciones realizadas en miles de Toneladas. Para investigar y proyectar
su producción se ha tomado la demanda de los últimos 5 años en la siguiente
muestra
“x”: Producción “y”: Exportaciones

15 1
18 3
23 8
25 15
28 30
• Cuando de tiene una producción de 20 millones de dólares cual será la
exportación esperada sobre la base de la información
• Establezca con cual de los modelos sea lineal o no lineal el valor es fiable.
Fecha: 12 de Julio 2022

4. METODO POTENCIAL
• Expresiones del Modelo de Regresión No Lineal: Método potencial

𝒚 = 𝜷𝟎 𝒙𝜷𝟏 𝑴𝒐𝒅𝒆𝒍𝒐 𝑵𝒐 𝒍𝒊𝒏𝒆𝒂𝒍 "𝑷𝑶𝑻𝑬𝑵𝑪𝑰𝑨𝑳"

En este modelo es necesario linealizarlo debemos aplicar los logaritmos
𝑳𝒏(𝒚) = 𝒍𝒏 [𝜷𝟎 𝒙𝜷𝟏 ]

𝑳𝒏(𝒚) = 𝒍𝒏 𝜷𝟎 + 𝒍𝒏[ 𝒙𝜷𝟏 ]
𝑳𝒏(𝒚) = 𝒍𝒏 𝜷𝟎 + 𝜷𝟏 𝒍𝒏(𝒙) 𝑴𝒐𝒅𝒆𝒍𝒐 𝑷𝒐𝒕𝒆𝒏𝒄𝒊𝒂𝒍 𝑳𝒊𝒏𝒆𝒂𝒍𝒊𝒛𝒂𝒅𝒐
𝑳𝒏(𝒚) = 𝒍𝒏 𝜷𝟎 + 𝜷𝟏 𝒍𝒏(𝒙)
Encontrar el sistema de dos ecuaciones a partir del Modelo Linealizado

para definir (𝜷𝟎 ; 𝜷𝟏 )
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏: ∑ 𝑳𝒏(𝒚) = 𝒏𝒍𝒏 𝜷𝟎 + 𝜷𝟏 ∑ 𝑳𝒏(𝒙)
𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐: ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚) = 𝒍𝒏 𝜷𝟎 ∑ 𝑳𝒏(𝒙) + 𝜷𝟏 ∑ 𝑳𝒏 𝟐 (𝒙)
Separar los coeficientes y el término Independiente para aplicar Regla de Cramer
𝒏 ∑ 𝑳𝒏(𝒙) ∑ 𝑳𝒏(𝒚)
| |
∑ 𝑳𝒏(𝒙) ∑ 𝑳𝒏 𝟐 (𝒙) ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚)
∑ 𝑳𝒏(𝒚) ∑ 𝑳𝒏(𝒙)
| |
∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚) ∑ 𝑳𝒏 𝟐 (𝒙)
𝐥 𝐧 𝜷𝟎 = =
𝒏 ∑ 𝑳𝒏(𝒙)
| |
∑ 𝑳𝒏(𝒙) ∑ 𝑳𝒏 𝟐 (𝒙)
∑ 𝑳𝒏(𝒚) . ∑ 𝑳𝒏 𝟐 (𝒙) − ∑ 𝑳𝒏(𝒙) . ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚)

𝐥 𝐧 𝜷𝟎 =
𝒏. ∑ 𝑳𝒏 𝟐 (𝒙) − [∑ 𝑳𝒏(𝒙)]𝟐
∑ 𝑳𝒏(𝒚).∑ 𝑳𝒏 𝟐 (𝒙)−∑ 𝑳𝒏(𝒙).∑ 𝒍𝒏(𝒙).𝑳𝒏(𝒚)

𝜷𝟎 = ℮ 𝒏.∑ 𝑳𝒏 𝟐 (𝒙)−[∑ 𝑳𝒏(𝒙)]𝟐
℮ = 𝟐, 𝟕𝟏𝟖𝟐𝟖𝟏𝟖𝟑 …
𝒏 ∑ 𝑳𝒏(𝒚)
| |
∑ 𝑳𝒏(𝒙) ∑ 𝒍𝒏(𝒙).𝑳𝒏(𝒚)
𝜷𝟏 = 𝒏 ∑ 𝑳𝒏(𝒙) =
| |
∑ 𝑳𝒏(𝒙) ∑ 𝑳𝒏 𝟐 (𝒙)
𝒏. ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚) − ∑ 𝑳𝒏(𝒙) . ∑ 𝑳𝒏(𝒚)

𝜷𝟏 =
𝒏. ∑ 𝑳𝒏 𝟐 (𝒙) − [∑ 𝑳𝒏(𝒙)]𝟐
Índice de Correlación No lineal (Índice de correlación Bondad del Ajuste)
𝒏. ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚) − ∑ 𝑳𝒏(𝒙) . ∑ 𝑳𝒏(𝒚)

𝑟𝑥,𝑦 =
√[𝒏. ∑ 𝑳𝒏 𝟐 (𝒙) − [∑ 𝑳𝒏(𝒙)]𝟐 ][𝒏. ∑ 𝑳𝒏 𝟐 (𝒚) − [∑ 𝑳𝒏(𝒚)]𝟐 ]
Tabla de valores ( ordenada)
# pares “x” “y” Ln(x) Ln(y) Ln(x).ln(y) Ln2(x) Ln2(y)
ordenados VI VD
1
2
…
Suma
𝑹𝟐 = 𝒓(𝒙𝒚) 𝟐
MODELO DE REGRESIÓN POLINÓMICO

A) MODELO PARABOLICO O CUADRÁTICO
MODELO DE REGRESIÓN CUADRÁTICO O PARABOLICO
Es el proceso por el cuál encontramos la ecuación de la parábola que mejor se ajuste para un
conjunto o serie de datos. Como resultado, obtenemos una ecuación de la forma:
𝒚 = 𝒄𝒙𝟐 + 𝒃𝒙 + 𝒂. Donde 𝒄 ≠ 𝟎.
𝒚 = 𝜷𝟐 𝒙𝟐 + 𝜷𝟏 𝒙 + 𝜷𝟎 . Donde 𝜷𝟐 ≠ 𝟎.
La potencia predictiva relativa de un modelo cuadrático está denotada por el índice de

determinación 𝑟 2 ; y, por el índice de correlación de Pearson que para este caso se detalla a
continuación, en la desarrollo del Modelo de Regresión correspondiente (ECUACIONES O
EXPRESIONES ESPECIALES PARA EL MODELO IMPOSIBLE DE LINEALIZARLOS). El valor
de 𝑟 2 varía entre 0 y 1. Mientras más cercano el valor esté de 1, más preciso será el modelo.
(∑ 𝒙)(∑ 𝒚) (∑ 𝒙𝟐 )(∑ 𝒚)
𝒃 (∑ 𝒙𝒚 − ) + 𝒄 ( ∑ 𝒙𝟐 𝒚 − )
𝒏 𝒏
𝒓𝟐 =
(∑ 𝒚)𝟐
(∑ 𝒚𝟐 − )
𝒏
(∑ 𝒙)(∑ 𝒚) (∑ 𝒙𝟐 )(∑ 𝒚)
𝒃 (∑ 𝒙𝒚 − ) + 𝒄 (∑ 𝒙𝟐 𝒚 − )
𝒏 𝒏
𝒓 𝒙,𝒚 =√
(∑ 𝒚)𝟐
( ∑ 𝒚𝟐 − )
𝒏
Las expresiones matemáticas (sistema de ecuaciones) consideradas como normales para el

ajuste cuadrático correspondiente tenemos:
∑𝑦 = 𝑛𝑎 + 𝑏 ∑𝑥 + 𝑐∑𝑥²
∑𝑥𝑦 = 𝑎 ∑𝑥 + 𝑏∑𝑥 2 + 𝑐 ∑𝑥 ³
∑𝑥 2 𝑦 = 𝑎 ∑𝑥 2 + 𝑏 ∑𝑥 3 + 𝑏 ∑𝑥 4
𝟐
(∑ 𝒙)(∑ 𝒚) (∑ 𝒙𝟐 ) (∑ 𝒙𝟐 )(∑ 𝒚) (∑ 𝒙𝟐 )(∑ 𝒙)
[∑ 𝒙𝒚 − ] [∑ 𝒙 𝟒 − ] − [∑ 𝒙 𝟐 𝒚 − ] [ ∑ 𝒙𝟑 − ]
𝒏 𝒏 𝒏 𝒏
𝒃= 𝟐
(∑ 𝒙)𝟐 (∑ 𝒙𝟐 )𝟐 (∑ 𝒙𝟐 )(∑ 𝒙)
[∑ 𝒙𝟐 − ] [∑ 𝒙 𝟒 − ] − [∑ 𝒙 𝟑 − ]
𝒏 𝒏 𝒏
(∑ 𝒙)𝟐 (∑ 𝒙𝟐 )(∑ 𝒚) (∑ 𝒙𝟐 )(∑ 𝒙) (∑ 𝒙)(∑ 𝒚)

[∑ 𝒙 𝟐 − ] [∑ 𝒙𝟐 𝒚 − ] − [ ∑ 𝒙𝟑 − ] [∑ 𝒙𝒚 − ]
𝒏 𝒏 𝒏 𝒏
𝒄= 𝟐
(∑ 𝒙)𝟐 (∑ 𝒙𝟐 )𝟐 (∑ 𝒙𝟐 )(∑ 𝒙)
[∑ 𝒙𝟐 − ] [∑ 𝒙 𝟒 − ] − [∑ 𝒙 𝟑 − ]
𝒏 𝒏 𝒏
(∑ 𝒚) − 𝒃 (∑ 𝒙) − 𝒄 (∑ 𝒙𝟐 )
𝒂=[ ]
𝒏
𝒚 = 𝒄𝒙𝟐 + 𝒃𝒙 + 𝒂
“n “ # VI “x” VD “y” x2 x3 x4 y2 xy x2y

datos
orden
TOTAL
Ejercicio de Aplicación
Determinar el ajuste ideal para la siguiente tabla de valores hipotético (lineal, logarítmico,
exponencial, potencial [cuadrático o parabólico]
Tiempo (meses) Pérdida de peso Kg

1 8,45
2 7,23
3 4,12
4 3,2
5 2,08
Cuál es el modelo que más se ajusta a la bondad de los datos hipotéticos
para ello realizar la aplicación de cada modelo señalado, para ello realice
los cálculos en Excel y realice un reporte en Word de la resolución del
ejercicio y de cada uno de los métodos.

Métodos No Lineales 2023 Nueva Etapa

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Métodos No Lineales 2023 Nueva Etapa

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE LOJA

FACULTAD DE ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS NATURALES NO RENOVABLES

MODELO DE REGRESIÓN NO LINEAL

Valor del Índice de Correlación Pearson Criterio

Valor del Índice de Correlación Pearson Criterio

MODELO DE REGRESIÓN NO LINEAL

• Expresiones del Modelo de Regresión No Lineal: Método Logarítmico

𝒚 ∑ 𝒍𝒏(𝒙) = 𝜷𝟎 ∑ 𝒍𝒏(𝒙) + 𝜷𝟏 ∑ 𝒍𝒏 𝟐 (𝒙)

Realizar el Diagrama de Dispersión de los datos

Contar con la Tabla de valores para la aplicación y determinación de 𝜷𝟎 ; 𝜷𝟏

Resolver el sistema de Ecuaciones para definir 𝜷𝟎 ; 𝜷𝟏

Índice de Correlación de Pearson

𝒏.[𝒚 ∑ 𝐥 𝐧(𝒙)]−∑ 𝒍𝒏(𝒙) ∑ 𝒚

MODELO DE REGRESIÓN NO LINEAL

• Expresiones del Modelo de Regresión No Lineal: Método Exponencial

𝒚 = 𝜷𝟎 ℮𝜷𝟏𝒙 𝑴𝒐𝒅𝒆𝒍𝒐 𝑵𝒐 𝒍𝒊𝒏𝒆𝒂𝒍 𝑬𝑿𝑷𝑶𝑵𝑬𝑵𝑪𝑰𝑨𝑳

En este modelo es necesario linealizarlo debemos aplicar los logaritmos y sus

𝒍𝒏(𝒚) = 𝒍𝒏[𝜷𝟎 ℮𝜷𝟏𝒙 ]

𝒍𝒏(𝒚) = 𝒍𝒏𝜷𝟎 + 𝒍𝒏[℮𝜷𝟏𝒙 ]

𝒍𝒏(𝒚) = 𝒍𝒏𝜷𝟎 + 𝜷𝟏 𝒙𝒍𝒏[℮] 𝒍𝒏[℮] = 𝟏

𝒍𝒏(𝒚) = 𝒍𝒏𝜷𝟎 + 𝜷𝟏 𝒙 𝒎𝒐𝒅𝒆𝒍𝒐 𝒆𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍 𝒍𝒊𝒏𝒆𝒂𝒍𝒊𝒛𝒂𝒅𝒐

Realizar el Diagrama de Dispersión de los datos

Índice de Correlación de Pearson

2. Determinar el Modelo de Regresión ideal para la siguiente matriz de datos

3. Determinar el Modelo de Regresión ideal para el siguiente proceso de

3. En la producción de herramientas, el método para deformar acero a

Determinar el Modelo de Regresión ideal de acuerdo a los modelos de Regresión

4. La producción de insumos médicos expresado en millones de dólares y las

“x”: Producción “y”: Exportaciones

Fecha: 12 de Julio 2022

MODELO DE REGRESIÓN NO LINEAL

• Expresiones del Modelo de Regresión No Lineal: Método potencial

𝒚 = 𝜷𝟎 𝒙𝜷𝟏 𝑴𝒐𝒅𝒆𝒍𝒐 𝑵𝒐 𝒍𝒊𝒏𝒆𝒂𝒍 "𝑷𝑶𝑻𝑬𝑵𝑪𝑰𝑨𝑳"

𝑳𝒏(𝒚) = 𝒍𝒏 [𝜷𝟎 𝒙𝜷𝟏 ]

Encontrar el sistema de dos ecuaciones a partir del Modelo Linealizado

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟏: ∑ 𝑳𝒏(𝒚) = 𝒏𝒍𝒏 𝜷𝟎 + 𝜷𝟏 ∑ 𝑳𝒏(𝒙)

𝑬𝒄𝒖𝒂𝒄𝒊ó𝒏 𝟐: ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚) = 𝒍𝒏 𝜷𝟎 ∑ 𝑳𝒏(𝒙) + 𝜷𝟏 ∑ 𝑳𝒏 𝟐 (𝒙)

Separar los coeficientes y el término Independiente para aplicar Regla de Cramer

∑ 𝑳𝒏(𝒚) . ∑ 𝑳𝒏 𝟐 (𝒙) − ∑ 𝑳𝒏(𝒙) . ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚)

∑ 𝑳𝒏(𝒚).∑ 𝑳𝒏 𝟐 (𝒙)−∑ 𝑳𝒏(𝒙).∑ 𝒍𝒏(𝒙).𝑳𝒏(𝒚)

𝒏. ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚) − ∑ 𝑳𝒏(𝒙) . ∑ 𝑳𝒏(𝒚)

𝒏. ∑ 𝒍𝒏(𝒙). 𝑳𝒏(𝒚) − ∑ 𝑳𝒏(𝒙) . ∑ 𝑳𝒏(𝒚)

MODELO DE REGRESIÓN POLINÓMICO

La potencia predictiva relativa de un modelo cuadrático está denotada por el índice de

Las expresiones matemáticas (sistema de ecuaciones) consideradas como normales para el

(∑ 𝒙)𝟐 (∑ 𝒙𝟐 )(∑ 𝒚) (∑ 𝒙𝟐 )(∑ 𝒙) (∑ 𝒙)(∑ 𝒚)

“n “ # VI “x” VD “y” x2 x3 x4 y2 xy x2y

Tiempo (meses) Pérdida de peso Kg

También podría gustarte