REGRESIÓN NO LINEAL

Regresión Polinomial.- Si el diagrama de dispersión muestra una

curvatura, entonces podríamos usar un polinomio en X, de cierto grado,
para aproximar la verdadera curva de regresión. En general el modelo
matemático es:

Donde

Cabe destacar que lo que se busca y se prefiere en forma general es un

polinomio de un orden relativamente bajo; se deberá evitar el empleo de
potencias muy grandes de la variable de predicción.

Modelo de Regresión Polinomial de Segundo Grado

Donde 1 es el coeficiente lineal y 2 es el coeficiente cuadrático.

El interés recae en probar la hipótesis:

Ejemplo.- La demanda de cierto producto cambió debido a una variación rápida de su

precio por unidad. Supóngase que la demanda Y del producto se observa en una región
geográfica sobre un intervalo bastante amplio de precios X.
Demanda Precio
(unidades) (dólares)
360 8.8
305 9.7
230 9.9
242 10.3
180 11.0
172 12.5
121 13.2
83 14.8
122 15.8
91 17.4
105 18.2

Determine el grado de un polinomio que mejor se ajuste estos datos.

Solución
El diagrama de dispersión revela una curvatura, lo cual indica que debe
intentarse el ajuste con un modelo cuadrático, cuya ecuación de regresión
muestral es:
 Y = a n + b1  X + b2  X2
 XY = a  X + b1  X2 + b2  X3
 X2Y = a  X2 + b1  X3 + b2  X4

Nota.- Si consideramos que el modelo es lineal, la ecuación de regresión

sería:

Y = 497 - 24,4 X

Predictor Coef SE Coef T P

Constante 497,16 60,85 8,17 0,000

X - 24,419 4,594 5,32 0,000

S = 47,5282 R-cuad. = 75,8% R-cuad.(ajustado) = 73,2%

Por lo pronto estamos aceptando que el modelo es lineal, con un

R2 = 75.8%
Enseguida trataremos de ver si el modelo cuadrático es el que mejor
relaciona a dichas variables.
 Y X X*Y X*2 X*2 ( Y ) X*3 X*4

360 8,8 3168,0 77,44 27878,4 681,47 5997

305 9,7 2958,5 94,09 28697,5 912,67 8853
230 9,9 2277,0 98,01 22542,3 970,30 9606
242 10,3 2492,6 106,09 25673,8 1092,73 11255
180 11,0 1980,0 121,00 21780,0 1331,00 14641
172 12,5 2150,0 156,25 26875,0 1953,13 24414
121 13,2 1597,2 174,24 21083,0 2299,97 30360
83 14,8 1228,4 219,04 18180,3 3241,79 47979
122 15,8 1927,6 249,64 30456,1 3944,31 62320
91 17,4 1583,4 302,76 27551,2 5268,02 91664
105 18,2 1911,0 331,24 34780,2 6028,57 109720

En donde Y = 2011  X = 141.6  XY = 23273.7  X2 = 1929.8

 X2Y = 285497.73  X3 = 27723.96  X4 = 416807.7764

Luego reemplazando en el sistema de ecuaciones y resolviendo obtenemos

la siguiente ecuación de regresión:
= 1330.4 - 155.47 X + 4.866 X2

Por otro lado

Reemplazando los resultados obtenidos en dicha fórmula tenemos que

r2 = 0.936
Lo cual nos indica que el 93.6 % de las variaciones que se observan en la
demanda, se explican por la variación de los precios y el 6.4 % restante se
debería a la influencia de alguna otra variable no tomada en cuenta en
nuestro estudio.

Resultados obtenidos por computadora, en MINITAB

Predictor Coef SE Coef T P
Constant 1330,4 179,6 7,41 0,000
X -155,47 27,87 -5,58 0,001
X**2 4,866 1,031 4,72 0,001

S = 25,9058 R-Sq = 93,6% R-Sq(adj) = 92,0%

Análisis de Varianza
Fuente de Variación GL SC CM F P
Regresión 2 78777 39388 58,69 0,000
Error Residual 8 5369 671
Total 10 84146

Análisis de varianza adicional; nos muestra la Suma de Cuadrados

explicada por cada variable que entre en el orden dado:

Fuente de Variación GL SC Secuencial

X 1 63815
X**2 1 14962

Prueba de hipótesis para evaluar la significancia del

coeficiente 2
Ho: B2 = 0 (El incluir el efecto curvilíneo no mejora significativamente el
modelo)
H1: B2  0
Usando  = 0.05

Regla de decisión: Rechazaremos Ho si Fc > F(1,8) 0.05 = 5.32

Por lo que rechazaremos Ho; por lo tanto, incluiremos a B 2 (coeficiente

cuadrático) en nuestra ecuación de regresión.

Nota.- Similar conclusión es la que podemos obtener si observamos el

valor de P = 0.001 correspondiente a la variable X**2
 Regresión Exponencial o Semilogarítmica

Este modelo tiene la siguiente forma:

Por otro lado:

Ejemplo.- Los siguientes datos representan el número de bacterias

presentes en un cultivo. Se efectuaron recuentos cada dos horas:
X: Horas 2 4 6 8 10 12 14
 Y: Nº bacterias 19 37 72 142 295 584 995

Solución
X Y Log Y X**2 X*log Y

2 19 1,278754 4 2,557508
4 37 1,568202 16 6,272808
6 72 1,857332 36 11,143992
8 142 2,152288 64 17,218304
10 295 2,469822 100 24,698220
12 584 2,766413 144 33,196956
14 995 2,997823 196 41,969522
56 15,09063 560 137,057310

La ecuación de regresión exponencial obtenida es:

Log = 0.9892 + 0.1458 X
Por otro lado r2 = 0.999
Lo cual indica un alto grado de ajuste, es decir la ecuación obtenida es
altamente confiable para hacer nuestras estimaciones.
También podemos expresar la ecuación de regresión en función de sus
antilogarítmos en la forma:
En donde la tasa promedio de crecimiento está dado por:

De acuerdo a esto, podemos decir que las bacterias se incrementaron en

aproximadamente un 40 % por hora.
Análisis de regresión: Log Y vs. X

La ecuación de regresión es
Log Y = 0,989 + 0,146 X

Predictor Coef SE Coef T P

Constante 0,98922 0,01856 53,29 0,000
X 0,145824 0,002076 70,26 0,000

S = 0,0219652 R-cuad. = 99,9% R-cuad.(ajustado) = 99,9%

Análisis de varianza
Fuente GL SC CM F P
Regresión 1 2,3816 2,3816 4936,30 0,000
Error residual 5 0,0024 0,0005
Total 6 2,3840
 Nota.- Usando logaritmos naturales

En donde

La ecuación de regresión es:

Tasa de crecimiento:

Regresión Potencial o Modelo Logarítmica

Donde:

Por otro lado

Ejemplo.- Las cantidades Y de una sustancia no transformada en seis

reacciones similares después de X minutos; están dadas en la siguiente
tabla:

X (min): 1 2 2 3 5 6
Y (mg): 23.5 16.9 17.5 14 9.8 8.9
 X Y Log X Log Y LogX*LogY Log X**2

1 23,5 0,000000 1,37107 0,000000 0,000000

2 16,9 0,301030 1,22789 0,369631 0,090619
2 17,5 0,301030 1,24304 0,374192 0,090619
3 14,0 0,477121 1,14613 0,546842 0,227645
5 9,8 0,698970 0,99123 0,692837 0,488559
6 8,9 0,778151 0,94939 0,738769 0,605519
2,556302 6,92874 2,722271 1,502961

La ecuación de regresión potencial obtenida es:

Log = 1.39128 - 0.55508 log X

Por otro lado r2 = 0.989

También podemos expresar la ecuación de regresión en función del

antilogaritmo de a, en la forma siguiente:

De acuerdo a esto, podemos decir que al incrementarse el tiempo en 1 %,

entonces la cantidad de sustancia no transformada, se espera que se reduzca
en 0.555 %.

Resultados obtenidos en MINITAB

The regression equation is

Log = 1,3913 - 0,5551 Log X

Predictor Coef SE Coef T P

Constant 1,39128 0,01461 95,25 0,000
Log X -0,55508 0,02919 -19,02 0,000

S = 0,0187756 R-Sq = 98,9% R-Sq(adj) = 98,6%

El valor de predicción cuando X = 4 minutos es:
Log = 1.3913 - 0.5551 log 4 = 1.0570965
Entonces = 11.4 mg