TECNOLÓGICO NACIONAL DE MÉXICO CAMPUS MORELIA

DIVISIÓN DE ESTUDIOS PROFESIONALES

Ingeniería Industrial (A Distancia)
Estadística inferencial ll.

Unidad 1 REGRESION NO LINEAL

INVESTIGACION.

PRESENTA:

Eduardo Aguado Maldonado.

PROFESOR:

Claudia Agustina de la Riva Marshall.

8
MORELIA, MICHOACÁN 19 /Febrero/2024
INVESTIGACION:

¿QUE ES REGRESIÓN NO LINEAL?

• La regresión no lineal es un enfoque estadístico que se emplea para describir

la relación entre una variable dependiente continua y una o más variables
independientes, cuando esta relación no sigue una forma lineal.

En contraste con la regresión lineal, donde se asume una relación lineal entre
las variables, la regresión no lineal utiliza funciones más complejas, como
polinomios, exponenciales, logaritmos, entre otras, para modelar esta relación.
Aunque la regresión no lineal permite capturar relaciones más complicadas
entre las variables, su ajuste y comprensión pueden resultar más desafiantes
que en la regresión lineal, además de que puede ser más propensa a errores
de estimación.

¿CUANDO SE UTILIZA LA REGRESIÓN NO LINEAL?

• Se utiliza cuando la relación entre las variables en estudio no puede ser

adecuadamente modelada mediante una función lineal, es decir, cuando los
datos muestran una tendencia que no sigue una línea recta. Se aplica en
situaciones donde se espera que la relación entre las variables sea más
compleja, como en casos donde se observan patrones curvilíneos,
exponenciales, logarítmicos, o cualquier otro tipo de relación no lineal.

-Ejemplos de aplicaciones de la regresión no lineal:

• Crecimiento poblacional: La tasa de crecimiento de una población puede seguir

una curva exponencial.
• Decaimiento radiactivo: La tasa de desintegración de un radioisótopo sigue una
curva exponencial.
• Relación entre precio y demanda: La demanda de un producto puede disminuir
a medida que aumenta su precio, siguiendo una curva cónica.
¿CUALES SON LOS MODELOS NO LIENALES?

1. Modelos Polinomiales: Representan relaciones curvilíneas mediante polinomios de

diferentes grados, como \ (y = a + bx + cx^2 \).

2. Modelos Exponenciales: Adecuados para describir crecimientos o decrecimientos

exponenciales, como \ (y = a \cdot e^{bx} \).

3. Modelos Logarítmicos: Útiles cuando la variable dependiente aumenta o disminuye

de forma logarítmica respecto a la variable independiente, como \( y = a + b \cdot
\log(x) \).

4. Modelos Logísticos: Ideales para fenómenos con crecimiento limitado, como la

difusión de innovaciones, expresados como \(y = \frac{a}{1 + e^{-b(x-c)}} \).

5. Modelo de Potencia: También conocido como modelo de ley de potencias, describe

una relación de potencia entre las variables. Por ejemplo, \( y = ax^b \), donde \( a \) y
\( b \) son coeficientes.