REGRESION POLINOMIAL

Algunos datos cientficos o de ingeniera, pueden presentar un patrn como este:

Que como puede intuirse, se representan pobremente mediante una lnea recta.
En estos casos, se ajusta mejor una curva a los datos.
Para ello se recomienda regresin polinomial.
El procedimiento de mnimos cuadrados se puede extender fcilmente y ajustar
datos a un polinomio de grado m.
Y = ao + a1x + a2x2 + a3x3 + + amxm
Diego Egas Varea

REGRESION POLINOMIAL
En este caso, la suma de los cuadrados es:
n

Sr =

( Yi a - a x - a x
o

1 i

2 i

a3xi3 - - amxim )2

i=1

Que a la larga nos llevar al siguiente conjunto de ecuaciones :

Diego Egas Varea

REGRESION POLINOMIAL
Entonces, el problema de determinar polinomios de grado m con mnimos
cuadrados es equivalente a resolver un sistema de m+1 ecuaciones lineales
simultneas.
As como en la regresin lineal, el error en la regresin polinomial se puede
cuantificar mediante el error estndar de aproximacin:

Sy/x =

Donde m es el grado del polinomio

que queremos ajustar.

Sr
n (m+1)

Adems del error estndar, se puede calcular tambin el coeficiente de

determinacin, de la misma manera que para el caso lineal:
r2=

St - Sr
St

Diego Egas Varea

REGRESION POLINOMIAL
Ejemplo: a partir de los datos de la tabla que se presenta a continuacin,
ajuste un polinomio de segundo grado, utilizando regresin polinomial.
Xi
0
1
2
3
4
5

Yi
2,1
7,7
13,6
27,2
40,9
61,1

Para el caso que nos ocupa,

m = 2 (el grado del polinomio que necesitamos)
n = 6 (la cantidad de datos)

Y el conjunto general de ecuaciones queda instanciado de la siguiente manera:

Xi

Yi

0
1
2
3
4
5
Xi
15

2,1
7,7
13,6
27,2
40,9
61,1
Yi
152,6

Xi2
0
1
4
9
16
25
Xi2
55

Xi3
0
1
8
27
64
125
Xi3
225

Xi4
0
1
16
81
256
625
Xi4
979

Diego Egas Varea

XiYi
0
7,7
27,2
81,6
163,6
305,5
XiYi
585,6

Xi2 Yi
0
7,7
54,4
244,8
654,4
1527,5
Xi2Yi
2488,8

REGRESION POLINOMIAL
Por lo tanto, las ecuaciones lineales simultneas son:

O en un formato ms familiar:

Resolviendo ese sistema con alguna tcnica como la eliminacin gaussiana,

se obtiene:

ao =

2.47857

a1 =

2.35929

a2 =

1.86071

El polinomio es: 1.86071x2 + 2.35929x + 2.47857

Diego Egas Varea

REGRESION POLINOMIAL
Debemos calcular Sr y St
Sr
nos servir para calcular el error estndar de aproximacin basado en la
regresin polinomial.
St
nos servir para calcular el coeficiente de determinacin.
Xtrazo
Ytrazo

2,5000
25,4333

Xi

Yi

0
1
2
3
4
5
Xi
15

2,1
7,7
13,6
27,2
40,9
61,1
Yi
152,6

Xi3
0
1
8
27
64
125
Xi3
225

Xi4
0
1
16
81
256
625
Xi4
979

XiYi
0
7,7
27,2
81,6
163,6
305,5
XiYi
585,6

Sr
n (m+1)

Sy/x =
Sy =

Xi2
0
1
4
9
16
25
Xi2
55

ao = 2.47857

St
n-1

Xi2 Yi
0
7,7
54,4
244,8
654,4
1527,5
Xi2Yi
2488,8

Sy/x =

2513.3933
5

a1 = 2.35929

( Yi Ytrazo )2
544,4444
314,4711
140,0278
3,1211
239,2178
1272,1111
St
2513,3933

3.74657
63

a2 = 1.86071
(

Yi - ao - a1xi - a2xi2 )2

0,14332
1,00286
1,08158
0,80491
0,61951
0,09439
Sr
3,74657

= 1.1175

= 22.4205

St - Sr
2513.3933 - 3.74657
=
= 0.99851
2513.3933
St
Diego Egas Varea

El resultado indica que el 99.851%

de la incertidumbre original se ha
explicado mediante el modelo.