Ordenar datos y formulas

DATOS
N° DAP (X) ALTURA (y)
1 15.6 17.4 RECTA DE
2 14.8 18.4 y = a + bx REGRESIÓN LINEAL
3 15.5 16.5
4 12.5 15.2
5 14.2 19.9
n xi yi   xi  yi
6 15.7 22.1 b
n xi2   xi  Formula de
2

7 12.3 14.8
8 14.2 17.3
“MINIMOS
CUADRADOS”
9 8.8 10.3
a
y i  b xi
10 11.9 14.6 n
 n xi yi   xi  yi
b
n xi2   xi 
2

Método de “MINIMOS CUADRADOS” para ajustar la línea de

regresión LINEAL

N° DAP (X) ALTURA (y) x*y 𝑥2 𝑦2

1 15.6 17.4 271.44 243.36 302.76
2 14.8 18.4 272.32 219.04 338.56 n xi yi   xi  yi 10∗ 2311.14 − 135.5 ∗(166.5)
b b= = 1.281
3 15.5 16.5 255.75 240.25 272.25 n x   xi 
2
2 10∗ 1879.01 −(135.5)2
i
4 12.5 15.2 190 156.25 231.04
5 14.2 19.9 282.58 201.64 396.01
6 15.7 22.1 346.97 246.49 488.41
a
y i  b xi
a=
166.5 −𝑏(135.5)
= -0.708
7 12.3 14.8 182.04 151.29 219.04 n 10
8 14.2 17.3 245.66 201.64 299.29
9 8.8 10.3 90.64 77.44 106.09
10 11.9 14.6 173.74 141.61 213.16
SUMA 135.5 166.5 2311.14 1879.01 2866.61
PROMEDIO 13.55 16.65 231.114 187.901 286.661 y = -0.708 + 1.281x Ecuación
desarrollada.
 Coeficiente de correlación (r) y coeficiente de determinación (R2)

Coeficiente de Correlación, r :

n xi yi   xi  yi
r
n x   x  n y
2
i i
2 2
i   yi 
2
 Entonces, la ecuación sería:
x = DAP
y = Altura ;

y = -0.708 +
Existe muy baja 1.281 x
correlación 1) Pendiente: Por cada centímetro que se
r= 10∗ 2311.14 − 135.5 ∗ 166.5
10∗ 1879.01 − 135.5 2 [10∗ 2866.61 −(166.5)2 ]
= 0.865 entre DAP y incrementa el DAP, la altura se
Altura. incrementa en 1.281 metros.

2) Intercepto: Un árbol con un DAP muy

Coeficiente de Determinación, R2 :
n x y   x  y 
El 74.70% de los
2 valores de "y"
pequeño (0), se estima que su
Altura será de -0.708. En este caso no tiene
sentido.
Esta recta, puede servir para predecir,

n x   x  n y   y  
es explicada suponga que tiene un árbol con un
R 2
 2
i i
2
i
2
i
2 = 0.747 por la DAP=8cm, entonces se estima que su altura
i i i i ecuación de sería de
regresión lineal. y = -0.78 + 1.281 * 8 = 9.54 metros.

Además el porcentaje de la variabilidad

total que explica el modelo es de
74,70% (r2 = 0.865 = 0.747).
 REGRESION LINEAL
25

20

15
ALTURA

y = 1.281x - 0.7079
R² = 0.7474
10

0
0 2 4 6 8 10 12 14 16 18
DAP

Series1 Linear (Series1)

 Método de “MINIMOS CUADRADOS” para ajustar la línea de
regresión LOGARITMICA

N° DAP (X) ALTURA (y) x´=ln(x) x´*y 𝑥´2 𝑦2

1 15.6 17.4 2.747 47.803 7.547 302.76
2 14.8 18.4 2.695 49.581 7.261 338.56
3 15.5 16.5 2.741 45.224 7.512 272.25 n x´i yi   x´i  yi 10∗ 436.255 − 25.930 ∗(166.5)
b b= = 15.667
n x´i2  x´i 
4 12.5 15.2 2.526 38.391 6.379 231.04 2
10∗ 67.523 −(25.930)2
5 14.2 19.9 2.653 52.800 7.040 396.01
6 15.7 22.1 2.754 60.856 7.583 488.41
7 12.3 14.8 2.510 37.142 6.298 219.04
8
9
14.2
8.8
17.3
10.3
2.653
2.175
45.901
22.400
7.040
4.730
299.29
106.09 a
 y  b x´
i i
a=
166.5 −𝑏(25.930)
= -23.975
n 10
10 11.9 14.6 2.477 36.157 6.133 213.16
SUMA 135.5 166.5 25.930 436.255 67.523 2866.61
PROMEDIO 13.55 16.65 2.593 43.625 6.752 286.661

y = -23.975 + 15.667ln(x) Ecuación

desarrollada.
 Ordenar datos y formulas
y = a + bln(x) RECTA DE REGRESION
LOGARITMICA
DATOS Linealizamos la ecuación :
N° DAP (X) ALTURA (y)
1 15.6 17.4
x´=ln(x)
2 14.8 18.4 recta de regresión
3 15.5 16.5 y = a + bx´ lineal
4 12.5 15.2
5 14.2 19.9
6 15.7 22.1
n xi yi   xi  yi
7 12.3 14.8 b
n xi2   xi  Formula de
2
8 14.2 17.3
9 8.8 10.3 “MINIMOS
10 11.9 14.6 CUADRADOS”
a
y i  b xi
n
Coeficiente de correlación (r) y coeficiente de determinación (R2)

Coeficiente de Correlación, r :

n x´i yi   x´i  yi
r
n x´   x´  n y   y  
2
i i
2 2
i i
2

Existe baja
r= 10∗ 436.255 − 25.930 ∗ 166.5
10∗ 67.523 − 25.930 2 [10∗ 2866.61 −(166.5)2 ]
= 0.867 correlación
entre DAP y
Altura.

Coeficiente de Determinación, R2 :

n x´ y   x´  y  2 El 75.20% de los

valores de "y"
R2 
n x´   x´  n y   y  
i i
2
i i
2
= 0.752 es explicada
2 2 por la
i i i i
ecuación de
regresión lineal.
 REGRESION LOGARITMICA
25

20

15
ALTURA

10

y = 15.667ln(x) - 23.975
R² = 0.7517
5

0
0 2 4 6 8 10 12 14 16 18
DAP

Series1 Log. (Series1)

 Ordenar datos y formulas RECTA DE REGRESIÓN
𝑦= 𝑎𝑒 𝑏𝑥 EXPONENCIAL
Linealizamos la ecuación :
DATOS ln 𝑦 = 𝑙𝑛𝑎𝑒 𝑏𝑥
N° DAP (X) ALTURA (y) ln 𝑦 = 𝑙𝑛𝑎 + 𝑙𝑛𝑒 𝑏𝑥
1 15.6 17.4
2 14.8 18.4
ln 𝑦 = 𝑙𝑛𝑎 + 𝑏𝑥
3 15.5 16.5
4 12.5 15.2 RECTA DE
𝑦´ = 𝑎´ + 𝑏𝑥 REGRESIÓN LINEAL
5 14.2 19.9
6 15.7 22.1
7 12.3 14.8
n xi yi   xi  yi
8 14.2 17.3 b
n xi2   xi  Formula de
2

9 8.8 10.3
10 11.9 14.6 “MINIMOS
CUADRADOS”
a
y i  b xi
n
 Método de “MINIMOS CUADRADOS” para ajustar la línea de
regresión EXPONENCIAL

N° DAP (X) ALTURA (y) y´=ln(y) x*y´ 𝑥2 𝑦´2

1 15.6 17.4 2.856 44.561 243.36 8.159
2 14.8 18.4 2.912 43.103 219.04 8.482
3 15.5 16.5 2.803 43.452 240.25 7.859 n xi y´i  xi  y´i
10∗ 382.252 − 135.5 ∗(27.938)
b= = 0.086
b 10∗ 1879.01 −(135.5)2
4 12.5 15.2 2.721 34.016 156.25 7.405 n xi2   xi 
2

5 14.2 19.9 2.991 42.468 201.64 8.944

6 15.7 22.1 3.096 48.601 246.49 9.583
a´  y´ b x
i i 27.938 −𝑏(135.5)
7 12.3 14.8 2.695 33.144 151.29 7.261
n
a´ = = 1.631
10
8 14.2 17.3 2.851 40.480 201.64 8.127
9 8.8 10.3 2.332 20.523 77.44 5.439
10 11.9 14.6 2.681 31.904 141.61 7.188
135.5 166.5 27.938 382.252 1879.01 78.447
SUMA
PROMEDIO 13.55 16.65 2.79383 38.225 187.901 7.845
a´ = 1.631 = lna a = 𝑒 1.631
antiln = 5.110
𝑦 = 5.110𝑒 0.086𝑥 Ecuación
desarrollada.
Coeficiente de correlación (r) y coeficiente de determinación (R2)

Coeficiente de Correlación, r :

n xi y´i   xi  y´i
r
n x   x  n y´   y´  
2
i i
2 2
i i
2

Existe buena
r= 10∗ 382.252 − 135.5 ∗ 27.938
10∗ 1879.01 − 135.5 2 [10∗ 78.447 −(27.938)2 ]
= 0.898 correlación
entre DAP y
Altura.

Coeficiente de Determinación, R2 :
El 80.70% de los

n x y´   x  y´  2 valores de "y"

es explicada

n x   x  n y´   y´  
i i i i
R2 2 = 0.807 2
por la
2 2 ecuación de
i i i i regresión
exponencial.
 REGRESION EXPONENCIAL
25

20

15
ALTURA

y = 5.1101e0.0858x
R² = 0.8071
10

0
0 2 4 6 8 10 12 14 16 18
DAP

Series1 Expon. (Series1)

 Ordenar datos y formulas 𝑏 RECTA DE REGRESIÓN
𝑦 = 𝑎𝑥 POTENCIAL

Linealizamos la ecuación :
DATOS
DAP (X) ALTURA (y)
𝑙𝑜𝑔𝑦 = 𝑙𝑜𝑔𝑎𝑥 𝑏
N°
1 15.6 17.4 𝑙𝑜𝑔𝑦 = 𝑙𝑜𝑔𝑎 + 𝑙𝑜𝑔𝑥 𝑏
2 14.8 18.4
𝑙𝑜𝑔𝑦 = 𝑙𝑜𝑔𝑎 + 𝑏𝑙𝑜𝑔𝑥
3 15.5 16.5
4 12.5 15.2 RECTA DE
5 14.2 19.9 y´ = 𝑎´ + 𝑏𝑥´ REGRESIÓN LINEAL
6 15.7 22.1
7 12.3 14.8
8 14.2 17.3 n xi yi   xi  yi
b
n xi2   xi  Formula de
2
9 8.8 10.3
10 11.9 14.6 “MINIMOS
CUADRADOS”
a
y i  b xi
n
 Método de “MINIMOS CUADRADOS” para ajustar la línea de
regresión POTENCIAL

N° DAP (X) ALTURA (y) x´= log(x) y´= log(y) x´*y´ 𝑥´2 𝑦´2
1 15.6 17.4 1.193 1.241 1.480 1.424 1.539
2 14.8 18.4 1.170 1.265 1.480 1.370 1.600
3 15.5 16.5 1.190 1.217 1.449 1.417 1.482
n x´i y´i  x´i  y´i 10∗ 13.721 − 11.261 ∗(12.133)
4 12.5 15.2 1.097 1.182 1.296 1.203 1.397 b b= = 1.060
n x´i2  x´i 
2
5 14.2 19.9 1.152 1.299 1.497 1.328 1.687 10∗ 12.736 −(11.261)2
6 15.7 22.1 1.196 1.344 1.608 1.430 1.807
7 12.3 14.8 1.090 1.170 1.275 1.188 1.370

a´ 
8 14.2 17.3 1.152 1.238 1.427 1.328 1.533 y´ b x´
i i a´ =
12.133 −𝑏(11.261)
= 0.020
9 8.8 10.3 0.944 1.013 0.957 0.892 1.026 10
n
10 11.9 14.6 1.076 1.164 1.252 1.157 1.356
SUMA 135.5 166.5 11.261 12.133 13.721 12.736 14.796
PROMEDIO 13.55 16.65 1.126 1.213 1.372 1.274 1.480

a´ = 0.020 = loga a = 100.020

Ecuación antiloga = 1.047
𝑦= 1.047𝑥 1.060 desarrollada.
Coeficiente de correlación (r) y coeficiente de determinación (R2)

Coeficiente de Correlación, r :

n x´i y´i   x´i  y´i

r
n x´   x´  n y´   y´  
2
i i
2 2
i i
2

Existe muy
r= 10∗ 13.721 − 11.261 ∗ 12.133
10∗ 12.736 − 11.261 2 [10∗ 14.796 −(12.133)2 ]
= 0.910 buena
correlacion
entre DAP y
Altura.

Coeficiente de Determinación, R2 :

El 82.80% de los

n x y´   x  y´ 
2 valores de "y" es
explicada por la

n x   x  n y´   y´  
2 i i i i
R 2 2 = 0.828 ecuacion de
2 2 regresion
i i i i exponencial.
 REGRESION POTENCIAL
25

20

15
ALTURA

10

y = 1.0473x1.0597
R² = 0.8277
5

0
0 2 4 6 8 10 12 14 16 18
DAP

Series1 Power (Series1)