Modelos no Lineales

Biometría II
11-O
 Definición
• Un modelo de regresión NO LINEAL se
puede definir como un ajuste a cualquier
modelo diferente del modelo de una
LINEA RECTA.
 Modelos Comunes
• Los modelos más comunes son
– Modelos Potenciales
– Modelos Exponenciales
– Modelos Polinmiales
 Diagrama de Dispersión

2500

2000
Tamaño de Población

1500

Serie1

1000

500

0
0 2 4 6 8 10 12 14
Generaciones
 Modelo potencial
• Es un modelo del tipo

Y = β0 X β1

• Es un crecimiento que se incrementa

primero lentamente y luego más rápido.
2500

2000

1500

Ser i e1

Potenci al (Ser i e1)

1000

y = 6.8117x1.7433
500
R2 = 0.6931

0
0 2 4 6 8 10 12 14
 Compa r a c i ón Re gr e si ón P ot e nc i a l

1200

1000

800

B1=1
600 B1=2

B1=3

400

200

0
0 2 4 6 8 10 12
 Linerización
• Antiguamente, Cuando no había computadoras
estas ecuaciones se “Linera izaban”, es decir se
transformaban a una línea recta usando logaritmos

Log(y)= β0 + log (β1) X

• De esta forma se resolvía como una regresión lineal.

Los modelos de computadora han permitido que sea
más fácil aplicar los modelos directamente.
• Por eso este modelo tambien recibe el nombre
semilog
 El Modelo SemiLogartimico

• El modelo logaritmico esdel

tipo
• Y= β1X
70000

60000

50000

40000 B 1=1

B 1=2

B 1=3
30000

20000

10000

0
0 2 4 6 8 10 12
 Linearización
• El modelo semilog se line rizaba

• Log(y)= X log(β1)

• Habia que tener cuidado de sacar los

antilogaritmos
 Modelo Exponencial
• Es un modelo que se basa en el logaritmo
natural

Y = β0e X β1

• Se aplica en situaciones en que el aumento

de los valores es muy acelerado y cualquier
cambio en los parámetros se hace que la
respuesta se aumente mucho
•
 Ex pone nc i a l

2500

2000

1500

y = 7.9829e0.4223x Ser i e1
2
R = 0.9255 Exponenci al (Ser i e1)

1000

500

0
0 2 4 6 8 10 12 14
 Compa r a c i ón Ex pone ne c i a l

1E+44
1E+42
1E+40
1E+38
1E+36
1E+34
1E+32
1E+30
1E+28
1E+26
1E+24
B1=1
1E+22
1E+20 B1=2

1E+18
1E+16
1E+14
1E+12
1E+10
1E+08
100000
0
10000
100
1
0 2 4 6 8 10 12
 Modelo Polinomial
• Es un modelo que basa en elevar la
variable explicativa a diferentes
potencias.
• En una ecuación lineal la variable
explicativa esta elevada a la primera
potencia.
Y= β0 + β1X1
 Modelo Polinomial
• En este modelo el mismo valor de X se
repite, solamente elevado a diferente
potencia
Y= β0 + β1X + β2X2 + β3X3 + β4X4… + βnXn

• Cada potencia nueva aumenta una curva

a la gráfica del modelo
 Mod. Polinomial
• Así el modelo cuadrático tiene una curva,
el cúbico tiene dos y así sucesivamente

• Con cada curva se eleva también el valor

predictivo o r2
 Di a gr a ma de Di spe r si ón

180

160

140

120

100

80

60

40

20

0
0 20 40 60 80 100 120 140 160
180

160

140
y = 0.5668x + 34.557
R 2 = 0.4349
120

100

80

60

40

20

0 20 40 60 80 100 120 140 160

180

160

140

y = -0.0016x2 + 0.8203x + 27.21

120 R 2 = 0.4398

100

80

60

40

20

0 20 40 60 80 100 120 140 160

180

160

140

y = 5E-05x3 - 0.0148x2 + 1.7091x + 13.021

120
R 2 = 0.448
100

80

60

40

20

0
0 20 40 60 80 100 120 140 160
 LIMITES
• Como se aprecia el coeficiente de
regresión es cada vez más pequeña y
el coeficiente de determinación es más
pequeño.
• En programas estadísticos se puede
probar si cada β es o no diferente de 0
para determinar donde parar.