Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ajuste por m nimos cuadrados

Mathieu Kessler
Departamento de Matemtica Aplicada y Estad a stica Universidad Politcnica de Cartagena e

Cartagena, Enero 2010

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Guin o

Planteamiento Criterio de m nimos cuadrados Casos concretos: regresin lineal o La recta y = ax + b Algunas transformaciones utiles

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Guin o

Planteamiento Criterio de m nimos cuadrados Casos concretos: regresin lineal o La recta y = ax + b Algunas transformaciones utiles

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Conjuntos de datos reales A menudo, ms de una variable asociada a cada individuo. a Nos interesa las posibles relaciones Empezamos por una matriz de grcas por pares... a

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Matriz de grcas, ejemplo a

Para cada asignatura de la UPCT y por curso acadmico, hemos calculado: e Proporcin de presentados resp. a matriculados o Proporcin de aprobados respecto a los presentados. o Nmero de matriculados. u Nota media entre los alumnos que superan la asignatura durante ese acadmico. e Entre los alumnos que han superado la asignatura durante ese curso, el nmero u medio de convocatorias que han agotado para aprobar. Entre los alumnos que han superado la asignatura durante ese curso, el nmero u medio de matriculas que han agotado para aprobar. Entre los alumnos que se han presentado por primera vez durante el curso, el nmero medio de convocatorias que han necesitado para ello. u Entre los alumnos que se han presentado por primera vez durante el curso, el nmero medio de matriculas que han necesitado para ello u

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Datos acadmicos, UPCT, Arquitectura Tcnica, Curso e e 2006-07

0.6 1.0 1.4
q q q q q qq q qq qq qq q q q q q q qqq q q q q q q q qq q q q q q q q q

5.5 6.5 7.5 8.5

qq q q q q q q q q qq qq q qq q qq q q q q q q q q q qqq qq q q q q q q q q q q q qq q qq q q q q qq q q qq q qq q q q q q qq q q q q q q q

1.0

2.0
qq q q q q q q q q q q q qq q q q q qq q q q q q q q q q q q q q q q q

1.0

2.0

3.0
q qq q q q qq q q q q qq qq q q q q q q q q q q q q q q q q q q q q q

PROP_PRES

1.2

q q q q q q qqq q q q qqq qq qq qq q q qq q q q qq q q q q q q qq q qq q q q q q q q q q qq q q q q q q q q q qqq q q qq q q q q q q q

PROP_APRB

qqq q qqq q q q q qq q qqq q q q qq q q qq q q q q q q q qq q

q q q q qq q q qq q q q q q qq q q q q qq q q q q qq qq q q q q qq q q q q q q q qqq q qq qq q q qqq q q qq q q

qq q

qq

qq q q qq q q q qq q qqq q q q q q q q q q q q qq q q q q q qq q q q qq q q q qq qq q q q qq q qqq q q q q q q

q q qq qq q q qq qq q qq q q qq q q q qq q qq q q q q q qq q q q q q q qq q q q q q q q q q q q qq q q q q q q qq qq q q q q q q q qq q q q q q q q q q q q q qq q q q q q q q q qq qq q q q q q q q q q qq q q q

q q q q q qq q q q qq q qq q q qq q qq qq q q qqq q qq qq q qqq qq q qq

q qq q q qq q qq qq q qq q q q q q q q q q q q q q q q q q q q q q q q q q q q q q q qq q q q q q qq q q q q q qq q q q q q q q qq q qq q q q q q q q q q qqq qq q q q q q q q q q q q qq q q q q q qq q q q q qq q q q q q q q q q qq q q q qq q q q q q q q q q q q q q qq q qq q q q q q qq q q q q q q q q q qq q qq q q qq qq q q q q q q q q qq q q q q q q q q q q q qq q qq q q q qq qq q qq q q q

0.6

qq qq qq q q qq q q q qq q q q q q

q q q q q q q q q q

q q q q q q q q q q q q

q q q q q q

q q

8.5

q q qq q q q q q q q q qq q q q q q q q q q q qq q q q q q q qqqq q q q q q q q q qq q q q qq q q q q q q qq q q q q q q qq q qq q q q q q qq q q q q q q q q q q q qq q q q qq q qq q q qq q qq q q q qq q q q q q q q q q qq q qq q q qq q qqq qq q qq q qq q q q q

q q q q q q qq q q qq q q q q q q qq q q q q qq qq q q q q qq q qq q q

q q

q q q q q q q qq q qq qq q q q qq q q q q q qq q q q qq q q qq q q q q q q q q q q qq q qq q q q q qqq q q qq qq q q q qq q q qq q q q q q q q q q q q q q q q q q qqq q q qq q q q q q q q q q qq q q q

q q q qq q q qq q qq qq q qq q q q qq q q q q q q qq q qq q q q q q q q q q

5.5

q q q q q q q q qq q q qq q q q q q q q q q q q qq q q q q q q q q q q q q q q

7.0

NOTA_MED

q q q q qqq qq q qqqq qq q q qq q qq q qqq qq qq q

q q q q q

q q q q q q q q q

qq q

q q

2.0

qq q

1.0

q q q q q q qq q q q q q q qq q q q q q q q q q qqq q q q q

q qq

q qq q q q q q q qq q q q q q q q q qq q qqq q q qq q q qq q q q q q q q q qq q q q qq qq q q qqq q q q qq qqq q qqq qqq q q q q q q q q q q q q q qq q q q qq q qq q qq q q qq q q q qq qq qq q q q q q q qq

q q

q qq q

q q q q q qq

q qq q q q q

q qq q q q qq q q qq q q q q q q qq qq qq q q q q q q q q q q q q

qq q q q q q qq q qq q q q q q q q q q qq q q q q q q q q qq q q q q q q q qq q q q q q qq q q q qqqq q q q q q q q q q q q q q qq q q q q qq qq q q qq q q q qqq q q q q q q qq qq q qq q q q qq qq q qq

q q q

qqq

q q q qq q q qq qq qq q q q q q q q q qq q q q q q q q q q q qq qq q q q q q q q q q q q qq q q qq q qq q q q q q q q q q q q q q q q q qq q q q q q q q q q q qq q q q q q q q q qq q q q q q q qq q q q qq q q q q q q q

MED_CONV_APRB

q q qq qq q q

qq q

qq qq q

q q q q qq q q q q qq q qq q qq qq q q q q

q q

q qq q

q q q q q q q qq q q q qq qq q q q qq qqq qq

q q q

qqq

qq q q qq q q q qq q q q qq q q q

q q q q

MED_MAT_APRB

q q q q

q q

q q q q qq q q q qq q q q q q q qq q q q q q qq q q qqqq q q q q q q q q qq q q qq q

2.5

q q q

1.0

q qq q q q q qq q q q q q q q q q q qqq q q q q q qq qq

q q q

qqq

qq q q q q qq q q q q qq q q q q q q qq qq q q qq q q q q qq qq q q q q q q q q qq q q

qq q qq q q q q q q q q q qqqq qq q qqqq q q q q qq q qq qq q qq q q q q q q qq qqqq q q q q

q q

q q q

MED_CONV_PRES
q q q q q qq qq q qq qq q q q q qq q q q q qq q q q q q qq q qq q q q q q q q q q q

q q q q q q q q q q

qq

q q q q

q q

qq q qq q q q qqq q q q qqq q qqq q q qq q q

MED_MAT_PRES

qqq

0.3

0.6

0.9

100

250

1.0 1.4 1.8 2.2

1.0

1.6

2.2

1.0

1.4

1.8

Kessler Ajuste por m nimos cuadrados

1.0

q q qq q q q q q qq q q qqqq qq q qq q

q q q qq q q q q q qq q q q q qqq q qq q

qq q qq q q q qq

qq q

q q q q q q q q q q qqq q q q q q q q q q

q q q q q qq q q q q qq q q qq q q

1.4

q q q q q qq q

qq q

1.8

1.0 1.6 2.2

1.0

q qq q q q q q qq q q qq qq q q q q q q q qq q q qq

q q q q q qq q q q q qq q q qq qq q q q qq q q q qq q q qq qq

q q q qq qq q q q q qq q q qq q qq qq q q q qq qq q q q qq q

q q

NOTA_COD_MED

q q q q q q q q q q q q qq q q q qq q q q qq qq q

q q q q q

q q q q q q q q q

1.6

2.2

qq q q q q qq q qq q q q q q qq q q q q q q qq qq q q q q q qqq

NUM_MATR

q q q q q q

q qq qq

qq q

q qq q q

qq q q q q q qq q qq q qq q q q q q q q q q qqq

q q q q qq q q q q q q qq q q qq qq

150

350

0.3

q q q qq qq q q q q q q q q qq q q q q q q q q q q q q qq q q q q q q

q q q q q q q q q q q qq qq q qq q q qq q q q q q q qq q q q q q q q q q

q q q

0.6

qq qq q q q qq q q q q qq q q q qq q q q q q q q q q q

0.9

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Nos centramos a partir de ahora Una variable respuesta Y Una (o ms) variable(s) explicativas, X , ( X1 , X2 , . . .) a o Buscamos explicar la evolucin de la respuesta en funcin de las o o explicativas Construimos un modelo basado en los datos Para entender Para predecir Ejemplo: evolucin media en agosto en San Javier o Modelo: Temperatura = 582.5 + 0.3ao, n
Kessler Ajuste por m nimos cuadrados UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplos de cuatro conjuntos de datos reales

Resistencia del cemento en funcin del tiempo de fraguado en d (Hald 1952) o as

Resistencia

15 0
Kessler Ajuste por m nimos cuadrados

20

25

30

35

40

10

15 Das

20

25
UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplos de cuatro conjuntos de datos reales

Nivel mximo anual del mar en Venecia a

Nivel

80 1930
Kessler Ajuste por m nimos cuadrados

100

120

140

160

180

1940

1950 Ao

1960

1970

1980
UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplos de cuatro conjuntos de datos reales

Produccin mundial de petrleo o o
20000 MBBL 0 1880
Kessler Ajuste por m nimos cuadrados

5000

10000

15000

1900

1920 Ao

1940

1960

1980
UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplos de cuatro conjuntos de datos reales

Velocidad de Recesin de 24 nebulosas o
2000
q

Velocidad (km/s)

1500

1000

q q q q q q

500

q q q q q

q q

q q q

q q

q q q q

0.0
Kessler Ajuste por m nimos cuadrados

0.5

1.0

1.5

2.0

2.5
UPCT

Distancia(megaparsecs)

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Guin o

Planteamiento Criterio de m nimos cuadrados Casos concretos: regresin lineal o La recta y = ax + b Algunas transformaciones utiles

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Los datos Nos limitamos de momento a una variable respuesta Y y una variable explicativa X . Presentacin de los datos: o X x1 x2 . . . xn Y y1 y2 . . . yn

Empezamos por una nube de puntos

Kessler Ajuste por m nimos cuadrados UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Nube de puntos
3.0 Y 1.5 2.0 2.5

(x2,y2)
1.0

(x3,y3)

0.5

(x1,y1)
0 1 2 X 3 4

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ajuste
Decidimos ajustar una curva de una determinada forma funcional Por ejemplo, una recta: Y = aX + b. Por ejemplo, una parbola: Y = a0 + a1 X + a2 X 2 . a En general, especicamos una familia paramtrica: e x f (, x) es el vector de parmetros. a Nuestro objetivo Buscamos la funcin de la familia que mejor se ajusta a la nube o Debemos encontrar el valor concreto de que corresponde a esa funcin ptima o o
Kessler Ajuste por m nimos cuadrados UPCT

= (1 , . . . , k ),

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Nuestro concepto de mejor: el criterio de m nimos cuadrados

Buscamos minimizar la suma de los cuadrados de las distancias verticales entre la curva y los datos de la nube de puntos.

y3
f(, x3)

(x3,y3)

y=f(, x) x3

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ajuste por m nimos cuadrados

La suma de cuadrados: SC () = (y1 y1 f (, x1 x1 ))2 + + (yn yn f (, xn xn ))2 . Buscamos el valor de que minimiza SC (). Nota En SC (), x1 , . . . , xn e y1 , . . . , yn x1 , . . . , xn e y1 , . . . , yn son valores jados concretos. Slo es variable. o Para la minimizacin o Si la forma de f es simple, (lineal respecto a 1 , . . . k ), tenemos frmulas expl o citas para calcular . (Regresin lineal) o Si la forma de f es ms complicada, se debe recurrir a a minimizacin numrica (Regresin no lineal) o e o
Kessler Ajuste por m nimos cuadrados UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Algunos trminos e
La curva de ecuacin y = f (, x): curva ajustada. o Los valores y1 = f (, x1 ), . . . , yn = f (, xn ): valores ajustados. Las distancias verticales entre los puntos observados y la curva ajustada: los residuos e1 , . . . , en . Tenemos ei = yi yi , i = 1, . . . , n.

La suma de cuadrados SC () = n ei2 se llama suma de i=1 cuadrados residuales. La varianza de los residuos: varianza residual
2 se =

1 n1

(ei e )2 .
i=1

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Guin o

Planteamiento Criterio de m nimos cuadrados Casos concretos: regresin lineal o La recta y = ax + b Algunas transformaciones utiles

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Recta y = ax + b.
Entre todas las posibles rectas:
0 30 25 20 15 y 10 5

50

60

70 x

80

90

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Recta y = ax + b.
Buscamos la mejor:
0 30 25 20 15 y 10 5

50

60

70 x

80

90

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ecuacin de la recta ajustada o

La suma de cuadrados:
n

= (a, b),

SC () = SC (a, b) =
i=1

(yi (axi + b))2 .

La minimizacin o Los candidatos para el m nimo: SC (a, b) = 0, a Obtenemos = a

Kessler Ajuste por m nimos cuadrados

SC (a, b) = 0. b

xy x y x 2 ()2 x

a b = y x .
UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ecuacin de la recta ajustada o

= a
xy xy x 2 ()2 x

a b = y x .

Con nuestros datos: X x1 x2 . . . xn Necesitaremos calcular:

La media de X , (). x La media de
Kessler Ajuste por m nimos cuadrados

Y y1 y2 . . . yn

La media de y , ( ). y La media de Y 2, (y 2 ).

La media del produ

X 2,

(x 2 ).

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

= a Introducimos:

xy xy x 2 ()2 x

a b = y x .

n (xy x y ), n1 que llamamos la covarianza de X e Y . Por lo tanto: sxy = = a

sxy var (x)

a b = y x .

Otra forma de escribir la ecuacin: o y y =

sxy var (x)

(x x ) .

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Tipos de asociacin lineal o

La covarianza puede ser positiva o negativa, pero del mismo signo que la pendiente . a Covarianza positiva = asociacin positiva: cuando crece una o variable crece la otra. Covarianza negativa = asociacin negativa: cuando crece una o variable decrece la otra.

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Bondad del ajuste

Propiedades de los residuos La media de los residuos es nula. La varianza residual es
2 2 se = sy 1

(sxy )2 2 2 sx sy (sxy )2 2 2 sx sy

2 2 se = sy 1

Correlacin lineal o Introducimos r=

Kessler

sxy sx sy :

coeciente de correlacin (de Pearson) de X e Y . o coeciente de determinacin. o

UPCT

R2 =

Ajuste por m nimos cuadrados

(sxy )2 2 2 : sx sy

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Bondad del ajuste

2 2 se = sy 1 2 2 se = sy 1

(sxy )2 2 2 sx sy
2 2 se = sy 1 R 2 .

(sxy )2 2 2 sx sy

Propiedades de r y R 2 0 R 2 1. Cuanto ms prximo a 1 est R 2 , mejor ajuste. a o e

2 R 2 = 1 se = 0 ajuste perfecto.

1 r 1. r es del mismo signo que la pendiente.

Kessler

Cuanto ms prximo a 1 est r , mejor ajuste. a o e r = 1 ajuste perfecto.

UPCT

Ajuste por m nimos cuadrados

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplo

Queremos estudiar la relacin entre el peso y la altura en un grupo o de individuos. Los datos son Peso(kg) Altura(cm) 54 160 70 170 65 172 78 185 68 160 85 175 Y X

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplo, nube de puntos

peso

55 150

60

65

70

75

80

85

160

170 altura

180

190

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Clculos a
x=
160+170+...+175 6

= 170.33,

y =

54+70+...+85 6

= 70,

x2 =

1602 +1702 +...+1752 6

= 29089,

y2 =

542 +702 +...+852 6

= 4995.7,

xy =

16054+17070+...+17585 6

= 11984.2

2 sx 2 sy

= = =

sxy

n 6 x (x 2 ()2 ) = [29089 (170.33)2 ] 90.7, n1 5 n 6 (y 2 ( )2 ) = [4995.7 (70)2 ] 144.8, y n1 5 n 6 (xy ()( )) = [11984.2 170.33 70] 73. x y n1 5

y 70 =
Kessler Ajuste por m nimos cuadrados

73 (x 170.33), 90.7

y = 0.80x 67.1 .
UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplo, nube de puntos con recta ajustada

peso

55 150

60

65

70

75

80

85

160

170 altura

180

190

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ejemplo, bondad del ajuste

r=

sxy 73 = sx sy 90.7 114.8

0.715,

lo que implica que R 2 0.51, mal ajuste. Se suele considerar buen ajuste a partir de R 2 0.8 aprox.

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento La recta y = ax + b

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Prediccin o
Disponemos de un modelo ajustado, lo usamos para predecir x0 valor no observado de X , nuestra prediccin del valor de la o respuesta Y ser: a yx0 = x0 + b. a Ejemplo: A qu peso corresponder una altura de 180cm? e a peso = 0.8altura 67.1 peso 0.80 180 67.1 76.9kg CUIDADO! Es peligroso extrapolar nuestro modelo lejos del rango observado de valores de X . Ejemplo: a qu peso corresponder la altura de un nio de 80 e a n cm?
Kessler Ajuste por m nimos cuadrados UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Transformaciones que permiten linealizar

Contexto Hay frmulas expl o citas para el ajuste de modelos lineales. Para modelos no lineales, en general se usan algoritmos numricos. e Algunos modelos espec cos no lineales se pueden ajustar con los mtodos lineales. e Veremos: Modelo exponencial y = be ax Modelo potencial y = bx a .

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Modelo exponencial

Ecuacin del modelo exponencial o y = be ax , b>0

Si a > 0, crecimiento exponencial. Si a < 0, decrecimiento exponencial.

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ajuste del modelo exponencial

Modelo original y modelo transformado Modelo terico original o y = be ax aplico ln Modelo transformado

ln(y ) = ln(b) + y =b +ax

Llamemos las variables transformadas Y = ln(Y ), y X = X , tenemos: Y = a X + b .

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Procedimiento
Modelo transformado: Y = ln(Y ), y X = X , tenemos: Y =aX +b. Aadimos una columna a nuestros datos: n X x1 x2 . . . xn
Kessler Ajuste por m nimos cuadrados

Y y1 y2 . . . yn . . .

Y = ln(Y ) ln(y1 ) ln(y2 )

ln(yn )
UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Procedimiento (II)
Ajustamos ahora una recta de Y sobre X . Hacemos la transformacin inversa del modelo ajustado para o obtener el ajuste original. Ejemplo Queremos ajustar un modelo exponencial a los siguientes datos X 2.3 5 7.1 8
Kessler Ajuste por m nimos cuadrados

Y 2.92 3.69 6.19 6.36 1.07 1.31 1.82 1.85

Y = ln(Y )

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Obtenemos y = 0.148x + 0.682 es decir que ln(y ) = 0.148x + 0.682, lo que implica que y = e 0.148x e 0.682 = 1.18e 0.148x .

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Modelo exponencial: ejemplo

Evolucin del precio del metro cuadrado de la vivienda en la Regin de Murcia entre o o 1995 y 2006 ( datos cuatrimestrales, fuente: Ministerio de la Vivienda )

1400

q q q q q

1200

q q q

q q

1000

Precio

q q

q q q

800

q q q q q q

600

q q q q q q q q q q q q q q q q q q q q q q q q q

400

1996

1998

2000

2002

2004

2006

Ao

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Modelo exponencial: ejemplo

Qu deber e amos observar al representar el logaritmo de Y en funcin de X ? o

q q q

7.2

q q q q

7.0

q q q q

log(Precio)

6.8

q q q q

6.6

q q q q q

6.4

q q q q q q q q

6.2

q q q q q q q q q q q

q q

6.0

1996

1998

2000

2002

2004

2006

Ao

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Modelo potencial

Ecuacin del modelo potencial o y = bx a x >0

La forma de la curva depende del valor de a.

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Ajuste del modelo potencial exponencial

Modelo original y modelo transformado Modelo terico original o y = bx a aplico ln Modelo transformado

ln(y ) = ln(b y =b +a

Llamemos las variables transformadas Y = ln(Y ), y X = ln(X ), tenemos: Y = a X + b .

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Procedimiento
Modelo transformado: Y = ln(Y ), y X = ln(X ), tenemos: Y =aX +b. Aadimos dos columnas a nuestros datos: n X x1 x2 . . . xn
Kessler Ajuste por m nimos cuadrados

Y y1 y2 . . . yn . . .

X = ln(X ) ln(x1 ) ln(x2 ) . . . ln(xn )

Y = ln(Y ) ln(y1 ) ln(y2 )

ln(yn )
UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Procedimiento
Ajustamos ahora una recta de Y sobre X . Hacemos la transformacin inversa del modelo ajustado para o obtener el ajuste original. Ejemplo Queremos ajustar un modelo potencial a los siguientes datos X 3 7.34 20.1 54.6
Kessler Ajuste por m nimos cuadrados

Y 10.3 13.5 18.2 24.5 1.1 2 3 4

X = ln(X ) 2.3 2.6 2.9 3.2

Y = ln(Y )

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Obtenemos y = 0.298x + 2.006, es decir que ln(y ) = 0.298 ln(x) + 2.006, lo que implica que y = e 0.298 ln(x) e 2.006 = 7.433x 0.298 .

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Un ultimo ejemplo
Volvemos a la resistencia del cemento en funcin del tiempo de fraguado: o
40 Resistencia 15 0 20 25 30 35

10

15 Das

20

25

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Un ultimo ejemplo
Volvemos a la resistencia del cemento en funcin del tiempo de fraguado: o
40 35

Resistencia

Qu tipo de funcin podemos ajustar?

15 0

20

25

30

10

15 Das

20

25

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

Un ultimo ejemplo
Volvemos a la resistencia del cemento en funcin del tiempo de fraguado: o
40 35

Resistencia

Qu tipo de funcin podemos ajustar?

15 0

20

25

30

10

15 Das

20

25

Kessler Ajuste por m nimos cuadrados

UPCT

Planteamiento Algunas transformaciones utiles

Criterio de m nimos cuadrados

Casos concretos: regresin lineal o

R = C expk/t Interpretacin de C ? o ln(R) = 3.688 1.146/t R = 39.96 exp1.146/t .

Kessler Ajuste por m nimos cuadrados

UPCT