Informe de Sustentación:
Por:
Chilon Duran Jaime
Coba Cueva Jorge
Flores Llanos Raquel
García Terrones Franklyn
Tanta Sandoval Josue
Asesor:
Ing. Luis Andrés León Chávez
Cajamarca, Perú
4. TIPOS DE REGRESION................................................................................................... 4
3) REGRESIÓN EXPONENCIAL......................................................................................14
1
II. OBJETIVOS:
A. Objetivos Generales:
B. Objetivos Específicos:
2
III. MARCO TEÓRICO
1. CONCEPTO BASICOS :
2. ECUACIONES DE REGRESIÓN:
Es aquella que permite calcular una variable en función de otra o más variables, también
es una técnica utilizada para inferir datos a partir de otros y hallar una respuesta de lo que
puede suceder. De modo general, diremos que existe regresión de los valores de una
variable con respecto a los de otra, cuando hay alguna línea, llamada línea de regresión que
se ajusta más o menos claramente a la nube de puntos. Si existe regresión, a la ecuación
que nos describe la relación entre las dos variables la denominamos ecuación de regresión.
3. COEFICIENTE DE CORRELACIÓN ( r) :
Coeficiente de correlación, este método mide el grado de relación existente entre dos
variables, el valor de r varía de -1 a 1, pero en la práctica se traba con un valor absoluto de
r.
3
El valor del coeficiente de relación se interpreta de modo que a media que r se aproxima a
1, es más grande la relación entre los datos, por lo tanto r (coeficiente de correlación) mide
la aproximación entre las variables.
El coeficiente de correlación se puede clasificar de la siguiente manera:
Perfecta 1) r = 1
Excelente 2) r = 0.9 < = r< 1
Buena 3) r = 0.8 < = r < 0.9
Regular 4) r = 0.5 < = r < 0.8
Mala 5) r < 0.5
4. TIPOS DE REGRESION :
Se pueden encontrar varios tipos de regresión, como son:
A. REGRESIÓN LINEAL
Nos centraremos en primer lugar, en el caso de que la función que relaciona las dos
variables X e Y sea la más simple posible, es decir, una línea recta. Por ello pasaremos a
interpretar los coeficientes que determinan una línea recta.
Toda regresión de la forma:
Y=a+bX ……………(1)
La cual determina, al representarla en el plano una línea recta, donde X e Y son variables
y a y b son constantes o parámetro o coeficiente de la línea de regresión. Para determinar la
ecuación de regresión lineal calculamos fórmulas para los parámetros a y b:
(∑ 𝑁) ∗ (∑ 𝑁𝑁) − (∑ 𝑁) ∗ (∑ 𝑁𝑁)
𝑁=
𝑁(∑ 𝑁𝑁) − (∑ 𝑁)𝑁 ................(2)
𝑁 ∑ 𝑁𝑁 − (∑ 𝑁) ∗ (∑ 𝑁)
𝑁=
𝑁(∑ 𝑁2) − (∑ 𝑁)2 …………(3)
De la cual su coeficiente de correlación de regresión lineal es:
∑
𝑁= 𝑁𝑁 ……………. (4)
√(∑ 𝑁2 ) ∗ (∑ 𝑁2 )
B. REGRESIÓN LOGARÍTMICA:
Este modelo de regresión es una alternativa cuando el modelo lineal no logra un coeficiente
de determinación apropiado, o cuando el fenómeno en estudio tiene un comportamiento
que puede considerarse potencial o logarítmico. La forma más simple de tratar de establecer
la tendencia es a través de un diagrama de dispersión o nube de puntos, tal como la
siguiente:
4
La curva logarítmica Y = a + b lnX es también una recta, pero en lugar de estar referida a
las variables originales X e Y, está referida a lnX y a Y.
𝑁 = 𝑁 + 𝑁 ln 𝑁
………….. (5)
De la ecuación número 5, hacemos que el lnX, sea equivalente a X′, para obtener los
parámetros a y b, reemplazo obtenemos:
𝑁 = 𝑁 + 𝑁 X′ ………. (6)
……….. (9)
C. REGRESIÓN EXPONENCIAL:
Será aquella en la que la función de ajuste será una función exponencial del tipo
y = a.bx ……............................(10)
Aplicando métodos de los mínimos cuadrados obtenemos los parámetros a y b sin antes
asignarle una variable a:
𝑁𝑁𝑁 𝑁 = Y'………q
𝑁𝑁𝑁𝑁 = A'………t
5
Entonces reemplazando q y t en la ecuación 12 se tiene:
𝑁′ = 𝑁′ + 𝑁𝑁 …………(13)
De donde:
D. REGRESION POTENCIAL:
Será aquella en la que la función de ajuste sea una función potencial del tipo:
y = a. xb
………………….. (17)
Aplicando métodos de los mínimos cuadrados obtenemos los parámetros a y b sin antes
asignarle una variable a:
𝑁𝑁𝑁 𝑁 = Y'…………….m
𝑁𝑁𝑁𝑁 = A'……………..n
𝑁𝑁𝑁 𝑁 = 𝑁′……………..p
Entonces reemplazando las variables (m, n, p) en la variable V se obtiene:
V= A +B X′ .......... 19
𝑁(∑ 𝑁 𝑁′ ) − (∑ 𝑁′)(∑ 𝑁′ )
𝑁=
…………(20)……..
𝑁(∑ 𝑁′𝑁) − (∑ 𝑁′)𝑁 …………. (20)
6
̅′ − 𝑁𝑁̅′
𝑁′ = 𝑁
………….. (21) ……….. (21)
𝑁(∑ X′ 𝑁 ′) − (∑ X′)( ∑ 𝑁 ′)
𝑁=
……. (22)
√(𝑁 ∑ X′2 − (∑ X′)2 ∗ (𝑁 ∑ 𝑁 ′2 − (∑ 𝑁′) 𝑁)
IV. PROCEDIMIENTO :
Seleccionados los 10 datos anteriormente entre presión del SENAMHI, los cuales
serán las ordenadas del grafico a trazar.
Colocar como la abscisa de la gráfica a la temperatura promedio.
Una vez realizado lo anteriormente mencionado, tabulamos los datos en el Excel y
aplicando las formulas (5, 6, 7, 8,9) de las ecuaciones de regresión logarítmica y
hallamos los parámetros a y b y su coeficiente de correlación.
7
d) Análisis de regresión potencial :
con los 10 datos que relacionan los dos fenómenos meteorológicos como son la
presión y temperatura, y con ayuda de las formulas (17, 20,21y 22), hallamos la
gráfica y coefiente de correlación de la regresión potencial.
V. CÁLCULOS Y RESULTADOS :
1) REGRESIÓN LINEAL
Con los 10 datos obtenidos entre la temperatura promedio y presión el procedemos
a calcular el coeficiente a y b.
13.92 12.79
13.68 12.82
14.5 12.83
15.15 12.82
14.98 12.8
14.1 12.81
14.5 12.78
14.04 12.8
14.35 12.8
13.43 12.77
Tabla n°1
8
Empleando las formulas 2y 3 calculamos los coeficientes a y b de la ecuación de regresión
lineal:
(∑ 𝑁) ∗ (∑ 𝑁𝑁) − (∑ 𝑁) ∗ (∑ 𝑁𝑁)
𝑁=
𝑁(∑ 𝑁𝑁) − (∑ 𝑁)𝑁 ................(2)
𝑁 ∑ 𝑁𝑁 − (∑ 𝑁) ∗ (∑ 𝑁)
𝑁= …………….(3)
𝑁(∑ 𝑁2) − (∑ 𝑁)2
Una vez calculado los valores de a y b, procedemos afirmar que la ecuación de regresión
lineal tiene la forma:
9
Tabla n°2
∑ 𝑁𝑁
𝑁=
√(∑ 𝑁 2 ) ∗ (∑ 𝑁2 ) ………(4)
10
Por lo tanto la gráfica de la ecuación de regresión lineal es:
2) REGRESIÓN LOGARÍTMICA :
Tabla n°3
N° X Y X´=lnX X´*Y X´2
1 13.92 12.79 2.633 33.676 6.934
2 13.68 12.82 2.616 33.536 6.843
3 14.5 12.83 2.674 34.309 7.151
4 15.15 12.82 2.718 34.845 7.388
5 14.98 12.8 2.707 34.650 7.326
6 14.1 12.81 2.646 33.897 7.002
7 14.5 12.78 2.674 34.176 7.151
8 14.04 12.8 2.642 33.816 6.980
9 14.35 12.8 2.664 34.096 7.096
10 13.43 12.77 2.597 33.170 6.747
12.802 2.657
11
Esta tabla representa el cálculo estadístico de la temperatura y la presión, de una
regresión logarítmica con los cuales podemos obtener los coeficientes a y b
empleando las formulas (7,8):
𝑁(∑ X′ Y) − (∑ X′)(∑ 𝑁)
𝑁=
𝑁(∑ X′2) − (∑ X′)2
………...(7)
10(340.165) − (26.571)(128.02)
b=
(10)(70.614)−(706.018)
(3401.65) −(3401.619)
b =
(706.14)−706.018
0.031
b=
0.122
b = 0.254
𝑁 = 12.802 − (0.254)(2.657)
𝑁 = 12.802 +0.659
𝑁 = 12.127
y = 12.127 + (0.254)𝑁𝑁𝑁
Tabla n°4.
12
Con la tabla número 4, obtenemos el coeficiente de correlación logarítmica
aplicando la fórmula 9:
……(9)
26.572 ∗ 25.496
−0.248 67.747 − 10
𝑁2 =
650.046
65.005 − 10
0.254(67.747 − 67.748)
𝑁2 =
65.005 − 65.046
0.000254
𝑁2 =
0.041
r = 0.078
12.82
12.81
12.8
12.79
12.78
12.77
12.76
13 13.5 14 14.5 15 15.5
13
3) REGRESIÓN EXPONENCIAL :
Tabla n°5
Esta tabla representa el cálculo estadístico de una regresión exponencial con los
cuales podemos obtener los coeficientes a y b empleando las formulas (14,15):
10(363.689) − (142.65)(25.495)
𝑁=
10(2037.551) − (142.65)2
(3636.389) − (3636.862)
𝑁=
(20375.51) − (20349.023)
𝑁 = 0.001
14
𝑁′ = 𝑁̅′− 𝑁̅X …….. (15)
𝑁´ = 2.550 −(0.001)(14.265
𝑁´ = 2.550 − 0.014
𝑁´ = 2.536
𝑁 = ⅇ2.536
A= 12.623
Entonces la ecuación de regresión exponencial es:
𝑁′ = 12.62 + 0.001𝑁
𝑁 = 12.62ⅇ0.001𝑁
Tablan°6.
15
10(363.689) −(142.65)(25.495)
𝑁=
((10)(2037.551) − (142.65)2)(10 ∗ 65.005 − (25.496)2)
(3636.89) −(3636.862)
𝑁=
((20375.51) − 20349.023)(650.05 − 650.046)
0.028
𝑁=
(26.487)(0.004)
𝑁 = 0.2642
Por lo tanto la gráfica de la ecuación de regresión exponencial es:
12.84
y = 12.622e0.001x
12.83 R² = 0.1482
12.82
Título del eje
12.81
12.79
Exponencial
12.78 (Presion (mb))
12.77
12.76
13 13.5 14 14.5 15 15.5
Título del eje
4) REGRESIÓN POTENCIAL:
16
Tabla n°7.
2.657 2.550
Esta tabla representa el cálculo estadístico de una regresión potencial con los cuales
podemos obtener los coeficientes a y b empleando las formulas (20,21):
𝑁(∑ 𝑁 𝑁′ ) − (∑ 𝑁′)(∑ 𝑁′ )
𝑁=
𝑁(∑ 𝑁′𝑁) − (∑ 𝑁′)𝑁
…………(20)…….. …………. (20)
10(67.747) − (26.572)(25.496)
𝑁=
(10)(70.618)−(26.572)2
(677.47) − (677.480)
𝑁=
(706.18) − (706.071)
−0.01
𝑁=
0.109
𝑁 = −0.091
̅′ − 𝑁𝑁̅′
𝑁′ = 𝑁
………….. (21) ……….. (21)
𝑁′ = 𝑁. 𝑁𝑁𝑁 − (−𝑁. 𝑁𝑁𝑁)(2.657)
𝑁′ = 𝑁. 𝑁𝑁𝑁 + 𝑁. 𝑁𝑁𝑁
𝑁′ = 𝑁.𝑁𝑁𝑁
17
Entonces la ecuación de regresión potencial es:
𝑁 ′ = 2.792 − 0.091𝑁 ′
y = 12.303x0.015
Tablan°8.
𝑁(∑ X′ 𝑁 ′) − (∑ X′)( ∑ 𝑁 ′)
𝑁=
……. (22)
√(𝑁 ∑ X′2 − (∑ X′)2 ∗ (𝑁 ∑ 𝑁 ′2 − (∑ 𝑁′) 𝑁)
10(67.747) − (26.572)(25.496)
𝑁=
((10)(70.618) − (26.572)2)((10)(65.005) − (25.496)2)
(677.47) − (667.480)
𝑁=
((706.18) − (706.071))((650.05) − (650.046))
−0.01
𝑁=
(0.109)(0.004)
𝑁 = −2.5
18
Por lo tanto la gráfica de la ecuación de regresión potencial es:
12.84
12.83 y = 12.303x0.015
R² = 0.1504
12.82
Título del eje
12.81
12.77
12.76
13 13.5 14 14.5 15 15.5
Título del eje
19
VI. CONCLUSIONES :
20
VII. REDERENCIAS BIBLIOGRAFICAS:
21
VIII. ANEXOS :
22