Probabilidad Y ESTADÍSTICA
INFERENCIAL
Profesor: M.C Rigoberto Américo Garza López
Hora: M5 ACTIVIDAD: Regresión lineal Múltiple y regresión no lineal Múltiple Salón: 4-205
Nombre Matrícula
Joel Eduardo Delgado Ferriño 1658685
Isaías jaaziel Martínez tirado 1796431
Javier Ramirez Nava 1743192
David Alejandro Enriquez 1798501
Corona
Puntos a Investigar
• Regresión Lineal Múltiple
• Requisitos para:
• 𝑦ො = 𝑎 ln 𝑥 + 𝑏
• 𝑦ො = 𝑎 + 𝑏 ln(𝑥)
• Regresión Lineal Múltiple
Esta es lineal debido a que las variables independientes siguen ese mismo orden.
• Observaciones anómalas: A veces, son sólo errores en la entrada de datos, pero de gran
consecuencia en el análisis.
• Regresión No Lineal Múltiple
La regresión no lineal genera una ecuación para describir la relación no lineal
entre una variable de respuesta continua y una o más variables predictoras y
predice nuevas observaciones. Utilice la regresión no lineal en lugar de la
regresión de mínimos cuadrados ordinarios cuando no pueda modelar
adecuadamente la relación con parámetros lineales. Los parámetros son
lineales cuando cada término del modelo es aditivo y contiene solo un
parámetro que multiplica el término.
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-
statistics/regression/supporting-topics/nonlinear-regression/understanding-
nonlinear-regression/
• Requisitos y puntos a tomar en cuenta (Regresión Lineal Múltiple)
• Tienen los mismos supuestos que usted puede verificar utilizando las gráficas de
residuos.
• Similitudes
• Describen matemáticamente la relación entre una variable de respuesta y una o
más variables predictoras.
• Pueden modelar una relación curva.
• Minimizan la suma de los cuadrados del error residual (SSE).
• Tienen los mismos supuestos que usted puede verificar utilizando las gráficas de
residuos.
• Diferencias
• La diferencia fundamental entre las regresiones lineal y no lineal, y la base para
los nombres de los análisis, son las formas funcionales aceptables del modelo.
Específicamente, la regresión lineal requiere parámetros lineales mientras que
la no lineal no. Utilice la regresión no lineal en lugar de la regresión lineal
cuando no pueda modelar adecuadamente la relación con parámetros lineales.
REGRESIÓN POTENCIAL
Problema 1
Sea el siguiente conjunto de valores, las lecturas de un experimento
donde X es la variable independiente e Y la variable resultante.
X Y
1 1.4
2 1
3 0.9
4 0.7
5 0.6
6 0.55
7 0.5 Bibliografia:
http://www.monografias.com/trabajos89/re
gresion-potencial-metodo-minimos-
cuadrados/regresion-potencial-metodo-
minimos-cuadrados.shtml#ixzz4dW4t7t7U
ECUACIÓN POTENCIAL
Formulas:
𝑦ො = 𝑎𝑥 𝑏 𝑋 𝑌 l𝑜𝑔 𝑋 l𝑜𝑔 𝑌 log 𝑋 ∗ log 𝑌 log 𝑋 2
𝑛 σ log 𝑋 log 𝑌 − (σ log 𝑋)(σ log 𝑌)
𝑏=
𝑛 σ log 𝑋 2 − σ log 𝑋 2 1 1.4
0 0.146 0.000 0.000
2 1
𝑎 = 10log 𝑦−𝑏 log 𝑥 0.301 0.000 0.000 0.091
3 0.9
0.477 -0.046 -0.022 0.228
σ log 𝑌
log 𝑦 = 4 0.7
𝑛 0.602 -0.155 -0.093 0.362
σ log X 5 0.6
log 𝑥 = 0.699 -0.222 -0.155 0.489
𝑛
6 0.55
0.778 -0.260 -0.202 0.606
Sustitución: 7 0.5
−0.837 0.845 -0.301 -0.254 0.714
log 𝑦 = = −0.119
7 𝑋 = 28 𝑌 = 5.65 log 𝑋 = 3.702 log 𝑌 = −0.837 log 𝑋 ∗ log 𝑌 = −0.727 log 𝑋 2
= 2.489
3.702
log 𝑥 = = 0.528
7
7 −0.727 − (3.702)(−0.837)
𝑏= = −0.133
7(2.489) − 2.489
𝑎 = 10−0.119−(−0.133)(0.528) = 0.893
Definición: Teniendo datos históricos observados sobre la demanda,
𝑦ො = 0.893𝑥 −0.133
oferta o la variable que se quiera proyectar, podemos graficar la
nube de puntos y observar la distribución de los mismos, así como
apreciar si los puntos se aproximan a alguna función.
GRAFICA
𝑋 𝑦ො = 0.893𝑥 −0.133
0.92
1 0.893
2 0.814 0.87
3 0.771 y = 0.8929x-0.133
0.82
𝑦ො
4 0.742
0.77
5 0.720
6 0.703 0.72
7 0.689
0.67
0 1 2 3 4 5 6 7 8
x
COEFICIENTE DE DETERMINACIÓN
Formula: Y 𝑦ො 𝑌ത 𝑌 − 𝑌ത
2
𝑌 − 𝑌ത 2
Definición: El coeficiente de
determinación es una medida
estadística de la bondad del
ajuste o fiabilidad del modelo
estimado a los datos
https://www.varsitytutors.com/
REGRESIÓN EXPONENCIAL hotmath/hotmath_help/spanish
Una regresión exponencial es el proceso de encontrar la ecuación de la función /topics/exponential-regression
exponencial que se ajuste mejor a un conjunto de datos. Como un resultado,
obtenemos una ecuación de la forma
1 1.4
0.146 .2044 1.96
2 1
0.000 0 1
3 0.9
-0.046 -.0414 .81
4 0.7
-0.155 -.1085 .49
5 0.6
-0.222 -.1332 .36
6 0.55
-0.260 -.143 .3025
7 0.5
-0.301 -.1505 .25
−2.605 − (23.436)
𝐵=
36.2075 − 784
−26.041
ഥ − 𝐵 𝑋ത 𝐵=
𝐴′ = 𝑌´ −747.7925
−0.837 28 𝐵 = .034823831
𝐴′ = 7 − .34 ∗ 7
𝐴′ = −.1195 − 1.36
𝐴′ = −.14795
𝐴′ = 𝐿𝑛𝐴′
𝐿𝑛𝐴′ = −.14795
𝑒 𝐿𝑛𝐴´ = 𝑒 −.14795
𝐴 = 𝑒 −.14795
𝐴 = .8624 𝑌 = .8624 ∗ 𝑒 .3482𝑥
𝑌 = 𝐴 ∗ 𝑒 𝐵𝑥
𝑌 = .8624 ∗ 𝑒 .3482𝑥
(𝒚ෝ − 𝒚
ഥ) 2 𝒚) 2
(y−ഥ
𝑌 𝑦ු 𝑦ത
𝑦ത = 5.65 σ (𝒚ෝ − 𝒚
ഥ) 2 =1.1372
𝑌 = 5.65 𝑦ු = (y − 𝒚
ഥ) 2 = .6118
1.1372
2
σ(𝑦ෝ − 𝑦ത 1 )2 𝑅2 = 𝑅2 = 1.85
𝑅 = .6118
σ(𝑦 − 𝑦ത ) 2
y = .8624 ∗ 𝑒 .3482𝑥
9
8
1 1.2216
7
2 2.4432 6
5
3 3.6648 Series1
4
4 4.8864 3
5 6.1080 2
1
6 7.3296 0
0 2 4 6 8
7 8.5512