Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 174 vistas

    Modelos de Regresión

    Cargado por

    Miguel Angel Rivera Ruiz
    Este documento presenta diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y regresión curvilínea. Explica cómo ajustar datos a estas curvas de regresión usando software como MegaStat y Minitab. También provee ejemplos numéricos para ilustrar cómo aplicar estos diferentes modelos de regresión a conjuntos de datos reales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Modelos de Regresión

    Cargado por

    Miguel Angel Rivera Ruiz
    174 vistas22 páginas
    Este documento presenta diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y regresión curvilínea. Explica cómo ajustar datos a estas curvas de regresión usando software como MegaStat y Minitab. También provee ejemplos numéricos para ilustrar cómo aplicar estos diferentes modelos de regresión a conjuntos de datos reales.

    Descripción original:

    regresiones

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y regresión curvilínea. Explica cómo ajustar datos a estas curvas de regresión usando software como MegaStat y Minitab. También provee ejemplos numéricos para ilustrar cómo aplicar estos diferentes modelos de regresión a conjuntos de datos reales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    174 vistas22 páginas

    Modelos de Regresión

    Cargado por

    Miguel Angel Rivera Ruiz
    Este documento presenta diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y regresión curvilínea. Explica cómo ajustar datos a estas curvas de regresión usando software como MegaStat y Minitab. También provee ejemplos numéricos para ilustrar cómo aplicar estos diferentes modelos de regresión a conjuntos de datos reales.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 22

    ESCUELA SUPERIOR POLITÉCNICA DE

    CHIMBORAZO
    FACULTAD DE CIENCIAS
    ESCUELA DE BIOQUÍMICA Y FARMACIA
    BIOMETRÍA Y DISEÑO EXPERIMENTAL
    MODELOS DE REGRESIÓN

    Profesor: Dr. Jaime Béjar S.


    Introducción

    Aquí se estudia la relación entre dos variables de intervalo (o de


    razón). A continuación se trata el modelo más general con relaciones
    del tipo 𝑦𝑦 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏, que es la ecuación de una recta o polinomio de
    primer grado, donde a y b se conocen como coeficientes de
    regresión. Este modelo se lo conoce con el nombre de Análisis de
    Regresión lineal.

    Conviene hacer una aclaración para distinguir entre Análisis de


    Regresión y Análisis de Correlación.
    El Análisis de Regresión se lo usa cuando el investigador sabe que existe una
    relación entre las variables porque hay una teoría o investigaciones previas
    que la han descubierto. Por ejemplo, la relación entre espacio y tiempo ya se
    sabe que es la velocidad, o como la relación entre voltaje e intensidad de
    corriente eléctrica. En estos casos, el investigador suele estar interesado en
    verificar experimentalmente tal relación y el objeto de la regresión es
    encontrar la curva que mejor ajuste a sus datos experimentales.
    El Análisis de Correlación se emplea cuando el investigador sospecha que
    ambas magnitudes están relacionadas, pero no tiene idea de una ecuación
    que las combine. Por ejemplo el caso de peso y talla, donde todo lo que se
    sospecha es que a mayor talla, mayor peso, pero nadie ha descubierto una
    fórmula que las relacione.
    Análisis de regresión lineal simple
    • En un grupo de 8 pacientes se miden las cantidades antropométricas
    peso y edad, obteniéndose los siguientes resultados:

    x = edad y = peso La variable dependiente 𝑦𝑦 que se


    12 58 desea pronosticar es 𝑦𝑦 = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝,
    8.0 42
    mientras que la variable
    10 51
    11 54 independiente es 𝑥𝑥 = 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒. Puesto
    7.0 40 que es una sola variable
    7.0 39 independiente, se utiliza una
    10 49 regresión lineal simple.
    14 56
    Solución con MegaStat
    Solución con MegaStat

    Regression Analysis 𝑟𝑟 (coeficiente de correlación), es 0.943, lo


    r² 0.890
    que indica que hay una excelente correlación
    r 0.943 entre las variables ( Perfecta: 𝑟𝑟 = 0.5,
    Std. Error 2.673
    n 8 Excelente: 0.9 ≤ 𝑟𝑟 < 1, Buena: 0.8 ≤
    k 1
    Dep. Var. Y = peso 𝑟𝑟 < 0.9, Regular: 0.5 ≤ 𝑟𝑟 < 0.8, Mala:
    ANOVA table
    𝑟𝑟 < 0.5 ).
    Source SS df MS F p-value 𝑟𝑟 2 (coeficiente de determinación), indica
    Regression 345.0179 1 345.0179 48.30 .0004
    Residual 42.8571 6 7.1429 que el 89.0% de la variable dependiente
    Total 387.8750 7
    es explicada por la variable
    Regression output confidence interval
    independiente (bondad de de ajuste).
    variables coefficients std. error t (df=6) p-value 95% lower 95% upper La recta de regresión es:
    Intercept 20.6122 4.1399 4.979 .0025 10.4823 30.7422
    X = edad 2.8367 0.4082 6.950 .0004 1.8380 3.8355 𝑦𝑦 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏 = 20.6122 + 2.8367𝑥𝑥
    Solución con Minitab
    Solución con Minitab
    Análisis de regresión lineal múltiple
    • Se conoce que cierta variable Y depende linealmente de las variables
    𝑥𝑥1 y 𝑥𝑥2 :

    y x1 x2 Puesto que existen dos variables


    30 20 25
    independientes (𝑥𝑥1 y 𝑥𝑥2 ), se utiliza
    60 40 50
    40 20 35 una regresión lineal múltiple.
    60 30 50
    30 10 40
    40 10 50
    𝑦𝑦 = 𝑎𝑎 + 𝑏𝑏𝑥𝑥1 + 𝑐𝑐𝑥𝑥2
    40 20 50
    50 20 60
    30 20 40
    70 30 80
    Solución con MegaStat

    𝑟𝑟 (coeficiente de correlación), es 0.950, lo que


    indica que hay una Excelente correlación
    entre las variables ( Perfecta: 𝑟𝑟 = 0.5,
    Excelente: 0.9 ≤ 𝑟𝑟 < 1, Buena: 0.8 ≤
    𝑟𝑟 < 0.9, Regular: 0.5 ≤ 𝑟𝑟 < 0.8, Mala:
    𝑟𝑟 < 0.5 ).
    𝑟𝑟 2 (coeficiente de determinación), explica
    el porcentaje (90.2%) de la variable
    dependiente, es explicada por la variable
    independiente (bondade de ajuste).
    Por tanto la recta de regresión es:
    Y = -1.7242 + 0.8448X1 + 0.5862X2
    Solución con Minitab
    Solución con Minitab
    Análisis de regresión curvilínea
    • No siempre la curva de regresión es una línea recta dada por 𝑦𝑦 = 𝑎𝑎 +
    𝑏𝑏𝑏𝑏. Por ejemplo, si un conjunto de datos pareados, que consisten en
    n puntos 𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑖𝑖 “se alinean” cuando log 𝑦𝑦𝑖𝑖 se grafica contra 𝑥𝑥𝑖𝑖 , ello
    indica que la curva de regresión de 𝑦𝑦 sobre 𝑥𝑥 es exponencial; es decir,
    la relación entre variables es
    𝑦𝑦 = 𝑎𝑎 𝑏𝑏 𝑥𝑥
    O equivalentemente,
    log 𝑦𝑦 = log 𝑎𝑎 + 𝑥𝑥 log 𝑏𝑏
    Otras relaciones que se encuentran frecuentemente en aplicaciones
    prácticas son las siguientes:

    La función recíproca: 1
    𝑦𝑦 =
    𝑎𝑎 + 𝑏𝑏𝑏𝑏

    La función exponencial: 𝑦𝑦 = 𝑒𝑒 𝑎𝑎+𝑏𝑏𝑏𝑏

    La función polinomial: 𝑦𝑦 = 𝑎𝑎 + 𝑏𝑏𝑏𝑏 + 𝑐𝑐𝑥𝑥 2 + ⋯ + 𝑐𝑐𝑥𝑥 𝑛𝑛

    etc.
    Ejercicio:
    Los siguientes datos pertenecen al crecimiento de una colonia de
    bacterias en un medio de cultivo:

    x = Días desde la a) Grafique log 𝑦𝑦𝑖𝑖 contra 𝑥𝑥𝑖𝑖 para


    y = Conteo
    inoculación verificar que sea razonable
    3 115000 ajustar una curva exponencial.
    6 147000 b) Ajuste una curva exponencial a
    los datos dados.
    9 239000 c) Use el resultado obtenido en el
    12 356000 inciso b) para estimar el conteo
    15 579000 de bacterias al final de 20 días.

    18 864000
    Solución:
    a) Como se observa a continuación si resulta razonable ajustar los datos
    a una curva exponencial.

    x log y

    3 5.06
    6 5.17
    9 5.38
    12 5.55
    15 5.76
    18 5.94
    b)
    b) La solución obtenida del software
    Minitab es:

    log 𝑦𝑦 = 4.842 + 0.06036 𝑥𝑥

    O, equivalentemente,

    𝑥𝑥
    𝑦𝑦 = 69502.4 1.149

    c) Sustituyendo 𝑥𝑥 = 20 días en la
    ecuación de la curva de ajuste
    obtenida en el inciso anterior se tiene:

    20
    𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 = 69502.4 1.149
    = 1117894 bacterias
    b) Realmente se puede demostrar que existe otra curva que ajusta mejor los datos
    experimentales, la cual se la obtiene a continuación:
    b)
    b)
    c)

    Sustituyendo 𝑥𝑥 = 20 días en la ecuación de la curva de ajuste


    obtenida se tiene:

    𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶 = 66110 𝑒𝑒 0.14304 𝑥𝑥 = 1155305 bacterias

    También podría gustarte