Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 100 vistas

    Regresión y Correlación No Lineal Simple

    Cargado por

    Omar Alvarado Cortegana
    Este documento describe diferentes métodos para modelar la relación no lineal entre dos variables, incluyendo la linealización aplicando transformaciones logarítmicas u otras a las variables, y el uso de algoritmos como mínimos cuadrados, Gauss-Newton, Levenberg-Marquardt y descenso de gradiente para estimar los parámetros del modelo no lineal y minimizar los errores residuales.

    Copyright:

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

    Regresión y Correlación No Lineal Simple

    Cargado por

    Omar Alvarado Cortegana
    100 vistas3 páginas
    Este documento describe diferentes métodos para modelar la relación no lineal entre dos variables, incluyendo la linealización aplicando transformaciones logarítmicas u otras a las variables, y el uso de algoritmos como mínimos cuadrados, Gauss-Newton, Levenberg-Marquardt y descenso de gradiente para estimar los parámetros del modelo no lineal y minimizar los errores residuales.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe diferentes métodos para modelar la relación no lineal entre dos variables, incluyendo la linealización aplicando transformaciones logarítmicas u otras a las variables, y el uso de algoritmos como mínimos cuadrados, Gauss-Newton, Levenberg-Marquardt y descenso de gradiente para estimar los parámetros del modelo no lineal y minimizar los errores residuales.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    100 vistas3 páginas

    Regresión y Correlación No Lineal Simple

    Cargado por

    Omar Alvarado Cortegana
    Este documento describe diferentes métodos para modelar la relación no lineal entre dos variables, incluyendo la linealización aplicando transformaciones logarítmicas u otras a las variables, y el uso de algoritmos como mínimos cuadrados, Gauss-Newton, Levenberg-Marquardt y descenso de gradiente para estimar los parámetros del modelo no lineal y minimizar los errores residuales.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 3

    1.

    REGRESIÓN Y CORRELACIÓN NO LINEAL SIMPLE


    1.1 Regresión no lineal
     Existen situaciones en que dos variables no están relacionadas
    linealmente.
     El diagrama de dispersión puede ayudar a evidenciar una relación entre
    las variables que no sigue a una tendencia recta; así en el siguiente
    diagrama de dispersión:

     Se observa una tendencia de los puntos de datos en forma curvilínea


    (no lineal), probablemente en forma de parábola (función cuadrátrica)
     La forma de la asociación de dos variables, se puede establecer bajo la
    forma general: y= f(x, θ), con θ = {θ1, θ2, …θm} (conjunto de parámetros
    a estimar)

     Esta función puede ser muy variada. Por ejemplo:


    2. Ajuste de los datos a una ecuación no lineal
    Al igual que en el caso de la regresión lineal, en el caso de la no lineal, la
    ecuación que mejor representa a los datos es aquella que minimiza la suma de
    los errores o residuales (min Σξi).
    Existen varias formas para lograr o aproximarse a este requisito:

    2.1 Linealización
    Este método consiste en aplicar una transformación a la variables x, a la
    variable y o a ambas, que permitan convertir una función no lineal en
    lineal.
    Es común utilizar Linealización para

    2.1.2 Linealización del modelo exponencial


    El modelo exponencial:

    Se puede transformar en un modelo lineal, aplicando logaritmos en cada


    miembro de la ecuación:

    Con lo que si llamamos:

    La ecuación queda como una ecuación lineal:

    2.2 Estimación algebraica mediante el método de mínimos cuadrados


    2.3 Estimación de parámetros mediante el algoritmo de Gauss-Newton
    2.4 Estimación de parámetros mediante el algoritmo de Levenbert-
    Marquard
    2.5 Estimación de parámetros mediante el algoritmo de descenso de
    gradiente

    a. Linealización
    b. Este método consiste en aplicar una transformación a la variables
    x, a la variable y o a ambas, que permitan convertir una función
    no lineal en lineal.
    c. Es común utilizar Linealización para

    También podría gustarte