Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 22 vistas

    Laboratorio Taller Regresion

    Cargado por

    Nicolas Ortiz
    Este documento describe diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y modelos no lineales. Explica cómo calcular los coeficientes de regresión usando matrices y cómo linearizar un modelo no lineal aplicando logaritmos. También presenta un ejemplo numérico de regresión lineal múltiple y otro de linearización de un modelo de gas ideal.

    Copyright:

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

    Laboratorio Taller Regresion

    Cargado por

    Nicolas Ortiz
    22 vistas13 páginas
    Este documento describe diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y modelos no lineales. Explica cómo calcular los coeficientes de regresión usando matrices y cómo linearizar un modelo no lineal aplicando logaritmos. También presenta un ejemplo numérico de regresión lineal múltiple y otro de linearización de un modelo de gas ideal.

    Título original

    Laboratorio_Taller_Regresion

    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 describe diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y modelos no lineales. Explica cómo calcular los coeficientes de regresión usando matrices y cómo linearizar un modelo no lineal aplicando logaritmos. También presenta un ejemplo numérico de regresión lineal múltiple y otro de linearización de un modelo de gas ideal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    22 vistas13 páginas

    Laboratorio Taller Regresion

    Cargado por

    Nicolas Ortiz
    Este documento describe diferentes modelos de regresión, incluyendo regresión lineal simple, regresión lineal múltiple y modelos no lineales. Explica cómo calcular los coeficientes de regresión usando matrices y cómo linearizar un modelo no lineal aplicando logaritmos. También presenta un ejemplo numérico de regresión lineal múltiple y otro de linearización de un modelo de gas ideal.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 13

    LABORATORIO – TALLER DE REGRESIÓN

    Por Ing. Wilson Castro Zapata

    1. REGRESIÓN LINEAL SIMPLE

    El modelo de regresión lineal simple se representa como:

    ŷ = 𝑏0 + 𝑏1 𝑥

    (∑ 𝑦𝑖)2
    𝑆𝑆𝑇 = ∑ 𝑦𝑖 2 −
    𝑛

    𝑆𝑆𝐸 = ∑ 𝑦𝑖 2 − 𝑎 ∑ 𝑦𝑖 − 𝑏 ∑ 𝑥𝑖𝑦𝑖

    𝑆𝑆𝐸
    𝑟2 = 1 −
    𝑆𝑆𝑇

    𝑆𝑋𝑌 𝐶𝑜𝑣(𝑥, 𝑦)
    𝑟= =
    √𝑆𝑋𝑋 √𝑆𝑌𝑌 √𝑉𝑎𝑟(𝑥) ∙ 𝑉𝑎𝑟(𝑦)

    Las ecuaciones, obtenidas por el método de mínimos cuadrados derivando SSE para encontrar los
    coeficientes de regresión son:
    REGRESION LINEAL MÚLTIPLE

    En este modelo, se tienen varias variables independientes o explicativas x1, x2, …, xk y una sola
    variable respuesta y. La ecuación de regresión múltiple es:

    ŷ = 𝑏0 + 𝑏1 𝑥1 + 𝑏2 𝑥2 +. . . +𝑏𝑘 𝑥𝑘

    Ecuaciones para el cálculo de los estimadores:

    MATRICES

    El modelo general es:

    Al desarrollar el modelo de regresión, se tiene que en este:

    (𝑋′𝑋)𝐛 = 𝑋′𝑦

    Que para mayor facilidad se representa como:

    𝐀𝐛 = 𝐠
    Con:

    De esta forma, para encontrar los estimadores, es decir, el vector b, se tiene:

    𝒃 = 𝑨−𝟏 ∙ 𝒈
    Ejemplo

    Encontrar un modelo de regresión múltiple de la forma:

    y = b0 + b1 x1 + b2 x2

    con los datos:

    y x1 x2
    193 1,6 851
    172 22 1058
    113 33 1357
    230 15,5 816
    91 43 1201
    125 40 1115
    Primero se implementa la Matriz X:

    Se copia y pegado especial/Trasponer:

    Matriz X Matriz X’
    1 1 1 1 1 1
    1 1,6 851 1,6 22 33 15,5 43 40
    1 22 1058 851 1058 1357 816 1201 1115
    1 33 1357
    1 15,5 816
    1 43 1201
    1 40 1115

    Con la función MMULT() se obtiene la matriz producto X’X en ese orden:

    Matriz X’X:

    6 155,1 6398
    155,1 5264,81 178309,6
    6398 178309,6 7036496

    Luego se obtiene la Inversa con la función MINVERSA():

    MINVERSA(X’X)

    8,5950959 0,0809579 -0,009867


    0,08095787 0,0021025 -0,000127
    -
    -0,0098667 0,0001269 1,233E-05

    Se obtiene el vector g = X’y con la función MMULT():

    Vector g = X’y

    g = X'y
    924
    20299,8
    935906

    Finalmente se obtiene el vector b multiplicando MINVERSA(X’X)*g:


    INV(X'X) g = X'y
    b0 = 8,5950959 0,0809579 -0,009867 924 = 350,994271
    -
    b1 = 0,08095787 0,0021025 -0,000127 20299,8 = 1,27199445
    - -
    b2 = -0,0098667 0,0001269 1,233E-05 935906 = 0,15390423

    Ahora se calcula el ypronosticado con el modelo y los errores o residuales. Así, si b0 se encuentra
    en la celda I20, b1 en I21 y b2 en I22 y los datos de x1 inician en C2 y de x2 en D2, para encontrar
    el primer Ypronosticado se inserta la fórmula:

    =$I$20+$I$21*C2+$I$22*D2

    Donde se fijan con F4 los valores de las constantes, luego se hace el copiado automático
    obteniéndose el resultado:

    ypron Error
    217,987 -24,987
    160,180 11,820
    100,170 12,830
    205,693 24,307
    111,460 -20,460
    128,511 -3,511
    SUMA: 0,000

    El error es solamente la diferencia entre el y verdadero y el y pronosticado. La suma de errores


    debe ser cero.

    REGRESIÓN MÚLTIPLE CON EL COMPLEMENTO ANÁLISIS DE DATOS

    Se seleccionan los datos como se ilustra y se indica una salida del informe:
    Y se obtienen los mismos resultados que realizando el procedimiento matricial.
    MODELOS NO LINEALES Y LINEALIZACION

    Ejemplo. Se tienen los datos de Presión y Volumen de un gas ideal:


    P V
    64,7 50
    51,3 60
    40,5 70
    25,9 90
    7,8 100

    La ley para un gas ideal en cierto proceso, es de la forma:


    𝛾
    Pi Vi = C

    Se observa que corresponde al caso y = Cx A

    Aplicando logaritmos:
    𝛾
    ln(Pi Vi ) = ln(C)
    𝛾
    ln(Pi ) + ln(Vi ) = ln(C)

    ln(Pi ) = ln(C) − 𝛾ln(Vi )

    Obteniendo los logaritmos:

    ln(Pi) ln(Vi)
    Y* X*
    4,1697612 3,91202301
    3,93769075 4,09434456
    3,70130197 4,24849524
    3,25424297 4,49980967
    2,05412373 4,60517019
    Al aplicar el modelo lineal se obtiene:

    Y*
    5
    4,5
    4
    3,5
    3
    2,5 y = -2,6535x + 14,759
    R² = 0,8156
    2
    1,5
    1
    0,5
    0
    3,8 3,9 4 4,1 4,2 4,3 4,4 4,5 4,6 4,7

    Y* = -2.6535X*+14.759

    Luego: 𝛾 = − 2.6535, que es propio del gas

    lnC = 14.759

    𝐶 = 𝑒 14.759 = 2568929.93 Intersección (Excel dice intercepción)

    Al correr el complemento con estos datos, efectivamente se obtiene:

    Resumen

    Estadísticas de la regresión
    Coeficiente de correlación múltiple 0,90308495
    Coeficiente de determinación R^2 0,815562427
    R^2 ajustado 0,754083236
    Error típico 0,415070862
    Observaciones 5

    Coeficientes
    Intercepción 14,7589739
    Variable X 1 -2,653472208
    Desarrollar los puntos indicados.
    b) Calcule el coeficiente de correlación e indique qué tan bueno es el modelo lineal para estos
    datos.

    También podría gustarte