You are on page 1of 5

REGRESIN MULTILINEAL

Mtodos Numricos para Regresiones No Lineales


En estadstica, la regresin no lineal es un problema de inferencia para un modelo tipo:
El objetivo de la regresin no lineal se puede clarificar al considerar el caso de la regresin
polinomial, la cual es mejor no tratar como un caso de regresin no lineal. Cuando la
funcin toma la forma:

la funcin es no lineal en funcin de pero lineal en funcin de los parmetros


desconocidos , , y . Este es el sentido del trmino "lineal" en el contexto de la
regresin estadstica. Los procedimientos computacionales para la regresin polinomial
son procedimientos de regresin lineal (mltiple), en este caso con dos variables
predictoras y . Sin embargo, en ocasiones se sugiere que la regresin no lineal es
necesaria para ajustar polinomios. Las consecuencias prcticas de esta mala
interpretacin conducen a que un procedimiento de optimizacin no lineal sea usado
cuando en realidad hay una solucin disponible en trminos de regresin lineal.
Paquetes (software) estadsticos consideran, por lo general, ms alternativas de
regresin lineal que de regresin no lineal en sus procedimientos.

Ejemplo de regresin no lineal

Regresin Exponencial
En determinados experimentos, en su mayora biolgicos, la dependencia entre las variables
X e Y es de forma exponencial, en cuyo caso interesa ajustar a la nube de puntos una
funcin del tipo:

Mediante una transformacin lineal, tomando logaritmos neperianos, se convierte el


problema en una cuestin de regresin lineal. Es decir, tomando logaritmos neperianos:
Ejemplo.- Por regresin exponencial calcule Y cuando X=5, si
X= 1
1.2
1.5
2
3
3.7
4
4.5
Y= 3
3.4
5
2
4.1
5
7
6.5
x

x2

ln(y)

x ln(y)

(ln y)2

1,0986

1,0986

1,2069

1,2

3,4

1,2237

1,44

1,4684

1,4974

1,5

1,6094

2,25

2,4141

2,5901

0,6931

1,3862

0,4803

4,1

1,4109

4,2327

1,9906

3,7

1,6094

13,69

5,9547

2,5901

1,9459

16

7,7836

3,7865

4,5

6,5

1,8718

20,25

8,4231

3,5056

: 67,63

: 32,7614

: 17,6455

: 20,9
: 36
: 11,4628
Numero de datos = n = 8

=
x promedio = 2.6125
=

ln(y) promedio = 1.4328


Usando la forma lineal de la Regresin Exponencial:

b=
recordemos que

entonces ln(a) =ln(y) - bx

La ecuacin final que modela el sistema es

Si x=5 entonces y= 7.0175

Regresin Logartmica
La curva logartmica
referida a las variables originales

es tambin una recta, pero en lugar de estar


e , est referida a
ya

Ejemplo.- Por regresin logartmica calcule Y cuando X=5, si


x=
1
1.2
1.5
2
3
3.7
4
4.5
y=
3
3.4
5
2
4.1
5
7
6.5
x

ln2 x

ln x

y2

y*ln x

1.2

3.4

0.1823

0.0332

0.6198

11.56

1.5

0.4054

0.1643

2.027

25

0.6931

0.4803

1.3862

4.1

1.0986

1.2069

4.5042

16.81

3.7

1.3083

1.7116

6.5415

25

1.3862

1.9215

9.7034

49

4.5

6.5

1.5040

2.2620

9.776

42.25

: 20.9

: 36

: 6.5779

: 7.7798

: 34.5581

: 182.62

a=

a= 2.09051
b=

= 4.5 - (2.09051)(0.8222) = 2.78117

La ecuacin final que modela el sistema es

y =6.1456

Regresin polinomial
Algunas veces cuando la relacin entre las variables dependientes e independientes
es no lineal, es til incluir trminos polinomiales para ayudar a explicar la variacin de
nuestra variable dependiente.
Las regresiones polinomiales se pueden ajustar la variable independiente con varios
trminos

Que, derivando respecto a cada uno de los coeficientes nos da el planteamiento un sistema
de ecuaciones de la siguiente forma (donde m es el nmero de pares de datos):

Ejemplo.- Por regresin polinomial calcule Y cuando X=5, si


X= 1
1.2
1.5
2
3
3.7
4
4.5
Y= 3
3.4
5
2
4.1
5
7
6.5
x

x2

xy

y2

x 2y

x3

1.2

3.4

4.08

1.44

11.56

4.896

1.728

2.0

1.5

7.5

2.25

25

11.25

3.375

5.0

16

4.1

12.3

16.81

36.9

27

81

3.7

18.5

13.69

25

68.45

50.653

18

28

16

49

112

64

25

4.5

6.5

29.25

20.25

42.25

131.625

20.9 36 106.63 67.63 182.62 376.121


Usando una Matriz para calcular valores de los coeficientes

Usando el mtodo de Eliminacin de Gauss-Jordan

La ecuacin final que modela el sistema es

Finalmente si x = 5, entonces
y=4.57543-1.52445*5+0.46209*5^2 = 8.5054

91.125

41

246.881