Documente Academic
Documente Profesional
Documente Cultură
Aplicaciones de regresin son numerosas y ocurren en casi todos los campos, incluyendo ingeniera, la fsica, ciencias econmicas, ciencias biolgicas y de la salud, como tambin ciencias sociales.
Analisis de Regresion
La regresin estadstica o regresin a la media es la tendencia de una medicin extrema a presentarse ms cercana a la media en una segunda medicin. La regresin se utiliza para predecir una medida basndonos en el conocimiento de otra. Utilidad
Utilizados para varios propsitos, incluyendo los siguientes: 1. Descripcin de datos Ingenieros y cientficos frecuentemente utilizan ecuaciones para resumir un conjunto de datos. El anlisis de regresin es til para describir los datos. 2. Estimacin de parmetros. Uno de los casos en los cuales se utiliza el anlisis de regresin para estimar parmetros es el siguiente: Suponga que un circuito elctrico contiene una resistencia conocida de ohms. Diferentes corrientes pasan a travs del circuito y el correspondiente voltaje es medido. El diagrama de dispersin podra indicar que el voltaje y la corriente estan relacionados por una lnea recta que pasa por el orgen con pendiente (debido a que el voltaje y la corriente estan relacionados por la ley de Ohm ). El anlisis de regresin podra ser utilizado para ajustar este modelo a los datos, produciendo un estimado de la resistencia desconocida. 3. Para prediccin y estimacin . Algunos casos de esta utilidad del anlisis de regresin son: La respuesta de un cultivo al variar la cantidad de los fertilizantes; el objetivo puede ser establecer la forma de la relacin, o predecir la combinacin optima de fertilizantes.
La relacin entre varias medidas meterolgicas y la produccin del cultivo; el ms obvio objetivo podra ser tratar de entender los efectos meterolgicos sobre el crecimiento del cultivo. En el anlisis de regresin se pueden distinguir dos tipos de variables: variables predictoras y variables respuestas. La diferencia entre variable predictora y respuesta es no siempre completamente clara y depende algunas veces de nuestros objetivos. Algunos nombres conocidos para las variables predictoras y respuestas son:
Modelo Lineal
La ms simple relacin entre dos variables es una lnea recta. En donde se tiene pares de observaciones de y donde , la variable dependiente, se asume dependiente sobre , la variable independiente. Se considera un modelo lineal cuando los parmetros ocurren de manera lineal, as por ejemplo Modelo lineal o de primer orden Modelo cuadrtico o de segundo orden en una variable Modelo de tercer orden en una variable Modelo lineal o de primer orden con dos variables En el modelo tienen exponente existe una sola variable independiente y los parmetros uno. Los modelos y tiene una sola variable
independiente pero con exponentes diferentes de uno, por lo cual se llamamodelo de segundo orden y tercer orden respectivamente con una sola variable indepeniente; es de observar, que los parmetros tienen slo es un exponente uno y por tanto sigue siendo un modelo lineal. El modelo
modelo lineal de primer orden pero con dos variables independientes. Los tres primeros modelos de se muestran en la figura 1.
1.
Modelos ,
polinomiales;
(a)
Modelo Lineal
Cuando los parmetros no se encuentran de manera lineal el modelo se llama modelo no lineal , por ejemplo el modelo
es un modelo no lineal. Los modelos no lineales de manera general se agrupan en tres tipos. El primero involucra terminos exponenciales dados por:
El segundo tipo de modelo no lineal que es comunmente usado es basado sobre la relacin recproca, tipicamente la hiprbola rectangular. Simplemente la relacin entre la enzima y la quimica cinetica puede frecuentemente ser expresada en la forma
donde
utilizada para relacionar la fotosintesis y la intensidad de luz. Un tercer tipo de modelo no lineal es la curva logistica, extrensivamente utilizada para representar elcrecimiento de organismos desde un pequeo estado inicial, durante el cual el crecimiento es proporcional al tamao, hasta la ltima etapa cuando el tamao se aproxima a una asintota. La idea subyacente es que la taza de cambio esta relacionada con el tamao por una ecuacin diferencial
REGRESIN SIMPLE Y CORRELACIN La Regresin y la correlacin son dos tcnicas estadsticas que se pueden utilizar para solucionar problemas comunes en los negocios. Muchos estudios se basan en la creencia de que es posible identificar y cuantificar alguna Relacin Funcional entre dos o ms variables, donde una variable depende de la otra variable. Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en un modelo de Regresin Simple. "Y es una funcin de X" Y = f(X) Como Y depende de X, Y es la variable dependiente, y X es la variable independiente. En el Modelo de Regresin es muy importante identificar cul es la variable dependiente y cul es la variable independiente. En el Modelo de Regresin Simple se establece que Y es una funcin de slo una variable independiente, razn por la cual se le denomina tambin Regresin Divariada porque slo hay dos variables, una dependiente y otra independiente y se representa as: Y = f (X) "Y est regresando por X" La variable dependiente es la variable que se desea explicar, predecir. Tambin se le llama REGRESANDO VARIABLE DE RESPUESTA. La variable Independiente X se le denomina VARIABLE EXPLICATIVA REGRESOR y se le utiliza para EXPLICAR Y. ANLISIS ESTADSTICO: REGRESIN LINEAL SIMPLE En el estudio de la relacin funcional entre dos variables poblacionales, una variable X, llamada independiente, explicativa o de prediccin y una variable Y, llamada dependiente o variable respuesta, presenta la siguiente notacin: Y=a+bX+e Donde: a es el valor de la ordenada donde la lnea de regresin se intercepta con el eje Y. b es el coeficiente de regresin poblacional (pendiente de la lnea recta) e es el error SUPOSICIONES DE LA REGRESIN LINEAL 1. 2. Los valores de la variable independiente X son fijos, medidos sin error. La variable Y es aleatoria 3. Para cada valor de X, existe una distribucin normal de valores de Y (subpoblaciones Y) 4. Las variancias de las subpoblaciones Y son todas iguales. 5. Todas las medias de las subpoblaciones de Y estn sobre la recta.
6.
ESTIMACIN DE LA ECUACIN DE REGRESIN MUESTRAL Consiste en determinar los valores de "a" y "b " a partir de la muestra, es decir, encontrar los valores de a y b con los datos observados de la muestra. Elmtodo de estimacin es el de Mnimos Cuadrados, mediante el cual se obtiene:
Que se interpreta como: a es el estimador de a Es el valor estimado de la variable Y cuando la variable X = 0 b es el estimador de b , es el coeficiente de regresin Est expresado en las mismas unidades de Y por cada unidad de X. Indica el nmero de unidades en que vara Y cuando se produce un cambio, en una unidad, en X (pendiente de la recta de regresin). Un valor negativo de b sera interpretado como la magnitud del decremento en Y por cada unidad de aumento en X.
donde es la observacin de la variable aleatoria dependiente. son las observaciones de las variables fjas independientes.
son los llamados coeficientes de regresin. es la variable aleatoria error que se supone que tiene y que los errores son no correlacionados. Algunos otro modelos como y
Estos modelo se pueden expresar de la forma general de un modelo de de regresin multiple dada en modelo haciendo Ejemplo (tomado de Draper 1998. ejer D pag. 171) Seis ejecuciones fueron hechas a varias condiciones de saturacin transisomers . La respuesta, SCI, es listada abajo como y . correspondientes niveles de y haciendo . El modelo y se puede expresar como el , . De igual manera el el modelo
para los
El grfico para los datos del ejemplo es dado en la figura 1. Slo los modelos de regresin mltiple con dos variables independientes pueden ser graficados.