Documente Academic
Documente Profesional
Documente Cultură
Objetivos
Identificar ...
...el modelo que relaciona la esperanza de una variable
llamada dependiente o respuesta con una o varias
variables llamas independientes o regresoras
Estimar...
...los parmetros modelo
Probar hiptesis ...
...sobre los parmetros del modelo
Predecir ...
... el nivel medio de la respuesta para valores
determinados de las regresoras
Ejemplo 1
Estudio de la concentracin de CO2 en
la atmsfera terrestre en funcin del
tiempo transcurrido desde el ao 1850
Variable dependiente: concentracin CO2
Ejemplo 2
La ecuacin de Lineweaver-Burk describe la cintica
enzimtica como una relacin lineal entre el recproco
de la concentracin del sustrato y el recproco de la
velocidad de la reaccin.
El objetivo del anlisis de regresin para este ejemplo
La diferencia
ei ( yi yi ) se conoce como
Cmo se decide si un
modelo explica una
parte significativa de la
variacin de la variable
respuesta?
SC Explicada ( yi y ) ( yi yi )
2
R 2 SC Explicada/SC Total
n 1
R 1 (1 R )
; p # parametros
n p
2
aj
Un ejemplo trabajado de
regresin lineal simple
Y=0+1X+
Sea 0=50
Sea 1=2
Sea ~N(0,2)
Generar
Visualizar
Estimar
Interpretar
Chequear supuesto
Predicciones
Yi 0 1xi
Esperanza estimada de Y
dado un valor especificado de x
Y0 t( n 2);(1 / 2)
x
(
)
1
0
2
2
n ( x x )
i
BP
Y0 t( n 2);(1 / 2)
x
(
)
1
0
2
1
2
n ( x x )
i
Error puro
Existe algn criterio formal para establecer
T10
62
56
64
T15
68
58
56
55
Trabajar ejemplo....
T20
101
100
T25
152
132
133
145
T30
186
164
179
7 00
6 00
10
1 00
5 00
78
4 00
9
3 00
56
2 00
34
8
-1.0
1 00
-0.5
0 .0
0 .5
0
0
10
E(y)=B 1* si n ((2 *3 .14 15 )/2 * x)+B2 *c os ((2 * 3.14 15 )/2* x)+B3 x+B4 x* x
-10
0
6
X
10
3 00
50
2 00
z=B0+B1*X+B2 *L^ 2
1 00
2
0
-50
Z
-10 0
20
0
Z
-20 0
10
10
0
10
-10
-10
-20
-20
20
-1
20
-2
20
10
1 .0
-10
z=1 0*SIN(X)+2
*cos(L )+3*L
0 .5
-20
-20
0
-10
1 .0
0 .0
0 .5
0 .0
-0.5
-0.5
-1.0
-1.0
Modelo de regresin
lineal mltiple
Un ejemplo simple de
regresin mltiple
Y: tensin arterial sistlica
x = [consumo diario de sodio, peso]
q1(x)=Consumo diario de sodio (Na)
q2(x)=Peso (P)
Y=0 + 1 Na+ 2 P+
Modelo Polinmico
Y=0+1X1+ 2X2 +
Sea 0=50
Generar
Visualizar
Estimar
Interpretar
Validacin de supuestos
Los supuestos son sobre las
Supuestos
Normalidad
Q-Q plot
Shapiro-Wilks
Homocedasticidad
Residuos vs predichos
Muchas pruebas formales, todas muy poco
potentes.
Independencia
Diagramas de dispersin
Prueba de Durbin-Watson, Rachas
Diagnstico
Medidas de influencia
Influencia de Y
Residuos
estudentizados y
Residuos externamente estudentizados
Influencia de X
Leverage
Influencia conjunta
Distancia
de Cook
Identificacin
Criterios de seleccin
Pocas variable en relacin a N
Ejemplo
Se cuenta con los resultados de la calibracin de un
(Y)
L1-L6: reflectancias de radiacin infrarroja en 6
medicin estndar
El objetivo es hallar un mtodo para determinar el
Variables Dummy
En el contexto del anlisis de la varianza del
pH Polmero
6.5
6.9
7.8
8.4
8.8
9.2
6.7
6.9
7.5
7.9
8.7
9.2
6.5
7
7.2
7.6
8.7
9.2
A
A
A
A
A
A
B
B
B
B
B
B
C
C
C
C
C
C
356
289
222
155
6.50
7.17
7.84
pH
8.51
9.18
Estimacin
Variable
Y
N
18
R^2
0.64
R^2ajust
0.62
CpMallows
4.10
28.23
Predichos
423
356
289
222
155
6.50
7.17
7.84
pH
8.51
9.18
...revisando los
datos...
292
329
352
378
392
410
198
227
277
297
364
375
167
225
247
268
288
342
pH Polmero
6.5
6.9
7.8
8.4
8.8
9.2
6.7
6.9
7.5
7.9
8.7
9.2
6.5
7
7.2
7.6
8.7
9.2
A
A
A
A
A
A
B
B
B
B
B
B
C
C
C
C
C
C
Residuos
Residuo estudentizado
2.0
1.0
0.0
-1.0
-2.0
225
264
303
Predicho
342
381
Agregando
variables
dummy
292
329
352
378
392
410
198
227
277
297
364
375
167
225
247
268
288
342
pH Polmero
6.5
6.9
7.8
8.4
8.8
9.2
6.7
6.9
7.5
7.9
8.7
9.2
6.5
7
7.2
7.6
8.7
9.2
A
A
A
A
A
A
B
B
B
B
B
B
C
C
C
C
C
C
D1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
D2 D1*pH D2*pH
0
0
0
0
0
0
1
1
1
1
1
1
0
0
0
0
0
0
6.5
6.9
7.8
8.4
8.8
9.2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
6.7
6.9
7.5
7.9
8.7
9.2
0
0
0
0
0
0
El nuevo modelo
Y=0+
1pH+
2D1+
3D2+
4D1*pH+
5D2*pH +
N
18
R
0.97
RAj
0.96
Coef.
const
pH
D1
D2
D1*pH
D2*pH
Est.
-158.27
53.82
197.69
-108.74
-13.56
17.39
E.E.
48.52
6.25
68.79
71.05
8.74
9.09
LI(95%)
-263.98
40.20
47.80
-263.55
-32.60
-2.41
LS(95%)
-52.57
67.45
347.58
46.07
5.48
37.20
T
-3.26
8.61
2.87
-1.53
-1.55
1.91
Valor p
0.0068
<0.0001
0.0140
0.1518
0.1466
0.0798
Grafico predichos
418
353
418
353
288
288
223
158
6.50
7.17
7.84
8.51
9.18
pH
223
158
6.50
7.17
7.84
pH
8.51
9.18
Residuos vs predichos
1.75
REST_Y
0.73
-0.28
-1.30
-2.32
174.89 234.98 295.08 355.17 415.27
PRED_Y
Regresin no lineal
Yi f (xi ; )+i
Yi e
xi
+ i
Modelo no lineales
Hiperblico
Monomolecular
Richard
Un ejemplo
Existe una funcin que vincula el consumo (c) con
tablones.
Las compras se realizan por tonelada y los tablones se venden
por pie cuadrado.
Se desea obtener un modelo para predecir el rendimiento en