Documente Academic
Documente Profesional
Documente Cultură
ALUMNO
EDGAR GUILLEN SANCHEZ
MATERIA
ANALISIS DE REGRESION
CATEDRATICO
7 DE OCTUBRE 2011
Problema
Encontrar un modelo que nos ayude a predecir la poblacin de la ciudad de Chiapas en un tiempo
t.
Objetivo
Decidir qu modelo nos puede ayudar a predecir mejor el nmero de habitantes en un tiempo t,
esta decisin de entre un modelo de regresin lineal y un modelo logstico de poblacin.
Desarrollo del problema
Tenemos la siguiente tabla que muestra la poblacin de Chiapas, por cada 10 aos durante 90
aos
Poblacin(en millones)
ao
0.4
0.5
0.7
0.9
1.2
1.6
2.1
3.2
3.9
4.7
1920
1930
1940
1950
1960
1970
1980
1990
2000
2010
poblacion
5
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
poblacion
10
Para este problema consideraremos, la expresin expresin analtica de este fenmeno se puede
expresar como
Donde
Seala el crecimiento de la poblacin a travs del tiempo
de la poblacin
Cuando
K=
0.02612245
B= -0.93469388
cabe sealar que el tiempo t para este modelo logstico se toma como 19020, 1930, 1940
Y tendramos la siguiente tabla de datos
Tiempo
t
0
1
2
3
4
5
6
7
8
9
Poblacin(en
ao
millones
modelo
1920
0.4
0.4
1930
0.5
0.49529379
1940
0.7
0.6529369
1950
0.9
0.9638307
1960
1.2
1.86264567
1970
1.6
33.9158364
1980
2.1
-2.06303865
1990
3.2
-0.99419306
2000
3.9
-0.65190533
2010
4.7
-0.48328121
Donde
Ya que para aplicar este mtodo necesitamos que el comportamiento de los datos sea lineal, y ya
que nuestros datos tienen un comportamiento exponencial aplicaremos el logaritmo natural a
nuestros datos y para obtener un comportamiento lineal. Veamos la grafica
poblacion ln
2
1.5
1
0.5
poblacion ln
0
-0.5
-1
-1.5
10
0.2847
Asi nos queda el modelo de regresin lineal de la siguiente manera
Hay que recordar que tenemos que aplicar la funcin inversa a ln(y) para obtener nuestros datos
que nos interesan
Asi nos queda la siguiente tabla
poblacion
modelo logistico
regresion lineal
0.4
0.4
0.389886347
0.5
0.49529379
0.518300546
0.7
0.6529369
0.689009652
0.9
0.9638307
0.915944047
1.2
1.86264567
1.217622272
1.6
33.9158364
1.618662191
2.1
-2.06303865
2.151789884
3.2
-0.99419306
2.860510198
3.9
-0.65190533
3.802656875
4.7
-0.48328121
5.055111957
Conclusiones
Como podemos observar nuestro modelo de regresin lineal se acerca ms a los datos reales en
todos los tiempos y el modelo logstico solo en los puntos que tomamos para disearlo.
Por lo tanto, para este problema el mejor modelo seria el modelo de regresin lineal.