UNIVERSIDAD AUTONOMA DE TLAXCALA

FACULTAD DE CIENCIAS BASICAS INGENIERIA Y TECNOLOGIA

ALUMNO
EDGAR GUILLEN SANCHEZ

MATERIA
ANALISIS DE REGRESION

CATEDRATICO

M.enC. JUAN MORALES DELGADO

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

Primero desarrollaremos el modelo logstico.

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

A continuacin se muestra una grafica de dispersin para observar el comportamiento de nuestros

datos y as saber qu modelo nos puede ayudar

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

El crecimiento especifico que tiene cada especie se indica por el parmetro

actual
es el mximo valor que puede alcanzar la poblacin en estudio

Resolviendo la primera ecuacin tenemos

de la poblacin

Cuando

Despus de hacer un histograma de el fenmeno, tomamos 3 tiempos equidistantes digamos

donde
de tal suerte que
.
Con esto calculemos

Para calcular el valor de K

Y el parmetro B se obtiene de la siguiente manera

Si tomamos los primeros 3 valores tendramos un

Y obtendramos los siguientes parmetros
-A= 0.01335314

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

Ahora aplicaremos anlisis de regresin

Tenemos el modelo de regresin lineal general para dos parmetros

Donde

son parmetros que encontraremos per el mtodo de mnimos cuadrados.

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

Aplicando las formulas

Tenemos

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.