Escuela Superior Politécnica de

Chimborazo

CARRERA DE ING. ESTADÍSTICA INFORMÁTICA

TEMAS:

 PARABOLA DE REGRESIÓN
INTEGRANTES:

 ADRIANA MATEO
 GEOVANNY MOROCH
 MIGUEL URGILES
 MARÍA JOSÉ OROZCO

Cuarto Semestre
Riobamba, 20 de Febrero de 2018
 ÍNDICE
1. INTRODUCCIÓN: .................................................................................................................... 1
1. OBJETIVOS ............................................................................................................................. 2
1.1. OBJETIVO GENERAL ............................................................................................... 2
1.2. OBJETIVOS ESPECÍFICOS .................................................................................... 2
1. MARCO TEÓRICO ................................................................................................................... 3
1.2. PARÁBOLA DE REGRESIÓN.................................................................................. 3
1.3. PRÁCTICA DE LA PARÁBOLA DE REGRESIÓN ................................................ 4
1.4. CÓDIGO....................................................................................................................... 6
2. CONCLUSIONES Y RECOMENDACIONES ................................................................................ 7
5.2. CONCLUSIONES ........................................................................................................... 7
5.3. RECOMENDACIONES .................................................................................................. 7
3. BIBLIOGRAFÍA ........................................................................................................................ 8
 1. INTRODUCCIÓN:

Habitualmente el tratamiento de la regresión se limita al caso lineal, el cual en

muchas ocasiones puede ser suficiente pero en otras no.

Supongamos que al hacer la representación gráfica correspondiente la

distribución bidimensional, hemos obtenido una figura en la que se observa una
clara relación entre las dos variables, pero desde luego, esa relación no es lineal
(parábola). Por tanto, debemos buscar la función que ha de describir la
dependencia entre las dos variables.

En el presente trabajo se describe la aplicación de modelos no lineales en

problemas estadísticos; nos limitaremos al estudio de la más utilizada:

 La función parabólica

1
 1. OBJETIVOS
1.1. OBJETIVO GENERAL

Garantizar que el estudiante adquiera los conocimientos teóricos básicos

para comprender temas más avanzados de estadística. Para ello se inicia

con la exposición de los principios de regresión no lineal y sus métodos más

conocidos de solución, con lo cual se pretende lograr una mejor comprensión

de las técnicas inferenciales. Se aspira asimismo, que el estudiante sea

capaz de plantear y resolver problemas reales aplicados a las diferentes

ramas de la ciencia. Es fundamental complementar el curso con el uso de

algún software estadístico para el análisis de datos.

1.2. OBJETIVOS ESPECÍFICOS

 Proporcionar al estudiante el conocimiento necesario para analizar

problemas que requieran el uso de modelos de regresión no lineal.

 Conocer las características de la regresión no lineal, parábola de regresión.

 Reconocer y representar una parábola de regresión.

 Familiarizar al estudiante con el manejo del software estadístico R,

insistiendo siempre en la interpretación correcta de los resultados obtenidos.

2
 1. MARCO TEÓRICO

1.1. ¿QUÉ ES LA REGRESIÓN PARABÓLICA?

Consiste en explicar una de las variables en función de la otra a través de un

determinado tipo de función (lineal, parabólica, exponencial, etc.), de forma que
la función de regresión se obtiene ajustando las observaciones a la función
elegida, mediante el método de Mínimos-Cuadrados (M.C.O.).

1.2. PARÁBOLA DE REGRESIÓN

En muchos casos, es una función de segundo grado la que se ajusta lo suficiente
a la situación real dada. La expresión general de un polinomio de 2º grado es:

𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2

Donde a, b y c son los parámetros.

El problema consiste, por tanto, en determinar dichos parámetros para una
distribución dada. Seguiremos para ello, un razonamiento similar al que hicimos
en el caso del modelo de regresión lineal simple, utilizando el procedimiento de
ajuste de los mínimos cuadrados, es decir, haciendo que la suma de los
cuadrados de las desviaciones con respecto a la curva de regresión sea mínima:
𝑛

𝐷 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2
𝑖=1

Donde, siguiendo la notación habitual, yi son los valores observados de la

variable dependiente, e los valores estimados según el modelo; por tanto,
podemos escribir D de la forma:
𝑛
𝑛

𝐷 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2 ∑(𝑦𝑖 − 𝑎 − 𝑏𝑥𝑖 − 𝑐𝑥𝑖2 )2

𝑖=1
𝑖=1

Para encontrar los valores de a, b y c que hacen mínima la expresión anterior,

deberemos igualar las derivadas parciales de D con respecto a dichos
parámetros a cero y resolver el sistema resultante. Las ecuaciones que forman
dicho sistema se conocen como ecuaciones normales de Gauss (igual que en
el caso de la regresión lineal simple).
𝑛
𝑛 𝑛

∑ 𝑌𝑖 = 𝑛𝑎 + 𝑏 ∑ 𝑋𝑖 + 𝑐 ∑ 𝑋𝑖 2
𝑖=1 𝑖=1
𝑖=1

3
 𝑛
𝑛 𝑛 𝑛

∑ 𝑋𝑖 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 + 𝑏 ∑ 𝑋𝑖 + 𝑐 ∑ 𝑋𝑖 3
2

𝑖=1 𝑖=1 𝑖=1

𝑖=1

𝑛
𝑛 𝑛 𝑛

∑ 𝑋𝐼2 𝑌𝑖 = 𝑎 ∑ 𝑋𝐼2 + 𝑏 ∑ 𝑋𝑖 3 + 𝑐 ∑ 𝑋𝑖 4
𝑖=1 𝑖=1 𝑖=1
𝑖=1

1.3. PRÁCTICA DE LA PARÁBOLA DE REGRESIÓN

4
Ajuste parabólico de orden 2

5
 1.4. CÓDIGO

datos<-read.table("Altura.txt",header=TRUE)
datos
attach(datos)
##orden 2
mod<-lm(defectos~altura+I(altura^2),data=datos)
mod
summary(mod)
plot(altura,defectos,xlab='ltura',ylab='defectos',main='Ajuste cuadrático o polinómica de orden
2',col=3)
curve(mod$coefficient[1]+mod$coefficient[2]*x+mod$coefficient[3]*x^2,add=T,col="red")
##orden3
mo<-lm(defectos~altura+I(altura^2)+I(altura^3),data=datos)
mo
summary(mo)
curve(mo$coefficient[1]+mo$coefficient[2]*x+mo$coefficient[3]*x^2+mo$coefficient[4]*x^3,a
dd=T)

6
 2. CONCLUSIONES Y RECOMENDACIONES

5.2. CONCLUSIONES

Cuando los datos no siguen un modelo lineal entonces se utiliza la parábola de

regresión con el método de mínimos cuadrados, también se lo hace mediante la
función exponencial o la función logarítmica, y al realizar estos procesos se logra
que los datos sigan una tendencia lineal.

La función exponencial es de forma 𝑦 = 𝑎 𝑥 y la función logarítmica tiene la forma

𝑦 = log 𝑎 𝑥, estas son funciones inversas, pero, ambas sirven para que el modelo
mencionado se ajuste y consiga un modelo lineal para manejar de mejor manera
el estudio que se requiera realizar. En la vida real la mayoría de estudios son no
lineales por ello es necesario conocer la aplicación de estas funciones.

5.3. RECOMENDACIONES

 Aplicar los métodos mencionados para obtener datos claros y manejables,

de forma sencilla y encontrar un modelo que explique a la variable
dependiente de la mejor manera.
 Se recomienda el uso de softwares estadísticos para la aplicación y
verificación de la regresión no lineal.

7
3. BIBLIOGRAFÍA

 SPIEGEL, Murray, (2000), Estadística, Serie de Compendios Schaum, Ed.

McGraw-Hill, México.
 SUÁREZ, Mario, (2011), Interaprendizaje de Estadística Básica,
 TAPIA , Fausto Ibarra, Ecuador.
 SUÁREZ, Mario, (2004), Interaprendizaje Holístico de Matemática, Ed. Gráficas
Planeta, Ibarra,
 Ecuador.