500 REGRESIÓN POR MÍNIMOS CUADRADOS

28.65 26.55 26.65 27.65 27.35 28.35 26.85 17.7 Emplee la regresión por mínimos cuadrados para ajustar
28.65 29.65 27.85 27.05 28.25 28.35 26.75 una línea recta a
27.65 28.45 28.65 28.45 31.65 26.35 27.75
x 1 2 3 4 5 6 7 8 9
29.25 27.65 28.65 27.65 28.55 27.55 27.25
y 1 1.5 2 3 4 5 8 10 13

Determine a) la media, b) la desviación estándar, c) la varianza,

a) Además de la pendiente y la intersección, calcule el error
d) el coeficiente de variación, y e) el intervalo de confianza del
estándar de la estimación y el coeficiente de correlación.
90% para la media. f ) Construya un histograma. Use un rango
Grafique los datos y la línea recta. Evalúe el ajuste.
de 26 a 32 con incrementos de 0.5. g) Si se supone que la distri-
b) Vuelva a hacer el cálculo del inciso a), pero use regresión
bución es normal y que la estimación de la desviación estándar
polinomial para ajustar una parábola a los datos. Compare
es válida, calcule el rango (es decir, los valores inferior y superior)
los resultados con los del inciso a).
que agrupa al 68% de los datos. Determine si esta es una estima-
ción válida para los datos del problema. 17.8 Ajuste los datos siguientes con a) un modelo de tasa de
17.4 Utilice la regresión por mínimos cuadrados para ajustar una crecimiento de saturación, b) una ecuación de potencias, y c)
línea recta a una parábola. En cada caso, haga una gráfica de los datos y la
ecuación.
x 0 2 4 6 9 11 12 15 17 19
y 5 6 7 6 9 8 7 10 12 12 x 0.75 2 3 4 6 8 8.5
y 1.2 1.95 2 2.4 2.4 2.7 2.6
Además de la pendiente y la intersección, calcule el error están-
dar de la estimación y el coeficiente de correlación. Haga una 17.9 Ajuste los datos siguientes con el modelo de potencias (y
gráfica de los datos y la línea de regresión. Después repita el = axb). Use la ecuación de potencias resultante para hacer el
problema, pero ahora efectúe la regresión de x versus y, es decir, pronóstico de y en x = 9.
intercambie las variables. Interprete sus resultados.
17.5 Use la regresión por mínimos cuadrados para ajustar una x 2.5 3.5 5 6 7.5 10 12.5 15 17.5 20
línea recta a y 13 11 8.5 8.2 7 6.2 5.2 4.8 4.6 4.3

x 6 7 11 15 17 21 23 29 29 37 39 17.10 Ajuste a un modelo exponencial a

y 29 21 29 14 21 15 7 7 13 0 3
x 0.4 0.8 1.2 1.6 2 2.3
Además de la pendiente y la intersección, calcule el error están- y 800 975 1500 1950 2900 3600
dar de la estimación y el coeficiente de correlación. Haga una
gráfica de los datos y la línea de regresión. ¿Si otra persona hi-
Grafique los datos y la ecuación tanto en papel milimétrico como
ciera una medición adicional de x = 10, y = 10, usted pensaría,
en semilogarítmico.
con base en una evaluación visual y el error estándar, que la
17.11 En vez de usar el modelo exponencial de base e (ecuación
medición era válida o inválida? Justifique su conclusión.
17.22), una alternativa común consiste en utilizar un modelo de
17.6 Con el mismo enfoque que se empleó para obtener las
base 10.
ecuaciones (17.15) y (17.16), obtenga el ajuste por mínimos
cuadrados del modelo siguiente: y = a510b5x
y = a1x + e Cuando se usa para ajustar curvas, esta ecuación lleva a resultados
idénticos que los de la versión con base e, pero el valor del pará-
Es decir, determine la pendiente que resulta en el ajuste por metro del exponente (b5) difiere del estimado con la ecuación 17.22
mínimos cuadrados para una línea recta con intersección en el (b1). Use la versión con base 10 para resolver el problema 17.10.
origen. Ajuste los datos siguientes con dicho modelo e ilustre Además, desarrolle una formulación para relacionar b1 con b5.
el resultado con una gráfica. 17.12 Además de los ejemplos de la figura 17.10, existen otros
modelos que se pueden hacer lineales con el empleo de transfor-
x 2 4 6 7 10 11 14 17 20 maciones. Por ejemplo,
y 1 2 5 2 8 7 6 9 12 y = a4xeb4x
 PROBLEMAS 501

Haga lineal este modelo y úselo para estimar a4 y b4 con base en 17.17 Use regresión lineal múltiple para ajustar
los datos siguientes. Elabore una gráfica del ajuste junto con los
datos.
x1 0 0 1 2 0 1 2 2 1
x2 0 2 2 4 4 6 6 2 1
x 0.1 0.2 0.4 0.6 0.9 1.3 1.5 1.7 1.8
y 14 21 11 12 23 23 14 6 11
y 0.75 1.25 1.45 1.25 0.85 0.55 0.35 0.28 0.18

Calcule los coeficientes, el error estándar de la estimación y el

17.13 Un investigador reporta los datos tabulados a continuación,
coeficiente de correlación.
de un experimento para determinar la tasa de crecimiento de
17.18 Emplee regresión no lineal para ajustar una parábola a los
bacterias k (per d), como función de la concentración de oxígeno
datos siguientes:
c (mg/L). Se sabe que dichos datos pueden modelarse por medio
de la ecuación siguiente:
k máxc 2 x 0.2 0.5 0.8 1.2 1.7 2 2.3
k= y 500 700 1 000 1 200 2 200 2 650 3 750
cs + c 2
donde cs y kmáx son parámetros. Use una transformación para
hacer lineal esta ecuación. Después utilice regresión lineal pa- 17.19 Use regresión no lineal para ajustar una ecuación de tasa
ra estimar cs y kmáx, y pronostique la tasa de crecimiento para c = de crecimiento de saturación a los datos del problema 17.14.
2 mg/L. 17.20 Vuelva a calcular los ajustes de regresión de los problemas
a) 17.4, y b) 17.15, con el enfoque matricial. Estime los errores
estándar y desarrolle intervalos de confianza del 90% para los
c 0.5 0.8 1.5 2.5 4 coeficientes.
k 1.1 2.4 5.3 7.6 8.9 17.21 Desarrolle, depure y pruebe un programa en cualquier
lenguaje de alto nivel o de macros que elija, para implantar el
17.14 Dados los datos análisis de regresión lineal. Entre otras cosas: a) incluya comen-
tarios para documentar el código, y b) determine el error estándar
y el coeficiente de determinación.
x 5 10 15 20 25 30 35 40 45 50 17.22 Se hace la prueba a un material para estudiar la falla por
y 17 24 31 33 37 37 40 40 42 41 fatiga cíclica, en la que se aplica un esfuerzo, en MPa, al material
y se mide el número de ciclos que se necesita para hacer que
use regresión por mínimos cuadrados para ajustar a) una línea falle. Los resultados se presentan en la tabla siguiente. Al hacer-
recta, b) una ecuación de potencias, c) una ecuación de tasa de se una gráfica log-log, del esfuerzo versus los ciclos, la tendencia
crecimiento de saturación, y d) una parábola. Grafique los datos de los datos presenta una relación lineal. Use regresión por mí-
junto con todas las curvas. ¿Alguna de las curvas es superior a nimos cuadrados para determinar la ecuación de mejor ajuste
las demás? Si así fuera, justifíquelo. para dichos datos.
17.15 Ajuste una ecuación cúbica a los datos siguientes:
N, ciclos 1 10 100 1 000 10 000 100 000 1 000 000

x 3 4 5 7 8 9 11 12 Esfuerzo, MPa 1 100 1 000 925 800 625 550 420

y 1.6 3.6 4.4 3.4 2.2 2.8 3.8 4.6

17.23 Los datos siguientes muestran la relación entre la viscosidad
Además de los coeficientes, determine r2 y sy/x. del aceite SAE 70 y su temperatura. Después de obtener el loga-
17.16 Utilice regresión lineal múltiple para ajustar ritmo de los datos, use regresión lineal para encontrar la ecuación
de la recta que se ajuste mejor a los datos y al valor de r 2.
x1 0 1 1 2 2 3 3 4 4
x2 0 1 2 1 2 1 2 1 2 Temperatura, oC 26.67 93.33 148.89 315.56

Viscosidad, m, N ⋅ s/m2 1.35 0.085 0.012 0.00075

y 15.1 17.9 12.7 25.6 20.5 35.1 29.7 45.4 40.2

Calcule los coeficientes, el error estándar de la estimación y el 17.24 Los datos siguientes representan el crecimiento bacterial
coeficiente de correlación. en un cultivo líquido durante cierto número de días.
502 REGRESIÓN POR MÍNIMOS CUADRADOS

Día 0 4 8 12 16 20 Emplee regresión por mínimos cuadrados para ajustar estos datos
con a) una línea recta, b) una ecuación de potencias basada en
Cantidad × 106 67 84 98 125 149 185
transformaciones logarítmicas, y c) un modelo de potencias con
base en regresión no lineal. Muestre los resultados gráficamente.
Encuentre la ecuación de mejor ajuste a la tendencia de los datos. 17.27 Ajuste un modelo de potencias a los datos del problema
Pruebe varias posibilidades: lineal, parabólica y exponencial. Utilice 17.26, pero emplee logaritmos naturales para hacer las transfor-
el paquete de software de su elección para obtener la mejor ecuación maciones.
para pronosticar la cantidad de bacterias después de 40 días. 17.28 Con el mismo enfoque que se empleó para obtener las
17.25 Después de una tormenta, se vigila la concentración de la ecuaciones (17.15) y (17.16), obtenga el ajuste por mínimos
bacteria E. coli en un área de natación: cuadrados del modelo siguiente:
t (hrs) 4 8 12 16 20 24
y = a1x + a2x2 + e
c (CFU/100mL) 1 590 1 320 1 000 900 650 560
Es decir, determine los coeficientes que generan el ajuste por
El tiempo se mide en horas transcurridas después de finalizar la
mínimos cuadrados de un polinomio de segundo orden con in-
tormenta, y la unidad CFU es una “unidad de formación de co-
tersección en el origen. Pruebe el enfoque con el ajuste de los
lonia”. Use los datos para estimar a) la concentración al final de
datos del problema 17.26.
la tormenta (t = 0), y b) el tiempo en el que la concentración
17.29 En el problema 17.12, en el que se usaron transformacio-
alcanzará 200 CFU / 100 mL. Observe que la elección del mo-
nes para hacer lineal y ajustar el modelo siguiente:
delo debe ser consistente con el hecho de que las concentraciones
negativas son imposibles y de que la concentración de bacterias
siempre disminuye con el tiempo. y = a4xeb4x
17.26 Un objeto se suspende en un túnel de viento y se mide la
fuerza para varios niveles de velocidad del viento. A continuación Emplee regresión no lineal para estimar a4 y b4 con base en
están tabulados los resultados. Use la regresión por mínimos los datos siguientes. Haga una gráfica del ajuste junto con los
cuadrados para ajustar una línea recta a estos datos. datos.

v, m/s 10 20 30 40 50 60 70 80 x 0.1 0.2 0.4 0.6 0.9 1.3 1.5 1.7 1.8
FN 25 70 380 550 610 1 220 830 1 450 y 0.75 1.25 1.45 1.25 0.85 0.55 0.35 0.28 0.18