You are on page 1of 3

1.

REGRESIÓN Y CORRELACIÓN NO LINEAL SIMPLE


1.1 Regresión no lineal
 Existen situaciones en que dos variables no están relacionadas
linealmente.
 El diagrama de dispersión puede ayudar a evidenciar una relación entre
las variables que no sigue a una tendencia recta; así en el siguiente
diagrama de dispersión:

 Se observa una tendencia de los puntos de datos en forma curvilínea


(no lineal), probablemente en forma de parábola (función cuadrátrica)
 La forma de la asociación de dos variables, se puede establecer bajo la
forma general: y= f(x, θ), con θ = {θ1, θ2, …θm} (conjunto de parámetros
a estimar)

 Esta función puede ser muy variada. Por ejemplo:


2. Ajuste de los datos a una ecuación no lineal
Al igual que en el caso de la regresión lineal, en el caso de la no lineal, la
ecuación que mejor representa a los datos es aquella que minimiza la suma de
los errores o residuales (min Σξi).
Existen varias formas para lograr o aproximarse a este requisito:

2.1 Linealización
Este método consiste en aplicar una transformación a la variables x, a la
variable y o a ambas, que permitan convertir una función no lineal en
lineal.
Es común utilizar Linealización para
2.1.2 Linealización del modelo exponencial
El modelo exponencial:

Se puede transformar en un modelo lineal, aplicando logaritmos en cada


miembro de la ecuación:

Con lo que si llamamos:

La ecuación queda como una ecuación lineal:

2.2 Estimación algebraica mediante el método de mínimos cuadrados


2.3 Estimación de parámetros mediante el algoritmo de Gauss-Newton
2.4 Estimación de parámetros mediante el algoritmo de Levenbert-
Marquard
2.5 Estimación de parámetros mediante el algoritmo de descenso de
gradiente

a. Linealización
b. Este método consiste en aplicar una transformación a la variables
x, a la variable y o a ambas, que permitan convertir una función
no lineal en lineal.
c. Es común utilizar Linealización para

You might also like