REGRESION POLINOMIAL Algunos datos cientficos o de ingeniera, pueden presentar un patrn como este:

Que como puede intuirse, se representan pobremente mediante una lnea recta. En estos casos, se ajusta mejor una curva a los datos. Para ello se recomienda regresin polinomial. El procedimiento de mnimos cuadrados se puede extender fcilmente y ajustar datos a un polinomio de grado m. Y = ao + a1x + a2x2 + a3x3 + + amxm
Universidad del Cauca 1

REGRESION POLINOMIAL En este caso, la suma de los cuadrados es: Sr =

( Yi a - a x - a x
o
1 i

2 i

a3xi3 - - amxim )2

i=1

Que a la larga nos llevar al siguiente conjunto de ecuaciones :

Universidad del Cauca

REGRESION POLINOMIAL Entonces, el problema de determinar polinomios de grado m con mnimos cuadrados es equivalente a resolver un sistema de m+1 ecuaciones lineales simultneas. As como en la regresin lineal, el error en la regresin polinomial se puede cuantificar mediante el error estndar de aproximacin:

Sy/x =

Sr n (m+1)

Donde m es el grado del polinomio que queremos ajustar.

Adems del error estndar, se puede calcular tambin el coeficiente de determinacin, de la misma manera que para el caso lineal: St - Sr St

r2=

Universidad del Cauca

REGRESION POLINOMIAL Ejemplo: a partir de los datos de la tabla que se presenta a continuacin, ajuste un polinomio de segundo grado, utilizando regresin polinomial.
Xi 0 1 2 3 4 5 Yi 2,1 7,7 13,6 27,2 40,9 61,1

Para el caso que nos ocupa, m = 2 (el grado del polinomio que necesitamos) n = 6 (la cantidad de datos)

Y el conjunto general de ecuaciones queda instanciado de la siguiente manera:

Xi 0 1 2 3 4 5 Xi 15

Yi 2,1 7,7 13,6 27,2 40,9 61,1 Yi 152,6

Xi2 0 1 4 9 16 25 Xi2 55

Xi3 0 1 8 27 64 125 Xi3 225

Xi4 0 1 16 81 256 625 Xi4 979

XiYi 0 7,7 27,2 81,6 163,6 305,5 XiYi 585,6

Xi2 Yi 0 7,7 54,4 244,8 654,4 1527,5 Xi2Yi 2488,8

Universidad del Cauca

REGRESION POLINOMIAL Por lo tanto, las ecuaciones lineales simultneas son:

O en un formato ms familiar:

Resolviendo ese sistema con alguna tcnica como la eliminacin gaussiana, se obtiene:

ao =

2.47857

a1 =

2.35929

a2 =

1.86071

El polinomio es: 1.86071x2 + 2.35929x + 2.47857

Universidad del Cauca 5

REGRESION POLINOMIAL Debemos calcular Sr y St Sr nos servir para calcular el error estndar de aproximacin basado en la regresin polinomial. St nos servir para calcular el coeficiente de determinacin.
Xtrazo Ytrazo Xi 0 1 2 3 4 5 Xi 15 Yi 2,1 7,7 13,6 27,2 40,9 61,1 Yi 152,6 2,5000 25,4333 Xi2 0 1 4 9 16 25 Xi2 55 Xi3 0 1 8 27 64 125 Xi3 225 Xi4 0 1 16 81 256 625 Xi4 979 XiYi 0 7,7 27,2 81,6 163,6 305,5 XiYi 585,6

ao = 2.47857
Xi2 Yi 0 7,7 54,4 244,8 654,4 1527,5 Xi2Yi 2488,8

a1 = 2.35929

a2 = 1.86071
( Yi - ao - a1xi - a2xi2 )2 0,14332 1,00286 1,08158 0,80491 0,61951 0,09439 Sr 3,74657

( Yi Ytrazo )2 544,4444 314,4711 140,0278 3,1211 239,2178 1272,1111 St 2513,3933

Sy/x = Sy =
2

Sr n (m+1) St n-1 = 2513.3933 5

Sy/x =

3.74657 63

= 1.1175

= 22.4205
El resultado indica que el 99.851% de la incertidumbre original se ha explicado mediante el modelo.

St - Sr 2513.3933 - 3.74657 = = 0.99851 2513.3933 St

Universidad del Cauca