Title | Regresion Exponencial |
---|---|
Course | Probabilidad y Estadistica |
Institution | Universidad de las Fuerzas Armadas de Ecuador |
Pages | 8 |
File Size | 461.9 KB |
File Type | |
Total Downloads | 35 |
Total Views | 133 |
Descripcion de la regresion exponencial ...
UNIVERSIDAD DE LAS FUERZAS ARMADAS – ESPE
INGENIERÍA EN BIOTECNOLOGÍA
ESTADÍSTICA I
“REGRESIÓN EXPONENCIAL”
¿QUÉ ES UNA REGRESIÓN? Es una técnica que permite cuantificar la relación entre dos variables.
Dicho modelo ayuda a predecir el comportamiento de una variable.
La relación es observada cuando se grafica un diagrama de puntos dispersos.
REGRESIÓN EXPONENCIAL • • • • •
Es un proceso de encontrar la ecuación de la función exponencial. Una línea de tendencia exponencial es una línea curva. Es útil para los valores de los datos que aumentan o disminuyen en intervalos mayores. La idea es convertir una curva exponencial a una recta por medio de logaritmos. La potencia predictiva relativa de un modelo exponencial esta denotada por 0≤ 𝑅 2 ≤1, mientras mas cercano a 1 mas preciso será el modelo.
𝑦 = 𝑎 ∙ 𝑒 𝑏𝑥; donde a ≠0 TRANSFORMACIÓN A UNA ECUACIÓN LINEAL Los datos deben tener un patrón de crecimiento exponencial. Se tiene: 𝑦 = 𝑎 ∙ 𝑒 𝑏𝑥 x= variable independiente y= variable dependiente a= pendiente diferente de 0 b= punto donde cortan la recta y el eje vertical e=número de Euler
PROCEDIMIENTO: 1. Se toma logaritmos a ambos lados: l𝑛(𝑦)= ln(a𝑒 𝑏𝑥 ) 2. Propiedades de los logaritmos: l𝑛(𝑦)= ln(𝑎) + 𝑏𝑥 l𝑛(𝑦) = l𝑛(𝑎) + 𝑏𝑥 𝑃𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒: 𝑚=𝑏 𝐼𝑛𝑡𝑒𝑟𝑠𝑒𝑐𝑐𝑖ó𝑛: 𝑏 = l𝑛(𝑎) FÓRMULAS REQUERIDAS:
𝑆𝑋𝑌ʹ 𝑏= 2 𝑆 𝑋
− 𝑏𝑋 𝑎ʹ = 𝑌ʹ EJEMPLO
Con los siguientes datos realizar el ajuste por una función exponencial. Como la función buscada es 𝒚 = 𝒂𝒆𝒃𝒙, tomando logaritmos tenemos que log 𝑦 = log 𝑎 + 𝑏𝑥. Llamamos a la nueva variable 𝒚′ = 𝐥𝐨𝐠 𝒚 y también hacemos 𝒂′ = 𝐥𝐨𝐠 𝒂. Tenemos entonces que calcular la recta de regresión 𝒚′ = 𝒂′ + 𝒃𝒙 para las nuevas variables y’ y x.
𝒙𝒊
SUMA
𝑥 =
81
= 8.1 10
4,7696
𝒚𝒊
𝒙𝟐𝒊
𝒚′𝒊 = 𝐥𝒏 𝒚𝒊
𝒙𝒊 𝒚′𝒊
-6
2
9.693
36
-4.158
-3
2.8
1.03
9
-3.09
0
3.9
1.361
0
0
3
4.2
1.435
9
4.305
6
5.8
1.758
6
10.548
9
6.2
1.825
81
16.425
12
7.5
2.015
144
24.18
15
8.2
2.104
225
31.56
20
9.3
2.23
400
44.6
25
10.9
2.389
625
59.725
81
60.8
16.84
1535
184.095
= 16,84 = 1,684 𝑦′ 10
𝑆𝑋𝑋 = 𝑏=
𝑆𝑋𝑌′ =
184.1 10
− (8.1 ∗ 1.684) =
1565 − (8.12 ) = 90,89 10
𝑆𝑋𝑌′ 4.7696 = 0,0525 = 90.89 𝑆𝑋𝑋
𝑎′ = 𝑦′ − 𝑏𝑥 = 1.684 − (0.0525 ∗ 8.1) = 1.259 El valor que buscamos para la función exponencial es a, no a’; pero 𝑎 = 𝑒 𝑎′ = 𝑒 1.259 = 3.522 Luego la función exponencial que mejor se ajusta a las observaciones es: 𝑦 = 3.522𝑒 0,0525𝑥
COEFICIENTE DE CORRELACIÓN LINEAL •
Desarrollado por Karl Pearson (1857-1936).
•
Correlación entre dos variables →cuando una de ellas esta relacionada con la otra de alguna manera.
•
Se utiliza para concluir si existe relación entre dos variables.
•
Representación: R
•
Es un valor entre -1 y 1, que mide la "bondad de ajuste" de la recta de regresión.
•
Cuando se acerca a -1 o a 1 significa un ajuste mejor
•
Cuando se acerca a 0 significa un ajuste malo.
•
Si es 1 o -1 significa un ajuste exacto.
•
R=-1 pendiente negativa y R=1 pendiente positiva
Cálculo de R •
Solo como un dato general el cálculo de R se realiza entre valores cuantitativos apareados x y y de una muestra, utilizando la ecuación de la recta linealizada (y=y´). 𝑅2 =
∑(𝑥 − 𝑥 )(𝑦´ − 𝑦´) √∑(𝑥 − 𝑥 )2 √∑(𝑦´ − 𝑦´)2
COEFICIENTE DE DETERMINACIÓN Se representa la proporción de variación dada por la regresión. (exponencial), se interpreta los valores de R al cuadrado como: •
𝑅 2 =0 ; la regresión no explica nada de y a partir de x.
•
𝑅 2 =1 ; la regresión representa un ajuste perfecto y depende de x.
•
𝑅 2 ≈ 0 ; baja capacidad explicativa de la recta.
•
𝑅 2 ≈ 1 ; alta capacidad explicativa de la recta.
Para calcular este coeficiente se utiliza la siguiente fórmula: 𝑅2 = 1 −
𝐶𝐸𝑟𝑒𝑐𝑡𝑎 𝐶𝐸𝑌
Donde CE es el cuadrado del error; y se define como: 𝐶𝐸𝑟𝑒𝑐𝑡𝑎 = [𝑦1 − (𝑚𝑥1 + 𝑏)]2 + [𝑦2 − (𝑚𝑥2 + 𝑏)]2 + ⋯ + [𝑦𝑛 − (𝑚𝑥𝑛 + 𝑏)]2
𝐶𝐸𝑌 = (𝑦1 − 𝑦)2 + (𝑦2 − 𝑦)2 + ⋯ + (𝑦𝑛 − 𝑦 )2 Se toma en cuenta que: •
Si 𝐸𝐶𝑟𝑒𝑐𝑡𝑎 es un valor bajo la recta de regresión es óptima, por lo tanto 𝑅 2 se acerca más a 1
•
Si 𝐸𝐶𝑟𝑒𝑐𝑡𝑎 es un valor alto la recta de regresión no es óptima, por lo tanto 𝑅 2 se acerca más a 0
Ejemplo de aplicación: Calcular 𝑅 2 , en el ejercicio planteado anteriormente. 𝑿𝒊
𝒀𝒊
𝒀´𝒊 = 𝒍n(𝒀𝒊 )
𝒎𝒙𝟏 + 𝒃´
-6
2
0,693
0,944
-3
2,8
1,03
1,1015
0
3,9
1,361
1,259
3
4,2
1,435
1,4165
6
5,8
1,758
1,574
9
6,2
1,825
1,7315
12
7,5
2,015
1,889
15
8,2
2,104
2,0465
20
9,3
2,23
2,309
25
10,9
2,389
2,5715
DATOS: 𝑌´ = 𝑙𝑛(𝑌𝑖 ) 𝑏´ = 𝑙𝑛(𝑏) = 1,259 𝑚 = 0,0525 𝑌´ = 𝑏´ + 𝑚𝑥 𝑌´ = 1,259 + 0,0525𝑥 𝑌 = 1,684 “RECORDAR QUE PARA CALCULAR EL COEFICIENTE DE DETERMINACIÓN EN ESTE TIPO DE REGRESIÓN, SE DEBE TRABAJAR CON Y´” •
Para calcular los valores de 𝑚𝑥 + 𝑏´ se reemplaza cada valor de x en la fórmula
𝑌´ = 1,259 + 0,0525𝒙 •
Se calcula 𝐶𝐸𝑟𝑒𝑐𝑡𝑎 :
𝐶𝐸𝑟𝑒𝑐𝑡𝑎 = [𝑦´1 − (𝑚𝑥1 + 𝑏)]2 + [𝑦´2 − (𝑚𝑥2 + 𝑏)]2 + ⋯ + [𝑦´𝑛 − (𝑚𝑥𝑛 + 𝑏)]2 𝐶𝐸𝑟𝑒𝑐𝑡𝑎 = [0,693 − 0,944]2 + [1,03 − 1,1015]2 + [1,361 − 1,259]2 + ⋯ + [2,389 − 2,5715]2 𝑪𝑬𝒓𝒆𝒄𝒕𝒂 = 0,18019
)2 + (𝑦´2 − 𝑦´ )2 + ⋯ + (𝑦´𝑛 − 𝑦´ )2 𝐶𝐸𝑌 = (𝑦´1 − 𝑦´ 𝐶𝐸𝑌 = (0,693 − 1,684)2 + (1,03 − 1,684)2 + (1,361 − 1,684)2 + ⋯ + (2,389 − 1,684)2 𝑪𝑬𝒀 = 2,6826 Obtenidos
estos
valores
solo
se
debe
𝑹𝟐 = 𝟏 −
𝑪𝑬𝒓𝒆𝒄𝒕𝒂 𝑪𝑬𝒀
𝑅2 = 1 −
0,18019 2,6826
reemplazar
en
la
fórmula:
𝑹𝟐 =0,9328 ➔ Puesto a que 𝑅 2 ≈ 1 ;se concluye que la regresión aplicada tiene un alta capacidad explicativa de la recta.
BIBLIOGRAFÍA •
http://economipedia.com/definiciones/r-cuadrado-coeficiente-determinacion.html
•
} http://metodos.upct.es/Asignaturas/Diplomatura/Introduccion_estadistica/2008_2009/m aterial_didactico/apuntes/TEMA4REGRESIONYCORRELACION.pdf
•
https://www.todoexpertos.com/categorias/ciencias-eingenieria/matematicas/respuestas/cbdfyxhewisiq/regresion-exponencial-y-coeficientesde-correlacion
•
https://explorable.com/es/la-correlacion-estadistica
•
http://es.khanacademy.org/video?v=rTm... R-Squared or Coefficient of Determination...