Scribd
Cargar
217 vistas3 páginas

Regresión y Correlación No Lineal

Este documento describe diferentes métodos para modelar la relación no lineal entre dos variables, incluyendo la linealización aplicando transformaciones logarítmicas u otras a las variables, y el uso de algoritmos como mínimos cuadrados, Gauss-Newton, Levenberg-Marquardt y descenso de gradiente para estimar los parámetros del modelo no lineal y minimizar los errores residuales.

Cargado por

Omar Alvarado Cortegana
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
217 vistas3 páginas

Regresión y Correlación No Lineal

Este documento describe diferentes métodos para modelar la relación no lineal entre dos variables, incluyendo la linealización aplicando transformaciones logarítmicas u otras a las variables, y el uso de algoritmos como mínimos cuadrados, Gauss-Newton, Levenberg-Marquardt y descenso de gradiente para estimar los parámetros del modelo no lineal y minimizar los errores residuales.

Cargado por

Omar Alvarado Cortegana
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

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

También podría gustarte