gregoryjosue



En los apartados anteriores se consideraron ´unicamente modelos lineales para
simplificar, sin embargo, en la pr´actica aparecen otrosmodelos que pueden funcionar
mejor que las rectas de regresi´on para realizar predicciones.
Como el coeficiente de determinaci´on indica lo bueno que es un modelo, sepueden calcular distintos modelos curvil´ıneos y elegir el mejor de ellos para hacer
la aproximaci´on.
Las regresiones m´as habituales son la lineal, la cuadr´atica, lac´ubica, la logar´ıtmica, la inversa, la potencial y la exponencial.
La mayor parte de los modelos curvil´ıneos habituales dependen de dos par´ametros bb0 y bb1, peroalgunos, como el cuadr´atico o el c´ubico, dependen de m´as. Es mejor
elegir modelos con pocos par´ametros, as´ı que si los R2
son similares, es mejor elegir
el modelo m´assimple.
La decisi´on entre un modelo y otro puede depender tambi´en del conocimiento
que tengamos sobre el tema, ya que a menudo tiene m´as l´ogica un modelo que otro.La referencia visual tambi´en puede ayudar a determinar qu´e tipo de relaci´on es la
m´as conveniente en cada caso.
Al igual que la regresi´on lineal, cualquierregresi´on curvil´ınea se puede utilizar
para realizar predicciones si conocemos un valor de la variable independiente que
se encuentre entre el m´ınimo y el m´aximo de lamuestra (interpolaci´on).
No se puede utilizar si el valor de la variable independiente est´a fuera de ese rango
(extrapolaci´on) porque las condiciones fuera de lorecogido por la muestra podr´ıan
cambiar y por tanto la f´ormula hallada podr´ıa no ser v´alida.
Problema propuesto: Problema 8.6.
A. Colubi, A. Lubiano, P. Ter´an Estad