Tipos de regresio n actividad 7 disen o y analisis de experimentos
Páginas: 2 (357 palabras)
Publicado: 7 de septiembre de 2015
Regresión lineal múltiple:
Esta es una extensión lógica de la regresión lineal simple, aplicada en situaciones en las que hay mas de una variable predictora:
Es la misma ecuación base pero se leagregan predictores, cada uno asociado a su propio coeficiente y predice la variable dependiente a partir de una convinaciín de todas las variables más un residuo, ei, la diferencia entre el valorobservado de Y en la i-ésima observación.
ßi= el efecto medio sobre la dependiente al aumentar en una unidad el valor de la predictora Xi, i=1,…,k.
ß0= e valor medio de la variable dependiente cuandolas predictoras son cero.
Regresión Polinomial:
Cuando se ajusta mejor una curva a los datos se recomienda usar este modelo, básicamente se extiende y ajusta el procedimiento de mínimos cuadradosa un polinomio de grado m.
la suma de los cuadrados queda:
se puede decir que el problema de determinar polinomios de grado m son mínimos cuadrados es equivalente a resolver un sistema de m+1ecuaciones lineales simultaneas. El error de la regresión polinomial se puede cuantificar mediante el error estándar de aproximación, donde m es el grado del polinomio que queremos ajustar.
Elcoeficiente de determinación se puede calcular de la misma manera que para el caso lineal.
Regresión exponencial:
Para obtener la curva exponencial de mejor ajuste de la forma se usa:
Y=Arx
Losprocedimientos son simples, primero se obtiene la recta de regresión usando los datos (x, log y). Segundo se concluye que los coeficientes deseados Ay r son entonces:
r = 10m
A = 10b
Donde m y b son lapendiente y la intersección de la recta de regresión.
Referencias:
(SCG), S. S. C. G. (2013). Multiple Linear Regression (R). San Diego State University. Retrieved Agosto 27, 2015, fromhttp://scg.sdsu.edu/mlr-r/
Ferrari, D., & Head, T. (2010). Regression in R. Part I: Simple Linear Regression. UCLA Department of Statistics Statistical Consulting Center. Retrieved Agosto 27, 2015, from...
Esta es una extensión lógica de la regresión lineal simple, aplicada en situaciones en las que hay mas de una variable predictora:
Es la misma ecuación base pero se leagregan predictores, cada uno asociado a su propio coeficiente y predice la variable dependiente a partir de una convinaciín de todas las variables más un residuo, ei, la diferencia entre el valorobservado de Y en la i-ésima observación.
ßi= el efecto medio sobre la dependiente al aumentar en una unidad el valor de la predictora Xi, i=1,…,k.
ß0= e valor medio de la variable dependiente cuandolas predictoras son cero.
Regresión Polinomial:
Cuando se ajusta mejor una curva a los datos se recomienda usar este modelo, básicamente se extiende y ajusta el procedimiento de mínimos cuadradosa un polinomio de grado m.
la suma de los cuadrados queda:
se puede decir que el problema de determinar polinomios de grado m son mínimos cuadrados es equivalente a resolver un sistema de m+1ecuaciones lineales simultaneas. El error de la regresión polinomial se puede cuantificar mediante el error estándar de aproximación, donde m es el grado del polinomio que queremos ajustar.
Elcoeficiente de determinación se puede calcular de la misma manera que para el caso lineal.
Regresión exponencial:
Para obtener la curva exponencial de mejor ajuste de la forma se usa:
Y=Arx
Losprocedimientos son simples, primero se obtiene la recta de regresión usando los datos (x, log y). Segundo se concluye que los coeficientes deseados Ay r son entonces:
r = 10m
A = 10b
Donde m y b son lapendiente y la intersección de la recta de regresión.
Referencias:
(SCG), S. S. C. G. (2013). Multiple Linear Regression (R). San Diego State University. Retrieved Agosto 27, 2015, fromhttp://scg.sdsu.edu/mlr-r/
Ferrari, D., & Head, T. (2010). Regression in R. Part I: Simple Linear Regression. UCLA Department of Statistics Statistical Consulting Center. Retrieved Agosto 27, 2015, from...
Leer documento completo
Regístrate para leer el documento completo.