UNIVERSIDAD NACIONAL DE TUMBES

FACULTAD DE CIENCIAS ECONOMICAS

ESCUELA DE ECONOMIA

Regresión y Correlación exponencial

 Regresión Parabólica de Segundo Grado
También llamada Regresión cuadrática la regresión cuadrática es el
proceso por el cuál encontramos los parámetros de una parábola que
mejor se ajusten a una serie de datos que poseemos, ya sean
mediciones hechas o de otro tipo. Bueno, pero por que habríamos de
querer ajustar nuestros datos precisamente a una parábola y no a otra
función.
Ecuación de segundo grado
Una función cuadrática o de segundo grado se puede representar de manera
genérica como:

Sistemas de Ecuaciones Normales

b0 n +b1 𝞢X+b2𝝨X2= 𝝨Y
b0 𝝨X +b1 𝝨X2+b2𝝨X3=𝝨X.Y
b0𝝨x2 +b1 𝝨X3+b2𝝨X4=𝝨X2.Y
COEFICIENTE DE CORRELACION:
El coeficiente de correlación se calcula mediante la sgte formula:
𝑎𝛴𝑌 + 𝑏𝛴𝑋𝑌 + 𝑐𝛴 𝑋 2 𝑌 − 𝑛 𝑌ത 2
𝑟=
𝛴𝑌 2 − 𝑛 𝑌ത 2

COEFICIENTE DE DETERMINACION:
El coeficiente de determinación se calcula mediante la sgte
formula:
2
𝑅𝑦.02 = 𝑟 × 100
Ejemplo: La siguiente tabla muestra el dinero en miles de dólares gastado en
publicidad por una empresa (X) para vender sus productos, y el número en miles de
clientes (Y) que compran los productos de la empresa.

(X) (Y)
3 4
5 7
7 10
9 12
11 14
13 16

Hallar:
La ecuación de regresión parabólica
Calcule el coeficiente de correlación y regresión
Solución:
X: velocidad (km/h)
Y: distancia de frenado(m)
Sistema de Ecuaciones Normales
b0 n +b1 𝞢X+b2𝝨X2= 𝝨Y
b0 𝝨X +b1 𝝨X2+b2𝝨X3=𝝨X.Y
b0𝝨x2 +b1 𝝨X3+b2𝝨X4=𝝨X2.Y

b0 6 + b1 𝟐𝟕 + b2 139 = 80
b0 27 + b1 139 + b2 783 = 413
b0 139 + b1 783 + b2 4675 = 2333
Método de los determinantes o regla de
Cramer:
𝑎𝑥 + 𝑏𝑦 + 𝑐𝑧 = 𝑑
Determinante del sistema
REGLA DEL SARRUS:
S1= (6) (139)(4675) = 3898950 S2 = (139)(139)(139) = 2685619
(27)(783) (139) = 2938599 (783) (783)(6) = 3678534
(139)(27) (783) = 2938599 (4675) (27)(27) = 3408075
9776147 9772228

Δ S = 9776147 - 9772228
Δ S = 3920
INCOGNITA X :
X1: (80)(139)(4675) = 51986000 X2 = (139)(139)(2333) = 45075893
(27)(783) (2333) = 49321953 (80)(783)(783) = 49047120
(139)(413) (783) = 44949681 (27)(413)(4675) = 52130925
146257634 146253938

Δ X = X1 - X2
ΔX = 146257634 - 146253938
Δ X = 3696

INCOGNITA Y:
Y1 : (6)(413)(4675) = 11584650 Y2 : (139)(413)(139) = 7979573
(27)(2333) (139) = 8755749 (783)(2333)(6) = 10960434
(139)(80) (783) = 8706960 (4675)(80)(27) = 10098000
29047359 29038007
 Δ Y = Y1 - Y2
 ΔY = 29047359 – 29038007
 Δ Y = 9352
INCOGNITA Z:
Z1: (6)(139)(2333) = 1945722 Z2 = (80)(139)(139) = 1545680
(27)(413) (139) = 1549989 (6)(413)(783) = 1940274
(80)(27) (783) = 1691280 (27)(27)(2333) = 1700757
5186991 5186711
• ΔZ = Z1 - Z2
• ΔZ = 5186991 - 5186711
• Δ Z = 280
∆𝑿 𝟑𝟔𝟗𝟔
 b0 X = = = 𝟎. 𝟗𝟒
∆𝑺 𝟑𝟗𝟐𝟎

∆𝒀 𝟗𝟑𝟓𝟐
 b1 Y = = = 𝟐. 𝟑𝟖
∆𝑺 𝟑𝟗𝟐𝟎

∆𝒁 𝟐𝟖𝟎
 b2 Z = = = 𝟎. 𝟎𝟕
∆𝑺 𝟑𝟗𝟐𝟎

Por lo tanto:
 b0 = 𝟎. 𝟗𝟒 ; b1 =𝟐. 𝟑𝟖; b2 = 𝟎. 𝟎𝟕

Y=b0 + b1 X+ b2 x 2 Y= 0,94+2,38X+0,07 x 2
 Por lo tanto

Y= 0,94+2,38X+0,07 x 2

Coeficiente de correlación:
𝑎𝛴𝑌 + 𝑏𝛴𝑋𝑌 + 𝑐𝛴 𝑋 2 𝑌 − 𝑛 𝑌ത 2
𝑟=
𝛴𝑌 2 − 𝑛 𝑌ത 2

(0.94)(80)+(2.38)(413)+(0.07)(2333)−6 (13.33)2
𝑟=
1228−6 (13.33)2

r= 0.9795
Interpretación:
Existe una relación muy alta entre el dinero para vender los productos y una relación
intensa en el número de clientes
COEFICIENTE DE DETERMINACIÓN:

2
𝑅𝑦.02 = 𝑟 × 100

2
𝑅𝑦.02 = 0.9795 × 100

2
𝑅𝑦.02 = 97.95
Interpretación
El 95.94% de las variaciones de la publicidad para vender el
producto son explicadas linealmente por las variaciones de los
clientes y el restante son explicadas por otros factores
 Regresión parabólica de tercer grado
El modelo de regresión no lineal polinomial es una alternativa cuando el modelo lineal no logra un
coeficiente de determinación apropiado, o cuando el fenómeno en estudio tiene un
comportamiento que puede considerarse como parabólico
pasos:
1. Hacer una gráfica de los datos para observar qué Clase de curva describen los puntos y por tanto tener Una idea del
modelo matemático a usar.
9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8
2. Ecuación característica encontrar la ecuación particular que mejor se ajuste a los datos.

yl  a0  a1 x  a2 x 2  a3 x 3 ...  am x m . con m  n

3. Para poder determinar los valores de los coeficientes de la ecuación de regresión se debe resolver el
siguiente sistema de ecuaciones.

na0  a1  x  a2  x  a3  x   yi 2 3

a0  x  a1  x  a2  x  a3  x   yi x
2 3 4

a0  x  a1  x  a2  x  a3  x   yi x
2 3 4 5 2

a0  x  a1  x  a2  x  a3  x   yi x
3 4 5 6 3
3. Tabla de datos
Para el ajuste de un conjunto de datos al modelo parabólico de tercer grado de regresión, se construye la
siguiente tabla de datos:

X y X2 X3 X4 X5 X6 X* y X2*y X3*y

.. .. .. .. .. .. .. .. .. ..

Σx Σy Σx2 Σx3 Σx4 Σx5 Σx6 Σ x*y Σx2y Σx2y

5. Cálculo de estimadores

• Suma de los errores de la media • Calculo el error estándar

st  ( y   y / n)
sr
2
sy / x 
n  (m  1)

• Suma de errores al cuadrado • Coeficiente de determinación

sr  ( y  y ) l 2 st  sr
r 
2

• Coeficiente de correlación st
r 
 Ejemplo:

Se realiza una prueba de frenado de un automóvil nuevo, midiendo la distancia de parada de

acuerdo a la rapidez del vehículo al momento de aplicar los frenos, obteniéndose los siguientes
resultados:

1 2 3 4 5 6 7
rapidez
1 2 3 3 4 5 8
distancia
solución:
1. Diagrama de Dispersión
9

6
distancia

0
0 1 2 3 4 5 6 7 8
rapidez
 2. Ecuación característica
yi  a0  a1 x  a2 x 2  a3 x 3 ...  am x m
3 . Tabla de Datos
x y x^2 x^3 x^4 x^5 x^6 xy x^2y x^3y
1 1 1 1 1 1 1 1 1 1
2 2 4 8 16 32 64 4 8 16
3 3 9 27 81 243 729 9 27 81
4 3 16 64 256 1024 4096 12 48 192
5 4 25 125 625 3125 15625 20 100 500
6 5 36 216 1296 7776 46656 30 180 1080
7 8 49 343 2401 16807 117649 56 392 2744

28 26 140 784 4676 29008 184820 132 756 4614
 Estimadores del modelo

7 28 140 784 26
28 140 784 4676 = 132
140 784 4676 29008 756
784 4676 29008 184820 4614
matriz inversa ( 1)
 7 28 140 784 
 28 4676 
 140 784 
  ?
140 784 4676 29008 

784 4676 29008 184820 

1
x( )
 7 28 140 784 1 0 0 0 7
 
 28 140 784 4676 0 1 0 0
F1 /(7)  F1
 140 784 4676 29008 0 0 1 0

 784 
 4676 29008 184820 0 0 0 1

 x ( 28)
 1 
 1 4 20 112
7
0 0 0
 28 140 784 4676 
 0 1 0 0 F2  28 xF1  F2
 140 784 4676 29008
0 0 1 0
 784 
 4676 29008 184820
1
 0 0 0 
x ( 140)
 1 
 1 4 20 112
7
0 0 0
 0 28 224 1540 
 4 1 0 0 F3  140 xF1  F3
 140 784 4676 29008
0 0 1 0
 784 
 4676 29008 184820
1
 0 0 0 

 1 
 1 4 20 112
7
0 0 0
 0 28 224 1540 
 4 1 0 0  x(784) F4  784 xF1  F4
 0 224 1876 13328
20 0 1 0
 784 
 4676 29008 184820
1 
 0 0 0
1
x( )
 1  28
 1 4 20 112
7
0 0 0
0 28 224 1540 
 4 1 0 0 F2 /(28)  F2
 0 224 1876 13328 20 0 1 0
 0 1540 13328 97012 
 112 1 
 0 0
 x ( 224)
 1 
1 4 20 112 7
0 0 0
 
0 1
0
1 8 55 1
0 0  F3  224 xF2  F3
224 1876 13328 7 28
 
0 1540 13328 97012 20 0 1 0
 112 1
 0 0 
x ( 1540)
 1 
1 4 20 112 7
0 0 0
 
0 1
0
1 8 55 1
0 0  F4  1540 xF2  F4
0 84 1008 7 28
 
0 1540 13328 97012 12 8 1 0
 112 1
 0 0 
1
x( )
 1  84
1 4 20 112 7
0 0 0
 
0 1
0
1 8 55 1
0 0  F3 /(84)  F3
0 84 1008 7 28
 
0 0 1008 12312 12 8 1 0
 55 1
 108 0 
x ( 1008)
 1/ 7 0 0 0
1 4 20 112 
0 1
1 8 55 1/ 7 0 0
 28  F4  1008 xF3  F4
0 0 1 12
1/ 7 2 / 21 1/ 84 0
0 
 0 1008 12312
55 1
 108 0 
 x ( 12)
 1/ 7 0 0 0 
1 4 20 112 
0 1
1 8 55 1/ 7 0 0 
 28  F3  12 xF4  F3
0 0 1 12
1/ 7 2 / 21 1/ 84 0 
0 
 0 0 1
1/ 6 1/18 1/ 216 
 41/ 216
x ( 55 )
 1/ 7 0 0 0 
1 4 20 112 
0 1
1 8 55 1/ 7 0 0 
 28  F2  55 xF4  F2
0 0 1 0
15 / 7 299 /126 19 / 28 1/18 
0 
 0 0 1
1/ 6 1/18 1/ 216 
 41/ 216
x ( 112)
1 4 20 112 1/ 7 0 0 0 
 
0 1 8 0 379 / 42 15731/1512 55 /18 55 / 216 
F1  112 xF4  F1
0 0 1 0 15 / 7 299 /126 19 / 28 1/18 
 
0 0 0 1 1/ 6 41/ 216 1/18 1/ 216 
x ( 8)
1 4 20 0 395 / 21 574 / 27 56 / 9 14 / 27 
 
0 1 8 0 379 / 42 15731/1512 55 /18 55 / 216 
F2  8 xF3  F2
0 0 1 0 15 / 7 299 /126 19 / 28 1/18 
 
0 0 0 1 1/ 6 41/ 216 1/18 1/ 216 
 x ( 20)
1 4 20 0 395 / 21 574 / 27 56 / 9 14 / 27 
 
0 1 0 0 341/ 42 12973 /1512 299 /126 41/ 216 
F1  20 xF3  F1
0 0 1 0 15 / 7 299 /126 19 / 28 1/18 
 
0 0 0 1 1/ 6 41/ 216 1/18 1/ 216 
x ( 4)
1 4 0 0 505 / 21 4952 /189 463 / 63 16 / 27 
 
0 1 0 0 341/ 42 12973 / 1512 299 /126 41/ 216 
F1  4 xF2  F1
0 0 1 0 15 / 7 299 /126 19 / 28 1/18 
 
0 0 0 1 1/ 6 41/ 216 1/18 1/ 216 
1 0 0 0 59 / 7 341/ 42 15 / 7 1/ 6 
 
0 1 0 0 341/ 42 12973 /1512 299 /126 41/ 216 
0 0 1 0 15 / 7 299 /126 19 / 28 1/18 
 
0 0 0 1 1/ 6 41/ 216 1/18 1/ 216 

 59 / 7 341/ 42 15 / 7 1/ 6   26   1.571  a
     
 341/ 42 12973 /1512 299 /126 41/ 216  x 132  3.274  b
 15 / 5 299 /126 19 / 28 1/18   756   0.857  c
     
 1/ 6 41/ 216 1/18 1/ 216   4614   0.083  d
 La ecuación final que modela el sistema es

y  1.571  3.274 x  0.857 x 2  0.083x3
Cálculo de estimadores

Suma de los errores de la media

st  ( y   y / n)2 =31.429
Suma de errores al cuadrado
Coeficiente de correlación
sr  ( y  y ) l 2
= 0.214
Calculo el error estándar
sr 0.214
r  0.9966
sy / x    0.2688
n  (m  1) 7-(3-1)

Coeficiente de determinación

st  sr 31.429- 0.214
r2    0.9932
st 31.429
Regresión Exponencial:
En determinados experimentos, en su mayoría biológicos, la
dependencia entre las variables X e Y es de forma exponencial, en
cuyo caso interesa ajustar a la nube de puntos una función del tipo:
y=ae^bx
Mediante una transformación lineal, tomando logaritmos neperianos,
se convierte el problema en una cuestión de regresión lineal. Es decir,
tomando logaritmos neperianos:
Ln (y)= bx+ ln(a)
Ejemplo: Las cifras siguientes son datos sobre el porcentaje de llantas radiales producidas
por cierto fabricante que aún pueden usarse después de recorrer cierto número de millas:
X: Miles de Millas recorridas
Y: Porcentaje útil
x y ln(y) x2 x ln(y) ln(y) 2
1 3 1,0986 1 1,0986 1.2069
1,2 3,4 1,2237 1,44 1,4684 1.4974
1,5 5 1,6094 2,25 2,4141 2.5902
2 2 0,6931 4 1,3862 0.4804
3 4,1 1,4109 9 4,2327 1.9906
3,7 5 1,6094 13,69 5,9547 2.5902
4 7 1,9459 16 7,7836 3.7865
4,5 6,5 1,8718 20,25 8,4231 3.5036

Σ 20,9 Σ 36 Σ 11,4628 Σ 67,63 Σ 32,7614 Σ 17.6458

Solución:

Número de datos = n = 8
σ 𝑥 20,9
𝑥 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = 𝑥ҧ = = = 2,6125
𝑛 8

σ 𝑦 11,4628
𝑦 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 = log 𝑦 = = = 1,43285
𝑛 8
Usando la forma lineal de la Regresión Exponencial:

Ʃxln y − ln(y)Ʃx 32,7614 − 1,43285(20,9)

𝑏= 2
= = 0,216047
Ʃ𝑥 − xത Ʃx 67,63 − 2,6125(20,9)

𝑎 = 𝑒 ln 𝑦 −𝑏�ҧ = 𝑒 1,43285−0,216047∗2,6125 = 𝑒 0,868427 = 2,38316

La ecuación final que modela el sistema es:
ŷ=2,38316 𝑒 0,216047𝑥
Coeficiente de correlación:
Mide la fuerza, grado o intensidad de la relación entre variables.
Formula:
n(Ʃxyʼ) − (Ʃx)(Ʃyʼ)
𝒓=
[𝑛Ʃ𝑥 2 − (Ʃ𝑥)2 ][𝑛Ʃ𝑦ʼ2 − (Ʃ𝑦ʼ)2 ]

8 32,7614 − (20,9)(11,4628)
𝑟= = 0.7
[8(67,63) − (20,9)2 ][8(17.6458) − (11,4628)2 ]

La correlación es alta entre x e y

Regresión Potencial:
La regresión potencial tiene por ecuación predictora:

𝑌 = 𝐴. 𝑥 𝐵

En este caso se resuelve linealizando la función tomando logaritmos

ya que:
log 𝑌 = log 𝐴 + 𝐵 𝑙𝑜𝑔 𝑋
Ejemplo:

Un agrónomo ha analizado la relación entre la cantidad de agua aplicada (en

𝑚3 ) y el correspondiente rendimiento de cierta cosecha (en toneladas por
hectárea) obteniendo los siguientes datos:

Agua (X) 5 7 9 11 15 17 20

Rendimiento (Y) 6 5.6 4.9 4.1 3.4 2.5 2.2

Solución:

X: cantidad de agua
Y: Rendimiento de la cosecha
𝑌 = 𝐴. 𝑥 𝐵

log 𝑌 = log 𝐴 𝑋 𝐵

log 𝑌 = log 𝐴 + 𝑙𝑜𝑔 𝑋 𝐵

log 𝑌 = log 𝐴 + 𝐵 𝑙𝑜𝑔 𝑋

log
ถ𝑌 = log
ถ𝐴 + 𝐵 log
ถ𝑋
𝑌′ 𝐴′ 𝑋′

𝑌´ = 𝐴′ + 𝐵𝑋′
Formula de Regresión Potencial mediante el Método de Mínimos Cuadrados

𝑛 σ 𝑋𝑌′ − σ 𝑋′ σ 𝑌′
𝐵=
𝑛 𝑋′2 − (𝑋′)2
ഥ − 𝐵𝑋′
𝐴′ = 𝑌′ ഥ

Aplicando el Método de Mínimos Cuadrados se llena la siguiente tabla:

Agua Rendimiento X'= log X Y'= log Y X'.Y' X'^2 Y'^2
5 6 0.6990 0.7782 0.5439 0.4886 0.6055
7 5.6 0.8451 0.7482 0.6323 0.7142 0.5598
9 4.9 0.9542 0.6902 0.6586 0.9106 0.4764
11 4.1 1.0414 0.6128 0.6381 1.0845 0.3755
15 3.4 1.1761 0.5315 0.6251 1.3832 0.2825
17 2.5 1.2304 0.3979 0.4896 1.5140 0.1584
20 2.2 1.3010 0.3424 0.4455 1.6927 0.1173
Suma 7.2473 4.1012 4.0332 7.7877 2.5753
 𝑛 σ 𝑋𝑌′ − σ 𝑋′ σ 𝑌′
𝐵=
𝑛 𝑋′2 − (𝑋′)2
𝐴′ = 1.361 = log 𝐴
7 4.0332 − 7.2473 4.1012
𝐵=
7 7.7877 − (7.2473)2 𝐴 = 101.361 = 22.961

Ecuación potencial
𝐵 = −0.749
𝑌 = 22.961𝑋 −0.749
ഥ − 𝐵𝑋′
𝐴′ = 𝑌′ ഥ

4.1012 7.2473
𝐴′ = − −0.749
7 7
Coeficiente de Correlación:

𝑛 σ 𝑋𝑌′ − σ 𝑋′ σ 𝑌′
𝑟=
𝑛 𝑋′2 − (𝑋′)2 𝑛 𝑌′2 − (𝑌′)2

7 4.0332 − 7.2473 4.1012

𝑟=
7 7.7877 − 7.24732 7 2.5753 − 4.10122

𝑟 = −0.961