Unidad V

5. REGRESION LINEAL SIMPLE Y MULTIPLE

En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modeliza la
relacin entre una variable dependiente Y, las variables independientes Xi y un trmino aleatorio .
Este modelo puede ser expresado como:

donde 0 es la interseccin o trmino "constante", las

son los parmetros respectivos
a cada variable independiente, y p es el nmero de parmetros independientes a tener en cuenta
en la regresin. La regresin lineal puede ser contrastada con la regresin no lineal.

5.1 Regresin lineal simple

Slo se maneja una variable independiente, por lo que slo cuenta con dos parmetros. Son de la
forma
Yi = 0 + 1Xi + i
Donde i es el error asociado a la medicin del valor Xi y siguen los supuestos de modo
que iN(0,2) (media cero, varianza constante e igual a un y

con

).

Anlisis
Dado el modelo de regresin simple, si se calcula la esperanza (valor esperado) del valor Y, se
obtiene:

Derivando respecto a

e igualando a cero, se obtiene:

Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la

siguiente solucin para ambos parmetros:

La interpretacin del parmetro 1 es que un incremento en Xi de una unidad, Yi incrementar en 1

5.1.1 Prueba de hiptesis en la regresin lineal simple

5.1.2 Calidad del ajuste en regresin lineal

simple
En un problema de regresin, los carcteres no son considerados
de la misma forma. Uno de ellos es el carcter ''a explicar'', los otros
son ''explicativos''. Vamos primero a considerar el caso de dos
carcteres,

(explicativo) e

(a explicar). ''Explicar'' significa aqu

expresar una dependencia funcional de

manera tal de prever el valor de
individuo ,

como funcin de

conociendo el de

, y si se observa un valor

, de

. Si para todo
del carcter

en un nuevo individuo, daremos

como prediccin del

carcter

La

donde

en

este

nuevo

individuo.

situacin

ideal

no se encuentra nunca en la prctica. Ms bien se

buscar, en una familia fija de funciones, aquella para la que los

se encuentran ms cerca de los
general por el error cuadrtico medio:

. La cercana se mide en

(3.2)

Hablamos entonces de regresin en el sentido de los mnimos

cuadrados. Las diferencias entre los valores observados

y los

valores que predice el modelo

, se llaman los residuos. Si el
modelo se ajusta de manera tal que la serie de los residuos sea
centrada (de media nula), entonces el error cuadrtico

es la

varianza de los residuos. La regresin lineal consiste en buscar

entre las funciones afines. La solucin se expresa de manera simple
a partir de las carctersticas de
Proposicin 3.5 Sean

dos muestras observadas sobre una

misma poblacin de tamao

de
en
definida por:

Si
(el carcter
un mnimo en:

. Denotemos por

no es constante), la funcin

la funcin

admite

y
El valor de este mnimo es:

Definicin 3.6 Llamamos recta de regresin lineal de

la recta de ecuacin

Demostracin: Si fijamos

sobre

en . El alcanza su mnimo para un

anule. Calculando:

es un polinomio de grado
tal que la derivada se

Obtenemos por tanto

en

. Substituimos este valor

Esta funcin es un polinomio de grado en , que alcanza su

mnimo en el punto donde se anula su derivada. Obtenemos:

sea:
Pongamos:
y
Tenemos entonces para todo par
El valor del mnimo es:

Como se esperaba, el error cuadrtico minimal es menor cuando la

correlacin es ms fuerte.
Es importante observar la diferencia de los roles que desempean
e . Geomtricamente, la recta de regresin lineal de con
respecto a minimiza la suma de las distancias verticales de los
puntos
respecto a

a la recta. La recta de regresin lineal de

con

minimiza las distancias horizontales. Las dos rectas se

cortan en el centro de gravedad,

, de la nube de puntos. La
separacin entre las dos rectas es mayor cuando la correlacin es
ms dbil.
La prediccin es la primera aplicacin de la regresin lineal. A
continuacin tenemos las estaturas en centmetros (muestra ) y el
peso en kilogramos ( ) de
Nio
Estatura
Peso

nios de

aos.

10

121 123 108 118 111 109 114 103 110 115
25

22

19

24

19

18

20

15

20

Las carctersticas numricas toman los siguientes valores:

21

Grfico 14: Estatura y peso de nios de 6 aos: recta de regresin.

Hacer una regresin lineal quiere decir que se piensa que el peso
debe crecer, en general, proporcionalmente a la estatura. La recta
de regresin lineal constituye un modelo de prediccin. Por ejemplo
diremos que el peso promedio de un nio de 6 aos que mide 120
centmetros ser de
kg. Evidentemente esta
prediccin no es infalible. Ella slo da un orden de magnitud. El
valor observado ser probablemente distinto y el error previsible
ser del orden de

kg.

Como segunda aplicacin se puede extender el ajuste por

cuantiles a familias de leyes invariantes por transformaciones afines,
como las leyes normales . Sea una muestra continua de
tamao para la cual queremos verificar si ella podra haber salido
de una ley normal
Para

, con parmetros
denotemos

como

desconocidos.

siempre

por

los estadgrafos de orden. Si la hiptesis de normalidad es

pertinente, entonces
de la ley

debe estar cerca del cuantil

. Recordemos que si una variable aleatoria

sigue la ley

, entonces

sigue la ley

Esto es lo mismo que decir que para todo

Denotemos por
la ley
verifica,

puntos

de

. Si la hiptesis de normalidad se
coordenadas

cercanos de la recta de ecuacin

lineal de las

los valores de la funcin cuantil de

en los puntos
los

con respecto a las

deberan

estar

. Una regresin
nos da a la vez una

estimacin de los valores de y , y una indicacin sobre la calidad

del ajuste (figura 15). Antes de que existieran los programas de
clculo, se venda papel ''gausso-aritmtico'', graduado en las
abscisas segn los cantiles de la ley

. Bastaba poner en las

ordenadas los valores de las

para trazar a mano la recta de
regresin lineal, que lleva el nombre de ''recta de Henry'', por el
nombre del coronel que invent este mtodo en el siglo XIX para
estudiar el alcance de los caones.

Grfico 15: Estaturas de nios de 6 aos. Cuantiles de la ley

normal

y estadgrafos de orden. Superposicin de la recta

de Henry.

El problema de la regresin es determinar en una familia de

funciones dada, cual es la funcin que minimiza el error cuadrtico.
Pero es frecuente que no haya una solucin explcita. Para ciertas
familias de funciones, se transforma el problema de manera tal de
llevarlo a una regresin lineal. Presentamos aqu algunos casos
frecuentes.
Familia
exponenci
al
potencia
inversa
logstica

Funciones

Transformacin

Forma afn

Como ejemplo de aplicacin, vamos a tomar el problema del ajuste

por los cuantiles para la familia de leyes de Weibull, las cuales se
emplean frecuentemente para modelar tiempos de sobrevida en
medicina o tiempos de funcionamiento en fiabilidad. La funcin
cuantil de la ley de Weibull

Sea

es:

una muestra que queremos ajustar por una ley de Weibull de

parmetros
de orden

desconocidos. Para

, el estadgrafo

debe estar cerca del cuantil

o sea:

Pongamos
Los puntos

y
deberan estar cerca de la recta de

ecuacin
. Una regresin lineal nos dar
no solamente los valores para y , sino tambin una indicacin
sobre la calidad del ajuste. Antes de los programas de clculo,
exista tambin un ''papel Weibull'', graduado de manera tal que se
poda automatizar este caso particular de regresin no lineal.

5.1.3 Estimacin y prediccin por intervalo en

regresin
Ecuacin de la recta como ajuste de datos
El mtodo ms simple de ajustar una curva a un conjunto de datos es el de
trazar los puntos y unirlos con una lnea recta. Aunque es una
alternativa validad y se utiliza cuando se requiere hacer estimaciones
rpidas, los resultados son independientes, desde un punto de vista
subjetivo, de la persona que traza la recta.
Para quitar esta dependencia se usa la regresin lineal o mnimos
cuadrados.
Ecuacin de la lnea recta
x1aay 10 += Polinomio de segundo grado o cuadrtico: exaxaay +++= 2210
Una extensin til en la regresin lineal es el caso en que y es una
funcin lineal de dos o ms variables. Por ejemplo, y pudiera ser una
funcin lineal de 1x y 2x , de la forma: 22110 xaxaay ++=

Modelos
Algoritmo de la solucin 1. Inicio 2. Solicitud de los datos discretos
( tabla de datos encontrados experimentalmente) a los cuales se le va a
encontrar la recta que de aproxima mas a ellos. 3. Calcular con base a los
datos dados el valor de n.
4. encontrar la sumatoria y
5. Encontrar la sumatoria x

6. encontrar la sumatoria del producto x y

7. Encontrar la sumatoria de la potencia 2x
8. Sustituir los valores encontrados en los pasos 3, 4, 5, 6, 7, en las
ecuaciones del mtodo de mnimos cuadrados.
9. Resolver el sistema de ecuaciones para encontrar a las constantes A y B
10. sustituir los valores de A y B en la ecuacin de la recta.
11. impresin de los resultados
12. Fin.

Mtodos de mnimos cuadrados.

El significado de mnimos cuadrados consiste en obtener la recta que ajuste
a una serie de datos numricos, con la condicin que la suma de los
cuadrados de los residuos sea mnima posible.
a) Muestra de datos con un error significativo.
b) Ajuste polinomial con oscilaciones que violan el rango de datos.
c) Se obtienen resultados ms satisfactorios usando el ajuste de mnimos
cuadrados.

Si queremos escoger la lnea recta "de mejor ajuste" para un conjunto de

datos, debemos estimar los parmetros desconocidos 0a y 1a del
modelo de regresin lineal simple. Estos estimadores podran obtenerse
empleando el mtodo de mxima verosimilitud pero el mtodo ms
fcil y el ms atractivo desde un punto de vista intuitivo es el mtodo
de mnimos cuadrados. Cuando se satisfacen los supuestos de la
seccin anterior, los estimadores de mxima verosimilitud y de mnimos
cuadrados de 0a y 1a son idnticos.

5.1.4 Uso de software estadstico

El uso de ordenadores y calculadoras facilita el que los alumnos

comprendan mejor temas complejos de matemticas. Es evidente que
en muchos casos la tecnologa agiliza y supera, la capacidad de clculo
de la mente humana, con ayuda de la tecnologa, los alumnos tienen
ms tiempo para concentrarse en enriquecer su aprendizaje
matemtico.

Las nuevas tecnologas han venido a cambiar por completo el panorama tradicional de
como se hacan, se vean y se enseaban las matemticas. Introducirse en este nuevo
panorama implica realizar profundos cambios en nuestros programas educativos.
Es muy amplia la variedad de aplicaciones informticas disponibles para estadstica y
probabilidad:

Excel o Calc

Javascript

Applet de Java, Geogebra

Proyecto Descartes

Software Libre

Otros Software

Existen muchos software que se pueden utilizar como herramienta para el

Anlisis Estadstico, desde los ms sencillos hasta los ms complicados, entre
los cuales se pueden mencionar el SPSS, STATIST, MINITAD, STATGRAPHICS,
EPI-INFO, INFOSTAT y otros ms; los cuales en su mayora se iniciaron con
versiones de MS-DOS y en la actualidad existen versiones para Windows y
redes de comunicaciones.
Estos software contienen en su mayora todas las aplicaciones estadsticas que
se necesitan para hacer trabajos de Investigacin Estadstica.
Tambin existen software para reas especificas de la Estadstica, que son
creados por especialistas de esas reas, tal es el caso del rea de Diseo de
Experimentos; los cuales contienen aplicaciones especificas para el estudios de
los Diseos Experimentales.
En el Anlisis de los Diseos Experimentales resulta de gran importancia la
utilizacin de un software, ya sea de uso general de uso especfico; ya que

facilita la obtencin de la Tabla de Anlisis de Varianza, grficos importantes,

etc.
Para realizar la tabla de Anlisis de Varianza u otro Anlisis por medio de un
software estadstico, lo ms importante es saber definir la Variable
Dependiente y las Variables Independientes que sern introducidas en el
computador a partir de los datos obtenidos en el experimento; ya que para
cada Diseo Experimental cambia el nmero de Variables Independientes y
tambin es importante saber que informacin se le va a asignar a cada una de
las Variables y lo dems la computadora lo hace sola.
En todo Diseo Experimental existe una Variable Dependiente y muchas
Variables Independientes dependiendo el tipo de Diseo que se est
estudiando.
Tomando en cuenta todo lo anterior a continuacin se presentar una gua
general para la creacin de cada una de las Variables y la informacin que
deben contener; para llevar a cabo el Anlisis de Varianza de los diferentes
Diseos Experimentales que se han estudiado en cada una de las Unidades
Programticas, colocando adems el ejemplo desarrollado y Analizado en cada
una de las Unidades Programticas.

Excel/Calc
La hoja de clculo Excel o Calc (OpenOffice) es un software
considerado como estndar en todos los entornos(educativo,
profesional, familiar, etc), que posee la virtud de presentar una
interfaz agradable, una facilidad de uso digna de elogio y permite
realizar anlisis estadsticos simples o ms complejos y avanzados.

Javascript
JavaScript, es un lenguaje de programacin de pginas web de lado
del cliente, nos permite aadir a las pginas web efectos y funciones
adicionales a los contemplados en el estndar HTML. Gracias a que se
ejecuta en el navegador(localmente), JavaScript, nos permite
responder de manera rpida y eficaz a las acciones del usuario,
creando de esta manera aplicaciones interactivas

Applet de Java
El lenguaje Java se puede usar para crear los applets de Java. Un
applet es un elemento ms de una pgina web, como una imagen o
una porcin de texto. Cuando el navegador carga la pgina web, el
applet insertado en dicha pgina se carga y se ejecuta.

Proyecto Descartes
Descartes (M.E.C.) es un programa realizado en lenguaje applet de
java que se caracterizan porque crean "escenas" que se pueden
insertar en las pginas web. Descartes no slo convierte una web en
una web interactiva sino que, adems, es configurable, es decir, que
los usuarios (profesores) pueden "programarlo" para que aparezcan
diferentes elementos y distintos tipos de interaccin.

Software Libre
"Software Libre" es un asunto de libertad, no de precio.`Software
Libre'' se refiere a la libertad de los usuarios para ejecutar, copiar,
distribuir, estudiar, cambiar y mejorar el software.

5.2 Regresin lineal mltiple

La regresin lineal nos permite trabajar con una variable a nivel de intervalo o razn, as tambin
se puede comprender la relacin de dos o ms variables y nos permitir relacionar mediante

ecuaciones, una variable en relacin a otras variables llamndose Regresin mltiple.

Constantemente en la prctica de la investigacin estadstica, se encuentran variables que de
alguna manera estn relacionados entre s, por lo que es posible que una de las variables puedan
relacionarse matemticamente en funcin de otra u otras variables.
Maneja varias variables independientes. Cuenta con varios parmetros. Se expresan de la forma:

Donde i es el error asociado a la medicin i del valor Xip y siguen los supuestos de modo
que iN(0,2) (media cero, varianza constante e igual a un y

con

).

5.2.2 Pruebas de hiptesis en regresin lineal

multiple
El modelo de regresin lineal mltiple
para i = 1,2,,n
en forma matricial : i o i i p ip i
y = +x + x +...... x +e
Y = X + e
Suposiciones del modelo
1. E(e)=0
2. Var(e)=2
In Donde:
e es un vector columna aleatorio de dimensin n.
In es la matriz identidad de orden n.
Prueba de hiptesis acerca de un coeficiente de regresin individual
Ho: i = 0 ( i=1,2,..,p),
Ha: i 0;
La prueba estadstica es la prueba de t:
se distribuye como una t con (n-p-1) gl.
Donde, Cii es el i-simo elemento de la diagonal de (XX)-1.
Los programas de computadoras, da el P-value de la prueba t.

Prueba de Hiptesis de que todos los coeficientes de regresin son ceros.

Ho: 1=2==p=0Ha: Al menos uno de los coeficientes es distinto de cero.
usando propiedades de formas cuadrticas se puede mostrar que:
E(SSR) = E[Y(H-11/n)Y] = p2+ X(H-11/n)X= p2+ X(H-11/n)X
Donde, 1 es un vector columna de n unos.
Prueba de hiptesis para un subconjunto de coeficientes de regresin
Ho: 1==k=0. (Los k primeros coeficientes son ceros ).
Ha: Al menos uno de los k primeros coeficientes no es cero.
Intervalos de Confianza y de Prediccin en Regresin Lineal Mltiple.
Se desea predecir el valor medio de la variable de respuesta Y para una combinacin
predeterminada de las variables predictivas X1,Xp.
Consideremos el vector de valores observados

(1, x1,0,.xp,0)

El valor predicho para el valor medio de la variable de respuesta Y ser y Se asume que los errores
estn normalmente distribuidos.
(x'oyo)=o1x'oVar ()xox'o(X'X) x= = 2Var( yo)

5.2.3 Intervalos de confianza y prediccin en

regresin mltiple
Intervalos de Confianza y de Prediccin
en Regresin Lineal Mltiple.
Un intervalo del 100(1-)% para el valor medio de Y dado que
x=xo es de la forma.
Un intervalo de confianza (intervalo de prediccin) del 100(1-)%
para el valor individual de Y dado x=xo
es de la forma
o1ox' (X'X) x y t so ( / 2,n p 1))o1
o x' (X'X) xyo t( / 2,n p1)s

La prueba de Falta de Ajuste

Se usa para determinar si la forma del modelo que se est considerando es adecuada.
En regresin mltiple se debe suponer que hay m combinaciones distintas de las n observaciones
de las p variables predictoras y que por cada una de esas combinaciones hay ni (i = 1,,m)
observaciones de la variable de respuesta, es decir,
n = n
Prueba de hiptesis
Ho: El modelo es adecuado (no hay falta de ajuste)
Ha: el modelo no es adecuado

5.2.4 Uso de software estadstico

El procedimiento de Regresin Mltiple est diseado para construir
un modelo
estadstico describiendo el impacto de dos o ms factores cuantitativos
X sobre una variable dependiente Y. La presentacin general del modelo
es:
Y = 0 + 1X1 + 2X2 + + kXk
Donde k es el nmero de variables independientes.
De all, que el modelo colocado puede ser usado para hacer
predicciones, incluyendo lmites de confianza y lmites de prediccin. Los
residuos pueden tambin ser graficados observando la manera en que
influyen.
Para el desarrollo del presente capitulo, trabajaremos sobre el statfolio
nombrado
mltiple reg.sgp. Una vez accedemos al mismo tal y como lo hemos
hecho previamente
entonces seguimos la ruta descrita a continuacin.

Una vez damos clic en regresin mltiple la Ventana de Datos se

despliega y
encontramos:

No olvide que para completar esta tabla, es necesario tener presente

que:
Variable Dependiente: columna numrica que contiene las n
observaciones para la variable dependiente Y.
Variables Independientes: columnas numricas que contienen los n
valores para las variables independientes X. Pueden ser ingresados los
nombres de las columnas o expresiones STATGRAPHICS.
Seleccin: En caso que no desee aplicar el modelo al total de datos,
luego a travs de esta opcin podr determinar el rango a trabajar.
Finalmente y despus de dar clic en aceptar se desplegar el anlisis
hecho por STATGRAPHICS.

RESUMEN DEL ANALISIS

Los datos de salida que incluye en resumen de anlisis son:
Variables: Dato gracias al cual usted identifica la variable dependiente
del
Modelo y adems conoce la forma general del mismo.
Coeficientes: Una vez establecido el modelo y corrido tras los
parmetros
establecidos el propsito fundamental es asignarle valores a los
coeficientes que
acompaan a las variables independientes, asi en este conjunto de
datos encontrara los coeficientes estimados, errores estndar,
estadstico t y P-valores.

Recuerde que de forma comn lo que se hace es reescribir el modelo

general en
trminos de los coeficientes, asi:
MPG Carretera = 49.8458 - 0.0273685*Peso +
0.00000261405*Peso2 +
0.0145764*Horsepower + 0.338687*Wheelbase +
0.632343*Drive Train
Anlisis de varianza: Descomposicin de las variaciones de la variable
explicada o dependiente. Adems tambin presenta el P-valor y el Fprueba, valores empleados para determinar la significancia estadstica
del modelo.
Estadsticos: Entre los datos de salida se incluyen los estadsticos los
cuales muestran el comportamiento del modelo. Entre los que calcula
STATGRAPHICS encontramos.
R-cuadrado - representa el porcentaje de variabilidad de Y que se ha
explicado mediante el modelo ajustado de regresin, oscilando de 0% a
100%. Para los datos de muestra, la regresin ha computado alrededor
de 72.7% de la variabilidad en las millas por galn.
R-cuadrados ajustados el estadstico R-cuadrado, ajustado para el
nmero de coeficientes en el modelo. Este valor es regularmente usado
para comparar modelos con diferentes nmeros de coeficientes.
Error estndar de Est. La desviacin estndar estimada de los
residuos (las desviaciones alrededor del modelo). Este valor es usado
para crear lmites de predicciones para nuevas observaciones.
Error medio absoluto el valor absoluto del promedio de los residuos.
Estadstico Durbin-Watson una medida de correlacin serial en los
residuos. Si los residuos varan aleatoriamente, este valor debe ser
cercano a 2. Un P-valor pequeo indica un patrn no aleatorio en los
residuos
Una vez comprendidos los conceptos expuestos en el resumen del
anlisis, continuamos dando clic derecho sobre esta ventana, accin de
la cual obtendremos la siguiente ventana:

Aunque es posible que en esta imagen usted no lo note, la nica opcin

sobre la cual usted puede trabajar es Opcin de Anlisis, la cual ser
descrita a continuacin:
OPCION DE ANALISIS: Una vez hace clic sobre esta opcin, se
desplegar la siguiente ventana: Opciones Regresin Mltiple.

A continuacin se describir en detalle cada una de las opciones que

ofrece esta nueva ventana:
Ajuste especifica si todas las variables independientes especificadas en
el cuadro de dilogo de entrada de datos debe ser incluido en el modelo
final, o si una seleccin de variables por pasos debe aplicarse. La
seleccin por pasos trata de encontrar el mejor modelo que contenga
slo variables estadsticamente significativas.
Constante en Modelo Si esta opcin no es marcada, el trmino 0 ser
omitido del modelo. Eliminar el trmino permite hacer la regresin.
Transformacin de Box-Cox Si se selecciona, una transformacin BoxCox ser aplicada a la variable dependiente. Las transformaciones BoxCox son un mtodo para manejar situaciones en las que las desviaciones
del modelo de regresin no tienen una varianza constante.
Transformacin de Cochrane-Orcutt provee un mecanismo para
manejar situaciones en las que los residuos del modelo no son
independientes.

5.3 REGRESIN NO LINEAL

En estadstica, la regresin no lineal es un problema de inferencia para un modelo tipo:
y = f(x,) +
basado en datos multidimensionales x,y, donde f es alguna funcin no lineal respecto
a algunos parmetros desconocidos . Como mnimo, se pretende obtener los
valores de los parmetros asociados con la mejor curva de ajuste (habitualmente,
con el mtodo de los mnimos cuadrados). Con el fin de determinar si el modelo es
adecuado, puede ser necesario utilizar conceptos de inferencia estadstica tales
como intervalos de confianza para los parmetros as como pruebas de bondad de
ajuste.
El objetivo de la regresin no lineal se puede clarificar al considerar el caso de
la regresin polinomial, la cual es mejor no tratar como un caso de regresin no
lineal. Cuando la funcin f toma la forma:
f(x) = ax2 + bx + c
la funcin f es no lineal en funcin de x pero lineal en funcin de los parmetros
desconocidos a, b, yc. Este es el sentido del trmino "lineal" en el contexto de la
regresin estadstica. Los procedimientos computacionales para la regresin
polinomial son procedimientos de regresin lineal (mltiple), en este caso con
dos variables predictoras x y x2. Sin embargo, en ocasiones se sugiere que la
regresin no lineal es necesaria para ajustar polinomios. Las consecuencias
prcticas de esta mala interpretacin conducen a que un procedimiento de
optimizacin no lineal sea usado cuando en realidad hay una solucin disponible
en trminos de regresin lineal. Paquetes (software) estadsticos consideran,
por lo general, ms alternativas de regresin lineal que de regresin no lineal en
sus procedimientos.

Regresin Exponencial

En determinados experimentos, en su mayora biolgicos, la dependencia entre las

variables X e Y es de forma exponencial, en cuyo caso interesa ajustar a la nube de
puntos una funcin del tipo:

Mediante una transformacin lineal, tomando logaritmos neperianos, se convierte el

problema en una cuestin de regresin lineal. Es decir, tomando logaritmos
neperianos:

Ejemplo

In y

x2

x Iny

In y2

1,0986

1,0986

1,2069

1,2

3,4

1,2237

1,44

1,4684

1,4974

1,5

1,6094

2,25

2,4141

2,5901

0,6931

1,3862

0,4803

4,1

1,4109

4,2327

1,99

3,7

1,6094

13,69

5,9547

2,5901

1,9459

16

7,7836

3,7865

4,5

6,5

1,8718

20,25

8,4231

3,5056

 20,9

36

11,4628

67,63

32,7614

Numero de datos = n = 8

x promedio =

y promedio =

= 2,6125

= 1,43285

Usando la forma lineal de la Regresin Exponencial:

b=

a=

= 1,43285 - (0,216047)(2,6125) = 0,84272

a = eb = e0,216047 = 2,8597

La ecuacion final que modela el sistema es

= 0,216047

17,6455