INFERENCIA ESTADISTICA

PRESENTADO A:
MARIO OCHOA

TEMA:
REGRESION NO LINEAL POLINOMIAL

PRESENTADO POR:
SULLY STEPHANIA QUINAYAS BELTRAN
JOSE LUIS BALANTA

PROGRAMA:
INGENIERIA INDUSTRIAL

CORPORACION UNIVERSITARIA COMFACAUCA

POPAYAN CAUCA
2018
 INTRODUCCION
En estadística, la regresión polinomial es un problema de inferencia para un
modelo tipo:
y=f(x,θ)+ϵ
Basado en datos multidimensionales x,y , donde f es alguna función no lineal
respecto a algunos parámetros desconocidos θ. Como mínimo, se pretende
obtener los valores de los parámetros asociados con la mejor curva de ajuste
(habitualmente, con el método de los mínimos cuadrados). Con el fin de
determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de
inferencia estadística tales como intervalos de confianza para los parámetros
así como pruebas de bondad de ajuste.
 OBJETIVOS
OBJETIVO GENERAL
Dar a conocer los distintos procedimientos y para qué sirve aplicar una regresión
polinomial.

OBJETIVOS ESPESIFICOS
Ajustar datos a un modelo polinomial que involucra a X y potencias de X.
Realizar pruebas para determinar el orden apropiado del polinomio.
Graficar el modelo ajustado con intervalos de confianza o predicción.
También se pueden graficar residuos e identificar observaciones influyentes.
 MARCO TEORICO
REGRESIÓN POLINOMIAL: Si una función media tiene un predictor X pueden
usarse sus potencias enteras para aproximar E (Y |X). El caso más simple es la
regresión cuadrática, cuya función media es:
E (Y |X = x) = β0 + β1x + β2x 2
Dependiendo de los signos de los coeficientes, la función media cuadrática
puede tomar cualquiera forma. Se puede considerar usar este tipo de función
cuando se tenga evidencia de que la media tome un valor máximo o mínimo en
el rango del predictor. Este valor se obtiene cuando d/dx E (Y |X) = 0 y es tal
que:
xM = − β1 2β^2
Una función media cuadrática también puede usarse para modelar curvas sin
necesidad de tener un valor máximo o mínimo en el rango del predictor. Por
ejemplo si el rango se encuentra entre unas líneas punteadas se puede observar
una función media no lineal decreciente, mientras que en la función media es no
lineal creciente. La regresión cuadrática es un caso especial de la regresión
polinomial. Si se tiene un solo predictor, la función media polinomial de grado d
es:
E (Y |X = x) = β0 + β1x + β2x ^2 + · · · + βdx ^d
Polinomios con varios predictores Con más de un predictor se puede considerar
la posibilidad de agregar, además de las potencias, productos entre los
predictores. Por ejemplo, en el caso de dos predictores la función media de
segundo orden está dada por:
E (Y |X1 = x1, X2 = x2) = β0+β1x1+β2x2+β11x ^2 1+β22x ^2 2+β12x1x2
PASTELES: Oehlert (2000) proporciona información para un pequeño
experimento en horneado y mezclas de pasteles. Se consideraron dos variables,
X1 = tiempo de horneado (minutos) y X2 = temperatura de horneado (°F). La
variable respuesta Y = puntaje promedio para cuatro pasteles horneados usando
una combinación particular de las variables productoras. La función media
estimada basada en 5.1.4 para la data Pastel es:
E (Y |X1, X2) = −2204,4850 + 25,9176X1 + 9,9183X2 −0,1569X ^2 1
− 0,0120X ^2 2 − 0,0416X1X2
En pocas palabras este método sirve para obtener una función sencilla de los
puntos dados el cual en el programa nos arroja las variables que debe tener
dicha función a continuación se agregara algo de teoría.
 TEORIA
Este método consiste en otra alternativa, para ajustar polinomios a los datos.
Necesitamos ajustar a un polinomio de segundo grado o cuadrático.
y=a0+a1X+a2X^2+e
La suma de los cuadrados de los residuos es:
DETERMINA EL COEFICIENTE DE DETERMINACION:
 CONCLUSIONES
El propósito de este trabajo es generar herramientas para estimar la señal de
referencia, componente importante dentro de los procesos de filtrado adaptativo.
Tomando la técnica de regresión polinomial como estrategia para la estimación
de una señal de referencia, se ha logrado tener una aproximación de la
desviación de la línea de base de una señal electrocardiográfica. La señal de
referencia estimada dentro de este trabajo se ha probado en un sistema de
filtrado por cancelación, obteniendo resultados positivos en la remoción de la
interferencia que causa el desvió de la línea de base.
Decimos que tenemos un modelo de regresión lineal cuando la variable de salida
cambia proporcionalmente a los cambios de la variable de entrada. Discernir
cuando se justifica un modelo de regresión lineal es algo que puede hacerse en
presencia de ruido, lo cual se hace con una F, la cual compara la varianza debida
al supuesto modelo con la varianza causada por el ruido. Si la F resultante es
grande, comparada con un valor critico correspondiente, se rechaza la Ho y uno
tiene permiso para creer que un cambio en la variable independiente es seguido
por un cambio en la variable dependiente. Hemos visto diversos grados de
complejidad de este esquema: lineal univariado (una variable estímulo y otro de
respuesta), lineal múltiple (varias variables estímulo y otra de respuesta),
matrilineal (varias variables estímulo y varias de respuesta).
 EJERCISIO
Ajustar a un polinomio de segundo grado los valores de X y Y en la tabla que se
muestra.
X Y
0 2,1
1 7.7
2 13.6
3 27.2
4 41.9
5 61.1
15 152.6
Y=a0+a1x+a2x2
 BIBLIOGRAFIA
file:///C:/Users/PC-USUARIO/Downloads/34-130-1-PB.pdf
DOUGLAS, S. C. Introduction to Adaptive Filters. Digital Signal Processing
Handbook. Ed. Vijay Madisetti and Douglas B. Williams. Boca Ratón. CRC
Press LLC. (1999). Chapter 18 and 19.
BERTRÁN N, Madan y G, Peter N. A. “Baseline Tracking Algorithm for Drift
Reduction in Electrocardiography”. IEEE Engineering in Medicine and Biology
Society 10th Annual International Conference. (1988). CH2566-8/88/0000—
1230. IEEE
http://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema9_regresion.pdf