1.

Introduccin:
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

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 toma la forma:
2

f ( x )=ax +bx +c
f La funcin

es no lineal en funcin de

los parmetros desconocidos

a,b y c

pero lineal en funcin de

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

.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.

Linealizacin
Algunos problemas de regresin no lineal pueden linealizarse mediante una
transformacin en la formulacin del modelo. Por ejemplo, consideremos el
problema de regresin no lineal (ignorando el trmino de error):
y=aebx
Aplicando logaritmos a ambos lados de la ecuacin, se obtiene:
ln ( y )=ln ( a ) +bx
Lo cual sugiere una estimacin de los parmetros desconocidos a travs de un
modelo de regresin lineal de

ln ( y ) con respecto a

x , un clculo que no

requiere procedimientos de optimizacin iterativa. De todas formas, la

linealizacin debe usarse con cuidado ya que la influencia de los datos en el
modelo cambia, as como la estructura del error del modelo y la interpretacin e
inferencia de los resultados. Estos pueden ser resultados no muy convenientes.
Hay que distinguir entre la "linealizacin" usada en los prrafos anteriores y la
"linealizacin local" que se adopta para algoritmos clsicos como el de GaussNewton. De igual forma, la metodologa de modelos lineales generalizados no
use linealizacin para la estimacin de parmetros.

Mnimos cuadrados ordinarios y ponderados

La mejor curva de ajuste se considera como aquella que minimiza la suma de
las desviaciones (residuales) al cuadrado (SRC). Este es la aproximacin por el
mtodo de mnimos cuadrados (MMC). Sin embargo, en aquellos casos donde
se tienen diferentes varianzas de error para diferentes errores, es necesario
minimizar la suma de los residuales al cuadrado ponderados (SRCP) (mtodo
de mnimos cuadrados ponderados). En la prctica, la varianza puede
depender del valor promedio ajustado. As que los pesos son recalculados para
cada iteracin en un algoritmo de mnimos cuadrados ponderados iterativo.
En general, no hay una expresin de forma cerrada para los parmetros de
mejor ajuste, como sucede en el caso de la regresin lineal. Mtodos
numricos de optimizacin son aplicados con el fin de determinar los
parmetros de mejor ajuste. Otra vez, en contraste con la regresin lineal,
podra haber varios mximos locales de la funcin a ser optimizada. En la
prctica, se suponen algunos valores iniciales los cuales junto con el algoritmo
de optimizacin conducen a encontrar el mximo global.

Estimacin de los parmetros usando Mtodos de Montecarlo

Si el error de cada observacin es conocido, entonces la precisin y
confiabilidad de los parmetros puede ser estimada mediante simulacin de
Montecarlo. Cada observacin es aleatorizada de acuerdo a su media y su
desviacin estndar. Con el nuevo conjunto de datos, una nueva curva es
ajustada y las estimaciones de los parmetros registradas. Las observaciones
son entonces aleatorizadas y nuevos valores de los parmetros son obtenidos.
Al final, varios conjuntos de parmetros son generados y su media y desviacin
estndar pueden ser calculados.

Descripcin del mtodo de Montecarlo

Existen 5 pasos ideales a seguir para el mtodo.
1. Establecer distribuciones de probabilidad. La idea inicial es la generacin
de valores para las variables que componen el modelo a efectuar.
Existen una gran variabilidad de ejemplos donde se llega anotar este
punto, algunos de ellos son: el tiempo de descompostura de una
maquina, la demanda de un inventario sobre una base diaria o semanal,
el tiempo de servicio, etc.
Y una manera fcil de establecer una distribucin de probabilidad de una
variable es a travs de examen histrico. La frecuencia relativa para
cada resultado de una variable se encuentra al dividir la frecuencia de la
observacin entre el nmero total de observaciones.
2. Construir una distribucin de probabilidad acumulada para cada variable.
Aqu se tiene que convertir una distribucin de probabilidad regular a una
distribucin de probabilidad acumulada. Esto quiere decir que la
probabilidad acumulada para cada nivel de demanda no es ms que la
suma del nmero en la columna de la probabilidad agregada a la
probabilidad acumulada anterior.
3. Establecer intervalos de nmeros aleatorios. En este paso se debe
asignar un conjunto de q represente a cada valor posible. Estos estn

establecidos como intervalos de nmeros aleatorios que surgieron un

proceso aleatorio (tomando el nmero de dgitos requeridos).

4. Generacin de nmeros aleatorios. Estos nmeros se pueden generar

de dos maneras: la primera es, si se tiene un problema grande y el
proceso involucra miles de ensayos, lo conveniente es utilizar algn
software especializado para generarlos; la segunda, si la simulacin se
tiene que hacer a mano, los nmeros se pueden seleccionar en una
tabla establecida de nmeros aleatorizados. Existe una tabla para esta
ltima manera.
Tabla 1

En esta tabla los nmeros aleatorios se leen de arriba hacia abajo,

comenzando por la esquina superior izquierda.

5. Simular el experimento. No es ms q poner en prctica la simulacin de

dicho

experimento,

mediante

varios

ensayos

para

poder

concluir

correctamente, ya que al hacer pocos ensayos podramos comer errores

que perjudicaran el experimento o en el peor de los casos echarlo a perder.

Ejemplo
Se desea conocer la demanda diaria de un comercio alimenticio, donde
elaboran emparedados. Por medio de la distribucin de probabilidad del
mtodo de Montecarlo, en un periodo de 30 das.
Tabla 2
Demanda

Frecuencia

Probabilidad de

Probabilidad

41
45
48
52
56

(das)
5
10
6
4
5

ocurrencia
5/30=.17
10/30=.33
6/30=.20
4/30=.13
5/30=.17

acumulada
.17
.50
.70
.83
1.00

Aplicando los pasos en la tabla. El primer paso en identificar la demanda

que recibe por das. El siguiente paso es construir otra columna con la
sumatoria consecutiva de cada ocurrencia de los valores.
Tabla 3
Demanda

Frecuencia

Probabilidad

Probabilidad

Intervalo

(das)
de ocurrencia
acumulada
s
41
5
5/30=.17
.17
[01-17]
45
10
10/30=.33
.50
[18-50]
48
6
6/30=.20
.70
[51-70]
52
4
4/30=.13
.83
[71-83]
56
5
5/30=.17
1.00
[84-100]
En esta tabla se hace presente el paso 3, que trata de colocar los intervalos
de los nmeros aleatorios, simplemente se colocan los nmeros
empezando por el 01 hasta el valor de la probabilidad acumulada. Y
despus se sigue con el otro valor comenzando por nmero en el que se
qued.
Una manera simple de ver la simulacin es mediante esta simplificacin del
ejemplo en un periodo de 10 das.
Por ltimo se emplean los pasos 4 y 5 en la tabla que continua se busca un
numero aleatorio en la tabla 1 expuesta en el paso 4. Despus se compara

el numero aleatorio obtenido con el intervalo de la tabla 3, a verificar en que

intervalo cae se colocara el valor de la demanda en la tercer columna.
Tabla 4
Numero de dia

Numero

Demanda diaria

1
2
3
4
5
6
7
8
9
10

aleatorio
88
14
90
21
13
49
34
62
78
12

simulada
56
41
56
45
41
45
45
52
52
41
464

Total de la demanda en 10

464/10=46.4

das
Demanda promedio

Por ltimo se saca la demanda esperada que se demuestra por la siguiente

frmula:

Demanda esperada= ( probabilidad de unidades i ) (demanda de unidades i)

i=1

Deman da esperada=( .17 41 )+ ( .33 45 ) + ( .20 48 ) + ( .13 52 ) +(.17 56)

Demanda esperada=47.7
La demanda esperada en las mayoras de sus ensayos ser similar a la
demanda promedio.

Conclusiones:

La aplicacin de distintas regresiones sobre un mismo problema nos

permite realizar comparaciones, sin limitarse solamente al caso lineal.

La facilidad de que nos brindan las nuevas tecnologas permite en poco
tiempo efectuar comparaciones que nos permitan la correcta eleccin de
un modelo adecuado, que describa los datos en problemas de
ingeniera, as como nos proporciona elementos de juicio suficientes
para la toma de decisiones en condiciones de incertidumbre.