1

Análisis de regresión lineal y no lineal aplicado

en Matlab
M. V. Acevedo Lemus, R. S. Aragón Rodríguez

procedimientos manuales con herramientas computacionales.

Resumen—En este informe se desarrolla el laboratorio de El propósito del informe es presentar el desarrollo matemático,
regresión lineal y no lineal utilizando MATLAB para el análisis de
datos experimentales. Inicialmente se estudia la regresión lineal el análisis de resultados y la aplicación de la regresión como
simple para analizar la relación entre la temperatura y el azúcar
herramienta para modelar y predecir fenómenos experimentales
convertida, calculando parámetros estadísticos y coeficientes de
ajuste. Posteriormente, se trabaja un modelo no lineal de tipo en ingeniería.
potencial para la relación entre volumen y presión de un gas ideal,
aplicando linealización mediante logaritmos. Finalmente, se II. MARCO TEÓRICO
resuelven problemas aplicados relacionados con publicidad y
La regresión lineal simple permite modelar la relación entre
ventas, tiempos de reacción y oxígeno disuelto en función de la
temperatura. Los resultados muestran la utilidad de la regresión dos variables cuantitativas mediante una función lineal. Si X
para modelar, analizar y predecir fenómenos en ingeniería. representa la variable independiente o predictora y Y la
Palabras clave- análisis de datos, MATLAB, mínimos cuadrados, variable dependiente o respuesta, el modelo se expresa como
regresión lineal, regresión no lineal. una recta definida por un intercepto y una pendiente. Este
modelo es apropiado cuando el diagrama de dispersión muestra
una tendencia aproximadamente lineal.
Abstract-- This report details the linear and nonlinear
regression laboratory using MATLAB for the analysis of
experimental data. Initially, simple linear regression is studied to
analyze the relationship between temperature and sugar
conversion, calculating statistical parameters and fitting
coefficients. Subsequently, a nonlinear power-law model is
developed for the relationship between volume and pressure of an En esta ecuación, b0 representa la intersección con el eje
ideal gas, applying linearization using logarithms. Finally, applied vertical y b1 la pendiente de la recta, que indica la tasa de
problems related to advertising and sales, reaction times, and cambio de la variable respuesta respecto a la variable
dissolved oxygen as a function of temperature are solved. The
predictora. Estos parámetros se determinan mediante el método
results demonstrate the usefulness of regression for modeling,
analyzing, and predicting phenomena in engineering. de mínimos cuadrados, el cual minimiza la suma de los
cuadrados de las diferencias entre los valores observados y los
I. INTRODUCCIÓN valores estimados por el modelo.

L a regresión es una de las herramientas más importantes en

la estadística aplicada, ya que permite estudiar la relación
entre variables y obtener modelos matemáticos con capacidad
descriptiva y predictiva. En ingeniería, su uso es fundamental
debido a que muchos fenómenos se analizan a partir de datos
experimentales que deben ser interpretados y representados
mediante ecuaciones que faciliten el análisis, el diseño y la
toma de decisiones. En el laboratorio desarrollado se trabajó
tanto la regresión lineal simple como la regresión no lineal,
aplicando transformaciones que permiten convertir modelos no El grado de relación lineal entre las variables se evalúa
lineales en modelos lineales para simplificar su análisis. mediante el coeficiente de correlación de Pearson r, cuyo valor
Además de obtener los modelos, se realizó la interpretación de se encuentra entre −1 y 1. Valores cercanos a 1 indican una
parámetros como la pendiente y el intercepto, así como el relación lineal positiva fuerte, valores cercanos a −1 indican
análisis del coeficiente de correlación y el coeficiente de una relación lineal negativa fuerte, y valores cercanos a 0
determinación para evaluar la calidad del ajuste. El trabajo indican una relación lineal débil o inexistente. A partir de este
también incluyó el uso de MATLAB como herramienta de coeficiente se obtiene el coeficiente de determinación R^2, que
apoyo para verificar cálculos y generar gráficas, combinando representa la proporción de la variación de la variable respuesta
explicada por el modelo lineal.
* Revista Argentina de Trabajos Estudiantiles. Patrocinada por la IEEE.
 2

R^2. Finalmente, se utilizaron comandos de MATLAB como

polyfit, polyval, plot, corrcoef, sum, mean y log para validar los
cálculos y obtener representaciones gráficas de los modelos.

En el caso de la regresión no lineal, se añadió una etapa

adicional correspondiente a la transformación logarítmica, en la
Cuando la relación entre las variables no es lineal, se cual se definieron nuevas variables:
emplean modelos no lineales. Uno de los más comunes en
aplicaciones físicas y de ingeniería es el modelo potencial, en
el cual la variable respuesta depende de una potencia de la
variable independiente.

Sobre estas variables transformadas se aplicó nuevamente el

Este modelo puede transformarse en una relación lineal método de mínimos cuadrados y posteriormente se regresó al
aplicando logaritmos naturales a ambos lados de la ecuación, lo modelo original mediante la función exponencial, lo que
que permite utilizar nuevamente el método de mínimos permitió comparar el modelo linealizado con el modelo
cuadrados sobre variables transformadas. potencial original.

IV. DESARROLLO
1) Regresión lineal simple: azúcar convertida vs.
temperatura
En esta forma linealizada, la pendiente corresponde al La guía proporciona once datos correspondientes a la
exponente γ y el intercepto corresponde a ln(C). Esta temperatura como variable independiente X y al azúcar
transformación permite analizar modelos no lineales utilizando convertida como variable dependiente
los mismos fundamentos teóricos de la regresión lineal.

Desde el punto de vista gráfico, el análisis de regresión debe

complementarse siempre con el diagrama de dispersión de los
datos. La calidad del ajuste no depende únicamente del valor
de R^2, sino también de la coherencia entre la recta ajustada, la
pendiente obtenida y la distribución real de los datos. Este
criterio es fundamental para interpretar correctamente los
resultados obtenidos en los modelos de regresión.

III. METODOLOGIA
El desarrollo del trabajo se realizó en dos etapas
complementarias. En la primera etapa se efectuó el
procedimiento matemático manual, que incluyó la organización
de los datos en vectores, el cálculo de medias, sumatorias,
pendiente e intercepto, así como la interpretación de los
coeficientes obtenidos. En la segunda etapa se implementaron
los procedimientos en MATLAB con el objetivo de verificar Fig 1. Tabla
los resultados, generar pronósticos y obtener las gráficas de
dispersión y ajuste de los modelos. A partir de estos datos se calcularon las medias xˉ=1.5 y
Para cada ejercicio se siguió una metodología general. yˉ=9.1273, así como las sumatorias necesarias para aplicar el
Inicialmente se identificaron las variables independiente y método de mínimos cuadrados.
dependiente, luego se construyeron los vectores de datos y se La pendiente obtenida fue b1=1.8091 y el intercepto
calcularon los parámetros estadísticos necesarios, como: b0=6.4136, con lo cual la recta de regresión quedó definida
como:

Con estos valores se aplicaron las ecuaciones del método de

mínimos cuadrados para determinar la recta de regresión. El coeficiente de correlación obtenido fue r=0.7070, lo que
Posteriormente, se evaluó la calidad del ajuste mediante el indica una relación lineal positiva moderada. El coeficiente de
coeficiente de correlación rrr y el coeficiente de determinación determinación fue R^2 = 0.4998, lo que significa que
 3

aproximadamente el 49.98% de la variación del azúcar En la segunda parte se analizaron los datos de
convertida puede explicarse mediante la relación lineal con la volume
temperatura.
La validación en MATLAB se realizó utilizando los
comandos polyfit y polyval, obteniéndose los mismos
coeficientes calculados manualmente. Al evaluar el modelo en los cuales siguen un modelo potencial del tipo CPVγ=C.
X=2, se obtuvo Y=10.0318Y = 10.0318, valor cercano al dato Debido a que este modelo no es lineal en su forma original, se
experimental, lo que confirma que el modelo representa una aplicó una transformación logarítmica definiendo las variables
aproximación adecuada del comportamiento de los datos. transformadas.

Aplicando el método de mínimos cuadrados sobre las

variables transformadas se obtuvo la ecuación linealizada:

Al regresar al modelo original se obtuvo:

El signo negativo de la pendiente indica una relación inversa

entre presión y volumen, coherente con la ley de Boyle. El
Fig 2. Grafica coeficiente de correlación fue r=−0.9031 y el coeficiente de
determinación R^2 = 0.8156, lo que indica que el modelo
Este análisis demuestra que la representación gráfica no solo explica aproximadamente el 81.56% de la variación de los
cumple una función visual, sino que también sirve como datos transformados.
herramienta de validación del modelo. Un modelo adecuado El modelo se utilizó para estimar la presión cuando V=65,
debe ser consistente tanto algebraicamente como gráficamente. obteniéndose P=39.7398, valor consistente tanto en la forma
En MATLAB, esta representación se realizó mediante un linealizada como en la forma potencial original, lo que
diagrama de dispersión acompañado de la recta de regresión. confirma la validez del modelo obtenido.

Resolución de los problemas propuestos

A. Costos de publicidad vs. ventas

A partir de los datos de costos de publicidad y ventas
se obtuvo el modelo lineal

La pendiente positiva indica que existe una relación directa

entre la inversión en publicidad y las ventas. El modelo se
utilizó para estimar las ventas cuando el costo de publicidad es
35 unidades monetarias, obteniéndose un valor aproximado de
Y(35)=456.43. Este resultado debe interpretarse como una
estimación basada en la tendencia general de los datos.

Fig 2. Grafica dos

2) . Modelo no lineal: presión vs. volumen en un gas ideal

 4

potencial. El coeficiente de correlación en las variables

transformadas fue aproximadamente r=−0.9976 y el coeficiente
de determinación R^2 ≈0.9951, lo que indica un ajuste
excelente. El modelo se utilizó para estimar la concentración de
oxígeno a 9 °C, obteniéndose y(9)=6.4515.

Fig 3. Grafica tres

B. Tiempos de reacción ante estímulos

A partir de los puntos obtenidos de la gráfica se calculó el

modelo lineal:

Fig 4. Grafica Cinco

La pendiente negativa indica una relación inversa entre las
variables. Al evaluar el modelo en X=3.5, se obtuvo Y=3.15, V. RESULTADOS Y ANALISIS
valor coherente con el rango de datos observados, lo que indica
que el modelo describe adecuadamente la tendencia general.
Caso Modelo obtenido Tipo Predicción
de
relació
n
Azúcar Y=6.4136+1.8091X Directa y(2)=10.0318
vs. lineal
Temperat
ura
Presión P=2.5689×10^6V^−2.6535 Inversa P(65)=39.739
vs. no 8
Volumen lineal
Publicida Y=343.7056+3.2208X Directa Y(35)=456.43
d vs. lineal
Ventas
Tiempos Y=5.8861−0.7822X Inversa Y(3.5)=3.15
de lineal
Fig 4. Grafica cuatro reacción
Oxígeno y=21.1458x^−0.5403 Inversa y(9)=6.4515
C. Temperatura vs. concentración de oxígeno vs. no
Temperat lineal
El análisis de los datos mostró una relación no lineal ura
decreciente, por lo que se utilizó un modelo potencial. Después
de aplicar la transformación logarítmica y realizar la regresión Tabla 1. Resultados generales
lineal sobre las variables transformadas, se obtuvo el modelo:
Las predicciones realizadas en cada modelo mostraron
coherencia con la tendencia de los datos experimentales, lo que
indica que los modelos obtenidos no solo describen la relación
entre variables, sino que también pueden utilizarse para realizar
estimaciones de valores no medidos.
Este modelo indica que la concentración de oxígeno disminuye
a medida que aumenta la temperatura siguiendo una relación
 5

A partir de los resultados se identificaron diferentes REFERENCIAS

comportamientos entre las variables. Se observaron relaciones
directas en los casos de azúcar vs. temperatura y publicidad vs. [1] R. E. Walpole, R. H. Myers, S. L. Myers y K. Ye, Probability and
ventas, donde la pendiente positiva indica que al aumentar la Statistics for Engineers and Scientists, 9th ed. Boston, MA, USA:
variable independiente también aumenta la variable Pearson, 2012.
dependiente. Por otro lado, se observaron relaciones inversas [2] S. C. Chapra, Applied Numerical Methods with MATLAB for
en los tiempos de reacción, el modelo del gas ideal y el oxígeno Engineers and Scientists, 4th ed. New York, NY, USA: McGraw-Hill,
disuelto, donde la variable dependiente disminuye cuando 2018.
aumenta la variable independiente, comportamiento coherente [3] MathWorks, “MATLAB Documentation,” MathWorks. [En línea].
con la interpretación física de los fenómenos analizados. Disponible en: [Link] [Accedido: 24-
mar-2026].
En cuanto a la calidad del ajuste, el modelo de azúcar [4] D. C. Montgomery, E. A. Peck y G. G. Vining, Introduction to
convertida presentó un coeficiente de determinación R^2 Linear Regression Analysis, 5th ed. Hoboken, NJ, USA: Wiley, 2012.
≈0.4998, lo que indica un ajuste moderado. En contraste, los [5] J. Neter, M. H. Kutner, C. J. Nachtsheim y W. Wasserman,
modelos no lineales presentaron valores de más altos, lo que Applied Linear Statistical Models, 4th ed. Chicago, IL, USA: Irwin,
demuestra que la linealización mediante logaritmos permitió 1996.
representar de mejor manera el comportamiento de los datos. [6] R. L. Ott y M. Longnecker, An Introduction to Statistical Methods
and Data Analysis, 7th ed. Boston, MA, USA: Cengage, 2015.
Finalmente, el uso de MATLAB permitió validar todos los [7] J. H. Zar, Biostatistical Analysis, 5th ed. Upper Saddle River, NJ,
resultados obtenidos manualmente y generar representaciones USA: Pearson, 2010.
gráficas de los modelos, lo que fortaleció la confiabilidad del [8] A. C. Rencher y W. F. Christensen, Methods of Multivariate
análisis y facilitó la interpretación de los resultados obtenidos Analysis, 3rd ed. Hoboken, NJ, USA: Wiley, 2012.
durante el laboratorio.

VI. CONCLUSIONES
El laboratorio permitió comprobar que la regresión lineal y
no lineal son herramientas fundamentales para el análisis de
datos en ingeniería, ya que permiten construir modelos
matemáticos con capacidad descriptiva y predictiva a partir de
datos experimentales. El método de mínimos cuadrados
demostró ser un procedimiento eficaz para obtener modelos
que representan la tendencia general de los datos y permiten
realizar estimaciones de valores no medidos.

En los modelos lineales se evidenció que la pendiente

representa la tasa de cambio de la variable respuesta respecto a
la variable independiente, mientras que el intercepto establece
el valor inicial del modelo. La correcta interpretación de estos
parámetros permite que el modelo no solo describa datos, sino
que también explique el comportamiento del fenómeno
analizado.

En los modelos no lineales se comprobó que la linealización

mediante logaritmos permite transformar relaciones potenciales
en modelos lineales, facilitando su análisis mediante el mismo
método de mínimos cuadrados. Esto demuestra la importancia
de seleccionar adecuadamente el modelo matemático según el
comportamiento de los datos.

Los coeficientes de correlación y determinación permitieron

evaluar la calidad de los ajustes obtenidos, mostrando que
algunos modelos presentan ajustes moderados y otros ajustes
muy altos, dependiendo de la naturaleza del fenómeno
analizado.

Finalmente, el uso de MATLAB permitió validar los cálculos

manuales, generar gráficas y realizar predicciones de manera
eficiente, integrando el análisis matemático con herramientas
computacionales utilizadas en la ingeniería.