La finalidad de las sociedades modernas ha sido la bsqueda de la perfeccin de la calidad de vida
y del bienestar. A principios del siglo XX, la introduccin de tecnologas a las industrias, implicaba un aumento de la produccin, pero tambin un aumento de los productos defectuosos. La calidad, en esta poca consista en que no se produjeran piezas defectuosas. En los ltimos aos la calidad ha adquirido una gran importancia en todos los niveles de la sociedad. Las empresas cada vez ms se han sumado a las polticas de clida, ya no solo por el prestigio que otorga la concesin de una marca de calidad, sino por los grandes beneficios econmicos. La necesidad de la matemtica estadstica en los procesos de control de calidad se materializa en la mayora de los casos, aunque especialmente cuando se trata de productos de alto valor aadido o de producciones muy elevadas donde es imposible controlas los nmeros. El uso de lotes, como muestra de la poblacin, ha facilitado el trabajo de control en las empresas. Manual de control estadstico de calidad: teora y aplicaciones. DIAGRAMAS DE DISPERSIN Es una forma sencilla de describir grficamente las relaciones constadas entre dos variables consiste en representar cada observacin por un punto en un plano, cuya abscisa sea el valor de la primera variable y cuya ordenada sea el de la segunda. A ste tipo de grfico se le denomina diagrama de dispersin La siguiente figura refleja el diagrama de dispersin de la variable PESO frente a ESTATURA. Para mayor informacin los puntos correspondientes a chicas se han codificado como un * y los correspondientes a los chicos con una x.
Sita siempre a la variable explicativa, si una de ellas lo es, en el eje de las abscisas del diagrama de dispersin. En general, llamamos a la variable explicativa la X y la variable respuesta Y. Si no se distingue variable explicativa y variable respuesta. Cualquiera de las dos se puede situar en el eje de las abscisas.
MODELO DE REGRESION LINEAL SIMPLE Consideremos un par de variables, una de las cuales ser denominada variable de entrada y la otra variable de respuesta. Supongamos que para un valor dado, x, de la variable de entrada, la variable de respuesta, y, se puede expresar en la forma
Definicin: La relacin entre la variable de respuesta, Y, y la variable de entrada, X, especificadas ambas en la anterior ecuacin, se denomina regresin lineal simple. Por consiguiente, un modelo de regresin lineal simple asume una relacin lineal entre el valor medio de la respuesta y el valor de la variable de entrada. Los parmetros sern por lo general, desconocidos y se debern estimar a partir de los datos. Para ver si la regresin lineal simple se puede considerar como un modelo razonable de la relacin existente entra un par de variables, se deberan recoger y representar grficamente los datos relativos a los valores apareados de las variables.
Calculo de la recta de regresin o mejor ajuste. Y= ax + b
Ejemplo: Determine la recta de regresin asociada a los siguientes datos
Para aplicar las formulas, es mejor organizar los datos en forma de tabla
0.8 = Ordenada de origen 0.5x= La pendiente Si no todos los untos estn en una recta, cmo puedo saber cunto se acercan a una recta? Hay un nmero que mide la "bondad de ajuste" de la recta de regresin llamado coeficiente de correlacin. Este nmero, que se representa por r, est entre 1 y 1. Cuanto ms se acerca r a1 o 1, el ajuste es mejor. Si el ajuste es malo, se acerca r a 0. Si el ajusto es exacto, r=1 para una recta con pendiente negativa, or=1 para una recta de pendiente positiva La figura ms abajo muestra varios conjuntos de puntos con sus rectas de regresin, y los valores correspondientes de r.
Para predecir o pronosticar el valor de Y con respecto a un valor de X, se utiliza la recta de regresin lineal Y= ax + b, sustituyendo X X= Valor para pronosticar Y