Académique Documents
Professionnel Documents
Culture Documents
Introduccin
Es una tcnica estadstica utilizada para modelar e investigar la relacin entre dos o ms
variables. Este mtodo es aplicable en muchas situaciones en las que se estudia la relacin
entre dos o ms variables o predecir un comportamiento, algunas incluso sin relacin con la
tecnologa. En caso de que no se pueda aplicar un modelo de regresin a un estudio, se dice
que no hay correlacin entre las variables estudiadas.
Busca determinar el grado de la relacin existente entre variables, utilizando modelos
matemticos y representaciones grficas. As pues, para representar la relacin entre dos o
ms variables desarrollaremos una ecuacin que permitir estimar una variable en funcin
de la otra.
Por ejemplo, en qu medida, un aumento de los gastos en publicidad hace aumentar las
ventas de un determinado producto?, cmo representamos que la bajada de temperaturas
implica un aumento del consumo de la calefaccin?,...
A continuacin, estudiaremos dicho grado de relacin entre dos variables en lo que
llamaremos anlisis de correlacin. Para representar esta relacin utilizaremos una
representacin grfica llamada diagrama de dispersin y, finalmente, estudiaremos un
modelo matemtico para estimar el valor de una variable basndonos en el valor de otra, en
lo que llamaremos anlisis de regresin.
El modelo de regresin
El modelo de regresin lineal ser aplicado en aquellos casos en los que la variable
independiente Y sea continua. Existen varios tipos de regresin, por ejemplo:
1: Se trata del cociente entre la interaccin obtenida entre ambas variables y la suma de
cuadrados de los valores de la variable dependiente. Este valor corresponde a la pendiente de
la recta.
Ei es el residuo e indica la bondad del ajuste realizado para cada punto. Se calcula de la
siguiente forma:
Una vez se ha obtenido la recta de regresin, es necesario comprobar la bondad del ajuste
realizado mediante el siguiente anlisis ANOVA:
n= nmero de datos. Se compara F0 con valor F crtico (tabla F de Scnedecor) con valor de
significacin , 1, y n-2 grados de libertad concluyendo: Si F0< Ft, el modelo es apropiado,
Si F0> Ft, el modelo utilizado no es apropiado.
Para los casos en los que un modelo lineal no sea el ms adecuado, se pueden aplicar los
llamados modelos intrnsecamente lineales que transforman la recta en otro tipo de funcin.
Un ejemplo sera la funcin exponencial:
Aplicaciones
El modelo de regresin lineal es aplicado en un gran nmero de campos, desde el mbito
cientfico hasta el mbito social, pasando por aplicaciones industriales ya que en multitud de
situaciones se encuentran comportamientos lineales. Estos son algunos ejemplos aplicados a
diversos campos:
Qumica
Mecnica
En esta rama se utiliza la Regresin Lineal entre otros para ajustar la recta de Paris , una
ecuacin que sirve para estudiar elementos sometidos a fatiga en funcin del nmero de
ciclos a los que se somete un material. La bondad del ajuste se comprueba representando el
conjunto de valores discretos a-Nm obtenidos experimentalmente, frente a la curva
correspondiente a la recta de Paris definida por los valores C y m.
Electricidad
Diseo de experimentos
'+/-0.6
A -0.05
'+/-0.2
'+/-0.2
1.29
De esta manera se observa que las especificaciones son muy justas y cualquier ajuste
equivoco de pigmentacin en la pintura ocasionar, material en condiciones NG,
proporcionando indicadores negativos a la empresa como prdida de tiempo, dinero,
aumento de scrap as como sus indicadores de PPMS internos y con su cliente. Haciendo
una corrida amplia y manipulando el pigmento blanco se toma de lecturas de las
condiciones de la pintura. Son conforme a la Tabla 2.
De tal manera que la frmula de la recta estimada para el ejemplo de la pintura es:
= -25,445-0,468. X
Y la grfica para validar la normalidad de los errores (uno de los supuestos en los que se
basa este anlisis) es:
4,24411
0,74162
0,02472
Al comparar el to asociado a cada bi con la t0.025,5 puede observarse que los efectos tanto
de la temperatura como de la concentracin son significativos a un nivel de confianza del
95%. El modelo ajustado es por tanto:
Y = 39.75 + 3.0. X concentracin + 0.25. X temperatura
La validacin del modelo se hara en base al anlisis de los residuos, a travs de los
siguientes grficos:
Un anlisis de los grficos de los residuos contra las variables concentracin y temperatura
permitir concluir si el factor concentracin presenta un efecto muy importante sobre la
variabilidad del rendimiento, en funcin de si una mayor concentracin reduce la variabilidad
en cuanto al rendimiento de la reaccin qumica.