Universidad andina del cusco

“Año del Buen Servicio al Ciudadano”

UNIVERSIDAD ANDINA DEL CUSCO

ESCUELA PROFESIONAL DE ING DE SISTEMAS

ASIGNATURA: ESTADISTICA II
DOCENTE:
VICTOR HUARACCALLO HUILLCA
ALUMNOS:
EDER RIVERA PANDO
CRHISTIAN CHAUCA RAMOS
KEVIN BRAYAN CAÑARI SEQUEIROS
OLIVER YUPANQUI QUISPE
CUSCO -2017

1
Universidad andina del cusco

INDICE
Introducción ................................................................................................................................. 3
Aplicaciones de Regresión lineal y no lineal en Ingeniería de Sistemas ....................................... 4
Regresión no lineal aplicada.......................................................................................................... 5
Ejemplo........................................................................................................................................ 10
Conclusiones ............................................................................................................................... 12
Bibliografía .................................................................................................................................. 13

2
Universidad andina del cusco

Introducción
En este informe daremos a conocer las aplicaciones de regresiones lineales y
no lineales .Su importancia en ingeniería de sistemas y algunos ejemplos
donde explicaremos como la regresión lineal y no lineal puede solucionar esos
problema.

3
Universidad andina del cusco

Aplicaciones de Regresión lineal y no lineal en Ingeniería de

Sistemas
Regresión Lineal aplicada
En estadística la regresión lineal o ajuste lineal es un modelo
matemático usado para aproximar la relación de dependencia entre una variable
dependiente Y, las variables independientes Xi y un término aleatorio ε.
La regresión lineal puede aplicarse en informática en forma de escatimar
mediante un software el funcionamiento de una empresa, ya que las fórmulas
que posee facilitan el monitoreo de ingresos y egresos de recursos, el
rendimiento de trabajadores, la demanda de materiales, etc.
Mediante el uso del matlab se pueden escatimar los procesos matemáticas, y
mediante el Excel y el SPSS los graficos.

Interpretaciones:
 b: El valor de b indica el incremento del tiempo en minutos, en promedio,
por cada metro de aumento en el área de un terreno

 a: este valor no tiene interpretación practica en el ejemplo, pero se

interpretaría como el valor obtenido, en promedio, para el tiempo, cuando
el área es 0

Usamos el Excel para Corroborar los datos.

4
Universidad andina del cusco

Regresión no lineal aplicada

Tomemos un ejemplo:
En la producción de herramientas, el método para deformar acero a temperatura
normal mantiene una relación inversa con la dureza del mismo ya que, a medida
que la deformación crece, se ve afectada la dureza del acero. Para investigar
esta relación se ha tomado la siguiente muestra:

X:
deformación 6 9 11 13 22 26 28 33 35
(en mm)
Y : dureza
Brinell (en 68 67 65 53 44 40 37 34 32
kg/mm2)
Tabla 1: Deformación y Dureza Brinell

Si bien la regresión lineal es un muy buen ajuste para el problema propuesto,

aplicaremos otros tipos de regresiones a fin de poder comparar.

Cuadrática

Gráfico 1: Regresión cuadrática

Potencial

5
Universidad andina del cusco

Gráfico 2: Regresión potencial

Exponencial

Gráfico 3: Regresión exponencial

Logarítmica

6
Universidad andina del cusco

Gráfico 4: Regresión logarítmica

Compararamos las regresiones aplicadas

Tipo de Coeficiente
regresión de
determinación
Lineal 0,955
Cuadrática 0,971
Potencial 0,941
Exponencial 0,978
Logarítmica 0,955

Tabla 2: Comparación entre las regresiones

Es posible observar(Tabla 2) que las regresiones son muy buenas, ya que en

todos los casos R2 > 0,90 .
El mejor ajuste es a través de una función exponencial ( R2 = 0,978) , seguido
por la regresión cuadrática ( R2 = 0,971) , si bien se puede observar que los dos
valores anteriores están muy cerca uno del otro.

En este caso a través del ejemplo nos muestra la facilidad de que nos brindan
las nuevas tecnologías permiten en poco tiempo efectuar comparaciones que

7
Universidad andina del cusco

nos permitan la correcta elección de un modelo adecuado, que describa los datos
en problemas de ingeniería, así como nos proporciona elementos de juicio
suficientes para la toma de decisiones en condiciones de incertidumbre.

Usando el SSPS

Resumen de modelo y estimaciones de parámetro

Variable dependiente: dureza
Estimaciones de
Resumen del modelo parámetro
Ecuació R
n cuadrado F gl1 gl2 Sig. Constante b1
Lineal ,955 149,132 1 7 ,000 75,720 -1,320
La variable independiente es deformacion.

8
 Universidad andina del cusco
Universidad andina del cusco

Resumen de modelo y estimaciones de parámetro

Variable dependiente: dureza
Resumen del modelo Estimaciones de parámetro
R Constant
Ecuación cuadrado F gl1 gl2 Sig. e b1 b2 b3
Lineal ,955 149,132 1 7 ,000 75,720 -1,320
Logarítmic
,955 149,772 1 7 ,000 113,534 -22,652
o
Inverso ,845 38,143 1 7 ,000 28,946 287,588
Cuadrátic
,971 102,104 2 6 ,000 83,400 -2,322 ,025
o
Cúbico ,972 58,194 3 5 ,000 79,770 -1,607 -,014 ,001
Compuest
,978 311,994 1 7 ,000 81,902 ,973
o
Potencia ,948 127,174 1 7 ,000 175,607 -,462
S ,813 30,421 1 7 ,001 3,449 5,778
Crecimien
,978 311,994 1 7 ,000 4,406 -,027
to
Exponenci
,978 311,994 1 7 ,000 81,902 -,027
al
Logística ,978 311,994 1 7 ,000 ,012 1,028
La variable independiente es deformacion.

Resumen de modelo y estimaciones de parámetro

Variable dependiente: dureza
Estimaciones de
Resumen del modelo parámetro
R
Ecuación cuadrado F gl1 gl2 Sig. Constante b1
Exponenci
,978 311,994 1 7 ,000 81,902 -,027
al
La variable independiente es deformacion.

9
Universidad andina del cusco

Ejemplo
Ejemplo de una rutina que utiliza una recta de regresión lineal para proyectar un valor
futuro: Código escrito en PHP

<?php
//Licencia: GNU/GPL
$xarray=array(1, 2, 3, 4, 5 ); //Dias
$yarray=array(5, 5, 5, 6.8, 9); //Porcentaje de ejecucion
$pm=100; //Valor futuro
$x2=0;
$y=0;
$x=0;
$xy=0;

10
Universidad andina del cusco

$cantidad=count($xarray);
for($i=0;$i<$cantidad;$i++){
//Tabla de datos
print ($xarray[$i]." ---- ".$yarray[$i]."<br>");
//Calculo de terminos
$x2 += $xarray[$i]*$xarray[$i];
$y += $yarray[$i];
$x += $xarray[$i];
$xy += $xarray[$i]*$yarray[$i];
}
//Coeficiente parcial de regresion
$b=($cantidad*$xy-$x*$y)/($cantidad*$x2-$x*$x);
//Calculo del intercepto
$a=($y-$b*$x)/$cantidad;
//Recta tendencial
//y=a+bx
//Proyeccion en dias para un 100% de la ejecucion:
if ($b!=0) $dias_proyectados=($pm-$a)/$b;
else $dias_proyectados=999999; //Infinitos
$dp=round($dias_proyectados,0);
if($dp<=$pm) print $dp."---> Culmina antes de los $pm dias <br>";
if($dp >$pm) print $dp ."---> ALARMA: No culmina antes de los $pm
dias <br>";
?>

11
Universidad andina del cusco

Conclusiones

Las técnicas de regresión y correlación cuantifican la asociación estadística entre

dos o más variables. La regresión lineal simple expresa la relación entre una
variable dependiente Y y una variable independiente X, en términos de la
pendiente y la intersección de la línea que mejor se ajuste a las variables.
La correlación simple expresa el grado o la cercanía de la relación entre las dos
variables en términos de un coeficiente de correlación que proporciona una

12
Universidad andina del cusco

Bibliografía
 G.A.F Seber and C.J. Wild. Nonlinear Regression. New York: John Wiley and Sons,
1989.
 R.M. Bethea, B.S. Duran and T.L. Boullion. Statistical Methods for Engineers and
Scientists. New York: Marcel Dekker, Inc 1985 ISBN 0-8247-7227-X

13