Beruflich Dokumente
Kultur Dokumente
En esta expresin estamos admitiendo que todos los factores o causas que influyen
en la variable respuesta Y pueden dividirse en dos grupos: el primero contiene a
una variable explicativa X y el segundo incluye un conjunto amplio de factores no
controlados que englobaremos bajo el nombre de perturbacin o error aleatorio,
, que provoca que la dependencia entre las variables dependiente e
independiente no sea perfecta, sino que est sujeta a incertidumbre.
Por ejemplo, en el consumo de gasolina de un vehculo (Y ) influyen la velocidad
(X) y una serie de factores como el efecto conductor, el tipo de carretera, las
condiciones ambientales, etc, que quedaran englobados en el error.
El parmetro 0 es la ordenada al origen del modelo (punto de corte con el eje Y)
y 1 la pendiente, que puede interpretarse como el incremento de la variable
dependiente por cada incremento en una unidad de la variable independiente.
Estos parmetros son desconocidos y habr que estimarlos de cara a realizar
predicciones.
Pasos para utilizar el mtodo de regresin lineal
Una recta de regresin es la que mejor se ajusta a la nube de puntos.
La recta de regresin pasa por el punto llamado centro de gravedad.
Recta de regresin de Y sobre X
La recta de regresin de Y sobre X se utiliza para estimar los valores de la Y a
partir de los de la X.
La pendiente de la recta es el cociente entre la covarianza y la varianza de la
variable X.
Recta de regresin de X sobre Y
La recta de regresin de X sobre Y se utiliza para estimar los valores de la X a
partir de los de la Y.
La pendiente de la recta es el cociente entre la covarianza y la varianza de la
variable Y.
Calculamos la covarianza.
Ao Vehculo
2000 1090
2002 1120
2004 1250
2006 1490
2008 1650
Ao (x) Vehculos( 2 st
y)
1 = 14.818
120814.818(78)
0 =
12
0 = 4.348
= 0 + 1X
= 4.348 + 14.818x
El anlisis de regresin y correlacin lineal constituyen mtodos que se emplean para conocer las relaciones y
significacin entre series de datos. Lo anterior, es de suma importancia para la industria ya que es aqu en donde se
presentan variables de respuesta e independientes las cuales interactan para originar las caractersticas de un
proceso en particular y por ende; analizar, predecir valores de la variable dependiente y examinar el grado de fuerza
con que se relacionan dichas variables.
La regresin lineal simple y la regresin mltiple, analiza la relacin de dos o ms variables continuas, cuando analiza
dos variables a esta se le conoce como variable bivariantes que pueden corresponder a variables cualitativas. La
finalidad de una ecuacin de regresin es la de estimar los valores de una variable con base en los valores conocidos
de la otra. Del mismo modo, una ecuacin de regresin explica los valores de una variable en trminos de otra. Es
decir, se puede intuir una relacin de causa y efecto entre dos o ms variables. El anlisis de regresin nicamente
indica qu relacin matemtica podra haber, de existir una.
Por otro lado, Al ajustar un modelo de regresin simple o mltiple a una nube de observaciones es importante
disponer de alguna medida que permita medir la bondad del ajuste. Esto se consigue con los coeficientes de
correlacin. Si el modelo que se ajusta es un modelo de regresin lineal, a R se le denomina coeficiente de correlacin
y representa el porcentaje de variabilidad de la Y que explica el modelo de regresin.
Estas tcnicas estadsticas constituyen una herramienta til para el anlisis de las variables de un proceso ya que a
travs de la aplicacin de stas, es posible conocer el modelo que siguen y la fuerza con que se encuentran
relacionadas. Asimismo, es posible explicar la relacin que guardan dos o ms causas de un posible defecto.