Documente Academic
Documente Profesional
Documente Cultură
En donde:
Totales
Medias
Que significa que el coeficiente de correlacin es muy fuerte? 1. El coeficiente de correlacin tiene una amplitud de -1 a 1, esto es: -1 p 1 (El coeficiente de Correlacin es mayor o igual a 1 pero es menor o igual a 1) 2. p=1 significa que la Correlacin que existe entre las variables es muy fuerte positivamente 3. p=-1 significa que la Correlacin que existe entre las variables es muy fuerte negativamente 4. p=0 significa que no existe Correlacin entre las variables de estudio.
No hay Correlacin
2 R
datos reales
2 (r)
a los
a los
Ejercicio
Las calificaciones de 12 alumnos en las materias de Estadstica y Probabilidad son las siguientes:
Estadstica Probabilidad
Calculamos la covarianza.
En una empresa trabajan cuatro ensambladores. Los aos de antigedad y numero de accidentes ocurridos en el ltimo ao por cada uno de ellos son los siguientes:
Calcular el coeficiente de correlacin lineal e interpretarlo. Media de X= 4.5 Media de Y= 2.5 DT x= 1.25 DTy= 1.25 Covarianza= -1.25 r= -1 La correlacin es perfecta e inversa
7. Si r = 1 1, los puntos de la nube estn sobre la recta creciente o decreciente. Entre ambas variables hay dependencia funcional.
Ejercicio: Las cantidades de un compuesto qumico (en g), que se disuelven en 100g de H2O a diferentes temperaturas (en 0C) se registran como sigue.
Ejercicio:
R2 = 0.99049 x 100 R2 = 99.04% El coeficiente de determinacin es de 99.04% de confiabilidad de la relacin muy fuerte positiva entre la temperatura y la cantidad del componente qumico disuelto. Lo que indica que a mayor temperatura, mayor la cantidad de qumico disuelto.
Anlisis de Residuales
Un residual ri es la diferencia entre el valor observado Yi y el valor estimado por la lnea de regresin Yi , es decir, ri = Yi-Yi . El residual puede ser considerado como el error aleatorio ei observado.
El anlisis de residuales permite cotejar si las suposiciones del modelo de regresin se cumplen.
Se puede detectar: a) Si efectivamente la relacin entre las variables X e Y es lineal. b) Si hay normalidad de los errores. c) Si hay valores anormales en la distribucin de errores d) Si hay varianza constante (propiedad de Homocedasticidad) y e) Si hay independencia de los errores.
Se ha visto anteriormente que la correlacin entre dos variables puede ser alta a pesar de que la relacin entre las dos sea fuertemente no lineal.
Se pueden utilizar los residuos para ver si el modelo de regresin lineal es adecuado.
El anlisis de residuales se puede llevar a cabo grficamente o en forma analtica.
Ejemplo La recta de regresin para los cinco siguientes conjuntos de datos es la misma:
Vemos que los residuos parecen aleatorios. Es una buena indicacin que el modelo de regresin se ajusta bien.
Aqu se ve una relacin entre y y los residuos. El modelo lineal no se ajusta bien.
En este cuarto grfico parece que la recta est ms cerca a los datos cuando x es ms pequeo.
Vamos a calcular el siguiente Ejemplo: El modelo de regresin para los datos de la pureza del Oxigeno en un experimento es:
y = 74.20+14.97x
En la tabla siguiente se presentan los valores observados y los valores predichos de y para cada valor de x de este conjunto de datos, junto con el residual correspondiente.
ei = yi - ^yi
Donde
El anlisis de los residuales resulta de utilidad para verificar el supuesto de que los errores siguen una distribucin normal aproximada con varianza constante. As como para determinar si seria conveniente incluir trminos adicionales en el modelo. En la estandarizacin de los residuales, estos siguen una distribucin normal, en donde el 95% debern estar incluidos en el intervalo (-2, +2) Los residuales que se aparten considerablemente de este intervalo pueden indicar la presencia de un punto atpico, es decir, una observacin que no es tpica del resto de los datos.
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:
Medicina
En el caso del tabaquismo, los investigadores incluyeron el estado socio-econmico para asegurarse que los efectos de mortalidad por tabaquismo no sean un efecto de su educacin o posicin econmica. No obstante, es imposible incluir todas las variables posibles en un estudio de regresin. En el ejemplo del tabaquismo, un hipottico gen podra aumentar la mortalidad y aumentar la propensin a adquirir enfermedades relacionadas con el consumo de tabaco. Por esta razn, en la actualidad las pruebas controladas aleatorias son consideradas mucho ms confiables que los anlisis de regresin.
La regresin lineal es una tcnica estadstica para modelar e investigar la relacin entre dos o ms variables.
Industria
Tiene aplicacin en la industria para investigar la relacin entre el rendimiento de la produccin y uno o ms factores del (o de los) que depende, como la temperatura, la humedad ambiental, la presin, la cantidad de insumos, etc.; con base en este anlisis se puede pronosticar el comportamiento de una variable que se desea estimar
Qumica
La concentracin de un elemento es uno de los parmetros de mayor importancia en los procesos qumicos aplicados en la industria. Esta cuantificacin se puede obtener mediante un espectrofotmetro, dispositivo que requiere se calibrado. Para ello se elabora una recta de calibracin que se obtiene a partir de la correlacin entre la observancia de un patrn y la concentracin de la sustancia a controlar.
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 En electricidad se puede obtener el valor de una resistencia en un circuito y su error mediante un ajuste de regresin lineal de pares de datos experimentales de voltaje e intensidad obtenidos mediante un voltmetro y un ampermetro. Sensores Calibracin de un sensor de temperatura (termopar) en funcin de la cada de tensin y la temperatura. Se estudia la forma en que vara la temperatura de un lquido al calentarlo. Se calibra el sensor y simultneamente se mide la variacin de temperaturas en un lquido para representar los datos obtenidos posteriormente mediante Regresin Lineal.
Fsica Determinacin del coeficiente de rozamiento esttico de forma experimental a partir de la medicin del ngulo de inclinacin de una rampa. Se realiza un montaje ajustando un circuito para medir el ngulo de inclinacin, y se realizan mediciones variando dicho circuito. Mediante la regresin lineal de los datos obtenidos, se obtiene la ecuacin y el ndice de correlacin a fin de saber el error.
Fabricacin
Dos de los parmetros ms importantes de una soldadura es la intensidad aplicada al hilo y la velocidad de alimentacin del mismo. Mediante tcnicas de regresin lineal se elaboran las rectas que relacionan estos parmetros con la separacin entre el hilo y la zona a soldar.
Diseo de experimentos Con la metodologa 2k es posible mejorar un proceso mediante la realizacin de experimentos, determinando qu variables tienen un efecto significativo. A partir de esas variables se obtiene una recta de regresin que modeliza el efecto. Por ejemplo se podra obtener la relacin entre la temperatura y la presin en un proceso industrial.
Construccin
Mediante tcnicas de regresin lineal se caracterizarn diversas cualidades del hormign. A partir del mdulo de elasticidad es posible predecir la resistencia a la compresin de una determinada composicin de un hormign. Tambin se puede determinar la succin capilar a partir del volumen absorbido por una muestra y el tiempo que ha durado la succin.
Aplicacin de regresin lineal simple en el proceso de pigmentacin de una empresa del sector de la automocin.
En la prctica, con mucha frecuencia es necesario resolver problemas que implican conjuntos de variables, cuando se sabe que existe alguna relacin inherente entre ellas. Por ejemplo, en un caso industrial se puede saber que la pintura para partes automotrices est relacionada con cantidad de pigmentacin con la que se lleva a cabo.
Aplicacin de regresin lineal simple en el proceso de pigmentacin de una empresa del sector de la automocin.
Puede ser interesante desarrollar un mtodo de prediccin, esto es, un procedimiento para estimar el contenido de pigmentacin que deben de tener las pinturas para cumplir con las especificaciones de las armadoras. De tal manera que el problema consiste en lograr la mejor estimacin de la relacin entre las variables.
Y=b+mX
De acuerdo con las especificaciones dadas, podramos notar son muy justas y cualquier ajuste equivoco de pigmentacin en la pintura ocasionar, material en condiciones no adecuadas, 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 lecturas de las condiciones de la pintura. Estas son conforme a la Tabla siguiente:
Y = -25,445-0,468. X
Y la grfica representativa es:
De esta manera, la funcin de la recta funciona e interacta para generar una ayuda en el mbito industrial y generar un valor probabilstico en beneficio de obtencin de una similitud de operaciones.
Este mtodo ayudara a las empresas a: Reduccin de tiempos en decisiones de procesos Reduccin de inversin de materiales en los procesos Generar un valor mnimo de incertidumbre en los procesos Estandariza procesos.