Este documento explica las aplicaciones de regresión lineal y no lineal en ingeniería de sistemas. Presenta un ejemplo de cómo la regresión no lineal puede usarse para modelar la relación entre la deformación del acero y su dureza Brinell. Compara diferentes modelos de regresión no lineal como cuadrática, potencial, exponencial y logarítmica. Concluye que la regresión exponencial proporciona el mejor ajuste para este conjunto de datos según el coeficiente de determinación. También incluye un ejemplo de código PHP que
0 calificaciones0% encontró este documento útil (0 votos)
114 vistas13 páginas
Este documento explica las aplicaciones de regresión lineal y no lineal en ingeniería de sistemas. Presenta un ejemplo de cómo la regresión no lineal puede usarse para modelar la relación entre la deformación del acero y su dureza Brinell. Compara diferentes modelos de regresión no lineal como cuadrática, potencial, exponencial y logarítmica. Concluye que la regresión exponencial proporciona el mejor ajuste para este conjunto de datos según el coeficiente de determinación. También incluye un ejemplo de código PHP que
Descripción original:
ejercicios 1resueltos utilizando pspss en estadistica
Este documento explica las aplicaciones de regresión lineal y no lineal en ingeniería de sistemas. Presenta un ejemplo de cómo la regresión no lineal puede usarse para modelar la relación entre la deformación del acero y su dureza Brinell. Compara diferentes modelos de regresión no lineal como cuadrática, potencial, exponencial y logarítmica. Concluye que la regresión exponencial proporciona el mejor ajuste para este conjunto de datos según el coeficiente de determinación. También incluye un ejemplo de código PHP que
Este documento explica las aplicaciones de regresión lineal y no lineal en ingeniería de sistemas. Presenta un ejemplo de cómo la regresión no lineal puede usarse para modelar la relación entre la deformación del acero y su dureza Brinell. Compara diferentes modelos de regresión no lineal como cuadrática, potencial, exponencial y logarítmica. Concluye que la regresión exponencial proporciona el mejor ajuste para este conjunto de datos según el coeficiente de determinación. También incluye un ejemplo de código PHP que
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 13
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
$cantidad=count($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
