Universidad andina del cusco
“Año del Buen Servicio al Ciudadano”
UNIVERSIDAD ANDINA DEL CUSCO
ESCUELA PROF PROF ESI ONAL DE I NG DE SI ST STEMAS EMAS ASI A SI G NA TUR A : E ST STA A DI ST STII CA I I DOCENTE: VI CTOR CTOR HUARACCALLO HUARACCALLO HUILL CA AL A L UM UMNOS NOS:: EDE R RI VERA PANDO PANDO CRHI ST STII AN CHAUCA RAMOS RAMOS KE VI N BRAYAN CAÑARI CAÑARI SEQU SEQUE I ROS OLI VE R YUPANQ YUPANQUI UI QUI QUI SPE CUSC CU SCO O -2017 -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 li neal 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 X i 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 (en mm)
6
9
11
13
22
26
28
33
35
Y : dureza Brinell (en kg/mm2)
68
67
65
53
44
40
37
34
32
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 regresión
Coeficiente 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 R 2 > 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 parámetro
Resumen del modelo Ecuació n Lineal
R cuadrado
F
,955 149,132
gl1
gl2 1
La variable independiente es deformacion.
8
Sig. 7
,000
Constante 75,720
b1 -1,320
Universidad andina del cusco
Universidad andina del cusco Resumen de modelo y estimaciones de parámetro Variable dependiente: dureza Resumen del modelo R cuadrado
Ecuación Lineal Logarítmic o Inverso Cuadrátic o Cúbico Compuest o Potencia S Crecimien to Exponenci al Logística
F
gl1
Estimaciones de parámetro
gl2
Sig.
Constant e 75,720
b1
b2
,955 149,132
1
7
,000
,955 149,772
1
7
,000
113,534 -22,652
,845
38,143
1
7
,000
28,946 287,588
,971 102,104
2
6
,000
83,400
-2,322
,025
,972
58,194
3
5
,000
79,770
-1,607
-,014
,978 311,994
1
7
,000
81,902
,973
,948 127,174 ,813 30,421
1 1
7 7
,000 ,001
175,607 3,449
-,462 5,778
,978 311,994
1
7
,000
4,406
-,027
,978 311,994
1
7
,000
81,902
-,027
,978 311,994
1
7
,000
,012
1,028
b3
-1,320
,001
La variable independiente es deformacion.
Resumen de modelo y estimaciones de parámetro Variable dependiente: dureza Estimaciones de parámetro
Resumen del modelo Ecuación Exponenci al
R cuadrado
F
gl1
,978 311,994
gl2 1
La variable independiente es deformacion.
9
Sig. 7
,000
Constante 81,902
b1 -,027
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
$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]."
"); //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 $pm dias
";
if($dp >$pm)
print $dp ."---> ALARMA: No culmina antes de los $pm
dias
"; ?>
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