You are on page 1of 19

Regresin lineal aplicada en fabricacin

De Wikipedia, la enciclopedia libre


Saltar a: navegacin, bsqueda
Se ha sugerido que este artculo o seccin sea fusionado en regresin lineal
(discusin).
Una vez que hayas realizado la fusin de artculos, pide la fusin de historiales aqu.

La regresin lineal aplicada en fabricacin es una tcnica estadstica para modelar e


investigar la relacin entre dos o ms variables. Este mtodo es aplicable en muchas
situaciones en las que se estudia la relacin entre dos o ms variables o predecir un
comportamiento, algunas incluso sin relacin con la tecnologa. En caso de que no se
pueda aplicar un modelo de regresin a un estudio, se dice que no hay correlacin entre
las variables estudiadas.

ndice
[ocultar]

1 Marco terico
o 1.1 Regresin lineal simple
o 1.2 Regresin mltiple (varias variables)

2 Aplicaciones
o 2.1 Qumica
o 2.2 Mecnica
o 2.3 Electricidad
o 2.4 Sensores
o 2.5 Fsica
o 2.6 Fabricacin
o 2.7 Diseo de experimentos
o 2.8 Construccin

3 Desarrollo de algunos ejemplos de aplicacin de la regresin lineal

o 3.1 Aplicacin de regresin lineal simple en el proceso de pigmentacin


de una empresa del sector de la automocin.
o 3.2 Aplicacin de regresin lineal mltiple en el anlisis qumico

4 Vase tambin

5 Referencias

6 Bibliografa

[editar] Marco terico


El modelo de regresin lineal ser aplicado en aquellos casos en los que la variable
independiente Y sea continua. Existen varios tipos de regresin, por ejemplo:

[editar] Regresin lineal simple


El modelo de regresin lineal simple considera una nica variable independiente o
explicativa, x, y una variable dependiente o respuesta, Y, asumiendo que la relacin
entre ambas es lineal.
La ecuacin que modelizar el comportamiento existente entre ambas variables es la
siguiente, siendo 1 y 0 estimadores:

1: Se trata del cociente entre la interaccin obtenida entre ambas variables y la suma de
cuadrados de los valores de la variable dependiente. Este valor corresponde a la
pendiente de la recta.

0: Es el resultado de la siguiente ecuacin en la que aparecen los valores medios


correspondientes a ambas variables y el estimador 1 obtenido anteriormente. Este valor
es la ordenada en el origen.

Ei es el residuo e indica la bondad del ajuste realizado para cada punto. Se calcula de la
siguiente forma:

Una vez se ha obtenido la recta de regresin, es necesario comprobar la bondad del


ajuste realizado mediante el siguiente anlisis ANOVA:

n= nmero de datos. Se compara F0 con valor F crtico (tabla F de Scnedecor) con valor
de significacin , 1, y n-2 grados de libertad concluyendo: Si F0< Ft, el modelo es
apropiado, Si F0> Ft, el modelo utilizado no es apropiado.
Para los casos en los que un modelo lineal no sea el ms adecuado, se pueden aplicar los
llamados modelos intrnsecamente lineales que transforman la recta en otro tipo de
funcin. Un ejemplo sera la funcin exponencial:

[editar] Regresin mltiple (varias variables)


Un modelo de regresin que contiene ms de una variable se denomina Modelo de
Regresin Mltiple. La variable dependiente o respuesta Y puede ser relacionada con k
variables independientes. La ecuacin que modeliza el comportamiento es la siguiente:

Este modelo se podr representar de forma matricial de la siguiente manera:

La obtencin de los estimadores se realizar resolviendo el sistema lineal de ecuaciones.


Al igual que en el caso anterior ser necesario efectuar una comprobacin de la bondad
de ajuste mediante un test ANOVA.

k= nmero de variables. n= nmero de datos. p= nmero de grupos. Siendo estas las


expresiones para el clculo de las sumas de cuadrados:

Con el valor F crtico (valor de significacin , k, y n-p grados de libertad)


correspondiente y se compara con F0 determinando la bondad del ajuste de la misma
forma que en el caso de una variable.

[editar] Aplicaciones
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:
[editar] 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
absorbancia de un patrn y la concentracin de la sustancia a controlar.1
[editar] 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.2
mentiras akiii
[editar] 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.3
[editar] 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.4
[editar] 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.
Mediante la regresin lineal de los datos obtenidos, se obtiene la ecuacin y el ndice de
correlacin a fin de saber el error.5
[editar] 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.6
[editar] 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.7
[editar] 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.8

[editar] Desarrollo de algunos ejemplos de aplicacin


de la regresin lineal
[editar] 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.
Puede ser interesante desarrollar un mtodo de prediccin, esto, un procedimiento para
estimar el contenido de pigmentacin que deben de tener las pinturas para cumplir con
las especificaciones de las armadoras como se muestra en la siguiente imagen de tal
manera que el problema consiste en lograr la mejor estimacin de la relacin entre las
variables.

Del ejemplo citado anteriormente, los gramos de pigmentacin son la variable


independiente y la resolucin de pintura es la respuesta Y
El trmino regresin lineal implica Y esta linealmente relacionado con X por la
ecuacin de la recta:
Y=b+mX Y=bx+c
La manera en que se representa el color en las armadoras y ensambladoras, es a travs
de la Figura 1, la cual muestra la combinacin de todos los colores posibles.

Figura 1. Diagrama general del color.


Para nuestro anlisis en cuestin el color se especifica cmo se muestra en la Tabla 1.
Las especificaciones de color para los volantes de un modelo de automvil, son las
siguientes:

Tabla 1
De esta manera se observa que las especificaciones son muy justas y cualquier ajuste
equivoco de pigmentacin en la pintura ocasionar, material en condiciones NG,
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 de lecturas de
las condiciones de la pintura son conforme a la Tabla 2.

Tabla 2. Datos obtenidos de la pintura ajustada con pigmento blanco.


Obteniendo los valores de la pendiente 1 y el valor 0, se tiene que:
La pendiente es:
1 = -0,468

El valor de 0 es:
0 = -25,44567

De tal manera que la formula de la recta para el ejemplo de la pintura es:


Y = -25,445-0,468. X

Y la grfica representativa es:

Figura 2. Grfica de probabilidad.


De esta manera, la funcin de la recta a travs de los mnimos cuadrados 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.
La funcin de la recta es aplicable en el mbito industrial al generar una regresin lineal
para la obtencin de un valor esperado que ayude a las compaas a tener una idea de un
valor de una variable que pueden controlar en beneficio de sus procesos.
[editar] Aplicacin de regresin lineal mltiple en el anlisis qumico
El rendimiento de una reaccin qumica depende de la temperatura de operacin y de la
concentracin inicial del reactivo. Efectu un anlisis de regresin a los siguientes
datos:

SOLUCIN
Aplicando las frmulas citadas anteriormente obtendremos los resultados de todos los
datos que sern necesarios para el clculo de la Tabla ANOVA.
En primer lugar se ajustara el modelo lineal y= 0 + 1x1+ 2x2+ a los datos, se
realizar la estimacin de los coeficientes, y obtendremos la varianza residual:
S2 =1,04881
Tras esto a partir de los residuos calculados y representados en una tabla se calcula el
coeficiente de determinacin:
R2 =0,959559
Por ltimo se calculan las varianzas asociadas a cada uno de los estimadores de los
parmetros:
Parmetro
0
1
2

Sbi
4,24411
0,74162
0,02472

Tras esto ya podemos calcular y representar los resultados en la Tabla ANOVA. La


significacin global del ajuste se presenta en la Tabla E52.3:

Al comparar Fo con el F0.05, 2, 5 puede concluirse que el modelo es significativo y que


al menos un bi es distinto de cero. La significancia del efecto de cada Xi se probara a
partir de la prueba 1, basada en una prueba t, dicho anlisis se presenta a
continuacin:

Al comparar el to asociado a cada bi con la t0.025,5 puede observarse que los efectos
tanto de la temperatura como de la concentracin son significativos a un nivel de
confianza del 95%. El modelo ajustado es por tanto:
Y = 39.75 + 3.0 . X concentracin + 0.25 . X temperatura
La validacin del modelo se hara en base al anlisis de los residuos, a travs de los
siguientes grficos:
-grfico de probabilidad normal de los residuos
-grfico de los residuos frente a los valores predichos
-grficos de los residuos frente a cada variable
Un anlisis de los grficos de los residuos contra las variables concentracin y
temperatura permitir concluir si el factor concentracin presenta un efecto muy
importante sobre la variabilidad del rendimiento, en funcin de si una mayor
concentracin reduce la variabilidad en cuanto al rendimiento de la reaccin qumica.

Regresin lineal
De Wikipedia, la enciclopedia libre
Saltar a: navegacin, bsqueda
Para otros usos de este trmino, vase Funcin lineal (desambiguacin).

Ejemplo de una regresin lineal con una variable dependiente y una variable
independiente.
En estadstica la regresin lineal o ajuste lineal es un mtodo matemtico que modela
la relacin entre una variable dependiente Y, las variables independientes Xi y un
trmino aleatorio . Este modelo puede ser expresado como:

: variable dependiente, explicada o regresando.


: variables explicativas, independientes o regresores.
: parmetros, miden la influencia que las variables explicativas
tienen sobre el regresando.
donde es la interseccin o trmino "constante", las
son los parmetros
respectivos a cada variable independiente, y es el nmero de parmetros
independientes a tener en cuenta en la regresin. La regresin lineal puede ser
contrastada con la regresin no lineal.

ndice
[ocultar]

1 Historia
o 1.1 Etimologa

2 El modelo de regresin lineal

3 Hiptesis modelo de regresin lineal clsico

4 Supuestos del modelo de regresin lineal

5 Tipos de modelos de regresin lineal


o 5.1 Regresin lineal simple

5.1.1 Anlisis

o 5.2 Regresin lineal mltiple

6 Rectas de regresin

7 Aplicaciones de la regresin lineal


o 7.1 Lneas de tendencia
o 7.2 Medicina

8 Vase tambin

9 Referencias

10 Bibliografa

11 Enlaces externos

[editar] Historia
La primera forma de regresiones lineales documentada fue el mtodo de los mnimos
cuadrados, el cual fue publicado por Legendre en 1805,1 y en dnde se inclua una
versin del teorema de Gauss-Mrkov.

[editar] Etimologa
El trmino regresin se utiliz por primera vez en el estudio de variables
antropomtricas: al comparar la estatura de padres e hijos, result que los hijos cuyos
padres tenan una estatura muy superior al valor medio tendan a igualarse a ste,
mientras que aquellos cuyos padres eran muy bajos tendan a reducir su diferencia
respecto a la estatura media; es decir, "regresaban" al promedio.2 La constatacin
emprica de esta propiedad se vio reforzada ms tarde con la justificacin terica de ese
fenmeno.
El trmino lineal se emplea para distinguirlo del resto de tcnicas de regresin, que
emplean modelos basados en cualquier clase de funcin matemtica. Los modelos
lineales son una explicacin simplificada de la realidad, mucho ms gil y con un
soporte terico por parte de la matemtica y la estadstica mucho ms extenso.

Pero bien, como se ha dicho, podemos usar el trmino lineal para distinguir modelos
basados en cualquier clase de aplicacin.

[editar] El modelo de regresin lineal


El modelo lineal relaciona la variable dependiente Y con K variables explicativas
(k
= 1,...K), o cualquier transformacin de stas, que generan un hiperplano de parmetros
desconocidos:
(2)
donde es la perturbacin aleatoria que recoge todos aquellos factores de la realidad no
controlables u observables y que por tanto se asocian con el azar, y es la que confiere al
modelo su carcter estocstico. En el caso ms sencillo, con una sola variable
explicativa, el hiperplano es una recta:
(3)
El problema de la regresin consiste en elegir unos valores determinados para los
parmetros desconocidos , de modo que la ecuacin quede completamente
especificada. Para ello se necesita un conjunto de observaciones. En una observacin
cualquiera i-sima (i= 1,... I) se registra el comportamiento simultneo de la variable
dependiente y las variables explicativas (las perturbaciones aleatorias se suponen no
observables).
(4)
Los valores escogidos como estimadores de los parmetros, , son los coeficientes de
regresin, sin que se pueda garantizar que coinciden con parmetros reales del proceso
generador. Por tanto, en
(5)
Los valores

son por su parte estimaciones de la perturbacin aleatoria o errores.

[editar] Hiptesis modelo de regresin lineal clsico


1. Esperanza matemtica nula.

Para cada valor de X la perturbacin tomar distintos valores de forma aleatoria, pero
no tomar sistemticamente valores positivos o negativos, sino que se supone que
tomar algunos valores mayores que cero y otros menores, de tal forma que su valor
esperado sea cero.

2. Homocedasticidad
para todo t
Todos los trminos de la perturbacin tienen la misma varianza que es desconocida. La
dispersin de cada en torno a su valor esperado es siempre la misma.
3. Incorrelacin.
t,s con t distinto de s

para todo

Las covarianzas entre las distintas pertubaciones son nulas, lo que quiere decir que no
estn correlacionadas o autocorrelacionadas. Esto implica que el valor de la
perturbacin para cualquier observacin muestral no viene influenciado por los valores
de la perturbacin correspondientes a otras observaciones muestrales.
4. Regresores no estocsticos.
5. No existen relaciones lineales exactas entre los regresores.
6.
Suponemos que no existen errores de especificacin en el modelo ni
errores de medida en las variables explicativas
7. Normalidad de las perturbaciones

[editar] Supuestos del modelo de regresin lineal


Para poder crear un modelo de regresin lineal, es necesario que se cumpla con los
siguientes supuestos:3
1. La relacin entre las variables es lineal.
2. Los errores en la medicin de las variables explicativas son independientes entre
s.
3. Los errores tienen varianza constante. (Homocedasticidad)
4. Los errores tienen una esperanza matemtica igual a cero (los errores de una
misma magnitud y distinto signo son equiprobables).
5. El error total es la suma de todos los errores.

[editar] Tipos de modelos de regresin lineal


Existen diferentes tipos de regresin lineal que se clasifican de acuerdo a sus
parmetros:

[editar] Regresin lineal simple

Slo se maneja una variable independiente, por lo que slo cuenta con dos parmetros.
Son de la forma:4
(6)
donde

es el error asociado a la medicin del valor

que

y siguen los supuestos de modo

(media cero, varianza constante e igual a un

con

).
[editar] Anlisis
Dado el modelo de regresin simple, si se calcula la esperanza (valor esperado) del
valor Y, se obtiene:5
(7)

Derivando respecto a

e igualando a cero, se obtiene:5

(9)

(10)
Obteniendo dos ecuaciones denominadas ecuaciones normales que generan la siguiente
solucin para ambos parmetros:4

(11)

(12)
La interpretacin del parmetro
incrementar en

es que un incremento en Xi de una unidad, Yi

[editar] Regresin lineal mltiple


La regresion lineal nos permite trabajar con una variable a nivel de intervalo o razn, as
tambin se puede comprender la relacin de dos o ms variables y nos permitir
relacionar mediante ecuaciones, una variable en relacin a otras variables llamndose
Regresin mltiple. Constantemente en la prctica de la investigacin estadstica, se
encuentran variables que de alguna manera estn relacionados entre si, por lo que es

posible que una de las variables puedan relacionarse matemticamente en funcin de


otra u otras variables.
Maneja varias variables independientes. Cuenta con varios parmetros. Se expresan de
la forma:6
(13)
donde

es el error asociado a la medicin del valor

modo que
).

y siguen los supuestos de

(media cero, varianza constante e igual a un

con

[editar] Rectas de regresin


Las rectas de regresin son las rectas que mejor se ajustan a la nube de puntos (o
tambin llamado diagrama de dispersin) generada por una distribucin binomial.
Matemticamente, son posibles dos rectas de mximo ajuste:7

La recta de regresin de Y sobre X:

(14)

La recta de regresin de X sobre Y:

(15)
La correlacin ("r") de las rectas determinar la calidad del ajuste. Si r es cercano o
igual a 1, el ajuste ser bueno y las predicciones realizadas a partir del modelo obtenido
sern muy fiables (el modelo obtenido resulta verdaderamente representativo); si r es
cercano o igual a 0, se tratar de un ajuste malo en el que las predicciones que se
realicen a partir del modelo obtenido no sern fiables (el modelo obtenido no resulta
representativo de la realidad). Ambas rectas de regresin se intersecan en un punto
llamado centro de gravedad de la distribucin.

[editar] Aplicaciones de la regresin lineal


[editar] Lneas de tendencia
Vase tambin: Tendencia.

Una lnea de tendencia representa una tendencia en una serie de datos obtenidos a travs
de un largo perodo. Este tipo de lneas puede decirnos si un conjunto de datos en
particular (como por ejemplo, el PBI, el precio del petrleo o el valor de las acciones)
han aumentado o decrementado en un determinado perodo.8 Se puede dibujar una lnea

de tendencia a simple vista fcilmente a partir de un grupo de puntos, pero su posicin y


pendiente se calcula de manera ms precisa utilizando tcnicas estadsticas como las
regresiones lineales. Las lneas de tendencia son generalmente lneas rectas, aunque
algunas variaciones utilizan polinomios de mayor grado dependiendo de la curvatura
deseada en la lnea.

[editar] Medicina
En medicina, las primeras evidencias relacionando la mortalidad con el fumar tabaco9
vinieron de estudios que utilizaban la regresin lineal. Los investigadores incluyen una
gran cantidad de variables en su anlisis de regresin en un esfuerzo por eliminar
factores que pudieran producir correlaciones espurias. 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.10 11
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

Perfil profesional de Ing. Industrial

Analizar, disear y gestionar sistemas productivos desde la provisin


de insumos hasta la entrega de bienes y servicios, integrndolos con
eficacia y eficiencia.

Conocer, seleccionar y aplicar tecnologas para optimizar procesos p


roductivos.

Disear, implementar y administrar sistemas de mantenimiento para


eficientar
la operacin de las instalaciones y equipos.

Implementar sistemas de gestin de calidad para satisfacer los reque


rimientos
del cliente y partes interesadas.

Utilizar los instrumentos de medicin requeridos en la


certificacin y/o acreditacin con las normas vigentes.

Interpretar e implementar estrategias y mtodos estadsticos en


los procesos organizacionales para la mejora continua.

Seleccionar y adecuar modelos de calidad y diseo de


experimentos en procesos organizacionales para su optimizacin.

Gestionar sistemas de seguridad, salud ocupacional y


proteccin al
medio ambiente, en industrias de produccin y de servicios.

Identificar necesidades de su entorno y desarrollar


investigacin aplicada para crear e innovar bienes y servicios.

Crear y mejorar productos de alto valor agregado bajo los


principios de productividad y competitividad.

Seleccionar e implementar tecnologas de informacin y comunicaci


n dentro
de la empresa.

Participar en proyectos de transferencia, desarrollo y adaptacin de t

ecnologas
en los sistemas productivos.

Disear, implementar y mejorar sistemas y estaciones de trabajo co


nsiderando
factores ergonmicos para optimizar la produccin.

Participar en la estandarizacin de operaciones para la


transferencia y adaptacin de los sistemas productivos.

Manejar y aplicar las normas y estndares en el anlisis de operacio


nes de los
sistemas de produccin.

Emprender e incubar empresas con base tecnolgica, que


promueva
el desarrollo socioeconmico de una regin, as como su constituci
n legal.

Formular, evaluar y gestionar proyectos de inversin, que le


permita
emprender la creacin de unidades productivas de bienes y
servicios bajo criterios de competitividad y sustentabilidad.

Tomar decisiones para la mejora de sistemas productivos y de


servicios, fundamentadas en planteamientos y modelos analticos.

Publicado por:
Lic. Hctor Daniel Aguilar Rivero
Subdirector Acadmico
Extensin 311
- Enviar correo -

Actualizado el: 22 de agosto de 2012