PROBABILIDAD Y

ESTADISTICA
INVESTIGACIN
Nombre del alumno: Erick Toto Cobaxin
Docente: Tonatiuh Sosme Sanchez
Ingeniera Electromecnica
2 semestre
202 B
Investigacin:
-Unidad 5. Regresin y correlacin

1
 INDICE

IntroduccinPg.3

5.1. Control de calidad..Pg.4

5.2. Diagrama de dispersin...Pg.5

5.3. Regresin lineal simplePg.8

5.4. Correlacin...Pg.9

5.5. Determinacin y anlisis de los coeficientes

de correlacin y de determinacin.Pg.12

5.6. Distribucin normal bidimensional.Pg.18

5.7. Intervalos de confianza y pruebas para el

Coeficiente de correlacin.Pg.19

5.8. Errores de medicin.Pg.20

Conclusin..Pg.27

Bibliografa..Pg.28

2
Introduccin

El uso de la regresin lineal simple es muy utilizado para observar el tipo de relacin que
existe entre dos variables y poder llevar a cabo la toma de decisiones correspondiente
dependiendo de la relacin de la relacin entre dichas variables, asi por ejemplo, pudiera
darse el caso en el que despus de aplicar la regresin lineal no exista relacin entre las
variables involucradas y en consecuencia la decisin podra ser buscar cual es la variable
independiente que tiene influencia sobre la dependiente y volver a realizar el estudio
completo; pero si fuera el caso en el cual si existiera una relacin positiva entre las variables
involucradas, la obtencin del coeficiente de correlacin nos dara ms informacin sobre
el porcentaje de relacin existente y pudiendo determinar si es necesario la inclusin de
otra variable independiente en el problema mismo, para lo cual el anlisis de regresin ya
seria del tipo mltiple.

3
5.1. Control de calidad

El control estadstico de la calidad es un mtodo de mejora continua de los procesos

operativos de una organizacin, se basa en la reduccin sistemtica de la variacin de
aquellas caractersticas que ms influyen en la calidad de los productos o servicios. Las
herramientas estadsticas utilizadas para la reduccin de la variacin son,
fundamentalmente, el seguimiento, el control y la mejora de los procesos.

El control y mejora de los procesos se enfoca hacia la prevencin (no producir defecto) y,
por lo tanto, los gastos que implica su implantacin ms que un costo son una buena
inversin.

Siguiendo el mismo orden de idea, el control estadstico de la calidad cuentan con

herramientas de anlisis y resolucin de problemas, como distribucin de frecuencias e
histogramas, diagrama de recorrido, diagrama de flujo, hojas de registros, diagrama causa-
efecto, diagrama de Pareto, tormentas de ideas y otras herramientas estadsticas como los
grficos de control por variables y por atributos, el diseo de experimentos y los ndices de
capacidad de los procesos, tiene como objetivo la reduccin sistemtica de la variacin de
los procesos.

Es una metodologa para planificar y determinar cundo un proceso est fuera de control.
Tiene como objetivo mejorar los procesos operativos de una organizacin, basndose en
tcnicas estadsticas, la cual permite establecer criterios para medir, detectar y corregir
variaciones en el proceso que puedan afectar a la calidad del producto o servicio final. Estas
mejoras en los procesos operativos de una organizacin son:

Disminucin de los costos para as ofrecer productos competitivos.

Eliminar actividades que no agregan valor al proceso productivo, es decir, reducir el
tiempo de fabricacin de productos o servicios.
Identificacin de los cuellos de botellas, paradas y otros tipos de esperas dentro del
proceso productivo.
Evitar los problemas de cumplimiento, con los requisitos por el cliente final.

Es una herramienta objetiva que ayuda en la toma de decisiones y facilita el proceso

de mejora constante de una empresa.

4
5.2. Diagrama de dispersin.

El Diagrama de Dispersin tiene el propsito de controlar mejor el proceso y

mejorarlo, resulta indispensable conocer cmo se comportan algunas variables o
caractersticas de calidad entre s, esto es, descubrir si el comportamiento de unas
depende del comportamiento de otras, o no, y en qu grado.

El Diagrama de dispersin es una herramienta utilizada cuando se desea realizar

un anlisis grfico de datos bivariados, es decir, los que se refieren a dos conjuntos
de datos. El resultado del anlisis puede mostrar que existe una relacin entre una
variable y la otra.

El estudio puede ampliarse para incluir una medida cuantitativa de tal relacin.

Las dos variables pueden estar relacionadas de la siguiente manera:

Una caracterstica de calidad y un factor que incide sobre ella.

Dos caractersticas de calidad relacionadas.
Dos factores relacionados con una misma caracterstica de calidad.

Para qu sirve el Diagrama de Dispersin?

Indica si dos variables (o factores o caractersticas de calidad) estn

relacionados.
Proporciona la posibilidad de reconocer fcilmente relaciones Causa / efecto.

Cmo se construye el Diagrama de Dispersin?

Paso 1.- Recolectar n parejas de datos de la forma (Xi, Yi), con i = 1, 2, 3,n donde
Xi y Yi representan los valores respectivos de las dos variables. Los datos se suelen
representar en una tabla.

Paso 2.- Disear las escalas apropiadas para los ejes X y Y.

Paso 3.- Graficar las parejas de datos. Si hay puntos repetidos, se mostrarn como
crculos concntricos.

5
Paso 4.- Documentar el diagrama.

Lectura y uso del Diagrama de Dispersin

La lectura se hace en base al tipo de relacin entre los datos; lo fuerte o dbil de la
relacin, la forma de la relacin y la posible presencia de punto anmalos.

La relacin entre los datos se denomina correlacin positiva cuando a un aumento

en el valor de la variable X le acompaa un aumento en la otra variable.

El caso inverso da lugar a la llamada correlacin negativa.

El patrn de puntos puede asumir formas diversas, dependiendo de la relacin que

exista entre las variables. Si el patrn de puntos asume la forma (quizs
aproximada) de una lnea recta, se dice que existe una relacin lineal entre las
variables.

En ocasiones, algunos datos dan lugar a puntos anmalos, que se presentan

separados del patrn de puntos. El usuario debe dejar fuera del anlisis esos
puntos, que quizs son debidos a lecturas equivocadas o a algn cambio en las
condiciones del proceso, etc.

Pero se ganar conocimiento de este ltimo al estudiar las causas por las que se
presentaron los puntos.

Un Diagrama de Dispersin no dice nada de porqu existe la correlacin, por lo que

es imprescindible examinar la aparente relacin entre las variables desde el punto
de vista cientfico o tcnico.

6
El Coeficiente de Relacin Lineal.

El valor del Coeficiente de Correlacin lineal de Pearson (r) proporciona una medida
del grado de relacin entre dos variables y se calcula mediante la expresin:

r = S (xy) / S (xx) S (yy)

Donde:

S (xx) = Xi (Xi) / n

S (yy) = Yi (Yi) / n

S (xy) = XiYi ((Xi) (Yi))/ n

n es el nmero de parejas de datos. El trmino S (xy) se llama covarianza.

El Coeficiente de Relacin Lineal.

El valor del Coeficiente de Correlacin es:

|r| = < 1

Si r = +1 r = -1 se tiene entonces una correlacin perfecta, lo cual significa que

todos los puntos caen sobre una lnea recta.

Un valor de r = 0 indicar la ausencia de relacin entre las variables; entre ms

cercano est el valor absoluto de r a la unidad mayor ser el grado de correlacin.

7
5.3. Regresin lineal simple.

La regresin lineal simple se basa en estudiar los cambios en una variable, no

aleatoria, afectan a una variable aleatoria, en el caso de existir una relacin
funcional entre ambas variables que puede ser establecida por una expresin lineal,
es decir, su representacin grfica es una lnea recta. Es decir, se est en presencia
de una regresin lineal simple cuando una variable independiente ejerce influencia
sobre otra variable dependiente.

En un problema de regresin, los carcteres no son considerados de la misma

forma. Uno de ellos es el carcter ''a explicar'', los otros son ''explicativos''. Vamos

primero a considerar el caso de dos caracteres, (explicativo) e (a explicar).

''Explicar'' significa aqu expresar una dependencia funcional de como funcin de

, de manera tal de prever el valor de conociendo el de . Si para todo individuo

, , y si se observa un valor del carcter en un nuevo individuo,

daremos como prediccin del carcter en este nuevo individuo. La

situacin ideal donde no se encuentra nunca en la prctica. Ms bien se

buscar, en una familia fija de funciones, aquella para la que los se encuentran

ms cerca de los . La cercana se mide en general por el error cuadrtico

medio:

8
Hablamos entonces de regresin en el sentido de los mnimos cuadrados. Las

diferencias entre los valores observados y los valores que predice el modelo

, se llaman los residuos. Si el modelo se ajusta de manera tal que la serie de

los residuos sea centrada (de media nula), entonces el error cuadrtico es

la varianza de los residuos. La regresin lineal consiste en buscar entre las

funciones afines. La solucin se expresa de manera simple a partir de las

caractersticas de e .

5.4. Correlacin.

La correlacin es la forma numrica en la que la estadstica ha podido evaluar la

relacin de dos o ms variables, es decir, mide la dependencia de una variable con
respecto de otra variable independiente.

Para poder entender esta relacin tendremos que analizarlo en forma grfica:

edad peso

15 60

30 75

18 67

42 80

Si tenemos los datos que 28

se presentan
60 en la tabla y consideramos que la edad
determina el peso de las personas
19 entonces
65 podremos observar la siguiente grfica

31 92

9
Donde los puntos representan cada uno de los pares ordenados y la lnea podra
ser una recta que represente la tendencia de los datos, que en otras palabras podra
decirse que se observa que a mayor edad mayor peso.

La correlacin se puede explicar con la pendiente de esa rectademanda

estimada y de esta
forma nos podemos dar cuenta que tambin 150
1698 47
100 2045 15
existe el caso en el que al crecer la variable
50 1348 100
1268 120
independiente decrezca la variable
0
dependiente. En aquellas rectas estimadas. 1000 1500 2000

cuya pendiente sea cero entonces podremos

decir que no existe correlacin.

As en estadstica podremos calcular la correlacin para datos no agrupados con la

siguiente formula.

n n n En donde:
n xi y i xi * y i
r i 1 i 1 i 1
R = coeficiente de correlacin
n 2 n n 2 n
2

2

n xi xi n y i y i N = nmero de pares
i 1 i 1 i 1 i 1
ordenados

X = variable independiente

Y = variable independiente

10
 n n n
n x y x * y
i 1 i i i 1 i i 1 i 7 * 13483 (183 * 499)

r 0.65638606
n n n 2 n 2
2 7 * 5319 (183)2 7 * 36403 ( 499)2

n x x n y y
2
i 1 i i 1 i i 1 i i 1 i

Ejemplo:

Edad (x) Peso (y) X2 Y2 X* Y

15 60 225 3600 900

30 75 900 5625 2250

18 67 324 4489 1206

42 80 1764 6400 3360

28 60 784 3600 1680

19 65 361 4225 1235

Supngase que deseamos obtener la correlacin de los datos de la tabla anterior:
31 92 961 8464 2852
Ahora podemos observar que:
183 499 5319 36403 13483

n n n
n x y x * y
i 1 i i i 1 i i 1 i 7 * 13483 (183 * 499)

r 0.65638606
n 2 n 2 7 * 5319 (183)2 7 * 36403 ( 499)2
n n
n x 2 x n y 2 y
i 1 i i 1 i i 1 i i 1 i

Se debe aclarar que el coeficiente de correlacin slo puede variar de la siguiente

manera: 1 r 1 y que para entenderlo mejor se debe obtener el coeficiente de
determinacin que se obtiene con r cuadrada, ya que este representa el porcentaje
que se explica y mediante los datos de x.

En nuestro ejemplo decimos que la correlacin es casi perfecta, ya que, est muy
cerca de 1 y que el porcentaje de datos que explican a y es (0.65638606) 2=
0.430842 o sea el 43.08 %

11
En el caso de que fueran datos agrupados tendremos lo siguiente:

Primero tendremos que pensar que se genera una matriz, ya que, ahora estamos
juntando dos tablas de distribucin de frecuencias y por ello nuestros clculos sern
ms laboriosos, por lo que les recomiendo el uso de una hoja de clculo o al menos
una calculadora con regresin para datos agrupados.

De cualquier forma aqu tambin estamos evaluando numricamente si existe

relacin entre dos variables y lo haremos con la siguiente ecuacin.

k l l k
n f xi y i fx xi * fy y i En donde podemos
j 1 i 1 i 1 i 1
r encontrar k como el
l l

2
k k

2

n f x
x i x i y i y i
2
f x n f y 2
f y nmero de clases para la
i 1 i 1 i 1 i 1
variable "y" y l para el
nmero de clases de "x".
Tambin podemos observar que hay varios tipos de "f" es decir, la que se encuentra
sola (sin subndice) que nos habla de las frecuencias celdares (cada una de las
frecuencias que se encuentran en la interseccin entre una columna y un rengln)
y las "f" con subndices que representan las frecuencias de cada una de las
variables.

5.5. Determinacin y anlisis de los coeficientes de correlacin y

de determinacin.

El coeficiente de determinacin mide la proporcin de variabilidad total de la variable

dependiente respecto a su media que es explicada por el modelo de regresin.
Es usual expresar esta medida en tanto por ciento, multiplicndola por cien.
Por otra parte, teniendo en cuenta que i - = 1 , se obtiene

12
Dadas dos variables aleatorias cualesquiera X e Y, una medida de la relacin lineal
que hay entre ambas variables es el coeficiente de correlacin definido por

Donde representa la desviacin tpica de la variable X (anlogamente para

). Un buen estimador de este parmetro es el coeficiente de correlacin lineal
muestral (o coeficiente de correlacin de Pearson), definido por

Por tanto, r . Este coeficiente es una buena medida de la bondad del ajuste
de la recta de regresin. Evidentemente, existe una estrecha relacin entre r y 1

aunque estos estimadores proporcionan diferentes interpretaciones del modelo:

* r es una medida de la relacin lineal entre las variables X e Y.
* 1 mide el cambio producido en la variable Y al realizarse un cambio de una unidad
en la variable X.
De las definiciones anteriores se deduce que:

Es importante estudiar si r es significativo (distinto de cero) ya que ello implica que

el modelo de regresin lineal es significativo. Desafortunadamente la distribucin de
r es complicada pero para tamaos muestrales mayores que 30 su desviacin tpica
es 1/ , y puede utilizarse la siguiente regla

En la interpretacin del coeficiente de correlacin se debe tener en cuenta que:

r = 1 indica una relacin lineal exacta positiva (creciente) o negativa (decreciente),

13
r = 0 indica la no existencia de relacin lineal estocstica, pero no indica
independencia de las variables ya que puede existir una relacin no lineal incluso
exacta,
valores intermedios de r (0 < r < 1 -1 < r < 0) indican la existencia de una relacin
lineal estocstica, ms fuerte cuanto ms prximo a +1 ( -1) sea el valor de r.
Para poder interpretar con mayor facilidad el coeficiente de correlacin muestral se
exponen varias nubes de observaciones y el ajuste lineal obtenido:
Figura 6.7. Existe una dependencia funcional lineal, las observaciones estn sobre
la recta de regresin. r = R2 = 1, recta de regresin: y = x.

La relacin lineal entre las variables es muy pequea y no parece que exista otro
tipo de relacin entre ellas, la nube de puntos indica que las variables son casi
independientes.
r = 0'192, R2 = 0'037, recta de regresin: y = 6'317 + 0'086x.
Contraste de regresin: R = 0'687 F1,18 p - valor = 0'418. Se acepta la no
influencia de la variable regresora en Y.

14
Existe una dependencia funcional entre las observaciones pero no de tipo lineal, por
tanto la correlacin es muy pequea
r = 0'391, R2 = 0'153, recta de regresin: y = 32'534 - 1'889x.
Contraste de regresin: R = 3'252 F1,18 p-valor = 0'088. Se acepta que no existe
relacin lineal con = 0'05. En base a la Figura 6.6. se debe de hacer un ajuste del
tipo parablico Y = + 2
0 1x + 2x .

r = 0'641, R2 = 0'410, recta de regresin: y = -3' 963 + -1'749x.

15
Contraste de regresin: R = 12'522 F1,18 p - valor = 0'002. Se rechaza la no
influencia lineal de la variable x.

Existe una fuerte dependencia lineal negativa entre las dos variables y la correlacin
es muy alta (prxima a 1).
r = 0'924, R2 = 0'846, recta de regresin: y = -2'528 - 2'267x
Contraste de regresin: R = 105'193 F1,18 p - valor = 0'000. Se acepta la
existencia de una relacin lineal.

16
5.6. Distribucin normal bidimensional.

Esta distribucin es un caso particular de la distribucin normal n-dimensional para

n=2 por lo que todos los resultados vistos anteriormente son tambin vlidos.
No obstante, mostraremos de forma explcita dichos resultados sin recurrir a la
notacin matricial.
As bien, la funcin de densidad de una variable aleatoria (X,Y) normal
bidimensional es

para y , donde mX y mY son las medias de X e Y

respectivamente, sX y sY sus desviaciones tpicas y r el coeficiente de correlacin
lineal entre las dos variables.

Propiedades:
Si mX y mY son cero sX y sY son 1 y r es cero entonces la distribucin se
denomina normal bidimensional estndar, y su funcin de densidad es

Si (X,Y) tiene una distribucin normal bidimensional

y (U,V) es una transformacin de ella del tipo U=aX+bY+c y V=dX+eY+f , de

manera que la matriz tiene determinante distinto de cero (rango

dos).

17
Entonces la variable aleatoria (U,V) tambin sigue una distribucin normal

bidimensional , donde

En particular, si (X,Y) tiene una distribucin normal bidimensional estndar

y (U,V) es una transformacin de ella del tipo anterior (con

rg(B)=2) entonces (U,V) sigue una distribucin normal bidimensional

Si (X,Y) tiene una distribucin normal bidimensional, tanto X como Y siguen

distribuciones normales, en concreto X tiene una distribucin N(mX,sX) e Y
tiene una distribucin N(mY,sY).
Si X e Y son variables aleatorias independientes con distribuciones normales
unidimensionales N(mX,sX) y N(mY,sY). Entonces, la variable aleatoria (X,Y)

tiene distribucin normal bidimensional .

Sea (X,Y) una variable aleatoria normal bidimensional. Entonces, X e Y son
independientes si, y slo si, estn incorrelacionadas.
Sea (X,Y) una variable aleatoria normal bidimensional. La distribucin de Y
condicionada por X=x es normal unidimensional

18
5.7. Intervalos de confianza y pruebas para el coeficiente de
correlacin.
El coeciente de correlacin es una de las medidas estadsticas ms usadas dentro
del trabajo aplicado. Algunas de sus propiedades fueron estudiadas por Zheng &
Matiz (1994), donde presentan y demuestran las que consideron las ms
destacadas:
1. |R| 1. 2. Si|R| = 1 entonces los pares (x1,y1),(x2,y2),...,(xn,yn) yacen en una
lnea recta.
3. Recprocamente, si los (x1,y1),(x2,y2),...,(xn,yn) yacen en una lnea recta,
entonces |R| = 1.
Debido a su amplia utilizacin, varias son sus interpretaciones. Falk & Well (1997)
sustentan que el coeciente de correlacin de Pearson, , es ampliamente usado
en campos como la educacin, psicologa, y todas las ciencias sociales, y el
concepto es empleado en diversas metodologas de tipo estadstico.
La estimacin del coeciente de correlacin por medio de intervalos es importante,
y para ello se disponen de diversos mtodos. La metodologa quiz ms conocida
es la propuesta originalmente por Fisher en la cual se realiza una transformacin
del coeciente de correlacin muestral, r, y asumiendo normalidad asinttica, se
desarrolla un intervalo para el coeciente de correlacin poblacional
(Krishnamoorthy & Xia 2007). Tambin se conocen transformaciones adicionales
hechas por Hotelling (1953) a la propuesta inicial de Fisher.
El problema para el analista es la carencia de reglas sobre cul frmula es
preferible. Para esto se pretende realizar un estudio de simulacin que permita
analizar el comportamiento de los niveles de conanza reales y compararlos con los
tericos para los diversos intervalos disponibles. As como tambin, hacer una
comparacin de las longitudes del intervalo obtenido por las diferentes
metodologas y la implementacin de un indicador que permita relacionar los dos
criterios de evaluacin anteriormente mencionados.
Algunas de las metodologas empleadas para la construccin de los intervalos de
conanza pueden encontrarse en Fisher (1921), Hotelling (1953), Pawitan (2001),
Efron (1979) y Krishnamoorthy & Xia (2007).

19
Adems, en Krishnamoorthy & Xia (2007) se pueden encontrar los resultados de
estudios comparativos realizados previamente para tres mtodos de construccin
de intervalos, en los cuales la metodologa consisti en la obtencin de lmites
superiores para bajo diferentes escenarios: Tamaos de muestra pequeos (n=5,
n=10, n=20 y n=30) y valores de r positivos; y el clculo de la probabilidad P(R
r|n,U). Estos estudios mostraron que, en particular, el mejor mtodo para construir
intervalos unilaterales para en muestras pequeas es el de pivote

5.8. Errores de medicin.

Error de medicin: la inexactitud que se acepta como inevitable al comparar una

magnitud con su patrn de medida. El error de medicin depende de la escala de
medida empleada, y tiene un lmite. Los errores de medicin se clasifican en
distintas clases (accidentales, aleatorios, sistemticos, etc.).

Tipos de errores

Clasificacin de los errores

Antes de realizar una medicin con un grupo de instrumentos dados, es importante

determinar qu tipos de errores pueden presentarse, para saber si se est dentro
de nuestros requerimientos de exactitud.

El estudio a fondo de la teora de errores excede los alcances de este artculo y por
lo tanto no se efectuar. Si bin no es fcil realizar una clasificacin estricta, en los
prrafos siguientes se presentar la clasificacin clsica de los errores.

Segn la misma, los errores se pueden clasificar en errores groseros, errores

sistemticos y errores aleatorios (al azar).

20
1 - Errores groseros

Consisten en equivocaciones en las lecturas y registros de los datos. En general se

originan en la fatiga del observador, en el error al transcribir los valores medidos a
las planillas de los protocolos de ensayos, a la desconexin fortuita de alguna parte
del circuito de medicin, etctera.

Estos errores se caracterizan por su gran magnitud, y pueden detectarse fcilmente

al comparar varias mediciones de la misma magnitud. Por ello se aconseja siempre
realizar al menos 3 (tres) mediciones repetidas.

2 - Errores sistemticos

Se llaman as porque se repiten sistemticamente en el mismo valor y sentido en

todas las mediciones que se efectan en iguales condiciones.

Las causas de estos errores estn perfectamente determinadas y pueden ser

corregidas mediante ecuaciones matemticas que eliminen el error. En algunos
casos pueden emplearse distintos artificios que hacen que la perturbacin se auto
elimine.

En virtud de las causas que originan este tipo de error, es conveniente realizar una
subdivisin de los errores sistemticos:

2.A - Errores que introducen los instrumentos o errores de ajuste.

2.B - Errores debidos a la conexin de los instrumentos o errores de mtodo.
2.C - Errores por causas externas o errores por efecto de las magnitudes de
influencia.
2.D - Errores por la modalidad del observador o ecuacin personal.

21
A continuacin se analizarn cada uno de ellos:

2.A - Errores de ajuste

Estos errores son debidos a las imperfecciones en el diseo y construccin de los

instrumentos. Mediante la calibracin durante la construccin, se logra que para
determinadas lecturas se haga coincidir las indicaciones del instrumento con valores
obtenidos con un instrumento patrn local.

Sin embargo, por limitaciones tcnicas y econmicas, no se efecta ese proceso en

todas las divisiones de la escala. Esto origina ciertos desajustes en algunos valores
de la escala, que se mantienen constantes a lo largo del tiempo.

Estos errores repetitivos pueden ser medidos en mdulo y signo a travs del
contraste, que es un ensayo consistente en comparar simultneamente la indicacin
del instrumento con la indicacin de un instrumento patrn de la ms alta calidad
metrolgica (cuya indicacin representa el valor verdadero convencional).

2.B - Errores de mtodo

Los errores de mtodo se originan en el principio de funcionamiento de los

instrumentos de medicin. Hay que considerar que el hecho de conectar un
instrumento en un circuito, siempre origina algn tipo de perturbacin en el mismo.
Por ejemplo, en los instrumentos analgicos aparecen los errores de consumo, fase,
etctera.

Para corregir estos errores deben determinarse las caractersticas elctricas de los
instrumentos (resistencia, inductancia y capacidad). En algunos casos es posible el
uso de sistemas de compensacin, de forma tal de auto eliminar el efecto

22
perturbador. Por ejemplo, en el caso del wattmetro compensado, que posee un
arrollamiento auxiliar que contrarresta la medicin del consumo propio.

2.C - Errores por efecto de las magnitudes de influencia.

El medio externo en que se instala un instrumento influye en el resultado de la

medicin. Una causa perturbadora muy comn es la temperatura, y en mucha
menor medida, la humedad y la presin atmosfrica.

La forma de eliminar estos errores es mediante el uso de las ecuaciones fsicas

correspondientes, que en los instrumentos de precisin, vienen indicadas en la
chapa que contiene la escala del mismo.
En algunos casos, los instrumentos disponen de artificios constructivos que
compensan la accin del medio externo. Por ejemplo, la instalacin de resortes
arrollados en sentidos contrarios, de manera que la dilatacin trmica de uno de
ellos se contrarresta por la accin opuesta del otro.

Por otra parte, la mejora tecnolgica de las aleaciones utilizadas ha reducido mucho
los efectos debidos a la accin de la temperatura ambiente.

2.D - Errores por la modalidad del observador

Cada observador tiene una forma caracterstica de apreciar los fenmenos, y en

particular, de efectuar lecturas en las mediciones. Lo curioso que nos muestra la
experiencia, es que cada observador repite su modalidad en forma sistemtica. De
all que se denomine a esta caracterstica ecuacin personal.

Por ejemplo, al medir tiempos un determinado observador registra los mismos con
adelanto o retraso con respecto a otro observador.

23
3 - Errores aleatorios

Es un hecho conocido que al repetir una medicin utilizando el mismo proceso de

medicin (el mismo instrumento, operador, excitacin, mtodo, etc.) no se logra el
mismo resultado.

En este caso, los errores sistemticos se mantienen constantes, y las diferencias

obtenidas se deben a efectos fortuitos, denominados errores aleatorios (mal
llamados accidentales).

Por ello, una caracterstica general de los errores aleatorios es que no se repiten
siempre en el mismo valor y sentido.

En virtud de las causas que originan este tipo de error, es conveniente realizar una
subdivisin de los errores aleatorios:

3.A - Rozamientos internos.

3.B - Accin externa combinada.
3.C - Errores de apreciacin de la indicacin.
3.D - Errores de truncamiento.

A continuacin se analizarn cada uno de ellos:

3.A - Rozamientos internos

En los instrumentos analgicos se produce una falta de repetitibilidad en la

respuesta, debido fundamentalmente a rozamientos internos en el sistema mvil.
Asimismo, los falsos contactos tambin dan lugar a la aparicin de este tipo de error.

3.B - Accin externa combinada

24
Muchas veces la compleja superposicin de los efectos de las distintas magnitudes
de influencia no permiten el conocimiento exacto de la ley matemtica de variacin
del conjunto, por ser de difcil separacin. De esta manera, no puede predecirse el
error ni realizarse las correcciones debidas, convirtindose en un error aleatorio.

3.C - Errores de apreciacin de la indicacin

En muchas mediciones, el resultado se obtiene por la observacin de un ndice (o

aguja) en una escala, originndose as errores de apreciacin. Estos a su vez tienen
dos causas diferentes que pasamos a explicar:

3.C.1 - Error de paralaje

Se origina en la falta de perpendicularidad entre el rayo visual del observador y la

escala respectiva. Esta incertidumbre se puede reducir con la colocacin de un
espejo en la parte posterior del ndice. As la perpendicularidad del rayo visual se
lograr cuando el observador no vea la imagen del mismo en el espejo.

3.C.2 - Error del lmite separador del ojo

El ojo humano normal puede discriminar entre dos posiciones separadas a ms de

0,1 mm, cuando se observa desde una distancia de 300 mm. Por lo tanto, si dos
puntos estn separados a menos de esa distancia no podr distinguirlos.

La magnitud de este error es tpicamente subjetiva, pues hay personas que tienen
una visin mejor o peor que la normal.

Para disminuir este tipo de error se puede recurrir al uso de lentes de aumento en
las lecturas.

3.D - Errores de truncamiento

25
En los instrumentos provistos con una indicacin digital, la representacin de la
magnitud medida est limitada a un nmero reducido de dgitos.
Por lo tanto, en tales instrumentos no pueden apreciarse unidades menores que la
del ltimo dgito del visor (o display), lo que da lugar a un error por el truncamiento
de los valores no representados.
La magnitud mxima de este tipo de error depender del tipo de redondeo que tenga
el instrumento digital, siendo el 50 % del valor del ltimo dgito representado para el
caso de redondeo simtrico y el 100 % para el caso del redondeo asimtrico.

26
Conclusin.

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 mas
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.

27
Bibliografas

https://control-estadistico-de-la-calidad.wikispaces.com/CAPITULO+1
http://spcgroup.com.mx/diagrama-de-dispersion/
http://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/sd/node14.html
https://explorable.com/es/la-correlacion-estadistica
http://dm.udc.es/asignaturas/estadistica2/sec6_8.html
http://www5.uva.es/estadmed/probvar/d_multivar/dnvar7.htm
http://revistas.usta.edu.co/index.php/estadistica/article/viewFile/1100/1335
http://erroresmedicion.blogspot.mx/

28