Curso: MATEMATICA APLICADA

Docente: Luz Marleni Mayta Chua

REGRESIÓN LINEAL
 CAPACIDAD TERMINAL

Aproximar la relación de dependencia entre una

variable dependiente, una variable independiente y
un término aleatorio.
CAPACIDAD ESPECIFICA

Al finalizar la sesión de aprendizaje teórica y

práctica el alumno podrá, identificar los métodos y
seleccionar el adecuado para aplicar a la gestión
de mantenimiento y análisis de fallas en
componentes mecánicos.

2
 REGRESIÓN LINEAL

El análisis de regresión lineal es una técnica

estadística utilizada para estudiar la relación
entre variables. Se adapta a una amplia
variedad de situaciones
4
5
 GRAFICOS DE DISPERSIÓN
Permite representar la evolución conjunta de
ambas variables. Si las variables están
correlacionadas, el gráfico mostraría algún
nivel de correlación (tendencia) entre las dos
variables. Si no hay ninguna correlación, el
gráfico presentaría una figura sin forma, una
nube de puntos dispersos en el gráfico.

6
7
 MÉTODO DE MÍNIMOS CUADRADOS
• Es una técnica de análisis numérico enmarcada
dentro de la optimización matemática, en la que
dados un conjunto de pares ordenados: variable
independiente, variable dependiente y una
familia de funciones, se intenta encontrar una
función continua, dentro de la familia que mejor
se aproxime a los datos.
• Nos permite adaptar una línea de recta optima a
una muestra de datos tomadas y denotadas por
la variable x y y
8
 FORMULA

Donde las constantes b (intercepto en el eje y) y a

( pendiente).

𝒏 ∑ 𝒙𝒚 − ∑ 𝒙 ∑ 𝒚
𝒂=
𝒏 ∑ 𝒙 − (∑ 𝒙 )
𝟐 𝟐

𝒃=
∑ 𝒚 − 𝒂∑ 𝒙
𝒏

9
 𝒚=𝒂𝒙 +𝒃

10
 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:

11
 EJEMPLO

Solución
Xi: Deformación en
mm Yi: dureza Brinell
6 68
El objetivo del método de mínimos
9 67 cuadrados es hallar una recta y determinar
11 65
cual es la pendiente y el intercepto para ello
13 53
22 44 calcularemos los siguiente valores
26 40
28 37
33 34
35 32

12
 EJEMPLO
 
Xi: Deformacion en mm Yi: dureza Brinell X.Y
6 68 408 36
9 67 603 81
11 65 715 121
13 53 689 169
22 44 968 484
26 40 1040 676
28 37 1036 784
33 34 1122 1089
35 32 1120 1225
Total 183 440 7701 4665

13
 EJEMPLO
𝒚=𝒂𝒙 +𝒃
𝒂=
𝒏 ∑ 𝒙𝒚 − ∑ 𝒙 ∑ 𝒚
𝒃=
∑ 𝒚 − 𝒂∑ 𝒙
𝒏 ∑ 𝒙 − (∑ 𝒙 )
𝟐
𝟐
𝒏

𝑎=¿ ¿
= -1.319
y = -1.319x + 75.71

14
 Siendo y = ax + b la recta de regresión lineal, el parámetro a se llama
coeficiente de regresión.
Su valor expresa el incremento de y cuando x aumenta una unidad. Si
a toma un valor positivo, la variable y crece al crecer x, y en
consecuencia la recta es creciente, lo que indica que la dependencia
entre las variables es directa.
Si a toma un valor negativo, la variable y decrece x, y en
consecuencia la recta es decreciente, lo que indica que la dependencia
entre las variables es inversa.
Si a = 0 , la recta es horizontal y no hay dependencia entre las
variables, ya que las variaciones de x no provocan variación de y.

15
 COEFICIENTE DE CORRELACION LINEAL
Es una medida numérica que permite
medir el grado de asociación lineal
entre dos variables cuantitativas.
Tenemos aquí dos diagramas de
dispersión

El coeficiente de correlación de Pearson: mide la fuerza y el sentido

de una relación lineal entre dos variables cuantitativas. El
coeficiente de correlación toma valores entre -1 y +1. Si el valor es
positivo se dice que hay una relación directa o positiva, si el valor es
negativo se dice que la relación es inversa o negativa. Si el valor de
coeficiente es próximo a cero, se dice que la relación es débil.

16
 Ninguna relación: Pearson r = 0
Los puntos se ubican de forma aleatoria en la gráfica, lo
que significa que no existe relación lineal entre las
variables.
Relación positiva moderada: Pearson r = 0.476
Algunos puntos están cerca de la línea, pero otros puntos
están lejos de ella, lo que indica que solo existe una
relación lineal moderada entre las variables.
Relación positiva grande: Pearson r = 0.93
Los puntos se ubican cerca de la línea, lo que indica que existe una
relación lineal fuerte entre las variables. La relación es
positiva porque a medida que una variable aumenta, la otra
variable también aumenta.
Relación negativa grande: Pearson r = −0.968
Los puntos se ubican cerca de la línea, lo que indica que existe
una relación negativa fuerte entre las variables. La relación es
negativa porque a medida que una variable aumenta, la otra
variable disminuye.
17
 COEFICIENTE DE CORRELACION LINEAL

𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
√[ 𝑛 ∑ 𝑥 − ( ∑ 𝑥 ) ] √[ 𝑛 ∑ 𝑦 − ( ∑ 𝑦 ) ]
2 2 2 2

18
19
 COEFICIENTE DE DETERMINACIÓN

Refleja la bondad del ajuste de un modelo a la variable

que pretende explicar. El coeficiente de determinación toma
valores entre 0 y 1, y cuanto más se aproxime a 1 mejor será el
ajuste y por lo tanto mayor la fiabilidad de las predicciones
que con él realicemos.

Interpretación
Podemos concluir que el modelo lineal es adecuado para
describir la relación que existe entre estas variables.

20
COEFICIENTE DE DETERMINACIÓN

21
 COEFICIENTE DE DETERMINACIÓN

22
 CONTINUACIÓN DEL EJEMPLO

Esto indica que el grado de asociación lineal entre las variables es alto,
y concretamente el 95% de la variación total de los valores de la
compresión pueden ser explicados mediante la recta de regresión
ajustada.

23
 CONTINUACIÓN DEL EJEMPLO

Dureza Brinell

80

70
f(x) = − 1.31956214689266 x + 75.7199858757062
60 R² = 0.955166014257074
dureza brinell

50

40 Yi: dureza Brinell

Linear (Yi: dureza Brinell )
30
Linear (Yi: dureza Brinell )
20

10

0
0 5 10 15 20 25 30 35 40

deformacion

24
 EJEMPLO 2
El inventor de un nuevo material aislante quiere determinar la magnitud de la compresión (Y )
que se producirá en una pieza de 3 pulgadas de espesor cuando se somete a diferentes cantidades
de presión (X). Para ello prueba 5 piezas de material bajo diferentes presiones. Los pares de
valores observados (x, y) se muestran en la siguiente tabla:
Xi: Presión Yi:Compresion

1 1

2 1

3 2

4 2

5 4

Mediante el método de mínimos cuadrados encuentre:

1. Predecir el valor en la compresión para un nivel de presión igual a 6.
2. ¿En qué medida son fiables las predicciones realizadas con la recta de
regresión ajustada?

25
 Yi:Compresi
𝒚=𝒂𝒙 +𝒃
xy
Xi: Presión
1 1
on
1 1 1 𝒚=𝟎,𝟕 𝒙 −𝟎,𝟏
2 4 1
2 1
6 9 4
3 2
4 2 8 16 4

5 4 20 25 16

Total: 15 10 37 55 26
𝟓 ( 𝟑𝟕 ) −(𝟏𝟓)(𝟏𝟎)
𝑟=
= 35/50 = 0,7 √ [ 𝟓 ( 𝟓𝟓 ) − ( 𝟏𝟓 ) 𝟐
]√ [ 𝟓 ( 𝟐𝟔 ) − ( 𝟏 𝟎 ) 𝟐
]
𝟑𝟓
𝑟= =𝟎 ,𝟗𝟎
= -0,5/5 = -0,1 𝟑𝟖 ,𝟕𝟑
26
Aplicaciones
• Sensores
Calibración de un sensor de temperatura (termopar) en función de la caída de
tensión y la temperatura. Se estudia la forma en que varía la temperatura de
un líquido al calentarlo. Se calibra el sensor y simultáneamente se mide la
variación de temperaturas en un líquido para representar los datos obtenidos
posteriormente mediante Regresión Lineal.​
• Fabricación
Dos de los parámetros más importantes de una soldadura es la intensidad
aplicada al hilo y la velocidad de alimentación del mismo. Mediante técnicas
de regresión lineal se elaboran las rectas que relacionan estos parámetros
con la separación entre el hilo y la zona a soldar.

27
Aplicaciones
Aplicación de regresión lineal simple en el proceso de pigmentación
de una empresa del sector de la automoción.
Un procedimiento para estimar el contenido de pigmentación que deben de tener
las pinturas para cumplir con las especificaciones de las armadoras como se
muestra en la siguiente imagen, el problema consiste en lograr la mejor
estimación de la relación entre las variables.
Los gramos de pigmentación son la
variable independiente y la resolución
de pintura es la respuesta “Y
El término regresión lineal implica “Y”
esta linealmente relacionado con “X”
por la ecuación de la recta:

𝒚=𝒂𝒙 +𝒃
28