Practica 7 Regresión Lineal Múltiple (RLM) Peso del proyectil, ángulo y distancia

Vista previa del material en texto

Practica 7
Regresión Lineal Múltiple (RLM) “Peso del proyectil, ángulo y distancia”
OBJETIVO:
Plantear un modelo matemático de Regresión Lineal Múltiple (RLM), mediante la 
medición del peso del proyectil, ángulo y distancia que puede recorrer un objeto al 
lanzarse. Las variables independientes a experimentar son el peso del proyectil y 
el ángulo del equipo con el cual se lanzara el proyectil.
INTRODUCCIÓN
La regresión lineal 
múltiple permite generar 
un
Modelo lineal en el que el valor de la variable dependiente o respuesta (Y) se
determina a partir de un conjunto de variables independientes llamadas
Predictores (X1, X2, X3…)…” 
Es una extensión de la regresión lineal multiple, por lo que es
fundamental comprender esta última. Los modelos de regresión múltiple pueden
emplearse para predecir el valor de la variable dependiente o para evaluar la
influencia que tienen los predictores sobre ella (esto último se debe que analizar
con cautela para no malinterpretar causa-efecto).
Los modelos lineales múltiples siguen la siguiente ecuación:
Yi=(β0+β1X1i+β2X2i+⋯+βnXni) +ei
La regresión lineal 
múltiple permite generar 
un modelo lineal en el 
que el valor de
la variable dependiente o 
respuesta (Y) se 
determina a partir de un 
conjunto de
variables independientes 
llamadas predictores (X1, 
X2, X3…). Es una 
extensión
de la regresión lineal 
simple, por lo que es 
fundamental comprender
esta última.
Los modelos de regresión
múltiple pueden 
emplearse para predecir 
el valor de la
variable dependiente o 
para evaluar la influencia 
que tienen los predictores
sobre
ella (esto último se debe 
que analizar con cautela 
para no malinterpretar 
causa-
efecto).
La regresión lineal 
múltiple permite generar 
un modelo lineal en el 
que el valor de
la variable dependiente o 
respuesta (Y) se 
determina a partir de un 
conjunto de
variables independientes 
llamadas predictores (X1, 
X2, X3…). Es una 
extensión
de la regresión lineal 
simple, por lo que es 
fundamental comprender
esta última.
Los modelos de regresión
múltiple pueden 
emplearse para predecir 
el valor de la
variable dependiente o 
para evaluar la influencia 
que tienen los predictores
sobre
ella (esto último se debe 
que analizar con cautela 
para no malinterpretar 
causa-
efecto).
La regresión lineal 
múltiple permite generar 
un modelo lineal en el 
que el valor de
la variable dependiente o 
respuesta (Y) se 
determina a partir de un 
conjunto de
variables independientes 
llamadas predictores (X1, 
X2, X3…). Es una 
extensión
de la regresión lineal 
simple, por lo que es 
fundamental comprender
esta última.
Los modelos de regresión
múltiple pueden 
emplearse para predecir 
el valor de la
variable dependiente o 
para evaluar la influencia 
que tienen los predictores
sobre
ella (esto último se debe 
que analizar con cautela 
para no malinterpretar 
causa-
efecto).
La regresión lineal 
múltiple permite generar 
un modelo lineal en el 
que el valor de
la variable dependiente o 
respuesta (Y) se 
determina a partir de un 
conjunto de
variables independientes 
llamadas predictores (X1, 
X2, X3…). Es una 
extensión
de la regresión lineal 
simple, por lo que es 
fundamental comprender
esta última.
Los modelos de regresión
múltiple pueden 
emplearse para predecir 
el valor de la
variable dependiente o 
para evaluar la influencia 
que tienen los predictores
sobre
ella (esto último se debe 
que analizar con cautela 
para no malinterpretar 
causa-
efecto).
El modelo de regresión 
lineal es aplicado en un 
gran número de campos, 
desde
el ámbito científico hasta 
el ámbito social, pasando 
por aplicaciones 
industriales
ya que en multitud de 
situaciones se encuentran
comportamientos 
lineales.
El modelo de regresión 
lineal es aplicado en un 
gran número de campos, 
desde
el ámbito científico hasta 
el ámbito social, pasando 
por aplicaciones 
industriales
ya que en multitud de 
situaciones se encuentran
comportamientos 
lineales.
En este presente trabajo, nosotros expondremos nuestros aprendizajes acerca
del tema a tratar, realizando operaciones de estadística vistas en clase, de
forma que demos a conocer nuestros conocimientos y el cómo realizar
dichos ejercicios, donde aplicaremos formulas, conceptos, entre otros.
CORRELACION CON EL PROGRAMA DE ESTUDIO DE “ESTADISTICA 
INFERENCIAL II”
(Carrera: Ingeniería Industrial, clave de la asignatura: AEF-1025 Créditos SATCA
3-2-5) 10. La práctica No. 1 “Análisis y utilización de la Regresión Lineal Múltiple
(RLM)”se correlaciona directamente con el programa de estudio en el valor de una
variable según el valor de otra.
MATERIAL Y EQUIPO
Para esta práctica se utilizara computadora, Excel con los datos obtenidos de una
tabla de peso de proyectil, ángulo y distancia, generando el valor de la distancia
utilizando un simulador electrónico Trebuchet, y el Word para el reporte. 
METODOLOGIA.
Para poder llenar la tabla, fue necesario tener el peso del proyectil, ángulo y
distancia, empezamos a usar las fórmulas para llenar la tabla.
Una vez obtenidos todos los valores de la tabla pasamos al análisis de datos 
utilizando la función de regresión para obtener los valores del RLM.
Y = 330.3 + 21.7 X1 - 2.794 X2
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.747608263
Coeficiente de determinación R^2 0.558918115
R^2 ajustado 0.432894719
Error típico 43.7272915
Observaciones 10
Posteriormente vamos a obtener la Regresión Lineal Múltiple, donde nos
presentan la estadística de la regresión que conlleva: el coeficiente de correlación
múltiple, coeficiente de determinación R^2, R^2 ajustado, error típico y
observaciones y presenta el análisis de varianza: regresión, residuos y total,
además la Regresión Lineal Múltiple nos da la intercepción y la variable X1 y X2.
CONCLUSION
Podemos deducir que conforme cambia el ángulo y el peso del proyectil la
distancia que este recorrerá al ser lanzado será mayor o menor dependiendo de
los aspectos anteriores.
 Como se pudo observar en este trabajo, logramos nuestro objetivo de
resolver los ejercicios marcados con base a lo visto previamente en clases,
supimos identificar el proceso de su elaboración, que representa cada
variante y como sustituir datos para llevar a cabo la operación y obtener los
resultados esperados. 
Respecto al valor de R² podemos deducir que hay una relación ligera o media
entre la variable dependiente y las independientes, además de que el modelo no
es muy bueno para predecir.