Descarga la aplicación para disfrutar aún más
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.
Compartir