UNIVERSIDAD MARIANO GALVEZ DE GUATEMALA

MAESTRIA EN ADMININISTRACION DE NEGOCIOS

MODELO PARA LA TOMA DE DESICIONES
Ing. ASTRID CAROLINA HERRERA

APLICACIN REGRESION LINEAL SIMPLE

Y REGRESION LINEAL MULTIPLE

LIVIA DELIA MONROY GONZLEZ

PEDRO LUIS DE MATTA POZUELOS
MARIA ALEJANDRA ESTRADA PORRAS
NEFTALI MUOZ

GUATEMALA, 21 DE FEBRERO DEL 2015

APLICACIN DE REGRESIN LINEAL SIMPLE

290-08-1164
290-07-13623
290-09-13623
290-05-14175
SECCION F

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.
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 la 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.
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.

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

-27.59

'+/-0.6

-0.05

'+/-0.2

1.29

'+/-0.2

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.

Estimando el valor de la pendiente 1 (que llamaremos b) y el valor 0
(que llamaremos a), se tiene que:
La pendiente de la recta estimada es:
b = -0,468
El valor de 0 estimados es:
a = -25,44567
De tal manera que la frmula de la recta estimada para el ejemplo de la
pintura es:

= -25,445-0,468. X
Y la grfica para validar la normalidad de los errores (uno de los supuestos
en los que se basa este anlisis) 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.

APLICACIN REGRESIN MULTIPLE:

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:

Rendimiento
81
89
83
91
79
87
84
90

concentracin
1
1
2
2
1
1
2
2

temperatura
150
180
150
180
150
180
150
180

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:

Parmetr
o
0

Sbi
4,24411

1
2

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.