Ejemplo empresa regresion multiple Surtidora Gráfica S.A. de C.V

...

La ecuación del modelo establece la relación entre la ganancia de punto y las lineaturas de trama del PMS.

Ganancia Punto =3.71982+0.0510435*Negro – 0.0224212*Magenta + 0.870096*Cyan

+0.0343141*Yellow

b) La r-cuadrada indica estadísticamente al modelo como apto para explicar con

89.1202 % la variabilidad en relación al gramaje.

c) El coeficiente de correlación igual a 0.94403 indica una relación fuerte entre las variables.

d) El error estándar de la estimación muestra la desviación estándar de 4.74695. Este valor puede ser usado para construir límites de predicción en nuevos experimentos. Se observa que el margen de error es reducido.

e) El p-value muestra que efectivamente no se rechaza la hipótesis del modelo que explica la relación fuerte de la lineatura del tramado de selección de color con la ganancia de punto. A partir de lo anterior, el color magenta tiene un p-value lo cual significa que este color representa de manera efectiva la correlación existente.

CONCLUSIONES

El análisis de regresión y correlación lineal constituyen métodos que se emplean para conocer las relaciones y significación entre series de datos. Lo anterior, es de suma importancia para la industria ya que es aquí en donde se presentan variables de respuesta e independientes las cuales interactúan para originar las características 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 regresión lineal simple y la regresión múltiple, analiza la relación de dos o más variables continuas, cuando analiza dos variables a esta se el conoce como variable bi variantes que pueden corresponder a variables cualitativas. La finalidad de una ecuación de regresión es la de estimar los valores de una variable con base en los valores conocidos de la otra. Del mismo modo, una ecuación de regresión explica los valores de una variable en términos de otra. Es decir, se puede intuir una relación de causa y efecto entre dos o más variables. El análisis de regresión únicamente indica qué relación matemática podría haber, de existir una.

Por otro lado, Al ajustar un modelo de regresión simple o múltiple 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 correlación. Si el modelo que se ajusta es un modelo de regresión lineal, a R se le denomina coeficiente de correlación y representa el porcentaje de variabilidad de la Y que explica el modelo de regresión.

Estas técnicas estadísticas constituyen una herramienta útil para el análisis de las variables de un proceso ya que a través de la aplicación de éstas, es posible conocer el modelo que siguen y la fuerza con que se encuentran relacionadas. Asimismo, es posible explicar la relación que guardan dos o más causas de un posible

defecto.