Ley de Correlación.
También conocido como diagrama de correlación-dispersión o correlación lineal, la ley de correlación no es más que una herramienta que permite tener una idea de la relación que puede existir entre dos datos diferentes. Para poder ver qué relación existe entre dos datos diferentes se utiliza una gráfica ca rtesiana donde se permita introducir la intercepción de los datos, de esta manera ver la relación entre ellos, debido a la variedad que existen en los datos, existen variedades de correlaciones, entre ellas se pueden mencionar: Correlación Positiva:
Correlación Positiva Débil:
Correlación Negativa:
Correlación Negativa Débil:
Correlación Compleja:
Correlación Inexistente.
Ejemplo: La Dirección de una mina está preocupada por el alto porcentaje de indisponibilidad de sus máquinas cargadoras. Encarga al Jefe de Mantenimiento que analice si está influyendo la antigüedad de dichas maquinas en su porcentaje de indisponibilidad. Para ello, recoge la información de la fecha de compra y del porcentaje de indisponibilidad de cada máquina y la traslada a la siguiente tabla: Maquina C-0037
Fecha de Compra 1994
% de Indisponibilidad 29
C-0038 C-0039 C-0040 C-0041 C-0042 C-0043 C-0044 C-0045 C-0046 C-0047 C-0048 C-0049 C-0050 C-0051 C-0052
1994 1995 1995 1995 1996 1996 1996 1997 1997 1998 1998 1999 1999 2000 2000
39 24 32 43 20 41 30 20 25 12 19 10 30 9 14
Respuesta:
Correlación negativa: Esto quiere decir que a medida que las maquinas son más nuevas menor será la probabilidad de que este indispuesta en el momento en que se le requiera su uso.
Método de mínimos cuadrados.
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 la función continua, dentro de dicha familia, que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mínimo error cuadrático. En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias en las ordenadas (llamadas residuos) entre los puntos generados por la función elegida y los correspondientes valores en los datos. Específicamente, se llama mínimos cuadrados promedio (LMS) cuando el número de datos medidos es 1 y se usa el método de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el mínimo de operaciones (por iteración), pero requiere un gran número de iteraciones para converger. Desde un punto de vista estadístico, un requisito implícito para que funcione el método de mínimos cuadrados es que los errores de cada medida estén distribuidos de forma aleatoria. El teorema de Gauss-Márkov prueba que los estimadores mínimos cuadráticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribución normal. También es importante que los datos a procesar estén bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar más peso a un dato en particular, véase mínimos cuadrados ponderados). La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas. Muchos otros problemas de optimización pueden expresarse también en forma de mínimos cuadrados, minimizando la energía o maximizando la entropía. Pasos para resolver por el método de los mínimos cuadrados: Paso 1: Se calcula la media de los valores de x y la media de los valores de y. Paso 2: Se realiza la suma de los cuadrados de los valores de x. Paso 3: Se realiza la suma de cada valor de x multiplicado por su valor correspondiente y. Paso 4: Se calcula la pendiente de la recta usando la fórmula:
Donde n es el número total de puntos de los datos.
Paso 5: Se calcula la intercepción en y de la recta usando la fórmula:
Donde son las medias de las coordenadas de x respectivamente.
yy
de los puntos de datos
Paso 6: Se usa la pendiente y la intercepción en y para formar la ecuación de la recta. Ejemplo: Use el método de mínimos cuadrados para determinar la ecuación de la recta que mejor se ajusta para los datos. Luego grafique la recta.
Solución: Se grafican los puntos en un plano coordenado.
Se calculan las medias de los valores de x y los valores de y, la suma de los cuadrados de los valores de x, y la suma de cada valor de x multiplicado por su valor correspondiente y.
Se calcula la pendiente.
Se calcula la intercepción en y. Primero, calcule la media de los valores de x y la media de los valores de y.
Se usa la fórmula para calcular la intercepción en y.
Se usa la pendiente y la intercepción en y para formar la ecuación de la recta que mejor se ajusta. La pendiente de la recta es -1.1 y la intercepción en y es 14.0. Por lo tanto, la ecuación es y = -1.1 x + 14.0. Se dibuja la recta en la gráfica de dispersión.
