Foro

1.
¿Que otro nombre

recibe la variable
dependiente (Y) y la
variable
independiente?
1. ¿Que otro nombre
recibe la variable
dependiente (Y) y la
variable
independiente?
1.- ¿Qué otro nombre recibe la variable dependiente (Y) y la variable
independiente?
La variable dependiente: Es el regresando, la variable endógena corriente,

endógena o explicada.
La variable independiente: Es el regresor, variables explicativas,

predeterminadas.
2.- ¿Por qué se le denomina Regresión Lineal Múltiple?
La regresión lineal aplicada en fabricación es una técnica

estadística para modelar e investigar la relación entre dos o más variables.
Este método es aplicable en muchas situaciones en las que se estudia la
relación entre dos o más variables o predecir un comportamiento, algunas
incluso sin relación con la tecnología.
3.- Indique algunos ejemplos de Modelos en los que podemos aplicar

RLM.
La ecuación (10), describe un modelo de regresión lineal múltiple y la ecuación

(11), muestra el modelo ajustado de regresión lineal múltiple. En este modelo la
variable de respuesta se puede relacionar con k variables regresoras. Se
justifica aplicar el modelo de regresión lineal múltiple cuando interviene más de
una variable regresora [8]. Los estimadores de los coeficientes de este modelo
se obtienen a partir de la ecuación (9). En este trabajo se consideraron 3
variables regresoras.
En los modelos de regresión lineal múltiple se debe evaluar la presencia de la

multicolinealidad, que aparece cuando existe una dependencia casi lineal entre
las variables regresoras del modelo [8]. La multicolinealidad provoca problemas
en la determinación de los estimadores de los coeficientes del modelo. La
técnica más común que se usa para detectar la presencia de multicolinealidad
es el análisis de la matriz de correlación.
Coeficiente de determinación R2
El coeficiente de determinación R2 mide la proporción de la variación de la

respuesta Y que es explicada por el modelo de regresión [8]. El coeficiente
R2 se calcula usando la ecuación (12), donde SSR es la medida de variabilidad
del modelo de regresión y SST corresponde a la medida de variabilidad de Y sin
considerar el efecto de la variable regresora X.
Si el valor de R2 se acerca a 1, entonces se tiene un buen ajuste y el modelo de

regresión es capaz de explicar adecuadamente la variación de la variable de
respuesta Y.
Criterio de información de Akaike (AIC)
El criterio de información de Akaike (AIC) es un indicador que permite

seleccionar un modelo estadístico basándose en la teoría de información y en
las propiedades del método de máxima verosimilitud [9]. Para calcular el AIC se
utiliza la ecuación (13), donde k es el número de parámetros del vector de
parámetros θ del modelo y ML es la función de máxima verosimilitud.
Cuando se comparan dos o más modelos estadísticos, se selecciona el que

tiene el menor AIC [9].
Selección de las variables regresoras y de respuesta para cada modelo
Los modelos de regresión que se discuten en este trabajo tienen como variable
de respuesta a la distorsión armónica individual dominante de tensión, mientras
que las variables regresoras corresponden a la distorsión armónica individual
de corriente de igual y/o menor orden que la armónica dominante de tensión
(según el modelo). En la tabla 1, se muestran las variables que fueron
consideradas para cada modelo.
Descripción del proceso minero
La figura 1, muestra el diagrama unilineal de medición y registro en la carga

minera. Esta carga se encuentra ubicada en las cercanías de la ciudad de
Copiapó, región de Atacama Chile y corresponde a un proceso minero cuyo
principal equipo eléctrico es un convertidor de potencia de corriente alterna a
corriente continua. Se almacenaron los registros de la distorsión armónica
individual de tensión y corriente durante 7 días consecutivos, con tiempos de
muestreo de 10 minutos.
El nivel de cortocircuito máximo en la barra de 23 KV es 1072,7 A y la corriente

máxima de plena carga en 23 KV es 37,65 A, por lo tanto, la relación corriente
máxima de cortocircuito sobre corriente máxima de carga en el punto común de
conexión PCC) es 28,5.
4.- Existen dos métodos en los que podemos resolver estos modelos de
RLM, ¿cuáles son estos?
Para aplicar los modelos de regresión al ajuste de los datos de las mediciones
de campo en la carga minera, se utilizó el software de distribución libre R [10].
Utilizando el paquete Rcmdr se obtuvieron las gráficas de dispersión de las
variables de respuesta y regresoras y los resultados analíticos de los modelos.
La figura 3, muestra el comportamiento gráfico de los modelos de regresión
lineal simple, polinomial de orden 2 y polinomial de orden 3, mientras que
la tabla 2, describe el desempeño de cada modelo de regresión.
En el análisis del modelo de regresión lineal múltiple no se observó presencia

de multicolinealidad entre las variables regresoras, ya que ningún término fuera
de la diagonal de la matriz de correlación supera la magnitud 0,7 [11], por lo
tanto, es recomendable considerar en el modelo de regresión múltiple las tres
variables regresoras. La tabla 3, muestra los coeficientes de la matriz de
correlación para las variables regresoras del modelo de regresión lineal
múltiple.
Selección del modelo de regresión
Dado los resultados de la tabla 2, el valor más alto de R2 y el valor más bajo del
AIC (criterio de información de Akaike) se logra con el modelo de regresión
lineal múltiple, por lo tanto, este modelo es el que se selecciona como el más
adecuado para el ajuste de los datos de distorsión armónica individual de
tensión y corriente. La ecuación (14), muestra el modelo seleccionado.
Usando el software R [10], se obtienen los intervalos de confianza para cada

parámetro del modelo de regresión lineal múltiple, estos resultados se
muestran en la tabla 4.
Pronósticos usando el modelo de regresión ineal múltiple
Usando el modelo de la ecuación (14), se realizan dos pronósticos. En el

primer pronóstico se estima el valor que tomaría la distorsión armónica
individual de tensión de orden 7 cuando la distorsión armónica de corriente de
orden 7 se reduce al 7 % (sin modificar los valores medios de las distorsiones
armónicas de corriente de orden 3 y 5) y cuando los tres valores de distorsión
armónica de corriente se reducen a 0 %. En el segundo pronóstico se estima el
valor de la distorsión armónica de corriente de orden 7 que hace que la
distorsión armónica individual de tensión aumente a 3 % y a 5 % (cuando no se
modifican los valores medios de las distorsiones armónicas de corriente de
orden 3 y 5). Estos resultados se muestran en las tablas 5 y 6.
De los pronósticos de las tablas 5 y 6, se puede apreciar que si se reduce la

contaminación armónica de corriente de orden 3, 5 y 7 a 0 % (instalando filtros
de armónicos), la distorsión armónica de tensión de orden 7 se reduce a
1,38%. Por otro lado, si la componente armónica dominante de corriente de
orden 7 aumenta sobre 12,73 %, la distorsión armónica de tensión de orden 7
aumenta sobre 3 %, no cumpliendo con lo indicado en la norma IEEE 519-
1992. Por otro lado, si la componente armónica dominante de corriente de
orden 7 aumenta sobre 18,6 %, entonces la distorsión armónica de tensión de
orden 7 aumenta sobre 5 %, no cumpliendo con lo establecido en la norma
técnica chilena de calidad y seguridad de servicio.
Restricciones del modelo de regresión ineal múltiple
Para valores de distorsión armónica de corriente de orden 7 menores que 4 %

(manteniendo constantes los valores medios de la distorsión armónica de
corriente de orden 3 y 5) la distorsión armónica de tensión de orden 7 se hace
negativa, perdiendo interpretación física. Para valores de distorsión armónica
de corriente de orden 3 mayores que 6 % (manteniendo constantes los valores
medios de la distorsión armónica de corriente de orden 5 y 7) la distorsión
armónica de tensión de orden 7 se hace negativa, perdiendo interpretación
física.
atmosférica ( P ) en el lugar y momento en que hacemos el experimento

Foro

Cargado por

Copyright:

Formatos disponibles

Foro

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Foro

Cargado por

Copyright:

Formatos disponibles

1.

¿Que otro nombre

La variable dependiente: Es el regresando, la variable endógena corriente,

La variable independiente: Es el regresor, variables explicativas,

2.- ¿Por qué se le denomina Regresión Lineal Múltiple?

La regresión lineal aplicada en fabricación es una técnica

3.- Indique algunos ejemplos de Modelos en los que podemos aplicar

La ecuación (10), describe un modelo de regresión lineal múltiple y la ecuación

En los modelos de regresión lineal múltiple se debe evaluar la presencia de la

El coeficiente de determinación R2 mide la proporción de la variación de la

Si el valor de R2 se acerca a 1, entonces se tiene un buen ajuste y el modelo de

Criterio de información de Akaike (AIC)

El criterio de información de Akaike (AIC) es un indicador que permite

Cuando se comparan dos o más modelos estadísticos, se selecciona el que

Selección de las variables regresoras y de respuesta para cada modelo

Descripción del proceso minero

La figura 1, muestra el diagrama unilineal de medición y registro en la carga

El nivel de cortocircuito máximo en la barra de 23 KV es 1072,7 A y la corriente

En el análisis del modelo de regresión lineal múltiple no se observó presencia

Selección del modelo de regresión

Usando el software R [10], se obtienen los intervalos de confianza para cada

Pronósticos usando el modelo de regresión ineal múltiple

Usando el modelo de la ecuación (14), se realizan dos pronósticos. En el

De los pronósticos de las tablas 5 y 6, se puede apreciar que si se reduce la

Restricciones del modelo de regresión ineal múltiple

Para valores de distorsión armónica de corriente de orden 7 menores que 4 %

atmosférica ( P ) en el lugar y momento en que hacemos el experimento

También podría gustarte