Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 36 vistas

    Foro

    Cargado por

    Flavio Youssef Fiestas Estrada
    El documento discute la regresión lineal múltiple y su aplicación para modelar la relación entre la distorsión armónica de tensión (variable dependiente) y las distorsiones armónicas de corriente (variables independientes) en un proceso minero. Se determinó que el modelo de regresión lineal múltiple tuvo el mejor ajuste a los datos y que la distorsión armónica de tensión aumentaría si las distorsiones armónicas de corriente superan ciertos umbrales.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Foro

    Cargado por

    Flavio Youssef Fiestas Estrada
    36 vistas6 páginas
    El documento discute la regresión lineal múltiple y su aplicación para modelar la relación entre la distorsión armónica de tensión (variable dependiente) y las distorsiones armónicas de corriente (variables independientes) en un proceso minero. Se determinó que el modelo de regresión lineal múltiple tuvo el mejor ajuste a los datos y que la distorsión armónica de tensión aumentaría si las distorsiones armónicas de corriente superan ciertos umbrales.

    Descripción original:

    ESTADISTICA INFERENCIAL

    Título original

    foro

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento discute la regresión lineal múltiple y su aplicación para modelar la relación entre la distorsión armónica de tensión (variable dependiente) y las distorsiones armónicas de corriente (variables independientes) en un proceso minero. Se determinó que el modelo de regresión lineal múltiple tuvo el mejor ajuste a los datos y que la distorsión armónica de tensión aumentaría si las distorsiones armónicas de corriente superan ciertos umbrales.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    36 vistas6 páginas

    Foro

    Cargado por

    Flavio Youssef Fiestas Estrada
    El documento discute la regresión lineal múltiple y su aplicación para modelar la relación entre la distorsión armónica de tensión (variable dependiente) y las distorsiones armónicas de corriente (variables independientes) en un proceso minero. Se determinó que el modelo de regresión lineal múltiple tuvo el mejor ajuste a los datos y que la distorsión armónica de tensión aumentaría si las distorsiones armónicas de corriente superan ciertos umbrales.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 6

    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

    También podría gustarte