



Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Encuentra los documentos específicos para los exámenes de tu universidad
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Ebooks gratuitos
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
Una introducción al método de regresión lineal o ajuste lineal de mínimos cuadrados, utilizado para analizar datos asociados a dos variables continuas diferentes y posibles correlaciones entre ellas. Se explica que una análisis de regresión no establece una relación causa-efecto y el primer pas consiste en crear un gráfico de dispersión de los conjuntos de datos (xi, yi) asociados a las variables X (independiente) y Y (dependiente). Se incluyen ejemplos de gráficos de dispersión para diferentes situaciones y se detalla el objetivo de quantificar las posibles relaciones entre las variables.
Tipo: Resúmenes
1 / 5
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!




dimecres, 6 d’octubre de 2021
•La regressió lineal o ajust lineal de mínims quadrats és un mètode estadístic molt utilitzat per analitzar dades associades a dues variables contínues diferents i les possibles correlacions entre elles. •Dues variables estan correlacionades quan la modificació d’una d’elles afecta al valor de l’altra de forma sistemàtica. •Tot i això, una anàlisi de regressió no és un procediment per establir una relació causa-efecte! •El primer pas en aquest tipus d’anàlisi és fer un gràfic de dispersió del conjunts de parells de dades (xi,yi) de què es disposin, associades a dues variables X (independent) i Y (dependent).
(a)i (b) Les observacions estan sobre una recta, amb pendent negativa (a) o positiva (b). Hi ha una relació funcional clara entre X i Y, donada per una recta. (c) Hi ha també una correlació clara entre X i Y, però no segueix una recta (seria més aviat una paràbola). (d) Els punts estan dispersos i disposats gairebé a l’atzar en el pla XY. No hi ha cap correlació entre les variables X i Y. (e) i (f) S’intueix una certa tendència lineal (més marcada en el cas e que en el f) però els punts no estan clarament sobre una única línia recta. L’objectiu és quantificar aquestes possibles relacions entre les variables
L’objectiu és trobar l’equació de la recta y = a x + b tal que la suma dels quadrats de les distàncies verticals des de cada punt xi a la recta sigui mínima. •Aquestes distàncies són la diferència entre el valor observat i el calculat amb l’equació de la recta que s’ajusta. •A partir de l’equació de la funció que s’ajusta als punts (en aquest cas una recta) es pot obtenir el coeficient de determinació, R2. Aquest índex varia entre 0 i 1, essent R2 =1 un ajust perfecte (interpolació). En el cas particular de l’ajust lineal simple, aquest coeficient coincideix amb el coeficient de correlació de Pearson, r2, que mesura la correlació lineal entre dues variables.
Moltes vegades la nostra intenció és fer servir la recta obtinguda a partir d’un ajust lineal com a “substitut” de les dades experimentals, i no només constatar que hi ha una correlació entre dues variables. En aquest cas el valor de R^2 de l’ajust hauria de ser molt proper a 1, per introduir el mínim error possible. Aquest és el cas de la recta patró. •Calen valors de R^2 molt propers a 1, mínim 0.99 per fer determinacions quantitatives. •Si el blanc s’ha fet correctament la recta hauria de passar pel punt (0,0) , però aquest punt no s’ha d’incloure mai a priori per construir la recta patró •La recta patró només serveix en el rang en què està definida (no es pot extrapolar). Altres vegades voldrem comprovar que les dades experimentals segueixen una determinada llei o teoria. Ajustar una recta ens pot permetre obtenir informació addicional a partir dels valors del pendent de la recta (a) i l’ordenada a l’origen (b). La llei de Snell relaciona els angles d’incidència i de refracció quan la llum passa d’un medi amb índex de refracció n 1 a un altre amb índex n 2.
Els paràmetres desconeguts es troben a l’expressió del pendent i ordenada a l’origen. Com millor sigui el valor de R^2 més fiables seranels valors derivats de l’anàlisi. Valors massa baixos de R^2 indicarien que el substrat-enzim no estaria seguint una cinètica tipus Michaelis-Menten. L’ajust lineal també ens pot permetre obtenir dades que experimentalment son difícils (o impossibles) d’aconseguir. La conduc 3 vitat molar límit , Lm 0 és una d’elles. Recordem que és el valor de la conductivitat molar d’una dissolució d’electrolits a dil·lució infinita (a concentració zero). Es pot fer un gràfic de dispersió dels valors mesurats de conductivitat molar de diferents dissolucions de l’electrolit (y) en funció de l’arrel quadrada de la concentració (x) i ajustar una recta. En el límit quan c ® 0 el valor de la conductivitat molar ve donat per l’ordenada a l’origen (b). En aquest cas estarem extrapolant amb la recta ajustada a les dades.
És un error típic assumir que en un ajust lineal un valor elevat de R^2 ens garanteix una “bona” relació entre les dues variables.