NOMBRE: Tania Milagros Pareja Ramírez

REPORTE: La práctica de RLS Jueves 9:40

CASO 1: Los siguientes datos se refieren al crecimiento de una colonia de bacterias en un

medio de cultivo:
X Y
3 115000
6 147000
9 239000
12 356000
15 579000
18 864000
Siendo X el número de días desde la inoculación e Y el número de bacterias. Comprobar gráfica
y numéricamente que el tipo de asociación entre ambas variables no es lineal.

• Plantear hipótesis.
Ho: Los datos se ajustan al modelo de regresión adoptado es decir,
Yij=a(x) +b
Ha: Los datos no se ajustan bien al modelo de regresión adoptado
• Determinar el nivel de significancia:
𝛼=0.05
• Grafique el conjunto de puntos.

1000000
Y
900000
800000
700000
600000
500000
400000
300000
200000
100000
0
0 5 10 15 20
X
 • Calcule a;b y la ecuación de pronòstico Yij=axi + b
y = 49124x - 132467
R² = 0,9076
• Obtener el ANVA correspondiente

ANOVAa

Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión 380070914285, 380070914285,

1 39,294 ,003b
714 714

Residuo 38690419047,6 9672604761,90

4
19 5

Total 418761333333,
5
333

a. Variable dependiente: Y
b. Predictores: (Constante), X

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 1 3,8E+11 3,8E+11 39,29354 0,003305
Residuos 4 3,87E+10 9,67E+09
Total 5 4,19E+11

• Decisión: si p-valor≪ 𝛼 se rechaza la Ho

0.003≪ 0.05 Se rechaza la Ho

• CONCLUSIÒN: Como se puede apreciar, el valor p de falta de ajuste indica 0.003 esto
significa que con un 95% de confianza se rechaza la idea de que los datos se ajusten a
un modelo lineal. Por tanto no es un ajuste lineal.
 CASO. 2: La hidrólisis de un cierto éster tiene lugar en medio ácido según un proceso
cinético de primer orden. Partiendo de una concentración inicial (por 103(M)) desconocida
del éster, se han medido las concentraciones del mismo a diferentes tiempos (en minutos)
obteniéndose los resultados siguientes:

Tiempo Concentración
3 25,5
5 23,4
10 18,2
15 14,2
20 11,6
30 7,4
40 12,5
60 1,5
75 0,7
90 0,4

Comprobar gráfica y numéricamente que el tipo de asociación entre ambas variables no es

lineal.

• Plantear hipótesis.

Ho: Los datos se ajustan al modelo de regresión adoptado es decir,

Yij=a(x) +b

Ha: Los datos no se ajustan bien al modelo de regresión adoptado

• Determinar el nivel de significancia:

𝛼=0.05

• Grafique el conjunto de puntos.

Concentración 30

25

20

15

10

0
0 20 40 60 80 100

Tiempo
 • Calcule a;b y la ecuación de pronòstico Yij=axi + b

y = -0,2708x + 20,965
R² = 0,8316

2. Obtener el ANVA correspondiente

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 1 621,5372 621,5372 39,4919 0,000237
Residuos 8 125,9068 15,73835
Total 9 747,444

ANOVAa

Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión 621,537 1 621,537 39,492 ,000b

Residuo 125,907 8 15,738

Total 747,444 9

a. Variable dependiente: Concentraciòn

b. Predictores: (Constante), Tiempo

5. Decisiòn: si p-valor≪ 𝛼 se rechaza la Ho

0.0002 ≪0.005 se rechaza Ho

6. Conclusiòn:

Como se puede apreciar, el valor p de falta de ajuste indica 0.0002 esto significa que con un
95% de confianza se rechaza la idea de que los datos se ajusten a un modelo lineal. Por tanto
no es un ajuste lineal.
CASO 3: El siguiente artículo está basado en el paper de Rawski y colaboradores [1] y tiene por
objeto entregar una alternativa para evaluar la linealidad de las curvas de calibración.
Supongamos que se prepararon 11 soluciones de distinta concentración de un elemento y se
leyeron por espectrofotometría. Con estos datos se quiere saber si el método lineal o
cuadrático es adecuado o no para este rango de concentración.

Conc. area area area prom

mg/L pico 1 pico 2 pico 3 area
0,000 0,000 0,000 0,000 0,000
2,000 0,089 0,082 0,070 0,080
4,000 0,137 0,142 0,128 0,136
6,000 0,215 0,201 0,205 0,207
8,000 0,245 0,242 0,243 0,243
10,000 0,302 0,317 0,290 0,303
12,000 0,335 0,325 0,327 0,329
14,000 0,366 0,375 0,370 0,370
16,000 0,413 0,405 0,400 0,406
18,000 0,434 0,441 0,420 0,432
20,000 0,442 0,45 0,441 0,444

• Plantear hipótesis.

Ho: Los datos se ajustan al modelo de regresión adoptado es decir,

Yij=a(x) +b

Ha: Los datos no se ajustan bien al modelo de regresión adoptado

• Determinar el nivel de significancia:

𝛼=0.05

• Grafique el conjunto de puntos.

Área Pico 1 0.500

0.450
0.400
0.350
0.300
0.250
0.200
0.150
0.100
0.050
0.000
0.000 5.000 10.000 15.000 20.000 25.000

Concentración
 • Calcule a;b y la ecuación de pronòstico Yij=axi + b
y = 0,0219x + 0,0521
R² = 0,9631

• Obtener el ANVA correspondiente

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 1 0,210328 0,210328 234,8578 9,36E-08
Residuos 9 0,00806 0,000896
Total 10 0,218388

ANOVAa

Suma de Media
Modelo cuadrados gl cuadrática F Sig.

1 Regresión ,210 1 ,210 234,858 ,000b

Residuo ,008 9 ,001

Total ,218 10

a. Variable dependiente: area1

b. Predictores: (Constante), Concentraciòn

• Decisiòn: si p-valor≪ 𝛼 se rechaza la Ho

9,36E − 08 ≪ 0.005 Se rechaza Ho

• CONCLUSIÒN:
Como se puede apreciar, el valor p de falta de ajuste indica 9,36E-08 esto significa
que con un 95% de confianza se rechaza la idea de que los datos se ajusten a un
modelo lineal. Por tanto no es un ajuste lineal.
CASO 4: Se ha realizado un estudio para investigar el efecto de un determinado proceso
térmico (horneado) en la dureza de un product de panificación (galleta). Once piezas se
seleccionaron para el estudio. Antes del tratamiento se realizaron pruebas de dureza para
determinar la dureza de cada pieza. Después, las piezas fueron sometidas a un proceso
térmico de horneado con el fin de mejorar su dureza. Al final del proceso, se realizaron
nuevamente pruebas de dureza y se obtuvo una segunda lectura. Se recogieron los siguientes
datos (Kg. de presión):
Dureza Dureza
Previa Post
182 198
232 210
191 194
200 220
148 138
249 220
276 219
213 161
241 210
480 313
262 226

a)¿Se puede afirmar que el proceso de horneado mejora la dureza de las piezas? b) Decide si
un modelo lineal es adecuado para explicar la dureza posterior en función de la dureza previa.
En caso afirmativo obtenlo y predice la dureza tras el proceso de horneado de una pieza con
un dureza previa de 215.

• Plantear hipótesis.

Ho: Los datos se ajustan al modelo de regresión adoptado es decir,

Yij=a(x) +b

Ha: Los datos no se ajustan bien al modelo de regresión adoptado

• Determinar el nivel de significancia:

𝛼=0.05

• Grafique el conjunto de puntos.

Dureza Post 350

300
250
200
150
100
50
0
0 100 200 300 400 500 600 Dureza Previa
 • Calcule a;b y la ecuación de pronòstico Yij=axi + b
y = 0,4543x + 99,476
R² = 0,8196

• Obtener el ANVA correspondiente

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crítico
libertad cuadrados cuadrados F de F
Regresión 1 15680,1479 15680,1479 40,8957106 0,00012601
Residuos 9 3450,76119 383,41791
Total 10 19130,9091

ANOVAa

Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 15680,148 1 15680,148 40,896 ,000b

Residuo 3450,761 9 383,418

Total 19130,909 10

a. Variable dependiente: D2P

b. Predictores: (Constante), D1

• Decisiòn: si p-valor≪ 𝛼 se rechaza la Ho

0,00012601≪ 0.05 Se rechaza la Ho

• CONCLUSIÒN:
Como se puede apreciar, el valor p de falta de ajuste indica 0,00012601 esto
significa que con un 95% de confianza se rechaza la idea de que los datos se
ajusten a un modelo lineal. Por tanto no es un ajuste lineal.