Taller de diseño experimental

Licona Cruz Rebeca Salvador Torres Alan Sebastian

Pérez Romero
proyecto final Carolain
universidad autonoma metropolitana
ÍNDICE

11.52
11.68
12.7
12.11
12.41
11.52. Se diseñó un experimento para el Departamento de Ingeniería de
Materiales de Virginia Tech con el fin de estudiar las propiedades de deterioro del
nitrógeno con base en las mediciones de la presión de hidrógeno electrolítico. Se
utilizó una solución al 0.1 N NaOH y el material era cierto tipo de acero inoxidable.
La densidad de corriente de carga catódica fue controlada y variada en cuatro
niveles. Se observó la presión de hidrógeno efectiva como la respuesta. A
continuación, se presentan los datos.

Hay una relación muy estrecha entre la densidad de corriente de carga y la

presión de hidrógeno afectiva por lo que podemos modelar una regresión lineal

a) Efectúe un análisis de regresión lineal simple de y con x.

Se obtuvieron estas dos gráficas con los residuales, donde podemos decir que no
es tan bueno aplicar el modelo, esto debido a que nuestros puntos (realidad) se
encuentran algo dispersos de nuestra línea central (nuestro modelo), es decir, la
realidad se encuentra alejada de nuestro modelo por lo que el modelo aplicado no
sería el adecuado, por lo que podríamos aplicar otro tipo de modelo para nuestros
cálculos, sin embargo, podemos continuar realizando los análisis
correspondientes, y verificar la veracidad del modelo

y=7.3597973+ 135.403378 x

b) Calcule la suma de cuadrados del error puro y haga una prueba para la
falta de ajuste.
Suma de cuadrados del error puro = 57332.17311
c) ¿La información del inciso b indica la necesidad de un modelo en x más
allá de una regresión de primer orden? Explique su respuesta.
El modelo en X necesita una regresión más allá del primer orden ya que los datos
que se nos muestran en la gráfica de residuales podemos ver que existe un patrón
y su varianza no es constante, por lo tanto, tienen un mal ajuste.

11.68 Proyecto: Este proyecto se puede realizar en grupos o de manera individual.

Cada grupo o persona debe encontrar un grupo de datos, preferiblemente de su
campo de estudios, aunque también pueden ser de otro campo. Los datos se
deben ajustar al esquema de regresión, con una variable de regresión x y una
variable de respuesta y. Determine con cuidado cuál variable es x y cuál es y. Tal
vez necesite consultar una revista científica de su campo si no cuenta con otros
datos experimentales.
a) Grafique y contra x. Comente sobre la relación que se observa en la gráfica.
b) Diseñe un modelo de regresión adecuado a partir de los datos. Utilice una
regresión lineal simple o ajuste un modelo polinomial a los datos. Comente acerca
de medidas de calidad.
c) Grafique los residuales como se indica en el texto. Verifique posibles violaciones
de los supuestos. Muestre de forma gráfica una representación de los intervalos
de confianza de una respuesta media graficada en comparación con x. Haga
comentarios al respecto.
Se tienen las presiones sanguíneas sistólica (PSS) y las edades de 69 personas

No. Edad PSS

1 44 142

2 46 142

3 42 138

4 57 168

5 21 120

6 65 162

7 47 149

8 51 174

9 65 158

10 70 180

11 19 124
12 22 130

13 39 120

14 48 157

15 56 150

16 65 176

17 42 128

18 56 154

19 29 130

20 41 158

21 17 114

22 39 144

23 53 158

24 23 139

25 57 164

26 66 176

27 25 125

28 67 158

29 31 134

30 50 144

31 47 159

32 50 142

33 20 116

34 33 140

35 48 130

36 64 162

37 51 160
38 62 172

39 44 160

40 33 144

41 45 135

42 52 156

43 60 185

44 39 138

45 26 132

46 47 145

47 59 140

48 55 174

49 19 128

50 38 150

51 42 124

52 59 170

53 63 144

54 35 148

55 45 138

56 61 169

57 61 154

58 69 175

59 41 152

60 67 170

61 40 153

62 29 110

63 68 184
64 36 136

65 47 156

66 68 172

67 56 165

68 36 124

69 41 134
 S
e obtuvieron estas dos gráficas con los residuales, donde podemos decir que
podemos aplicar el modelo, esto debido a que varios de nuestros puntos (realidad)
se encuentran cerca de nuestra línea central (nuestro modelo), es decir, la realidad
se encuentra cercana de nuestro modelo por lo que el modelo aplicado sería el
adecuado, continuar realizando los análisis correspondientes, y verificar la
veracidad del modelo

12.7. Se realizó un experimento con el fin de determinar si el flujo sanguíneo

cerebral de los seres humanos se podía predecir a partir de la tensión arterial del
oxígeno (milímetros de mercurio). En el estudio participaron 15 pacientes y se
reunieron los siguientes datos:

Estime la ecuación de regresión

cuadrática
los datos se aglutinan alrededor de la línea de tendencia, pero no de una manera
tan estrecha lo que quiere decir que la tensión arterial no está fuertemente
relacionada con el flujo sanguíneo
por la correlación de datos
se ve que no están
estrechamente relacionados,
con números como 0.24 y
0.19.

Tension art x^2 Linear (Tension art x^2)

Tensión arterial del oxígeno, x Linear (Tensión arterial del oxígeno, x)
400000

350000

300000
f(x) = 6378.18652409082 x − 267620.650785034
250000 R² = 0.0609820671033458

200000

150000

100000

50000

0 f(x) = 5.47490622788584 x + 45.5258014683536

74 R²7=60.0395506677266884
78 80 82 84 86 88 90

Se identifican los coeficientes para desarrollar la ecuación a continuación,

2
y=141.611780−0.281927 x+0.000309140 x
12.11. Se realizó un experimento para estudiar el tamaño de los calamares
consumidos por tiburones y atunes. Las variables regresoras son características
de la boca del calamar. Los datos del estudio son los siguientes:
En el estudio las variables
regresoras y la respuesta
considerada son
x1 = longitud del rostral, en
pulgadas,
x2 = longitud de la aleta, en
pulgadas,
x3 = longitud del rostral a la cola, en
pulgadas,
x4 = longitud de la cola a la aleta,
en pulgadas,
x5 = ancho, en pulgadas,
y = peso, en libras.
 Estime la ecuación de regresión lineal múltiple

Los datos se aglutinan alrededor de las líneas de tendencia, hay una relación
lineal entre las variables y existe una relación lineal positiva, lo que por ejemplo
puede decir que para x4 significa que cuando la longitud de la cola a la aleta
aumenta, la longitud del rostral también aumenta y viceversa.

2.5

2 f(x) = 0.107765552582555 x + 1.01383259782527

R² = 0.922554074698623
f(x) = 0.0947478230263089 x + 0.869805609677361
1.5 R² = 0.881231504736974

f(x) = 0.0668436573389572 x + 0.576863584735802

1 R² = 0.885728669472442

f(x) = 0.0396980892648944
0.0453336173829077 x + 0.357102879170132
0.273916384169611
0.5 R² = 0.913982736037759
0.945503578926945
Se observa una correlación
0 fuerte positiva en todos los
0 x1
2 4 6Linear (x1) 8 10x2 12
Linear (x2) x3 Linear (x3) casos
x4 Linear (x4) x5
Linear (x5)
Se identificaron los coeficientes señalados en color naranja para el desarrollo de la
ecuación siguiente,

y=−6.5049169+2.098650 x1 −3.7614802 x 2 +2.577097 x 3+ 5.1491903 x 4 + 14.27863 x 5

12.41. Considere el ejemplo 12.3 de la página 447. Compare los dos modelos en
competencia

Utilice R2ajus para realizar la comparación. Pruebe H0: β11 = β22 = β12 = 0. También
utilice el C.V. que se mencionó en el ejercicio 12.40.

De acuerdo con los datos proporcionados se realizo una nueva base de datos
correspondiente a las ecuaciones de primer y segundo orden, como se muestra a
continuación
Con lo que logramos obtener las siguientes gráficas de primer y segundo orden
respectivamente

Primer Orden
30

25 f(x) = 1.18833993609687 x − 0.887054943462626

f(x) = 1.12446945486629 x + 4.64349547804263
R² = 0.927687300264694 R² = 0.896602481785088
20

15

10

0
8 10 12 14 16 18 20 22 24

Segundo Orden
30

25 f(x)==1.12446945486629
f(x) 1.18833993609687 f(x) = 0.0317691086270575
xx+−4.64349547804263
0.887054943462626
f(x) = 0.0388584272530245 x + 9.84909628855223
x + 12.2775663106574
R²==0.927687300264694
R² 0.896602481785088 R² = 0.875328372716219
R² = 0.905809368481628

20

15

10

0
0 100 200 300 400 500 600
El coeficiente de correlación que se obtuvo de cada modelo fueron los siguientes

Con ayuda de los gráficos y el análisis de correlación, se determinó que

Coeficiente de correlación

Para el modelo de primer orden:

1. Existe una correlación fuerte positiva, y tiene una distribución lineal, lo
que significa que a la temperatura de 75 grados Celsius, cuando
aumenta el porcentaje de impurezas a su vez aumenta el tiempo de
esterilización y viceversa.
2. Existe una correlación positiva y tiene una distribución lineal, lo que
significa que a una temperatura de 100 grados Celsius, cuando aumenta
el porcentaje de impurezas a su vez aumenta el tiempo de esterilización
y viceversa.
Para el modelo de segundo orden
1. Existe una correlación fuerte positiva, y tiene una distribución lineal, lo
que significa que a la temperatura de 75 grados Celsius, cuando
aumenta el porcentaje de impurezas a su vez aumenta el tiempo de
esterilización y viceversa.
2. Existe una correlación positiva y tiene una distribución lineal, lo que
significa que a una temperatura de 100 grados Celsius, cuando aumenta
el porcentaje de impurezas a su vez aumenta el tiempo de esterilización
y viceversa.
 3. Existe una correlación fuerte positiva, y tiene una distribución lineal, lo
que significa que a la temperatura de 75 grados Celsius, cuando
aumenta el cuadrado del porcentaje de impurezas a su vez aumenta el
tiempo de esterilización y viceversa.
4. Existe una correlación positiva y tiene una distribución lineal, lo que
significa que a una temperatura de 100 grados Celsius, cuando aumenta
el cuadrado del porcentaje de impurezas a su vez aumenta el tiempo de
esterilización y viceversa.
Posterior a esto se calculó el estadístico de regresión donde se observo el R^2
ajustado

Al compararlos observamos que la diferencia entre ambos es significativa, aunque

ambos son bastantes cercanos a 1 positivo, lo que indicaría que se trata de una
buena relación, la diferencia de ambos es de 0.10, considerando la base de datos
con los porcentajes que son mínimos, esta diferencia es considerable.
Prueba de Hipótesis H0: β11 = β22 = β12 = 0
Observando el valor-p de primer orden, el cual es, 0.019077; a diferencia del de
segundo orden, que es, 0.070660

Por lo tanto, se rechaza la hipótesis

H0: β11 = β22 = β12 = 0

Y se concluye que Ha: β11 ¹ β22 ¹ β12 ¹ 0 se acepta