Regresión lineal simple

Se realizó un estudio en Virginia Tech para determinar si ciertas medidas de la fuerza estática del brazo
influyen en las características de “levantamiento dinámico” de un individuo. Veinticinco individuos se
sometieron a pruebas de fuerza y luego se les pidió que hicieran una prueba de levantamiento de peso, en el
que el peso se elevaba en forma dinámica por encima de la cabeza. A continuación se presentan los datos.

Individual Fuerza del brazo, x Levantamiento Individual dinámico, y

1 17.3 71.7
2 19.3 48.3
3 19.5 88.3
4 19.7 75.0
5 22.9 91.7
6 23.1 100.0
7 26.4 73.3
8 26.8 65.0
9 27.6 75.0
10 28.1 88.3
11 28.2 68.3
12 28.7 96.7
13 29.0 76.7
14 29.6 78.3
15 29.9 60.0
16 29.9 71.7
17 30.3 85.0
18 31.3 85.0
19 36.0 88.3
20 39.5 100.0
21 40.4 100.0
22 44.3 100.0
23 44.6 91.7
24 50.4 100.0
25 55.9 71.7

Solución

Modelo
Levantamiento =β0 + β1 F uerza + error
Fuerza = c(17.3,19.3,19.5,19.7,22.9,23.1,26.4,26.8,27.6,28.1,28.2,28.7,29.0,29.6,
29.9,29.9,30.3,31.3,36.0,39.5,40.4,44.3,44.6,50.4,55.9)
Levantamiento = c(71.7,48.3,88.3,75.0,91.7,100.0,73.3,65.0,75.0,88.3,68.3,96.7,76.7,78.3,
60.0,71.7,85.0,85.0,88.3,100.0,100.0,100.0,91.7,100.0,71.7)

plot(Fuerza,Levantamiento,main = "Diagrama de dispersión")

1
 Diagrama de dispersión
100
90
Levantamiento

80
70
60
50

20 30 40 50

Fuerza

de acuerdo con la gráfica y el test de correlación de Pearson se tiene que la fuerza estática y el levantamiento
dinámico están directamente relacionados, el grado de relación es aproximadamente del 39% que puede
considerarse muy bajo para los propósitos del modelo.
La prueba t para la hipótesis
H0 : ρ = 0 vs H1 : ρ 6= 0
da como resultado un p-valor de 0.053 > 0.05, por tanto no se puede rechazar H0 y concluye que las variables
no se relacionan de manera significativa
cor.test(Fuerza,Levantamiento)

##
## Pearson's product-moment correlation
##
## data: Fuerza and Levantamiento
## t = 2.0416, df = 23, p-value = 0.05282
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.004063331 0.681370679
## sample estimates:
## cor
## 0.3916965
modelo = lm(Levantamiento~Fuerza)
summary(modelo)

##

2
## Call:
## lm(formula = Levantamiento ~ Fuerza)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.055 -6.037 2.155 10.623 22.514
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 64.5292 8.9599 7.202 2.48e-07 ***
## Fuerza 0.5609 0.2747 2.042 0.0528 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 13.28 on 23 degrees of freedom
## Multiple R-squared: 0.1534, Adjusted R-squared: 0.1166
## F-statistic: 4.168 on 1 and 23 DF, p-value: 0.05282
anova(modelo)

## Analysis of Variance Table

##
## Response: Levantamiento
## Df Sum Sq Mean Sq F value Pr(>F)
## Fuerza 1 735.1 735.14 4.1683 0.05282 .
## Residuals 23 4056.3 176.36
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
El modelo estimado es
Levantamiento = 64.5292 + 0.5609(F uerza)
Hipótesis
H0 : β1 = 0 vs H1 : β1 6= 0
segun los resultados del modelo, no se puede rechazar la hipótesis nula ya que el p-valor es de 0.0528 que es
mayor que 0.5, es decir que la fuerza estática no es significativa para predecir el levantamiento dinámico, por
tanto el modelo no es recomendable para hacer estimaciones.

Diseño en bloques completamente aleatorizado

En un artículo de Fire Safety Joumal (“El efecto del diseño de boquillas en la estabilidad y el desempeño
de surtidores de agua turbulenta”, vol. 4) se describe un experimento en el que se determinó un factor de
la forma para varios diseños diferentes de boquillas con seis niveles de la velocidad del flujo de salida del
surtidor. El interés se centró en las diferencias potenciales entre los diseños de las boquillas, con la velocidad
considerada como una variable perturbadora. Los datos se presentan a continuación.

Solución

yij = µ + τi + βj + εij ; i = 1, 2, 3, 4, 5 ; j = 1, 2, 3, 4, 5, 6
H0 : τ1 = τ2 = · · · = τ5
H1 : los promedios de la respuesta para los niveles dediseño de boquillal tratamiento son diferentes

3
 Diseño de la Velocidad de flujo del surtidor (m/s)
boquilla 11.73 14.37 16.59 20.43 23.46 28.74
1 0.78 0.80 0.81 0.75 0.77 0.78
2 0.85 0.85 0.92 0.86 0.81 0.83
3 0.93 0.92 0.95 0.89 0.89 0.83
4 1.14 0.97 0.98 0.88 0.86 0.83
5 0.97 0.86 0.78 0.76 0.76 0.75

Boquilla = factor(rep(1:5,6),labels=c("Boquilla_1","Boquilla_2","Boquilla_3","Boquilla_4",
"Boquilla_5"))
Velocidad = gl(6,5,labels = c("11.73","14.37","16.59","20.43","23.46","28.74"))
Y = c(0.78,0.85,0.93,1.14,0.97,0.8,0.85,0.92,0.97,0.86,0.81,0.92,0.95,0.98,0.78,
0.75,0.86,0.89,0.88,0.76,0.77,0.81,0.89,0.86,0.76,0.78,0.83,0.83,0.83,0.75)

Datos = data.frame(Boquilla,Velocidad,Y) ; attach(Datos)

## The following objects are masked _by_ .GlobalEnv:

##
## Boquilla, Velocidad, Y
Datos

## Boquilla Velocidad Y
## 1 Boquilla_1 11.73 0.78
## 2 Boquilla_2 11.73 0.85
## 3 Boquilla_3 11.73 0.93
## 4 Boquilla_4 11.73 1.14
## 5 Boquilla_5 11.73 0.97
## 6 Boquilla_1 14.37 0.80
## 7 Boquilla_2 14.37 0.85
## 8 Boquilla_3 14.37 0.92
## 9 Boquilla_4 14.37 0.97
## 10 Boquilla_5 14.37 0.86
## 11 Boquilla_1 16.59 0.81
## 12 Boquilla_2 16.59 0.92
## 13 Boquilla_3 16.59 0.95
## 14 Boquilla_4 16.59 0.98
## 15 Boquilla_5 16.59 0.78
## 16 Boquilla_1 20.43 0.75
## 17 Boquilla_2 20.43 0.86
## 18 Boquilla_3 20.43 0.89
## 19 Boquilla_4 20.43 0.88
## 20 Boquilla_5 20.43 0.76
## 21 Boquilla_1 23.46 0.77
## 22 Boquilla_2 23.46 0.81
## 23 Boquilla_3 23.46 0.89
## 24 Boquilla_4 23.46 0.86
## 25 Boquilla_5 23.46 0.76
## 26 Boquilla_1 28.74 0.78
## 27 Boquilla_2 28.74 0.83
## 28 Boquilla_3 28.74 0.83
## 29 Boquilla_4 28.74 0.83
## 30 Boquilla_5 28.74 0.75

4
TABLA DE ANALISIS DE VARIANZA

## Df Sum Sq Mean Sq F value Pr(>F)

## Boquilla 4 0.10218 0.025545 8.916 0.000266 ***
## Velocidad 5 0.06287 0.012573 4.389 0.007364 **
## Residuals 20 0.05730 0.002865
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
De acuerdo a la tabla de anava, el diseño de boquilla tiene efecto significativo en la respuesta, ya que el
p-valor de pa hipótesis es menor que el nivel de confianza del 5%, además el p-valor para los bloques es
significativo y por tanto es importante tener en cuenta la velocidad de flujo del surtidor en el experimento.
La prueda de tukey se realiza para detectar las diferencias entre los tipos de diseño de boquilla. La prueba
muestra diferencias entre la boquilla 4 con las boquillas 1 y 5 siendo el promedio mayor con la oquilla 4. el
promedio de la boquilla 3 difiere significativamente de la boquilla 1, siendo el promedio mayor con la boquilla

Prueba de tukey

## Warning: package 'agricolae' was built under R version 3.5.1

## $statistics
## MSerror Df Mean CV MSD
## 0.002865 20 0.8586667 6.233582 0.09247357
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Boquilla 5 4.231857 0.05
##
## $means
## Y std r Min Max Q25 Q50 Q75
## Boquilla_1 0.7816667 0.02136976 6 0.75 0.81 0.7725 0.780 0.7950
## Boquilla_2 0.8533333 0.03723797 6 0.81 0.92 0.8350 0.850 0.8575
## Boquilla_3 0.9016667 0.04215052 6 0.83 0.95 0.8900 0.905 0.9275
## Boquilla_4 0.9433333 0.11360751 6 0.83 1.14 0.8650 0.925 0.9775
## Boquilla_5 0.8133333 0.08664102 6 0.75 0.97 0.7600 0.770 0.8400
##
## $comparison
## NULL
##
## $groups
## Y groups
## Boquilla_4 0.9433333 a
## Boquilla_3 0.9016667 ab
## Boquilla_2 0.8533333 abc
## Boquilla_5 0.8133333 bc
## Boquilla_1 0.7816667 c
##
## attr(,"class")
## [1] "group"