Para esta parte del proyecto se tuvo que desarrollar un

modelo general y pasos posteriores el modelo reducido, por

cada una de las variables que se son de estudio en este caso
la variable de respuesta es una relacin entre ipb despus y
ipb antes as junto con las variables cualitativas obtendremos
que modelo es mejor para el experimento que se propone.
Modelo completo
Se coloca los datos dicotmicos con respecto a las variables
de respuesta:

Call:
lm(formula = respuesta ~ Escoba + Dent + Grupo, data = dentrifico)
Residuals:
Min
1Q Median
3Q
Max
-0.68615 -0.14912 0.02878 0.19093 0.44225
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.84800 0.06008 14.116 < 2e-16 ***
Escoba
0.02411 0.04248 0.568 0.571290
Dent
-0.09765 0.04248 -2.299 0.023193 *
Grupo
-0.06420 0.01900 -3.379 0.000971 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.2403 on 124 degrees of freedom
Multiple R-squared: 0.1207,
Adjusted R-squared: 0.09947
F-statistic: 5.676 on 3 and 124 DF, p-value: 0.001124

Interpretacin del modelo:

y=0.848+ 0.020escova0.097Dent0.06 grupo

Se puede observar que hay dos variables de mucho inters

para el modelo de la regresin lineal mltiple.
Se puede observar que Escoba no es significativo con
respecto a las dems variables que representan al modelo, lo
que denotamos y es muy importante es el valor de R el cual

denota el porcentaje de variacin del modelo y se observa

que es muy bajo.

Anlisis de RESIDUOS

Se puede observar que hay evidencia de que los datos son

homocedasticos ya que denota un patrn que siguen los
residuos, se observa que en la grfica de normalidad los
datos a pesar que tienen un porcentaje de variacin bajo se
ajustan muy bien para poder decir que provienen de una
poblacin modelada con una distribucin normal.

Grficos de interaccin

Como adicional presentamos un grfico de iteracin con

respecto al uso de la escoba con respecto al promedio de los
grupos de uso , este nos indica cual que los efectos de usar la
escoba no es el mismo dependiendo de los das varia con
respecto al uso del dentfrico sin o con escoba .

Para este caso la iteracin de los das con respecto al uso del
dentfrico se puede observar que hay das en los cuales los
grupos tienen ms incidencia de uso de dentfrico y que hay
un efecto entre los grupos los cuales son las variables de
inters para el estudio.

Modelo reducido

lm(formula = respuesta ~ Dent + Grupo, data = dentrifico)

Residuals:
Min
1Q Median
3Q
Max
-0.6982 -0.1537 0.0302 0.1818 0.4302
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.86006 0.05604 15.346 < 2e-16 ***
Dent
-0.09765 0.04236 -2.305 0.02282 *
Grupo
-0.06420 0.01895 -3.389 0.00094 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.2397 on 125 degrees of freedom
Multiple R-squared: 0.1185,
Adjusted R-squared: 0.1043
F-statistic: 8.398 on 2 and 125 DF, p-value: 0.0003783

Para este modelo se puede apreciar que el R cuadrado ha

aumentado con respecto al modelo completo y que todas las
variables son significativas.

y=0.8600.097Dent0.06 grupo

Anlisis de residuos

Con respecto al modelo anterior se puede denotar que no ha

sufrido mejora o alteracin con respecto a los supuestos de
regresin que se pueden dar, se sigue observando que los
datos son homocedasticos sigue habiendo un patrn para
aquello los datos siguen siendo normales por el grafico
Normal QQ entre otras caractersticas.

Modelo con iteraciones

y=0.8500.107Dent0.06 grupo0.017 Escova : Dentrifico0.038 Escova :Grupo+0.032 Dent :Grupo+

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
0.85849 0.10492 8.182 3.36e-13 ***
Escoba
0.10720 0.14838 0.722 0.4714
Dent
-0.19307 0.14838 -1.301 0.1957
Grupo
-0.06553 0.03831 -1.710 0.0898 .
Escova:Dent
-0.01730 0.20985 -0.082 0.9345
Escova:Grupo
-0.03897 0.05418 -0.719 0.4734
Dent:Grupo
0.03243 0.05418 0.599 0.5506
Escova:Dent:Grupo 0.01839 0.07663 0.240 0.8107
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.2423 on 120 degrees of freedom
Multiple R-squared: 0.1348,
Adjusted R-squared: 0.08436
F-statistic: 2.672 on 7 and 120 DF, p-value: 0.01323

Tabla Anova

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

Cepillo dental
1 0.019 0.0186 0.317 0.57451
Dent
1 0.305 0.3051 5.197 0.02439 *
Grupo
1 0.660 0.6595 11.233 0.00108 **
Cepillo dental:Dent
1 0.007 0.0066 0.112 0.73831
Cepillo dental:Grupo
1 0.035 0.0355 0.604 0.43856
Dent:Grupo
1 0.069 0.0693 1.180 0.27945
Cepillo dental:Dent:Grupo 1 0.003 0.0034 0.058 0.81071
Residuals
120 7.046 0.0587

Grficos de residuos

Conclusiones:
Se puede observar que a pesar que el modelo sigue teniendo
un R muy bajo y las iteraciones no son significativas con
respecto al uso del dentfrico o del cepillo de dientes en el
anlisis de residuos siguen teniendo las mismas
caractersticas de los modelos anteriores los supuestos del a
regresin siguen idnticos lo que se denota un poco es el
efecto de la iteracin ya que se observa que es mas dispersa
con respecto a los dems modelos, para el anlisis de la tabla
anova con iteracin se puede observar que ninguno de los
efectos es significativo con respecto al dentfrico o Cepillo
dental es mas prevalece que la mejor opcin es utilizar el
dentfrico.

Conclusiones finales
En el experimento del uso del dentrifico se puede observar
que mediante las tcnicas de regresin lineal mltiple se
observa que las variables no son significativas con respecto a
estos efectos de cepillo o dentrifico en el modelo completo o
con iteraciones el R es muy bajo no hay una buena relacin de
los datos con respecto a las variables de inters , en el
anlisis anova con las iteraciones se puede denotar que sigue
persistiendo variables que no son significativas para el
modelo , se puede acotar que a pesar que los datos tienen un
R muy bajo el test de normalidad se cumple y la hiptesis que
los datos provienen de una poblacin modelada con una
distribucin normal estndar se cumple, para finalizar es
mejor utilizar dentrifico con respecto al cepillado ya que es el
mejor modelo que se adapta a los datos .

Recomendaciones
Se puede sugerir tener ms variables no dicotmicas para
estos diseos si se los desea modelar o utilizar mtodos
robustos para este tipo de datos por ejemplo regresin
logstica en primera instancia , tener mas datos y tener una
variable predictora mas concreta ya que la que se utiliz influ
mucho en la parte del modelo, hacer un experimento con
muchos ms datos de este tipo.