Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMA B Ultimo Trabajo A
TEMA B Ultimo Trabajo A
c
c c
c
Se efectúa un experimento para determinar si A: la posición de la caldera y B: la
temperatura de encendido tienen efecto sobre Y: la densidad de un ánodo de carbón. Los
datos son los siguientes.
Supuestos
Restricciones:
Yijk: densidad de un ánodo de carbón para cada i-ésima posición de la caldera según la j-
esima temperatura de encendido, en la k-esima pieza de material.
Datos
En el siguiente grafico podemos ver que los perfiles de las medias aparentemente son
paralelos, es decir, la diferencia entre las medias es constante. Esto puede indicar que la
densidad del ánodo de carbono no depende de la relación entre la posición de la caldera y
la temperatura de encendido puesto que no se presenta interacción entre los factores.
Para las temperaturas de 800 y 850 grados centígrados en cualquiera de las dos
posiciones vemos que se presenta poca variación en la media de la densidad de ánodo
mientras que con 825 grados centígrados si hay variación en comparación con 800 y 850.
Vemos que para ambas posiciones tenemos la mayor media de densidad con 825ºC y la
menor densidad de ánodo con 800ºC y 850ºC.
ANOVA
Estadístico de Prueba
Fo = MSAB/MSE ~ f(a-1)(b-1),ab(n-1)
Fo = 409/448 = 0.914 ~ f2,12
Criterio de Rechazo
Estadístico de Prueba
Fo = MSA/MSE ~ fa-1,ab(n-1)
Estadístico de Prueba
Fo = MSB/MSE fb-1,ab(n-1)
Finalmente podemos ver que la interacción no es significativa tanto por la anova como por
los perfiles de media, pero que cada efecto principal si es significativo para el experimento
sobre la media de la densidad del ánodo de carbono.
; Si la interacción no es significativa, replantee el modelo ahora sin interacción y
recalcule el ANOVA. Además realice las comparaciones de Tukey para las medias de
cada factor y con estos resultados más el análisis de los gráficos de perfiles de medias
establezca el mejor tratamiento combinación de posición y temperatura que produzca la
densidad promedio más alta.
Yijk = µ + Įi + ȕj + Eijk
Supuestos
Restricciones:
σଶୀଵ ߙ ൌ Ͳ σଷୀଵ ߚ ൌ Ͳ
TUKEY
Con los resultados de la prueba de Tukey podemos ver que en los intervalos para las
temperaturas 850 ± 800 se encuentra el 0, con lo que podemos decir que en promedio
estas temperaturas producen la misma respuesta.
Con los gráficos de perfiles de medias podemos decir que el mejor tratamiento se lograría
con la posición A1 y la temperatura de 825ºC.
Å Dé una expresión general para el cálculo de los residuales del modelo que resulte
mejor para este experimento (con o sin interacción), obténgalos y con ellos valide:
Validación de Supuestos
a. Normalidad
Wo: 0.9666, CR VP < Į; Į=0.05; VP = 0.731, acepto Ho y concluyo que los errores se
distribuyen normales.
Ô
Q
t
c t Q t
b. Varianza Constante.
s z
s s
s
s s s
z
s
s
s s
s
residuales.estandarizados
-
-
temperatura
Con las gráficas anteriores podemos ver que también se cumple el supuesto de varianza
constante por la distribución de los puntos
c
> posicion<-gl(2,3,18,labels=factor(c("A1","A2")))
> temperatura<-gl(3,6,18,labels=factor(c("800","825","850")))
> densidad<-c(570,565,583,528,547,521,
+ 1063,1080,1043,988,1026,1004,
+ 565,510,590,526,538,532)
> (diseño<-data.frame(posicion,temperatura,densidad))
>interaction.plot(posicion,temperatura,densidad,type="b",pch=c(800,825,850),col=c("black
","blue","red"),lwd=2)
>interaction.plot(temperatura,posicion,densidad,type="b",pch=c(1,2),col=c("black","blue"),l
wd=2)
>summary(modelo.2factores.fijos<aov(densidad~posicion+temperatura+posicion*temperat
ura))
> modelo.2factores.fijos.sin.inter<-aov(densidad~posicion+temperatura)
> summary(modelo.2factores.fijos.sin.inter)
> TukeyHSD(modelo.2factores.fijos.sin.inter)
> (medias.tratamientos=tapply(densidad,list(posicion,temperatura),mean))
> qtukey(0.975,2,12)*sqrt(448/3)
> (posicion.800<-diseño[temperatura=="800", ])
> summary(modelo.posicion.800<-aov(densidad~posicion,data=posicion.800))
> (medias.posicion.800=medias.tratamientos[, 1] )
> combn(medias.posicion.800,2)
> combn(medias.posicion.800,2,function(x)x[1]-x[2])
> (posicion.825<-diseño[temperatura=="825", ])
> summary(modelo.posicion.825<-aov(densidad~posicion,data=posicion.825))
> (medias.posicion.825=medias.tratamientos[, 2] )
> combn(medias.posicion.825,2)
> combn(medias.posicion.825,2,function(x)x[1]-x[2])
> (posicion.850<-diseño[temperatura=="850", ])
> summary(modelo.posicion.850<-aov(densidad~posicion,data=posicion.850))
> (medias.tratamientos=tapply(densidad,list(posicion,temperatura),mean))
> qtukey(0.975,3,12)*sqrt(448/3)
> (temperatura.A1<-diseño[posicion=="A1", ])
> summary(modelo.temperatura.A1<-aov(densidad~temperatura,data=temperatura.A1))
> (temperatura.A2<-diseño[posicion=="A2", ])
> summary(modelo.temperatura.A2<-aov(densidad~temperatura,data=temperatura.A2))
> (medias.temperatura.A2=medias.tratamientos[2, ] )
> combn(medias.temperatura.A2,3)
> combn(medias.temperatura.A2,3,function(x)x[1]-x[2])
> residuales.ordinarios=residuals(modelo.2factores.fijos)
> residuales.estandarizados=rstandard(modelo.2factores.fijos)
> valores.ajustados<-modelo.2factores.fijos$fitted
> shapiro.test(residuales.ordinarios)
> abline(h=0,lty=2,col="red")
> abline(h=0,lty=2,col="red")
> abline(h=0,lty=2,col="red")
c '
En un proceso productivo se está estudiando el efecto de la variación de las maquinas y
de los cambios de condiciones de operación de día a día sobre la cantidad de producción
obtenida. Se seleccionan aleatoriamente cuatro maquinas y cuatro días dentro del periodo
de mayor producción en el año y se registra la productividad como respuesta para dos
corridas diarias con cada máquina seleccionada. Los datos correspondientes aparecen a
continuación.
FACTOR A: Maquina.
FACTOR B: Dias.
Donde:
Yijĸ: Cantidad de producción obtenida con la i-ésima maquina en el j-esimo día, en
la K-ésima corrida.
µ: Promedio global de la producción.
Ai: Efecto aleatorio de la i-ésima máquina sobre el promedio global de la
producción.
ߚ : Efecto aleatorio del j-ésimo día sobre el promedio global de la producción.
(AB)ij= Efecto aleatorio de la interacción sobre el promedio global de la producción.
Supuestos:
ߝ ̱݅݅݀ܰሺͲǡ ߪ ଶ ሻ
z ̱݅݅݀ܰሺǡ ߪఈଶ ሻ
ߚ ̱݅݅݀ܰሺͲǡ ߪఉଶ ሻ
ଶ
ሺz ሻ ̱݅݅݀ܰሺͲǡ ߪఈఉ ሻ
3. Construya la tabla ANOVA para el modelo de efectos aleatorios. Realice los tests de
hipótesis pertinentes enunciando claramente las hipótesis, la forma de construir los
estadísticos de prueba en cada caso y sus valores respectivos, así como los valores
P y las conclusiones en términos del modelo y del problema. Tenga mucho cuidado
al interpretar las componentes de varianza en presencia de una interacción
significativa.
Hipótesis
Interacción:
ଶ
í ߪఈఉ ൌͲ
ଶ
íଵ ߪఈఉ Ͳ
Estadístico de prueba:
`z ൌ ܵܯz ൗ`̱ ܧܵܯሺܽെͳሻሺܾെͳሻǡܾܽሺ݊െͳሻ
Criterio de Rechazo:
`z `ఈǡሺିଵሻሺିଵሻǡሺିଵሻ
ó ܸܲ ൌ ܲሺ`ሺିଵሻሺିଵሻǡሺିଵሻ `z ሻ ߙ
ܸܲ ൌ ͲǤͲͲʹͻ͵ ͲǤͲͷ
Factor A (Maquina):
Hipótesis:
í ߪఈଶ ൌ Ͳ
íଵ ߪఈଶ Ͳ
Estadístico de prueba:
ܵܯz
`z ൌ ̱`ିଵǡሺିଵሻሺିଵሻ
ܵܯz
ͷͶͻǤͲͻ
`z ൌ ൌ Ǥʹͺͺͳ̱`ଷǡ
ͺǡ͵Ͷ
í se rechaza si:
`z `ûǡିଵǡሺିଵሻሺିଵሻ
ó ܸܲ ൌ ܲሺ`ିଵǡሺିଵሻሺିଵሻ `zሻ ߙ
` Ǥ ǡଷǡ ൌ ͵Ǥͺʹͷ͵ͺ
Factor B (Días):
Hipótesis:
í ߪఉଶ ൌ Ͳ
íଵ ߪఉଶ Ͳ
Estadístico de prueba:
ܵܯ
` ൌ ̱`ିଵǡሺିଵሻሺିଵሻ
ܵܯz
ͶͶͶǤͺʹ
` ൌ ൌ ͷǤͲͻʹͻ̱`ଷǡ
ͺǤ͵Ͷ
í se rechaza si:
` `ǡିଵǡሺିଵሻሺିଵሻ
ó ܸܲ ൌ ܲሺ`ିଵǡሺିଵሻሺିଵሻ ` ሻ ߙ
` Ǥ ǡଷǡ ൌ ͵Ǥͺʹͷ͵ͺ
Factor A (Máquina)
ܵܯz െ ܵܯz
ߪොఈଶ ൌ
ܾ݊
ͷͶͻǤͲͻ െ ͺǤ͵Ͷ
ߪොఈଶ ൌ ൌ ͷǤͳͺͷ
ͺ
Factor B (Días)
ܵܯെ ܵܯz
ߪොఉଶ ൌ
݊ܽ
ͶͶͶǤͺʹ െ ͺǤ͵Ͷ
ߪොఉଶ ൌ ൌ ͶͶǤͺͷ
ͺ
Interacción AB (Máquina:Dias)
ଶ
ܵܯz െ ܧܵܯ
ߪොఈఉ ൌ
݊
ଶ
ͺǤ͵Ͷ െ ͳǤͻͲ
ߪොఈఉ ൌ ൌ ͵ͶǤʹ
ʹ
Error (MSE)
ߪො ଶ ൌ ܧܵܯ
ߪො ଶ ൌ ͳǤͻͲ
ෝ ʹߚ
ߪ
ൌ ͲǤͶ͵͵
ෝ ʹߙ ߪ
ߪ ෝ ʹߚ ߪ
ෝ ʹߙߚ ߪො ଶ
ෝ ʹߙߚ
ߪ
ൌ ͲǤ͵͵
ෝ ʹߙ ߪ
ߪ ෝ ʹߚ ߪ
ෝ ʹߙߚ ߪො ଶ
5. Valide supuestos:
u a n tile s
0
S a mp le
-1
-
-
- -1 0 1
he o re tica l ua ntile s
data: residuales.ordinarios
W = 0.9015, p-value = 0.00677
Wo: 0.9015, CR VP < Į; Į=0.05; VP = 0.00677, rechazo Ho y concluyo que los errores no
se distribuyen normalmente; esto también lo puedo comprobar con el gráfico de
normalidad donde los puntos no se ajustan a la línea de tendencia.
residuos.estandari ados
valores.ajustados
En este gráfico vemos una especie de embudo lo que presenta un problema, pero este
análisis no es válido ya que en el literal anterior probamos que los errores no se
distribuían normalmente.
' ) ' , '- .
& ( * +
'
"
#
residuos.estandarizados
$ !
#
!
"
!
dia
#
residuos.estandarizados
$ !
#
!
"
!
/ / / /
equipo
Con los gráficos de los perfiles de medias se pueden realizar recomendaciones para
mejorar la productividad mediante la elección de la mejor combinación que proporcione
las mejores condiciones.
Del gráfico anterior se puede concluir que la mayor media de producción se consigue en
el día tres con la maquina 1
c '
#Diseño
maquina<-gl(4,8,32,labels=factor(c("M1","M2","M3","M4")))
dias<-gl(4,2,32,labels=factor(c("D1","D2","D3","D4")))
produccion<-c(142.3,144,134.9,146.3,148.6,156.5,152.0,151.4,
148.6,146.9,145.2,146.3,148.6,153.1,149.7,152.0,
142.9,147.4,125.9,127.6,135.5,138.9,142.9,142.3,
133.8,133.2,108.9,107.5,132.1,149.7,141.7,141.2)
(diseño<-data.frame(maquina,dias,produccion))
interaction.plot(dias,maquina,produccion,type="b",pch=c(1,2),col=c(1,2),lwd=2)
boxplot(produccion~maquina,col="gray")
points(tapply(produccion,maquina,mean),pch="+",col="red")
boxplot(produccion~dias,col="gray")
points(tapply(produccion,dias,mean),pch="+",col="red")
#Tabla ANOVA
summary(modelo.2factores.aleatorios<-aov(produccion~maquina+dias+maquina*dias))
[1] 6.28681
(FCrítico.maquina<-qf(0.95, 3, 9))________>con el ke comparo para tomar la decision
[1] 3.862548
(VP.maquina<-pf(549.09/87.34, 3, 9,lower.tail=F))
[1] 0.01372596
(FB=444.82/87.34)
[1] 5.09297
residuos.ordinarios=residuals(modelo.2factores.aleatorios)
residuos.estandarizados=rstandard(modelo.2factores.aleatorios)
valores.ajustados<-modelo.2factores.aleatorios$fitted
shapiro.test(residuos.ordinarios)
data: residuos.ordinarios
W = 0.9015, p-value = 0.00677
stripchart(residuos.estandarizados~dia,main="Residuales estandarizados vs
dia",vertical=T,xlab="equipo",col="blue")
abline(h=0,lty=2,col="red")
qqnorm(residuos.estandarizados,pch=19)
qqline(residuos.estandarizados,lty=2,col=2)
#
$%&# $
c
c
)*+, *'
##