c

c
 c

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.

 Escriba el modelo ANOVA correspondiente a este experimento, explique

claramente cada término, diga los supuestos y restricciones ¿Puede considerarse el
término de interacción en este problema? Argumente.

MODELO FACTORIAL DE DOS FACTORES DE EFECTOS FIJOS

Factores: Posición (A1, A2) y temperatura (800, 825, 850)

Yijk = µ + Įi + ȕj + (Įȕ)ij + Eijk

Supuestos

Eijk ~iid N(0,ı2) para todo i,j,k

Restricciones:

σଶ௜ୀଵ ߙ௜ ൌ Ͳ σଷ௝ୀଵ ߚ௝ ൌ Ͳ σଶ௜ୀଵሺߙߚሻ௜௝ ൌ Ͳ σଷ௝ୀଵሺߙߚሻ௜௝ ൌ Ͳ

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.

µ: Promedio global de la densidad.

Įi: Efecto fijo de la i-ésima posición de la caldera sobre el promedio global.

Ǻj: Efecto fijo de la j-esima temperatura de encendido sobre el promedio global de

duración de la densidad del ánodo.

(Įȕ)ij: Efecto fijo de la interacción entre la posición de la caldera y la temperatura de

encendido sobre el promedio global de la densidad del ánodo.

Eijk: Error aleatorio o experimental.

En este problema se considera el término de interacción (Įȕ)ij, porque al realizar el

experimento se realizaron 3 réplicas por cada combinación posición-temperatura lo cual
puede provocar que haya relación entre cada uno de dichos factores. Más adelante se
comprobará mediante la significancia de la interacción si esta si se presenta.

Datos

' Realice el gráfico de perfiles de medias de tratamientos, en cada caso determine si se

evidencia interacción entre los factores y explique cómo opera dicha interacción en
términos del problema. También establezca cuál es el efecto de cada factor sobre la
densidad de los ánodos de carbón cuando se varían sus niveles. Realice el gráfico de
la siguiente manera:

a. En eje X niveles de posición de la caldera

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.

b. En eje X niveles de temperatura de encendido.

Para las posición A1 y A2 en cualquiera de las 3 temperaturas hay poca variación en la
media de la densidad de ánodo, además, podemos observar que con la temperatura de
825ºC para ambas posiciones, se presenta la mayor media de densidad del ánodo,
mientras que con 850ºC y 800ºC se presenta la menor, igual que se presentó en el
gráfico anterior.
. Calcule la ANOVA y realice los siguientes test:
. Significancia de la interacción
 Significancia de la posición de la caldera
 Significancia de la temperatura de encendido

En cada caso establezca claramente las hipótesis nula y alternativa, el estadístico de

prueba (su fórmula) con su valor y el valor P. Concluya en cada caso. Tenga cuidado al
interpretar los resultados de b y c. ¿Hay encubrimiento o enmascaramiento por parte de la
interacción de los efectos principales de la temperatura y de la posición del horno? ¿Se
puede concluir que el efecto de la temperatura sobre la densidad del ánodo de carbón
depende de la posición de la caldera? Explique.

ANOVA

 Significancia de la interacción entre posición de la caldera y temperatura de encendido.

Ho: (Įȕ)11 = (Įȕ)12 = (Įȕ)13 = (Įȕ)21 = (Įȕ)22 = (Įȕ)23 = 0

HI: algún (Įȕ)ij  0

Estadístico de Prueba

Fo = MSAB/MSE ~ f(a-1)(b-1),ab(n-1)
Fo = 409/448 = 0.914 ~ f2,12

Criterio de Rechazo

VP = P (f2,12 > 0.914) = 0.427110 < Į; Į = 0.05

Como VP > Į acepto Ho y concluyo que la interacción entre la posición de la caldera y la

temperatura de encendido no es significativa, por lo tanto el efecto de la temperatura
sobre la densidad del ánodo de carbón no depende de la posición de la caldera.

 Significancia de la posición de la caldera


Ho: Į1 = Į2 = 0
HI: algún Įi  0

Estadístico de Prueba

Fo = MSA/MSE ~ fa-1,ab(n-1)

Fo = 7160/448 = 15.998 ~ f1,12

VP = P(f1,12>15.998) = 0.001762 < Į; Į = 0.05

Como VP < Į rechazo Ho y concluyo que el efecto de la posición de la caldera es

significativo. De la misma manera vemos que no hay encubrimiento o enmascaramiento
por parte de la interacción pues como vimos en la prueba anterior no hay interacción.

 Significancia de la temperatura de encendido.


Ho: ȕ1 = ȕ2 = ȕ3 = 0
HI: algún ȕj  0

Estadístico de Prueba

Fo = MSB/MSE fb-1,ab(n-1)

Fo = 472671/448 = 1056.117 ~ f2,12

VP = P(~ f2,12 > 1056.117) = 3.25e-14 < Į; Į = 0.05

Como VP < Į rechazo Ho y concluyo que el efecto de la temperatura de encendido es

significativo. De la misma manera vemos que no hay encubrimiento o enmascaramiento
por parte de la interacción.

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.

MODELO SIN INTERACCIÓN

Yijk = µ + Įi + ȕj + Eijk

Supuestos

Eijk ~iid N(0,ı2) para todo i,j,k

Restricciones:

σଶ௜ୀଵ ߙ௜ ൌ Ͳ σଷ௝ୀଵ ߚ௝ ൌ Ͳ

ANOVA sin interacción

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.

Ö Realice la comparación de los tratamientos Temperatura 800- Posición A2 y

temperatura 850- Posición A1, y defina cuál condición de producción origina un
incremento en la densidad del ánodo de carbón.
Se fijan los niveles del factor temperatura de encendido

Lo fijamos para la temperatura de 800ºC

Realizamos las comparaciones con Tukey de la temperatura de 800ºC

Ahora lo fijamos para 825ºC

Realizamos las comparaciones con Tukey de la temperatura de 825ºC

Ahora lo fijamos para 850ºC

Realizamos las comparaciones con Tukey de la temperatura de 850ºC

Ahora fijo el factor Posición de la Caldera

Lo fijamos para la posición A1

Realizamos las comparaciones con Tukey de la posición A1

Lo fijamos para la posición A2

Realizamos las comparaciones con Tukey de la posición A2

De los resultados anteriores podemos concluir que la mejor combinación de producción
que origina un incremento en la densidad del ánodo de carbón es la temperatura de
800ºC y la posición A2.

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:

a. Normalidad: Use residuales comunes

b. Varianza constante: Use residuales estudentizados

Validación de Supuestos

a. Normalidad

Ho: Eijk ~ Normal

HI: Eijk no ~ Normal

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])

> local({pkg <- select.list(sort(.packages(all.available = TRUE)),graphics=TRUE)

+ if(nchar(pkg)) library(pkg, character.only=TRUE)})

> residuales.ordinarios=residuals(modelo.2factores.fijos)

> residuales.estandarizados=rstandard(modelo.2factores.fijos)

> valores.ajustados<-modelo.2factores.fijos$fitted

> shapiro.test(residuales.ordinarios)

> plot(valores.ajustados,residuales.estandarizados,main="Residuales estandarizados vs.

valores ajustados")

> abline(h=0,lty=2,col="red")

> stripchart(residuales.estandarizados~posicion,main="Residuales estandarizados vs

Posicion de la Caldera",vertical=T,xlab="posicion de la caldera",col="blue")

> abline(h=0,lty=2,col="red")

> stripchart(residuales.estandarizados~temperatura,main="Residuales estandarizados vs

Temperatura de Encendido",vertical=T,xlab="temperatura",col="blue")

> 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.

1. Realice un análisis descriptivo de los datos para evaluar los cambios en la

productividad provocados por la variación simultánea de máquinas y días (hacer un
gráfico de interacción).
De las graficas podemos ver que si hay interacción entre los datos ya que las diferencias
de medias son diferentes tanto entre los días como entre las maquinas.
Además las variaciones en la producción no parecen constantes.
2. Escriba el modelo ANOVA correspondiente a este supuesto. Explique cada término
del modelo en función de las variables en el problema, indique los supuestos
necesarios para el análisis.

FACTOR A: Maquina.
FACTOR B: Dias.

Modelo estadístico: Yijĸ= µ + Ai + ȕj + (AB)ij + İijĸ

Con: i=1, 2, 3,4 j=1, 2, 3,4 ĸ=1,2

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.

ߝ௜௝௞ : Error aleatorio.

Supuestos:
 ߝ௜௝௞ ̱݅݅݀ܰሺͲǡ ߪ ଶ ሻ
 z௜ ̱݅݅݀ܰሺ‫݋‬ǡ 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

`z ൌ ͺ͹Ǥ͵Ͷൗͳ͹ǤͻͲ ൌ ͶǤͺ͹ͻ͵ʹͻ͸ͳ̱` ǡଵ଺

Criterio de Rechazo:

`z ൐  `ఈǡሺ௔ିଵሻሺ௕ିଵሻǡ௔௕ሺ௡ିଵሻ
ó ܸܲ ൌ ܲሺ`ሺ௔ିଵሻሺ௕ିଵሻǡ௔௕ሺ௡ିଵሻ ൐ `z ሻ ൑ ߙ
ܸܲ ൌ ͲǤͲͲʹͻ͵͸ ൑ ͲǤͲͷ

Por lo tanto como el VP< 0.05 entonces se rechaza í , y podemos concluir

que la contribución de la componente de varianza de la interacción si es
significativa en la varianza total de la producción.

No tiene sentido probar la significancia de las componentes ߪఈଶ y ߪఉଶ si la

ଶ
componente de varianza ߪఈఉ es significativa.

 Factor A (Maquina):

Hipótesis:

í
ߪఈଶ ൌ Ͳ

íଵ
ߪఈଶ ൐ Ͳ

Estadístico de prueba:

‫ܵܯ‬z
`z ൌ ̱`௔ିଵǡሺ௔ିଵሻሺ௕ିଵሻ
‫ܵܯ‬z

Debido a que no es recomendable utilizar el FA que arroja la tabla ANOVA

utilizando el R lo calculamos de la siguiente manera:

ͷͶͻǤͲͻ
`z ൌ ൌ ͸Ǥʹͺ͸ͺͳ̱`ଷǡ
ͺ͹ǡ͵Ͷ
 í se rechaza si:

`z ൐  `ûǡ௔ିଵǡሺ௔ିଵሻሺ௕ିଵሻ
ó ܸܲ ൌ ܲሺ`௔ିଵǡሺ௔ିଵሻሺ௕ିଵሻ ൐ `zሻ ൑ ߙ

` Ǥ ǡଷǡ ൌ ͵Ǥͺ͸ʹͷ͵ͺ͹

Como `z ൌ ͸Ǥʹͺ͸ͺͳ ൐ ` Ǥ ǡଷǡ ൌ ͵Ǥͺ͸ʹͷ͵ͺ͹, se rechaza í y con una

confianza del 95%, podemos concluir que con la contribución de la
componente de varianza del factor A (Maquina) contribuye
significativamente en la varianza total de la producción.

 Factor B (Días):

Hipótesis:

í
ߪఉଶ ൌ Ͳ
íଵ
ߪఉଶ ൐ Ͳ

Estadístico de prueba:

‫ܵܯ‬
` ൌ ̱`௕ିଵǡሺ௔ିଵሻሺ௕ିଵሻ
‫ܵܯ‬z

Debido a que no es recomendable utilizar el FB que arroja la tabla ANOVA

utilizando el R lo calculamos de la siguiente manera:

ͶͶͶǤͺʹ
` ൌ ൌ ͷǤͲͻʹͻ͹̱`ଷǡ
ͺ͹Ǥ͵Ͷ

í se rechaza si:
 ` ൐  `ǡ௕ିଵǡሺ௔ିଵሻሺ௕ିଵሻ
ó ܸܲ ൌ ܲሺ`௕ିଵǡሺ௔ିଵሻሺ௕ିଵሻ ൐ ` ሻ ൑ ߙ

` Ǥ ǡଷǡ ൌ ͵Ǥͺ͸ʹͷ͵ͺ͹

Como ` ൌ ͷǤͲͻʹͻ͹ ൐ ` Ǥ ǡଷǡ ൌ ͵Ǥͺ͸ʹͷ͵ͺ͹, podemos concluir que se

rechaza í , y con una confianza del 95% podemos concluir que la
contribución de la componente de varianza del factor B (Días) contribuye
significativamente a la varianza total de la producción.

4. Estime la varianza total de la respuesta y así mismo estime e interprete las

componentes de varianza en este problema.

Para estimar las componentes de varianza de cada factor, la interacción y el error

utilizaremos las siguientes formulas:

 Factor A (Máquina)

‫ܵܯ‬z െ ‫ܵܯ‬z
ߪොఈଶ ൌ
ܾ݊

ͷͶͻǤͲͻ െ ͺ͹Ǥ͵Ͷ
ߪොఈଶ ൌ ൌ ͷ͹Ǥ͹ͳͺ͹ͷ
ͺ
 Factor B (Días)

‫ ܵܯ‬െ ‫ܵܯ‬z
ߪොఉଶ ൌ
݊ܽ
 ͶͶͶǤͺʹ െ ͺ͹Ǥ͵Ͷ
ߪොఉଶ ൌ ൌ ͶͶǤ͸ͺͷ
ͺ

 Interacción AB (Máquina:Dias)

ଶ
‫ܵܯ‬z െ ‫ܧܵܯ‬
ߪොఈఉ ൌ
݊

ଶ
ͺ͹Ǥ͵Ͷ െ ͳ͹ǤͻͲ
ߪොఈఉ ൌ ൌ ͵ͶǤ͹ʹ
ʹ
 Error (MSE)
ߪො ଶ ൌ ‫ܧܵܯ‬
ߪො ଶ ൌ ͳ͹ǤͻͲ

Proporción de varianza respecto a la varianza total:

 Proporción Factor A (Máquina)

ෝ ʹߙ
ߪ
ൌ ͲǤͷ͸
ෝ ʹߙ ൅ ߪ
ߪ ෝ ʹߚ ൅ ߪ
ෝ ʹߙߚ ൅ ߪො ଶ

 Proporción Factor B (Días)

ෝ ʹߚ
ߪ
ൌ ͲǤͶ͵͵͹
ෝ ʹߙ ൅ ߪ
ߪ ෝ ʹߚ ൅ ߪ
ෝ ʹߙߚ ൅ ߪො ଶ

 Proporción Interacción AB (Máquina:Dias)

ෝ ʹߙߚ
ߪ
ൌ ͲǤ͵͵͹
ෝ ʹߙ ൅ ߪ
ߪ ෝ ʹߚ ൅ ߪ
ෝ ʹߙߚ ൅ ߪො ଶ

 Proporción Error (MSE)

ߪො ଶ
ൌ ͲǤͳ͹͵͹
ෝ ʹߙ ൅ ߪ
ߪ ෝ ʹߚ ൅ ߪ
ෝ ʹߙߚ ൅ ߪො ଶ

Como puede observarse de la variación total, el 56% de la variación la proporciona el

factor maquina y cerca del 43% la proporción el factor días. De esta manera podemos
decir que se debería atacar a ambos factores, pero con prioridad en el factor máquina
quien proporciona mayor variación.

5. Valide supuestos:

a. Normalidad: Usando residuales comunes

 Ô



u a n tile s


0
S a mp le

-1


-

-

- -1 0 1
 
he o re tica l ua ntile s

Shapiro-Wilk normality test

data: residuales.ordinarios
W = 0.9015, p-value = 0.00677

Ho: Eijk ~ Normal

HI: Eijk no ~ Normal

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.

b. Varianza constante: Usando residuales estudentizados.

Aunque en el literal anterior no se cumplía normalidad, y con esto no podemos continuar

para probar varianza constante, vamos a presentar los gráficos de los residuales.
    
            


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

' ) ' , '- .

&
 (

 *  + 


-
 ( 0
"

#
residuos.estandarizados

$ !

#
!

"
!


/ / / /

equipo

Å Recomendaciones para el mejoramiento de la productividad.

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))

maquina dias produccion

1 M1 D1 142.3
2 M1 D1 144.0
3 M1 D2 134.9
4 M1 D2 146.3
5 M1 D3 148.6
6 M1 D3 156.5
7 M1 D4 152.0
8 M1 D4 151.4
9 M2 D1 148.6
10 M2 D1 146.9
11 M2 D2 145.2
12 M2 D2 146.3
13 M2 D3 148.6
14 M2 D3 153.1
15 M2 D4 149.7
16 M2 D4 152.0
17 M3 D1 142.9
18 M3 D1 147.4
19 M3 D2 125.9
20 M3 D2 127.6
21 M3 D3 135.5
22 M3 D3 138.9
23 M3 D4 142.9
24 M3 D4 142.3
25 M4 D1 133.8
26 M4 D1 133.2
27 M4 D2 108.9
28 M4 D2 107.5
29 M4 D3 132.1
30 M4 D3 149.7
31 M4 D4 141.7
32 M4 D4 141.2
interaction.plot(maquina,dias,produccion,type="b",pch=c(1,2,3),col=c(1,2,3),lwd=2)

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))

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

maquina 3 1647.28 549.09 30.6836 7.192e-07 ***
dias 3 1334.46 444.82 24.8569 2.907e-06 ***
maquina:dias 9 786.04 87.34 4.8805 0.002936 **
Residuals 16 286.33 17.90
---
Signif. codes: 0 ***¶ 0.001 **¶ 0.01 *¶ 0.05 .¶ 0.1 ¶ 1

(FA=549.09/87.34) ------------>prueba f para tomar la decision

[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

> (FCrítico.dia <-qf(0.95, 3, 9))

[1] 3.862548
>
> (VP.dia <-pf(444.82/87.34, 3, 9,lower.tail=F))
[1] 0.02480424

residuos.ordinarios=residuals(modelo.2factores.aleatorios)
residuos.estandarizados=rstandard(modelo.2factores.aleatorios)
valores.ajustados<-modelo.2factores.aleatorios$fitted
shapiro.test(residuos.ordinarios)

Shapiro-Wilk normality test

data: residuos.ordinarios
W = 0.9015, p-value = 0.00677

plot(valores.ajustados,residuos.estandarizados,main="Residuales estandarizados vs.

valores ajustados")
abline(h=0,lty=2,col="red")
stripchart(residuos.estandarizados~maquina,main="Residuales estandarizados vs
maquina",vertical=T,xlab="dia",col="blue")
abline(h=0,lty=2,col="red")

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 c


 
##
# 

# 



$%&# $

c c
##'' $

c
c

 #
c
$(# $(#%
$

)*+,  *'

%
  # #

 #c  

 ##