Documentos de Académico
Documentos de Profesional
Documentos de Cultura
dim(datos)
## [1] 6 6
names(datos)
1
Número de observaciones por boquilla y observaciones totales.
apply(datos,2,length)
sum(apply(datos,2,length))
## [1] 36
apply(datos,2,summary)
apply(datos,2,mean)
apply(datos,2,var)
par(mfrow=c(1,1))
boxplot(datos,horizontal=TRUE, col="green", main= "velocidad de salida de las diferentes boq
2
velocidad de salida de las diferentes boquillas
tipo.5
tipo.4
tipo.3
tipo.2
●
tipo.1
X
0 5 10 15 20 25
De acuerdo al box plot podemos observar que las velocidades de las boquillas
2, 3, 4, 5, 6 son muy parecidas en cambio la velocida de la boquilla 1 es muy
diferente al resto de las boquillas.
H1 : µ1 6= µ2
para al menos dos tratamientos i 6= j(2)
SStratamiento = a − 1 (3)
3
SSE = a(n − 1) (4)
SST = an − 1 (5)
El análisis de varianza se puede usar para evaluar la igualdad de los efectos del
tratamiento. En el modelo de efectos fijos, los efectos de tratamiento se suelen
definir como desviaciones de la media general µ, demodoque;
a
X
τi = 0 (6)
i=1
Pa Pn Pa Pa Pn
i=1 − ȳ)2 = n
j=1 (yij i=1 (ȳi − ȳ)2 + i=1 j=1 (yij − ȳ)2 (7)
o simbólicamente;
datos
colnames(datos)
dim(datos)
## [1] 6 6
n<-(dim(datos))[1]
n
## [1] 6
4
Número de ”a” de tratamientos (muestras)
a<-(dim(datos))[2]
a
## [1] 6
Medios cuadrados del tratamiento: 337.15 Medios cuadrados del error: 6.55
Medios cuadrados del tramiento entre medios cuadrados del error: 51.444
5
n<-(dim(datos))[1] # número de replicas "n" por tratamiento
a<-(dim(datos))[2] # número de a de tratamientos (muestras)
respuestaexp<-c()
for(j in 1:a)
{
respuestaexp<-c(respuestaexp,datos[,j])
}
nivel = rep(n, a)
tratexp = rep(1:a, nivel)
tratexp<-factor(tratexp)
datosanova<-data.frame(tratexp, respuestaexp)
datosanova
## tratexp respuestaexp
## 1 1 11.73
## 2 1 14.37
## 3 1 16.59
## 4 1 20.43
## 5 1 23.46
## 6 1 28.74
## 7 2 0.78
## 8 2 0.80
## 9 2 0.81
## 10 2 0.75
## 11 2 0.77
## 12 2 0.78
## 13 3 0.85
## 14 3 0.85
## 15 3 0.92
## 16 3 0.86
## 17 3 0.81
## 18 3 0.83
## 19 4 0.93
## 20 4 0.92
## 21 4 0.95
## 22 4 0.89
## 23 4 0.89
## 24 4 0.83
## 25 5 1.14
## 26 5 0.97
## 27 5 0.98
## 28 5 0.88
## 29 5 0.86
## 30 5 0.83
## 31 6 0.97
## 32 6 0.86
6
## 33 6 0.78
## 34 6 0.76
## 35 6 0.76
## 36 6 0.75
res.aov<-aov(respuestaexp ~ tratexp)
res.aov
## Call:
## aov(formula = respuestaexp ~ tratexp)
##
## Terms:
## tratexp Residuals
## Sum of Squares 1685.7950 196.7318
## Deg. of Freedom 5 30
##
## Residual standard error: 2.560806
## Estimated effects may be unbalanced
summary(res.aov)
shapiro.test(respuestaexp)
##
## Shapiro-Wilk normality test
##
## data: respuestaexp
## W = 0.48996, p-value = 4.911e-10
qqnorm(respuestaexp)
7
Normal Q−Q Plot
25 ●
●
20
Sample Quantiles
●
15
●
10
5
●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ●●●●●●●● ● ● ● ● ● ● ●
0
−2 −1 0 1 2
Theoretical Quantiles
homvarianzas<-bartlett.test(respuestaexp ~ tratexp)
homvarianzas
##
## Bartlett test of homogeneity of variances
##
## data: respuestaexp by tratexp
## Bartlett's K-squared = 173.78, df = 5, p-value < 2.2e-16
par(mfrow=c(2,2))
plot(res.aov)
8
Residuals vs Fitted Normal Q−Q
10 ●6 6●
4
Standardized residuals
5
2
●
Residuals
●
● ●
●
●
0
●
● ●●●●●●●●●●●●●●●●●●●●●●●●●●●● ●
0
●
●
−5
●2
−2
●2
●1
●1
5 10 15 −2 −1 0 1 2
Constant Leverage:
Scale−Location Residuals vs Factor Levels
2.0
●6
●6
●1 4
Standardized residuals
Standardized residuals
1.5
●2
2
● ●
1.0
● ●
● ● ● ● ●
0
● ●
●
●
0.5
−2
●2
●
●
●
●
●
●
● ●1
●
●
●
●
0.0
●
●
−4
tratexp :
5 10 15 1 2 3 4 5 6
9
cis2 <- cbind(liminf,limsup)
colnames(cis2)<-c("limite inferior", "limite superior")
print(cis2)
Un intervalo de confianza del 100 por ciento sobre la diferencia en dos medios
de tratamiento µi − µ − jes;
r r
2M SE 2M SE
ȳi − ȳj − tα/2,a(n−1) ≤ µi − µj ≤ ȳi − ȳj + tα/2,a(n−1) (10)
n n
Suponiendo una hipótesis alternativa de dos lados, el par de medias µi yµj sedeclararı́ansignif icativamented
10
s
1 1
LSD = ta/2,N −a M SE ∗ ( + ) (14)
ni nj
ic = 0.95
alfa<-1-ic
talfa<-qt(alfa/2,a*(n-1), lower.tail = FALSE)
LSD<-talfa*sqrt(2*MSE/n)
LSD
## [1] 3.019463
apply(datos,2,mean)
11
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = respuestaexp ~ tratexp)
##
## $tratexp
## diff lwr upr p adj
## 2-1 -18.43833333 -22.935275 -13.941391 0.0000000
## 3-1 -18.36666667 -22.863609 -13.869725 0.0000000
## 4-1 -18.31833333 -22.815275 -13.821391 0.0000000
## 5-1 -18.27666667 -22.773609 -13.779725 0.0000000
## 6-1 -18.40666667 -22.903609 -13.909725 0.0000000
## 3-2 0.07166667 -4.425275 4.568609 1.0000000
## 4-2 0.12000000 -4.376942 4.616942 0.9999994
## 5-2 0.16166667 -4.335275 4.658609 0.9999976
## 6-2 0.03166667 -4.465275 4.528609 1.0000000
## 4-3 0.04833333 -4.448609 4.545275 1.0000000
## 5-3 0.09000000 -4.406942 4.586942 0.9999999
## 6-3 -0.04000000 -4.536942 4.456942 1.0000000
## 5-4 0.04166667 -4.455275 4.538609 1.0000000
## 6-4 -0.08833333 -4.585275 4.408609 0.9999999
## 6-5 -0.13000000 -4.626942 4.366942 0.9999992
plot(TukeyHSD(res))
12
95% family−wise confidence level
2−1
4−1
6−1
4−2
6−2
5−3
5−4
6−5
En el box plot tambien podemos observar las diferencias que presentaron los
pares; 6-2, 6-3, 6-4, 6-5, 5-2, 5-3, 5-4, 4-2, 4-3, 3-2
13
a
X y2 i y2
SST ratos = − (16)
i=1
n N
La suma de cuadrados de error se obtiene por sustracción como;
colnames(datos)
rownames(datos)
dim(datos)
## [1] 6 6
n<-(dim(datos))[1]
n
## [1] 6
a<-(dim(datos))[2]
a
## [1] 6
glE<-a*(n-1)
glTrat<-(a-1)
glTot<-n*a-1
#promedio total
ymean<-mean(apply(datos,2,mean))
#obtención de las sumas de las diferencias de cuadrados de la identidad
SCT<-0.0
for(j in 1:a)
{
for(i in 1:n)
14
{
SCT<-SCT+sum(((datos[i,j])-ymean)^2)
}
}
#suma de diferencia de cuadrados total
#Variabilidad total
N= a*n
SCT=SCT - ((ymean)^2)/N
#suma de cuadrados de los tratamientos
SCTrat<-0.0
for(j in 1:a){
SCTrat<-SCTrat+sum((apply(datos,2,mean)[[j]]-ymean)^2)
}
SCTrat<-SCTrat*n
# suma de cuadrados del error
SCE<-0.0
for(j in 1:a){
for(i in 1:n)
{
SCE<-SCE+sum((datos[i,j]- apply(datos,2,mean)[[j]])^2)
}
}
#Sumas de diferencias de cuadrados y grados de libertad
c(SCTrat,SCE,SCT)
## [1] 5 30 35
Podemos ver que usando este método también obtenemos un valor de los
medios cuadrados del trato de 337.1589, los medios cuadrados del error de 6.55
y la division entre estos de 51.41.
15
3 Conclusiones
Se obtuvieron los valores, siguientes; Los medios cuadrados del trato; 337.1589.
Los medios cuadrados del error; 6.55. La division entre estos; 51.41.
En el box plot de los pares de los valores de las medias, se pudo observar
que existen ciertos conjuntos de datos que podemos suponer serian las boquillas
correctas para una velocidad de salida adecuada, pero explorando mas, al com-
parar la LSD con los pares de medias se pudo obtener que la boquilla número 4
es la que nos sirviria mejor, siendo esta con un valor de la velocidad de 0.9433
m/s.
16