EJERCICIO

Nombre: Victor Yungaicela

operador<-c(rep("1",4),rep("2",4),rep("3",4),rep("4",4))

ord<-c(rep(c("1","2","3","4"),4))

meto<-c("C","B","A","D","D","C","B","A","A","D","C","B","B","A","D","C")

tiem<-c(10,7,5,10,14,18,10,10,7,11,11,12,8,8,9,14)

length(tiem)

modelo
MCRL<-aov(tiem~meto+ord+operador)

anova(MCRL)

summary(MCRL)

opar<-par(mfrow=c(1,2))

Los gráficos de normalidad para los residuos son

qqnorm(MCRL$resid)

qqline(MCRL$resid)

Podemos hacer también un histograma y superponer una densidad normal

para los residuos estudentizados

r<-rstandard(MCRL)

hist(r,prob=T,xlim=c(-3,3),xlab="Res.estudentizados",main="Histograma")

lines(xseq<-seq(-3,3,length=100), dnorm(xseq,mean(r),sd(r)))

par(opar)
Y podemos extraer información sobre el reparto de los residuos estudentizados
por debajo de -1.96 y encima de 1.96

summary(rstandard(MCRL))

quantile(rstandard(MCRL),prob=c(0.025,0.975))

Los tests formales de Shapiro-Wilks y Kolmogorov-Smirnov dan:

H0: Los datos siguen una distribución normal

H1: Los datos no siguen una distribución normal

El valor p es mayor que el nivel de significancia por lo que se concluye que los datos siguen una
distribución normal.