Untitled

Valeria LLulema

5 de junio de 2020

EJERCICIO 1
molde<-as.factor(rep(c("A1","A2"),each=30))
catalizador<-as.factor(rep(c("B1","B2","B3"),each=10,2))

Respuesta<-c(93 ,92, 90, 91, 92, 91, 90, 91, 93, 90,
92, 94 ,90, 91, 90 ,91, 92, 92 ,92, 91,
95, 94 ,94 ,94 ,94, 97, 95, 96, 94, 96,
88,88 ,87 ,87, 88, 87 ,87, 87 ,87 ,88,
90, 88, 88, 88 ,89, 90, 89, 88, 88, 89,
91, 90 ,92, 90, 97 ,89 ,90 ,91 ,91, 91)
data.frame(catalizador,molde,Respuesta)

## catalizador molde Respuesta

## 1 B1 A1 93
## 2 B1 A1 92
## 3 B1 A1 90
## 4 B1 A1 91
## 5 B1 A1 92
## 6 B1 A1 91
## 7 B1 A1 90
## 8 B1 A1 91
## 9 B1 A1 93
## 10 B1 A1 90
## 11 B2 A1 92
## 12 B2 A1 94
## 13 B2 A1 90
## 14 B2 A1 91
## 15 B2 A1 90
## 16 B2 A1 91
## 17 B2 A1 92
## 18 B2 A1 92
## 19 B2 A1 92
## 20 B2 A1 91
## 21 B3 A1 95
## 22 B3 A1 94
## 23 B3 A1 94
## 24 B3 A1 94
## 25 B3 A1 94
## 26 B3 A1 97
## 27 B3 A1 95
## 28 B3 A1 96
## 29 B3 A1 94
## 30 B3 A1 96
## 31 B1 A2 88
## 32 B1 A2 88
## 33 B1 A2 87
## 34 B1 A2 87
## 35 B1 A2 88
## 36 B1 A2 87
## 37 B1 A2 87
## 38 B1 A2 87
## 39 B1 A2 87
## 40 B1 A2 88
## 41 B2 A2 90
## 42 B2 A2 88
## 43 B2 A2 88
## 44 B2 A2 88
## 45 B2 A2 89
## 46 B2 A2 90
## 47 B2 A2 89
## 48 B2 A2 88
## 49 B2 A2 88
## 50 B2 A2 89
## 51 B3 A2 91
## 52 B3 A2 90
## 53 B3 A2 92
## 54 B3 A2 90
## 55 B3 A2 97
## 56 B3 A2 89
## 57 B3 A2 90
## 58 B3 A2 91
## 59 B3 A2 91
## 60 B3 A2 91

#A) Plantee las hip 昼㸳 tesis de inter 攼㸹 s en este problema y el modelo

estad 攼㹤 stico correspondiente.

# Unidad experimental = 60 botellas de polietileno

# FactorI(moldes niveles(A1 ,A2 ))
# FactorII(tipos de catalizador(B1,B2,B3))

#Variable respuesta

#Y = " El hinchamiento en la fabricaci 昼㸳 n de botellas de polietileno de

alta densidad"

# Modelo estad 攼㹤 stico Dise 昼㸱 os factoriales con dos factores

# Y_ijk= u + alpha(i) +Beta(j)(alpha Beta)_ij +Eijk

#i=1, 2..a; j=1, 2.., b; k=1, 2.., n
#Y_ijk = Representa el hinchamiento de la botella k-esima al que se le
sometio el molde i-esimo y el catalizador j-esimo.
#u = media global com 昼㹡 n a todos los factores.
#alpha_i = Efecto del i-esimo tipo de molde.
#Beta_j = Efecto a la j-esima tipo de catalizador.
#(alpha*Beta)_ij= Efecto medio producido por la interacci 昼㸳 n entre el
molde i y el catalizador j
#E_ijk = error aleatorio asociado a la observaci 昼㸳 n Y_ijk .

#hipotesis del modelo

#H0:efecto A =0 H1:efecto A diferente 0

#H0:efecto B=0 H1:efecto A diferente 0
#H0:efecto AxB=0 H1:efecto AxB diferente 0

# b) Construya la tabla de an 攼㸱 lisis de varianza y determine cu 攼㸱 les

efectos est 攼㸱 n activos.

#Prueba de hip 昼㸳 tesis de An 攼㸱 lisis de varianza (ANOVA) para un dise 昼㸱

os factoriales con dos factores.
#Se desea conocer la posible interacci 昼㸳 n entre los tipos de moldes y los
tipos de catalizador

hinchamiemto<-lm(Respuesta~molde*catalizador)
anova(hinchamiemto)

## Analysis of Variance Table

##
## Response: Respuesta
## Df Sum Sq Mean Sq F value Pr(>F)
## molde 1 180.267 180.267 111.1233 1.023e-14 ***
## catalizador 2 153.033 76.517 47.1678 1.416e-12 ***
## molde:catalizador 2 3.433 1.717 1.0582 0.3542
## Residuals 54 87.600 1.622
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

#1) Se rechaza H0 lo que quiere decir que en el factor I denominado a tipo de

molde
#almenos 2 son diferentes por lo que se puede asumir que hay efecto en el
hinchamiento de las botellas

#2) Se rechaza H0 lo que quiere decir que en el factor II denominado a tipo

de catalizador
#almenos 2 son diferentes por lo que se puede asumir que hay efecto en el
hinchamiento de las botellas
#3) No se rechaza H0 lo que quiere decir que no existe interacci 昼㸳 n entre
el molde y el catalizador el hinchamiento de las botellas .

#c) Dibuje las gr 攼㸱 ficas de medias para los dos efectos principales con
los m 攼㸹 todos LSD que conclusi 昼㸳 n llega

#Diagrama de cajas conjuntas para los moldes

boxplot(Respuesta~ molde,horizontal=T,col=c("red","violet"))

tapply(Respuesta,molde,mean)

## A1 A2
## 92.56667 89.10000

#La grafica de cajas conjuntas muestra que las medias poblacionales de

todos
#los tipos de molde no son iguales y se asume que los m 攼㸹 todos que act 昼㹡
an sobre la
#himchamieto de la botella son distintos

#Diagrama de cajas conjuntas para los catalizadores

boxplot(Respuesta~ catalizador,horizontal=T,col=c("red","yellow","green"))
tapply(Respuesta,catalizador,mean)

## B1 B2 B3
## 89.35 90.10 93.05

#La grafica de cajas conjuntas muestra que las medias poblacionales de

todos
#los tipos de catalizador no son iguales y se asume que los m 攼㸹 todos que
act 昼㹡 an sobre la
#himchamieto de la botella son distintos

# Prueba LSD

library(gplots)

## Warning: package 'gplots' was built under R version 3.6.3

##
## Attaching package: 'gplots'

## The following object is masked from 'package:stats':

##
## lowess

ICplot <- function(modelo, fac, alpha=0.05, valores = TRUE){

#
# Programmed by E.Caro - Version 1.3 14/02/2014
# Javier Cara - Version 09/03/2017: cambiar leyenda eje y
 # Javier Cara - 08/03/2019: salida de los valores numericos
# --------------------------------------------------------------------

# Calculo de los intervalos

tabla <- model.tables(modelo, type = "mean")
xbar <- as.vector( tabla$tables[[fac]] )
num_dat <-tabla['n']
num <- num_dat$n[fac]

numall = 1
for(i in 1:length(num[[fac]])) numall[i] = num[[fac]][i]

t <- qt((1-alpha/2),modelo$df.residual)
sr2 <- sum((modelo$residuals)^2)/modelo$df.residual
sr <- sqrt(sr2)
ancho <- t*sr/sqrt(numall)

ncol = length(xbar)
xlabel = modelo$xlevels[[fac]]

# Grafico
plot(c(1:ncol, 1:ncol), c(xbar+ancho, xbar-ancho), col = 0,
xlab = fac, xaxt = "n",
ylab = colnames(modelo$model)[1] )
axis(side=1, at=seq(1,ncol), paste(xlabel))

arrows(1:ncol,xbar+ancho,1:ncol,xbar-ancho,angle=90,code=3,length=.1,
lwd = 2, col = 259)
points(1:ncol, xbar, lwd = 10, col = "white")
points(1:ncol, xbar, lwd = 3, col = "blue")

# data.frame para la salida

if (valores){
salida = data.frame(fac = names(tabla$tables[[fac]]),
media = round(xbar,2),
LimInf = round(xbar-ancho,2),
LimSup = round(xbar+ancho,2))
names(salida) = c(fac, "media", paste(alpha/2*100,"%",sep=""), paste((1-
alpha/2)*100,"%",sep=""))

return(salida)
}

}
gg <- aov(Respuesta~ molde)
ICplot(gg,"molde")
## molde media 2.5% 97.5%
## 1 A1 92.57 91.82 93.32
## 2 A2 89.10 88.35 89.85

tapply(Respuesta,molde,mean)

## A1 A2
## 92.56667 89.10000

#LA GRAFICA NOS MUESTRA UNA NULA AUCENCIA DE TRASLAPE ENTRE LOS INTERVALOS DE
CONFIANZA
#DE LAS MEDIAS, POR LO QUE SE DEDUCE QUE EXISTE UNA DIFERENCIA SIGNIFICATIVA
EN EL MOLDE

gg <- aov(Respuesta~ catalizador)

ICplot(gg,"catalizador")
## catalizador media 2.5% 97.5%
## 1 B1 89.35 88.37 90.33
## 2 B2 90.10 89.12 91.08
## 3 B3 93.05 92.07 94.03

tapply(Respuesta,catalizador,mean)

## B1 B2 B3
## 89.35 90.10 93.05

#En la gr 攼㸱 fica se muestra que algunos intervalos de confianza se

traslapan,
#lo que quiere decir que los tipos de catalizador para el hinchamiento de las
botellas
#algunos son estad 攼㹤 sticamente iguales en cuanto a sus medias
#d) Haga la gr 攼㸱 fica de interacci 昼㸳 n.

interaction.plot(molde,catalizador,Respuesta,col="blue",main="INTERACCION
ENTRE EL MOLDE Y EL CATALIZADOR")
#SE PUEDE OBSERVAR QUE NO EXISTE EFECTO DE INTERACION COMO YA SE VIO
ANTERIORMENTE EN EL ANOVA

#e) Determine cu 攼㸱 l es el mejor tratamiento. 戼㹦 Cu 攼㸱 l es el

hinchamiento predicho en el mejor tratamiento?

#el mejor tratamiento para evitar hinchamiento en las botellas es

#usar el molde A2 y el catalizador B1

#f) Verifique los supuestos de normalidad y varianza constante.

#NORMALIDAD

#H0: Los datos proceden de una distribuci 昼㸳 n normal (F(x) es normal).

#H1: Los datos no proceden de una distribuci 昼㸳 n normal (F(x) no es
normal).

c<-residuals(hinchamiemto)
shapiro.test(c)

##
## Shapiro-Wilk normality test
##
## data: c
## W = 0.86234, p-value = 7.186e-06
boxplot(c)

#Se rechaza H0 se puede asumir que existe suficiente evidencia estad 攼㹤

stica
#para decir que los residuos del molde por el catalizador no se distribuyen
#de manera normal,por lo tanto, no se cumple el supuesto de normalidad.

#homocedasticidad
#Ho tienen varianza constante
#H1 no tienen varianza constante

bartlett.test(Respuesta~molde)

##
## Bartlett test of homogeneity of variances
##
## data: Respuesta by molde
## Bartlett's K-squared = 0.04172, df = 1, p-value = 0.8382

bartlett.test(Respuesta~catalizador)

##
## Bartlett test of homogeneity of variances
##
## data: Respuesta by catalizador
## Bartlett's K-squared = 2.5838, df = 2, p-value = 0.2747
#Hay evidencia que los datos tienen mayor dispersi 昼㸳 n en el grupo
#por loq ue se asume que cumple el supuesto de varianza constante

#g) Utilice la gr 攼㸱 fica de residuos contra factores para detectar posibles

efectos
#sobre la dispersi 昼㸳 n del hinchamiento. 戼㹦 En cu 攼㸱 l molde parece que es
menor la dispersi 昼㸳 n?
par(mfrow = c(2, 2))
plot(hinchamiemto)

#al observar la grafica al parecer el que tiene menor dispersion es el molde

1

Including Plots
You can also embed plots, for example:
Note that the echo = FALSE parameter was added to the code chunk to prevent printing of
the R code that generated the plot.