Documentos de Académico
Documentos de Profesional
Documentos de Cultura
juan josé montalvo, ana gabriela hoyos, yeison moreno, nikol mesa
6/9/2020
control<-c(213,214,204,208,212,200,207)
t2<-c(76,85,74,78,82,75,82)
t3<-c(57,67,55,64,61,63,63)
t4<-c(84,82,85,92,87,79,90)
data<-data.frame(control,t2,t3,t4);data
## control t2 t3 t4
## 1 213 76 57 84
## 2 214 85 67 82
## 3 204 74 55 85
## 4 208 78 64 92
## 5 212 82 61 87
## 6 200 75 63 79
## 7 207 82 63 90
a).
b).
summary(data)
## control t2 t3 t4
## Min. :200.0 Min. :74.00 Min. :55.00 Min. :79.00
## 1st Qu.:205.5 1st Qu.:75.50 1st Qu.:59.00 1st Qu.:83.00
## Median :208.0 Median :78.00 Median :63.00 Median :85.00
## Mean :208.3 Mean :78.86 Mean :61.43 Mean :85.57
## 3rd Qu.:212.5 3rd Qu.:82.00 3rd Qu.:63.50 3rd Qu.:88.50
## Max. :214.0 Max. :85.00 Max. :67.00 Max. :92.00
var(data)
## control t2 t3 t4
## control 26.23810 13.714286 3.523810 4.476190
## t2 13.71429 17.476190 12.238095 3.928571
## t3 3.52381 12.238095 17.285714 0.547619
## t4 4.47619 3.928571 0.547619 20.285714
conclusión: podemos concluir que la variable control es la que tiene las medidas estadísticas mas elevadas, es decir que sus datos con
respecto a los demas tratamientos son discimiles. por otro lado podemos notar que los demás tratamientos son bastante homogeneos,
tambien se puede observar que la variación mayor de los datos tambien se encuentra en el tratamiento control.
c).
plot(data)
boxplot(data)
conclusión: de la gráfica de
las cajas podemos reafirmar lo dicho en el anterior inciso, puesto que la caja del tratamiento control se encuentra más arriba que las
demás cajas; ademas podemos agregar que los datos se encuentran bien aleatorizados.
Yij = μ + τj + ϵij con i = 1, 2, , . . . , r y j = 1, 2, . . . , t Donde Y es la variable respuesta obtenida de las unidades experimentales, μ representa
el parámetro común de los tratamientos y ϵ representa el error experimental que se comete en cada observación
La estadística utilizada para esta prueba es FC= \frac{CM_{TTO}}{CM_{EE}} y se rechaza H_0, al nivel de significancia del 5\% si
FC>f_{(5\%,3,24)}
e)
n<-28;n
## [1] 28
## [1] 329840
## [1] 95528.96
## [1] 95041.25
error<-total-tratamiento;error
## [1] 487.7143
así que, utilizando lo visto en clases armamos nuestra tabla anava como se ve a continuación:
FV gl SC CM FC F tabla
EE 24 487.7173 20.3214 4
Total 27 95528.96
conclusión: ahora de acuerdo al análisis de varianza se tiene que FC=1558.96 y este claramente mayor que el valor de la tabla F 5\% de
significancia, es decir 1558.96>3.0087; por tanto, se rechaza H_0, así podemos decir que al menos una de las medias de los tratamientos
es diferente a las otras.
2 ##primera parte
medias<-c(80,105,75);medias
## [1] 80 105 75
totales.tratamiento<-medias*4;totales.tratamiento
## [1] 90133.33
## [1] 2066.667
## [1] 68.88889
## [1] 620
sctotal<-scee+tto;sctotal
## [1] 2686.667
FV gl SC CM FC F tabla
EE 9 620 68.88
Total 11 2686.666
conclusión: ahora de acuerdo al análisis de varianza se tiene que FC=15 y este claramente mayor que el valor de la tabla F 5\% de
significancia, es decir 15>4.25; por tanto, se rechaza H_0, así podemos decir que al menos una de las medias de los tratamientos es
diferente a las otras.
##segunda parte
Y_{ij}=\mu+\tau_j+\epsilon_{ij} con i=1,2,3,4 y j=1,2,...,5 Donde Y es la variable respuesta obtenida de las unidades experimentales, \mu
representa el parámetro común de los tratamientos y \epsilon representa el error experimental que se comete en cada observación
La estadística utilizada para esta prueba es FC= \frac{CM_{TTO}}{CM_{EE}} y se rechaza H_0, al nivel de significancia del 5\% si
FC>f_{(5\%,3,24)} así tenemos la tabla de análisis de varianza:
FV gl SC CM FC F tabla
EE 15 400 26.667
Total 19 1200
conclusión: ahora de acuerdo al análisis de varianza se tiene que FC=7.49 y este claramente mayor que el valor de la tabla F 5\% de
significancia, es decir 7.49>3.055; por tanto, se rechaza H_0, así podemos decir que al menos una de las medias de los tratamientos es
diferente a las otras.
Processing math: 17%