trabajo de diseño de experimentos

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

ahora de acuerdo a la información suministrada:

a).

factor tratamiento Ue variable obs. n° tto n° replicas n° de Ue

frijoles tipos de remojo frijoles crudos tiempo de cocción 4 7 28

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.

d).el modelo lineal aplicado en nuestra investigación es:

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

por otro lado, el contraste de hipótesis a realizar es el siguiente:

H0 : μ1 = μ2 = μ3 = μ4 vs H_1: \mu_j \neq \mu_j´ para algún j\neq j´

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

fc<-(sum(data)^2)/n;fc # factor de correción

## [1] 329840

total<-sum(data^2)-fc;total # suma de cuadrados totales

## [1] 95528.96

aa<-c(sum(data[,1]),sum(data[,2]),sum(data[,3]),sum(data[,4]));aa # suma de los tratamientos

## [1] 1458 552 430 599

tratamiento<-sum(aa^2)/7-fc;tratamiento # suma de cuadrados de los tratamiento

## [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

TTO 3 95041.25 31680.416 1558.966 3.0087

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

de acuerdo a la información suministrada, n=12 t=3 r=4

medias<-c(80,105,75);medias

## [1] 80 105 75

totales.tratamiento<-medias*4;totales.tratamiento

## [1] 320 420 300

factor.cor<-sum(totales.tratamiento)^2/12;factor.cor # factor de corrección

## [1] 90133.33

tto<-sum(totales.tratamiento^2)/4-factor.cor;tto # suma cuadrados tratamientos

## [1] 2066.667

cmtto<-tto/2;cmtto # cuadrados medios tratamientos

 ## [1] 1033.333

cmee<-cmtto/15;cmee # cuadrados medios error

## [1] 68.88889

scee<-cmee*9;scee # suma cuadrados error

## [1] 620

sctotal<-scee+tto;sctotal

## [1] 2686.667

asi nuestra anava queda de la siguiente forma:

FV gl SC CM FC F tabla

TTO 2 2066.667 1033.333 15 4.25

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

de acuerdo a la información suministrada, n=20 t=5 r=4

a. el modelo lineal aplicado en nuestra investigación es:

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

por otro lado, el contraste de hipótesis a realizar es el siguiente:

H_0:\mu_1=\mu_2=\mu_3=\mu_4=\mu_5 vs H_1: \mu_j \neq \mu_j´ para algún j\neq j´

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

TTO 4 800 200 7.49 3.055

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%