IRAZEMA GARCÍA RUIZ

218208552
Diseño de experimentos. Grupo: 03
#Problema 3. Varios investigadores desean saber si pueden concluir que dos
poblaciones de niños difieren
#en cuanto a la edad media a la cual pudieron caminar por sí solos.
#Se reunieron los datos siguientes (las edades están en meses):
PA<- c(9.5, 10.5, 9.0, 9.75, 10.0, 13.0, 10.0, 13.5, 10.0, 9.5, 10.0, 9.75)
PB<-c(12.5, 9.5, 13.5, 13.75, 12.0, 13.75, 12.5, 9.5, 12.0, 13.5, 12.0, 12.0)
library(car)
#2. Plantear hipótesis nula y alternativa.
#H0:μ=μ0 #ambos poblaciones de niños empezaron a caminar al mismo tiempo
#H1:μ≠μ0 # una poblaciones de niños empezo a caminar en un perido más corto

#3.Probar normalidad (datos):

df<-data.frame(PA=PA,PB=PB)
View(df)
Alfa<- 0.05
N1<- length(PA)
N2<- length(PB)

#3.1.1. Incorporar código y resultados.

##Calcular media para PA y PB
MediaA<-mean(PA)
MediaB<-mean(PB)
par(mfrow=c(1,2))

#3.1.2. Análisis visual (gráfico).

qqPlot(df$PA, pch = 19, las = 1, main = 'Normalidad',
xlab = 'Cuartiles teóricos', ylab = 'Cuartiles Muestrales')
#hisograma y densidad
hist(df$PA, freq = FALSE, col = 'skyblue' , main = 'POBLACIÓN A')
lines(density(df$PA),col='red')
 IRAZEMA GARCÍA RUIZ
218208552
Diseño de experimentos. Grupo: 03
#grafica normalidad
qqPlot(df$PB, pch = 19, las = 1, main = 'Normalidad',
xlab = 'Cuartiles teóricos', ylab = 'Cuartiles Muestrales')
#hisograma y densidad
hist(df$PB, freq = FALSE, col = 'skyblue' , main = 'POBLACIÓN B')
lines(density(df$PB),col='red')

#3.1.3. Interpretar resultados.

#La Población A de niños empezaron a caminar en un menor periodo

#3.1.4. Prueba de Shapiro-Wilk.

# El test de Shapiro-Wilk se usa para contrastar la normalidad
# de un conjunto de datos. Se plantea como hipótesis nula que una
# muestra x1,....,xn proviene de una población normalmente distribuida.
# Fue publicado en 1965 por Samuel Shapiro y Martin Wilk
shapiro.test(df$PA)
shapiro.test(df$PB)
# El p-valor nos dice si sigue una distribución normal, indicando el valor de
probabilidad
# p valor de 0.0239 la probabilidad máxima que se está dispuesto a correr,
#el error de aceptar la hipótesis nula
# existe mayor probabilidad de equivocarnos al momento de rechazar la hipótesis
nula
# por lo tanto, se acepta la hipótesis nula

#3.1.5. Enunciar las hipótesis a contrastar.

#Contraster de la hipotesis
# H0: MuA = MuB (p-valor>alfa) ; H1: MuA es diferente a MuB (p-valor<alfa)
t.test(x=df$PA, y=df$PB, paired = FALSE, var.equal = FALSE,
conf.level = 0.95)
#Se rechaza la población nula
 IRAZEMA GARCÍA RUIZ
218208552
Diseño de experimentos. Grupo: 03
# La población A y B tienen diferentes periodos de tiempo

#3.1.6. Interpretar resultados.

# Criterio estadístico de prueba
v <- N1 + N2 -2
par(mfrow=c(1,2))
# Obtener el valor de t (0.025, 22)
qt(0.025, 22, lower.tail = F)

# Si el estadístico calculado es mayor al estadístico teórico se rechaza H1

# estadístico calculado t = -3.1561; estadístico teórico = 2.073873
# Por lo tanto, se acepta H1

#3.1.7. Redactar conclusión.

#Conclusión
# Se puede decir que con un nivel de confianza del 95%
#La población A de niños empezó a caminar en un periodo más corto