Parcial Final

PARCIAL FINAL
Diego Ramírez hdez
30/4/2022
PARCIAL FINAL
EJERCICIO 1
Un ingeniero fabricará una batería para su uso en el motor de ciclomotores. Para ello, dispone de tres tipos
diferentes de material. Como considera que la tempratura es un factor influeynte en la duración de la batería,
decide diseñar un experimento combinando tres materiales con tres temperaturas concretas: -10°C, 20°C y
50°C. Así, una vez sometidas cuatro baterías de cada material a cada temperatura, las duraciones efectivas
en horas de cada batería son las siguientes:
Material Temperatura Duracion

1 -10 130
1 -10 155
1 50 70
1 20 34
1 -10 180
1 20 80
1 50 82
1 20 40
1 50 20
1 -10 74
1 20 75
1 50 58
2 20 122
2 20 126
2 -10 150
2 50 70
2 50 25
2 20 115
2 -10 126
2 50 58
2 -10 159
2 -10 188
2 20 106
2 50 45
3 20 150
3 20 174
3 -10 138
3 -10 110
1
Material Temperatura Duracion
3 50 60
3 50 96
3 20 120
3 -10 168
3 -10 160
3 20 139
3 50 104
3 50 82
a) Describir el modelo a utilizar y construir tabla ANOVA

Se plantea el siguiente modelo para el diseño experimental factorial
Yijk = µ + τi + βj + (τ β)ij + eijk

i = 1, 2, 3; j = 1, 2, 3; k = 1, 2, 3, 4
Yijk = Horas de duración de la batería por el efecto del material i y la temperatura j
µ = media global de la población
τi = efecto medio producido por el material i
βj = efecto medio producido por la temperatura j
τ βijk = efecto medio producido por la interacción del efecto del material i y la temperatura j
eijk N (0, σ) τ1 = 0 β1 = 0
Comprobación de los supuestos del modelo
NORMALIDAD α = 0.05
H0 : Los residuales del modelo tienen una distribución normal H1 : Los residuales del modelo no tienen una
distribución normal
##
## Shapiro-Wilk normality test
##
## data: mod$residuals
## W = 0.9777, p-value = 0.6672
Teniendo en cuenta el valor p de la prueba de Shapiro Wilk es mayor que 0.05, no se rechaza la hipotesis
nula por lo tanto se comprueba que se cumple el supuesto de normalidad con α = 0.05
2
QQPLOT
Normal Q−Q Plot

40
20
Sample Quantiles
0
−20
−40
−60
−2 −1 0 1 2
Theoretical Quantiles
La grafica de quartiles permite comprobar graficamente la normalidad en los errores.

HOMOCEDASTICIDAD α = 0.05
3
Residuales vs predichos
40
20
mod$residuals
0
−20
−40
−60
60 80 100 120 140 160
mod$fitted.values
Material
H0 : Los residuales del material del modelo son homocedasticos H1 : Los residuales del material modelo no
son homocedasticos
##
## Bartlett test of homogeneity of variances
##
## data: mod$residuals by mat
## Bartlett’s K-squared = 3.505, df = 2, p-value = 0.1733
Dado que el valor p es mayor que 0.05 no se rechaza la hipotesis nula por lo tanto se comprueba el supuesto
de homocedasticidad para el material con α = 0.05
4
Residuales vs Material
40
20
0
y
−20
−40
−60
1 2 3
Graficamente comprobamos que los residuales del modelo para el factor Tipo de Cristal tienen un compor-
tamiento homocedastico
Temperatura
H0 : Los residuales de la Temperatura del modelo son homocedasticos H1 : Los residuales de la Temperatura
modelo no son homocedasticos
##
##
## data: mod$residuals by temp
mostrando una tendencia homocedastica para el factor Temperatura con α = 0.05
5
Residuales vs Temperatura
40
20
0
y
−20
−40
−60
−10 20 50
Graficamente comprobamos que los residuales del modelo para el factor Temperatura tienen un compor-
ESPERANZA DEL ERROR TIENDE A CERO
## [1] 2.37615e-16
El resultado obtenido confirma que la esperanza del error tiende a cero.

Así las cosas, se comprueba que eijk N (0, σ) dandole validez al modelo y los resultados obtenidos y las
conclusiones del experimento.
ANOVA
Nivel de significancia α = 0.05

H0 : τ1 = τ2 = τ3 H1 : al menos un τi ̸= 0
H0 : β1 = β2 = β3 H1 : al menos un βj ̸= 0
H0 : τ βij = 0, ∀i, j H1 : al menos un τ βij ̸= 0
##
## Call:
## lm(formula = horas ~ temp * mat)
##
6
## Residuals:
## Min 1Q Median 3Q Max
## -60.750 -12.750 1.875 17.938 45.250
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 134.75 12.90 10.443 5.55e-11 ***
## temp20 -77.50 18.25 -4.247 0.000230 ***
## temp50 -77.25 18.25 -4.233 0.000238 ***
## mat2 21.00 18.25 1.151 0.259891
## mat3 9.25 18.25 0.507 0.616330
## temp20:mat2 39.00 25.81 1.511 0.142336
## temp50:mat2 -29.00 25.81 -1.124 0.271005
## temp20:mat3 79.25 25.81 3.071 0.004825 **
## temp50:mat3 18.75 25.81 0.727 0.473740
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
## Residual standard error: 25.81 on 27 degrees of freedom
## Multiple R-squared: 0.7669, Adjusted R-squared: 0.6978
## F-statistic: 11.1 on 8 and 27 DF, p-value: 8.606e-07
## Df Sum Sq Mean Sq F value Pr(>F)

## temp 2 39083 19542 29.344 1.69e-07 ***
## mat 2 10633 5317 7.983 0.00189 **
## temp:mat 4 9438 2359 3.543 0.01897 *
## Residuals 27 17981 666
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Teniendo en cuenta que los resultados de la tabla ANOVA muestran que los factores y sus interacciones
muestran diferencias significativas con valores p menores que α = 0.05 se rechazan las hipotesis nulas con
un nivel de significancia α = 0.05 y se concluye que el material, la temperatura y la interacción de ambos
factores afectan significativamente las horas de duración de las baterías fabricadas por el ingeniero.
b) Graficar las duraciones medias con cada tratamiento
7
Gráfico de interacciones
200
Temperatura
20
150
−10
50
Horas
100
50
1 2 3
Material
De acuerdo al gráfico de interacciones se puede sospechar de alguna diferencia significativa entre los materiales
y la temperatura. Se sospecha que la temperatura 20°C produce una interacción significativa en los tipos
de material 1 y 3 toda vez que muestra intercepciones en estos materiales en las temperaturas 50 y -10
respectivamente, esto lo vemos con mayor fuerza en la tabla de resumen del modelo donde se nota que de cada
interacción la que mejor comportamiento denota significativamente es la interacción entre la temperatura 20
y el material 3. La temperatura -10°C es quién produce, en apariencia, mayor media de horas de duración de
la baetería, mientras que la temperatura 50°C la de menor duración media en horas. También es importante
resaltar que el material 3 produce la mayor duración media de horas independientemente de la temperatura
a la que se exponga durante el experimento.
c) Estudiar las comparaciones entre las duraciones medias de las baterías con los distintos materiales cuando
se somete a 20°C por el método de Bonferroni
Diferencias de las medias α = 0.05
H0 : La diferencia de las medias de cada pareja de material i y temperatura j son iguales H1 : La diferencia
de las medias de cada pareja de material i y temperatura j no son iguales
##
## Pairwise comparisons using t tests with pooled SD
##
## data: horas and temp:mat
##
## -10:1 -10:2 -10:3 20:1 20:2 20:3 50:1 50:2
## -10:2 1.00000 - - - - - - -
## -10:3 1.00000 1.00000 - - - - - -
8
## 20:1 0.00826 0.00038 0.00212 - - - - -
## 20:2 1.00000 1.00000 1.00000 0.10094 - - - -
## 20:3 1.00000 1.00000 1.00000 0.00164 1.00000 - - -
## 50:1 0.00857 0.00039 0.00220 1.00000 0.10449 0.00170 - -
## 50:2 0.00265 0.00012 0.00068 1.00000 0.03389 0.00052 1.00000 -
## 50:3 0.42660 0.02367 0.12414 1.00000 1.00000 0.09750 1.00000 1.00000
##
## P value adjustment method: bonferroni
De acuerdo con los resultados de la prueba de contraste por el método de Bonferroni encontramos que las
diferencias entre las temperaturas son significativas mostrando valores p menores que α = 0.05 rechazando la
hipótesis nula para cada diferencia de medias entre la interacción de la tempratura -10 y 20 y los materiales
1, 2 y 3. Respecto de la temperatura 20°C, muestra diferencias estadísticamente significativas respecto del
efecto producido con la temperatura -10 pero no respecto de la temperatura 50 y los tres tipos de material.
Así las cosas, de acuerdo a esta prueba, el gráfico de interacciones y el summary del modelo podemos
concluir que la temperatura 20°C produce un impacto significativo en la duración media en horas de la
batería fabricada por el ingeriero respecto de la temperatura -10 y 50 así: Respecto de la temperatura -10
en el material 1 y los tres materiales en la temperatura -10
Respecto de la temperatura 50 :los materiales 1 y 2 afectados por ambos tipos de temperatura.
EJERCICIO 2
Un distribuidor de productos perecederos desea estudiar cómo funciona su sistema de reparto de una región,
que dispone de tres tipos de vehículos distitnos con los que realiza el reparto. Para ello, mide el tiempo en
minutos, y como el tiempo viene influido pro la distancia que se debe recorrer desde el centro de distribución,
también recoge este dato. Las observaciones son las siguientes:
Vehiculo Tiempo Distancia

1 16 9
1 7 5
1 11 6
1 9 4
1 10 6
1 11 8
1 8 3
1 8 5
2 16 8
2 10 5
2 13 6
2 10 5
2 10 3
2 14 6
2 11 4
2 12 6
3 24 5
3 29 8
3 19 3
3 22 4
3 25 6
3 28 9
3 22 4
9
Vehiculo Tiempo Distancia
3 24 5

Se plantea el siguiente modelo para el diseño experimental análisis de covariables
Yij = µ + τi + β(xij − x¯.. ) + eij

i = 1, 2, 3; j = 1, 2, 3, 4, 5, 6, 7, 8
Yij = Tiempo de desplazamiento j por el efecto del camión i
τi = efecto medio producido por el vehículo i
xij = efecto medio producido por la distancia y el tipo de vehículo en la ij-esima observación
eij N (0, σ)
Modelo Sumatoria tau = 0
ANOVA Nivel de significancia α = 0.05
H0 : β (1) = β (2) = β (3) = 0 H1 : al menos un βj ̸= 0
##
## Call:
## lm(formula = time_y ~ veh + I(dist_x - mean(dist_x)) %in% veh,
## data = df, contrasts = list(veh = "contr.sum"))
##
## Residuals:
## -2.1000 -1.1583 0.1813 0.7972 2.1000
##
## Coefficients:
## (Intercept) 15.3827 0.2694 57.102 < 2e-16 ***
## veh1 -5.6327 0.3813 -14.772 1.67e-11 ***
## veh2 -3.1727 0.3814 -8.318 1.40e-07 ***
## veh1:I(dist_x - mean(dist_x)) 1.2000 0.2505 4.790 0.000147 ***
## veh2:I(dist_x - mean(dist_x)) 1.2598 0.3297 3.821 0.001252 **
## veh3:I(dist_x - mean(dist_x)) 1.5167 0.2399 6.323 5.86e-06 ***
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##
Dado que los valores p son menores que α = 0.05 se rechaza la hipótesis nula por lo tanto se concluye que
los β son diferentes de cero.
H0 : β (1) = β (2) = β (3) = 0 H1 : al menos un β (i) ̸= 0
10
## Analysis of Variance Table
##
## Response: time_y
## veh 2 934.75 467.38 270.77 3.690e-14 ***
## veh:I(dist_x - mean(dist_x)) 3 133.81 44.60 25.84 9.623e-07 ***
## Residuals 18 31.07 1.73
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Dado que los valores p son menores que α = 0.05 se concluye que hay al menos un β diferente.
Modelo suponiendo que los betas son iguales incluyendo el intercepto
H0 : β = 0 H1 : β ̸= 0

##
## Response: time_y
## veh 2 934.75 467.38 286.323 1.916e-15 ***
## I(dist_x - mean(dist_x)) 1 132.23 132.23 81.006 1.803e-08 ***
## Residuals 20 32.65 1.63
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Dado que los valores p son menores que α = 0.05 se concluye que hay al menos un β diferente.
Se realiza prueba para contrastar que los efectos β son diferentes para cada xij
H0 : β (1) = β (2) = β (3) = β H1 : al menos un β (i) ̸= β.

##
## Model 1: time_y ~ veh + I(dist_x - mean(dist_x)) %in% veh
## Model 2: time_y ~ veh + I(dist_x - mean(dist_x))
## Res.Df RSS Df Sum of Sq F Pr(>F)
## 1 18 31.070
## 2 20 32.647 -2 -1.5769 0.4568 0.6405
Dado que el valor p es mayor que α = 0.05 no se rechaza la hipótesis nula confirmando que los β (i) son
iguales a β
b) Analizar la relación lineal según el tipo de vehículo
11
30
Tiempo de desplazamiento
25
20
15
10
3 4 5 6 7 8 9
Distancia recorrida
De acuerdo a lo observado en la gráfica anterior, podemos encontrar una relación lineal entre la distancia
recorrida y el tiempo de desplazamiento marcando relaciones paralelas entre las rectas confirmando grafica-
mente, lo inferido en las pruebas del punto anterior.
c) Contraste la igualdad de los tratamientos
H0 : τ1 = τ2 = τ3 = 0 H1 : al menos un τ(i) ̸= 0
## Anova Table (Type II tests)

##
## Response: time_y
## Sum Sq Df F value Pr(>F)
## veh 954.70 2 292.434 1.562e-15 ***
## I(dist_x - mean(dist_x)) 132.23 1 81.006 1.803e-08 ***
## Residuals 32.65 20
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
## Anova Table (Type III tests)

##
## Response: time_y
## Sum Sq Df F value Pr(>F)
## (Intercept) 5673.4 1 3475.617 < 2.2e-16 ***
## veh 954.7 2 292.434 1.562e-15 ***
## I(dist_x - mean(dist_x)) 132.2 1 81.006 1.803e-08 ***
## Residuals 32.6 20
## ---
12
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Dado que los valores p son menores que α = 0.05 se rechaza la hipótesis nula confirmando que los τi son
diferentes de cero, eso confirma lo observado en la gráfica anterior.
d) Presentar el modelo final y verificar los supuestos
Modelo final
yˆij = µ̂ + τˆi + β̂(xij − x¯.. ) + eij
i = 1, 2, 3; j = 1, 2, 3, 4, 5, 6, 7, 8
Yij = Tiempo de desplazamiento j por el efecto del camión i

τi = efecto medio producido por el vehículo i
xij = efecto medio producido por la distancia y el tipo de vehículo en la ij-esima observación
eij N (0, σ)
Comprobación de los supuestos del modelo
H0 : Los residuales del modelo tienen una distribución normal H1 :: Los residuales del modelo no tienen una
##
##
## data: mod2$residuals
## W = 0.93898, p-value = 0.1548
13
QQPLOT
Normal Q−Q Plot

1
Sample Quantiles
0
−1
−2
−2 −1 0 1 2

14
1
mod2$residuals
0
−1
−2
10 15 20 25
mod2$fitted.values
H0 : Los residuales del material del modelo son homocedasticos H1 : Los residuales del material modelo no
son homocedasticos
##
##
## data: mod$residuals by mat
de homocedasticidad con α = 0.05

## [1] 7.864983e-17

Así las cosas, se comprueba que eij N (0, σ) dandole validez al modelo y los resultados obtenidos y las
EJERCICIO 3
Un fabricante de bolsas de papel desea analizar la resistencia al rasgamiento, para lo cual utiliza una escala
numérica. Examina tres factores, cada uno en dos niveles, A = papel, B = Humedad y C = dirección del
15
rasguño, Decide obtener tres observaciones en cada combinación, las mismas se muestran a continuación:
Papel Humedad Direccion resistencia

-1 -1 -1 3.8
1 -1 -1 6.6
-1 1 -1 3.4
1 1 -1 6.8
-1 -1 1 2.3
1 -1 1 4.7
-1 1 1 2.1
1 1 1 4.2
-1 -1 -1 3.1
1 -1 -1 8.0
-1 1 -1 1.7
1 1 -1 8.2
-1 -1 1 3.1
1 -1 1 3.5
-1 1 1 1.1
1 1 1 4.7
-1 -1 -1 2.2
1 -1 -1 6.8
-1 1 -1 3.8
1 1 -1 6.0
-1 -1 1 0.7
1 -1 1 4.4
-1 1 1 3.6
1 1 1 2.9
ANOVA
Nivel de significancia α = 0.05

H0 : τ1 = τ2 = τ3 H1 : al menos un τi ̸= 0
H0 : β1 = β2 = β3 H1 : al menos un βj ̸= 0
H0 : τ βij = 0, ∀i, j H1 : al menos un τ βij ̸= 0
##
## Call:
## lm(formula = res ~ A * B * C)
##
## Residuals:
## -1.3333 -0.7333 0.1333 0.7667 1.3333
##
## Coefficients:
## (Intercept) 3.03333 0.57843 5.244 8.03e-05 ***
## A1 4.10000 0.81803 5.012 0.000128 ***
## B1 -0.06667 0.81803 -0.081 0.936057
16
## C1 -1.00000 0.81803 -1.222 0.239239
## A1:B1 -0.06667 1.15686 -0.058 0.954759
## A1:C1 -1.93333 1.15686 -1.671 0.114126
## B1:C1 0.30000 1.15686 0.259 0.798694
## A1:B1:C1 -0.43333 1.63605 -0.265 0.794495
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
##

## A 1 53.70 53.70 53.500 1.74e-06 ***
## B 1 0.02 0.02 0.020 0.888371
## C 1 22.23 22.23 22.151 0.000238 ***
## A:B 1 0.12 0.12 0.120 0.733583
## A:C 1 6.93 6.93 6.908 0.018260 *
## B:C 1 0.01 0.01 0.010 0.920125
## A:B:C 1 0.07 0.07 0.070 0.794495
## Residuals 16 16.06 1.00
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
Teniendo en cuenta que los resultados de la tabla ANOVA muestran que los factores y sus interacciones
muestran diferencias significativas con valores p menores que α = 0.05 se rechazan las hipotesis nulas para el
factor Papel y Dirección y para la interacción entre Papel y Dirección con un nivel de significancia α = 0.05.
b) Interprete los efectos significativos y encuentre la mejor combinación de tratamiento
Teniendo en cuenta que los resultados del item anterior, se concluye que los efectos producidos por el factor
Humedad y las interacciones donde es participe no inciden en la resistencia de las bolsas de papel, mientras
que el papel y la dirección del resguño sí impactan significativamente en la resistencia de la bolsa de papel.
## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = mod3)
##
## $‘A:C‘
## diff lwr upr p adj
## 1:-1--1:-1 4.066667 2.6086355 5.5246978 0.0000010
## -1:1--1:-1 -0.850000 -2.3080311 0.6080311 0.3843354
## 1:1--1:-1 1.066667 -0.3913645 2.5246978 0.2044250
## -1:1-1:-1 -4.916667 -6.3746978 -3.4586355 0.0000000
## 1:1-1:-1 -3.000000 -4.4580311 -1.5419689 0.0000679
## 1:1--1:1 1.916667 0.4586355 3.3746978 0.0074602
17
95% family−wise confidence level
−1:1−−1:−1
−1:1−1:−1
1:1−−1:1
−6 −4 −2 0 2 4 6
Differences in mean levels of A:C
18
8
6
res
4
2
−1.−1 1.−1 −1.1 1.1
A:C
La mejor combinación de tratamiento es cuando el factor Papel esta en el nivel Alto y el factor Dirección
está en el nivel Bajo puesto que producen la mayor resistencia en la bolsa de papel.
c) Verificar los supuestos del modelo
Ajuste del modelo

## A 1 53.70 53.70 65.964 9.22e-08 ***
## C 1 22.23 22.23 27.311 4.10e-05 ***
## A:C 1 6.93 6.93 8.517 0.0085 **
## Residuals 20 16.28 0.81
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1
H0 : Los residuales del modelo tienen una distribución normal H1 : Los residuales del modelo no tienen una
##
##
## data: mod3$residuals
## W = 0.95971, p-value = 0.4327
19
QQPLOT
Normal Q−Q Plot

1.5
1.0
Sample Quantiles
0.5
−0.5 0.0
−1.5
−2 −1 0 1 2

20
Papel
1.5
1.0
mod3$residuals
0.5
−0.5 0.0
−1.5
2 3 4 5 6 7
mod3$fitted.values
H0 : Los residuales del papel del modelo son homocedasticos H1 : Los residuales del papel modelo no son
homocedasticos
##
##
## data: mod3$residuals by A
de homocedasticidad para el Papel con α = 0.05
21
Residuales vs Material
1.5
1.0
0.5
−0.5 0.0
y
−1.5
−1 1
Graficamente comprobamos que los residuales del modelo para el factor Tipo de Cristal tienen un compor-
Dirección del rasguño
H0 : Los residuales de la Dirección del rasguño del modelo son homocedasticos H1 : Los residuales de la
Dirección del rasguño no son homocedasticos
##
##
## data: mod3$residuals by C
mostrando una tendencia homocedastica para el factor Dirección del rasguño con α = 0.05
22
Residuales vs Temperatura
1.5
1.0
0.5
−0.5 0.0
y
−1.5
−1 1
Graficamente comprobamos que los residuales del modelo para el factor Temperatura tienen un compor-
## [1] 6.938894e-18

Así las cosas, se comprueba que eijk N (0, σ) dandole validez al modelo y los resultados obtenidos y las
23

Parcial Final

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Parcial Final

Cargado por

Copyright:

Formatos disponibles

PARCIAL FINAL

Diego Ramírez hdez

Material Temperatura Duracion

a) Describir el modelo a utilizar y construir tabla ANOVA

Yijk = µ + τi + βj + (τ β)ij + eijk

Comprobación de los supuestos del modelo

Normal Q−Q Plot

La grafica de quartiles permite comprobar graficamente la normalidad en los errores.

60 80 100 120 140 160

ESPERANZA DEL ERROR TIENDE A CERO

El resultado obtenido confirma que la esperanza del error tiende a cero.

Nivel de significancia α = 0.05

## Df Sum Sq Mean Sq F value Pr(>F)

Vehiculo Tiempo Distancia

a) Describir el modelo a utilizar y construir tabla ANOVA

Yij = µ + τi + β(xij − x¯.. ) + eij

## Analysis of Variance Table

## Analysis of Variance Table

## Anova Table (Type II tests)

## Anova Table (Type III tests)

yˆij = µ̂ + τˆi + β̂(xij − x¯.. ) + eij

Yij = Tiempo de desplazamiento j por el efecto del camión i

Comprobación de los supuestos del modelo

Normal Q−Q Plot

La grafica de quartiles permite comprobar graficamente la normalidad en los errores.

ESPERANZA DEL ERROR TIENDE A CERO

El resultado obtenido confirma que la esperanza del error tiende a cero.

Papel Humedad Direccion resistencia

a) Describir el modelo a utilizar y construir tabla ANOVA

Nivel de significancia α = 0.05

## Df Sum Sq Mean Sq F value Pr(>F)

## Tukey multiple comparisons of means

Differences in mean levels of A:C

−1.−1 1.−1 −1.1 1.1

Ajuste del modelo

## Df Sum Sq Mean Sq F value Pr(>F)

Normal Q−Q Plot

La grafica de quartiles permite comprobar graficamente la normalidad en los errores.

Dirección del rasguño

ESPERANZA DEL ERROR TIENDE A CERO

El resultado obtenido confirma que la esperanza del error tiende a cero.

También podría gustarte