Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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:
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
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$residuals
## W = 0.9777, p-value = 0.6672
Teniendo en cuenta el valor p de la prueba de Shapiro Wilk es mayor que 0.05, no se rechaza la hipotesis
nula por lo tanto se comprueba que se cumple el supuesto de normalidad con α = 0.05
2
QQPLOT
0
−20
−40
−60
−2 −1 0 1 2
Theoretical Quantiles
3
Residuales vs predichos
40
20
mod$residuals
0
−20
−40
−60
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
##
## Bartlett test of homogeneity of variances
##
## data: mod$residuals by temp
## Bartlett’s K-squared = 3.6185, df = 2, p-value = 0.1638
Dado que el valor p es mayor que 0.05 no se rechaza la hipotesis nula por lo tanto se comprueba el supuesto
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-
tamiento homocedastico
## [1] 2.37615e-16
ANOVA
##
## 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
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:
9
Vehiculo Tiempo Distancia
3 24 5
##
## Call:
## lm(formula = time_y ~ veh + I(dist_x - mean(dist_x)) %in% veh,
## data = df, contrasts = list(veh = "contr.sum"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.1000 -1.1583 0.1813 0.7972 2.1000
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (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
##
## Residual standard error: 1.314 on 18 degrees of freedom
## Multiple R-squared: 0.9717, Adjusted R-squared: 0.9639
## F-statistic: 123.8 on 5 and 18 DF, p-value: 2.724e-13
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.
ANOVA Nivel de significancia α = 0.05
H0 : β (1) = β (2) = β (3) = 0 H1 : al menos un β (i) ̸= 0
10
## Analysis of Variance Table
##
## Response: time_y
## Df Sum Sq Mean Sq F value Pr(>F)
## 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
ANOVA Nivel de significancia α = 0.05
H0 : β = 0 H1 : β ̸= 0
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
ANOVA Nivel de significancia α = 0.05
H0 : β (1) = β (2) = β (3) = β H1 : al menos un β (i) ̸= β.
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
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
i = 1, 2, 3; j = 1, 2, 3, 4, 5, 6, 7, 8
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: mod2$residuals
## W = 0.93898, p-value = 0.1548
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
13
QQPLOT
0
−1
−2
−2 −1 0 1 2
Theoretical Quantiles
14
Residuales vs predichos
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
##
## 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 con α = 0.05
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:
ANOVA
##
## Call:
## lm(formula = res ~ A * B * C)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.3333 -0.7333 0.1333 0.7667 1.3333
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (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
##
## Residual standard error: 1.002 on 16 degrees of freedom
## Multiple R-squared: 0.838, Adjusted R-squared: 0.7672
## F-statistic: 11.83 on 7 and 16 DF, p-value: 2.855e-05
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.
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
18
8
6
res
4
2
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
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: mod3$residuals
## W = 0.95971, p-value = 0.4327
19
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
QQPLOT
0.5
−0.5 0.0
−1.5
−2 −1 0 1 2
Theoretical Quantiles
20
Papel
Residuales vs predichos
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
##
## Bartlett test of homogeneity of variances
##
## data: mod3$residuals by A
## Bartlett’s K-squared = 0.57298, df = 1, p-value = 0.4491
Dado que el valor p es mayor que 0.05 no se rechaza la hipotesis nula por lo tanto se comprueba el supuesto
de homocedasticidad para el Papel con α = 0.05
21
Residuales vs Material
1.5
1.0
0.5
−0.5 0.0
y
−1.5
−1 1
Graficamente comprobamos que los residuales del modelo para el factor Tipo de Cristal tienen un compor-
tamiento homocedastico
H0 : Los residuales de la Dirección del rasguño del modelo son homocedasticos H1 : Los residuales de la
Dirección del rasguño no son homocedasticos
##
## Bartlett test of homogeneity of variances
##
## data: mod3$residuals by C
## Bartlett’s K-squared = 0.079772, df = 1, p-value = 0.7776
Dado que el valor p es mayor que 0.05 no se rechaza la hipotesis nula por lo tanto se comprueba el supuesto
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-
tamiento homocedastico
## [1] 6.938894e-18
23