Notas RCBD

MA. Ing. Anibal Vargas

2023-03-02

Contents
1 Identificando el Facor 3

2 Identificando el Bloque 3

3 Modelo del ANOVA 3

4 Identidad del ANOVA 4

5 Análisis de diferencias de Tukey 5

6 Validación del modelo mediante el análisis de los residuos 5

6.1 Validando la Normalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
6.2 Validación de la varianza constante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
6.3 Validando el supuesto de independencia, Durbin-Watson . . . . . . . . . . . . . . . . 9
Diseño de experimentos RCBD (Randomized Complete Block Design) Los experimentos RCBD
son una variante del Anova de un factor en el que se puede identificar una variable de ruido pero no se puede
eliminar, solamente se bloquea su efecto en la variable de respuesta.
Los pasos a seguir en un diseño RCBD son los siguientes:

1. Identificar el Factor (establecer los niveles o tratamientos)

2. Identificar la variable de ruido o Bloque
3. Escribir el modelo (No olvidar los supuestos del error)
4. Escribir la identidad del ANOVA
5. Plantear la prueba de hipótesis
6. Hacer el análisis de la varianza
7. Si se concluye que el factor tiene un efecto en la respuesta, es mandatorio hacer un análisis de las
diferencias (LSD-Fisher, Tukey)
8. Validación de los supuestos sobre ϵ. 8.1 Normalidad (Histograma, estadísticas descriptivas, gráfico de
probabilidad normal, prueba de normalidad Shapiro-Wilk para n < 50, Kolmogorov-Smirnof n ≥ 50)
8.2 Medio cero (interpretar las estadísticas descriptivas) 8.3 Varianza constante (gráfico de residuos
vrs factor, residuos vrs Bloque, prueba de homocedasticidad de Leven) 8.4 Independencia (gráfico de
residuos vrs Factor, residuos vrs Bloque, prueba de correlación de Durbin-Watson)

Se procederá a habilitar las librerias necesarias para el análisis

1
library(car)

## Loading required package: carData

library(nortest)
library(agricolae)
library(ggplot2)
library(qqplotr)

##
## Attaching package: ’qqplotr’

## The following objects are masked from ’package:ggplot2’:

##
## stat_qq_line, StatQqLine

library(psych)

##
## Attaching package: ’psych’

## The following objects are masked from ’package:ggplot2’:

##
## %+%, alpha

## The following object is masked from ’package:car’:

##
## logit

library(GGally)

## Registered S3 method overwritten by ’GGally’:

## method from
## +.gg ggplot2

library(requireR)
library(lmtest)

## Loading required package: zoo

##
## Attaching package: ’zoo’

## The following objects are masked from ’package:base’:

##
## as.Date, as.Date.numeric

A continuación se va a cargar la base de datos:

2
library(readxl)
RCBD <- read_excel("C:/Universidades/UVG/R Datasets/RCBD.xlsx",
sheet = "RCBD")
View(RCBD)
print(RCBD)

## # A tibble: 20 x 3
## Resistencia Factor Bloque
## <dbl> <dbl> <dbl>
## 1 1.3 1 1
## 2 1.6 1 2
## 3 0.5 1 3
## 4 1.2 1 4
## 5 1.1 1 5
## 6 2.2 2 1
## 7 2.4 2 2
## 8 0.4 2 3
## 9 2 2 4
## 10 1.8 2 5
## 11 1.8 3 1
## 12 1.7 3 2
## 13 0.6 3 3
## 14 1.5 3 4
## 15 1.3 3 5
## 16 3.9 4 1
## 17 4.4 4 2
## 18 2 4 3
## 19 4.1 4 4
## 20 3.4 4 5

Problema. En un proceso de planchado permanente se usa un químico para el tratamiento de

la tela. El químico viene en 4 tipos y se desea estudiar si éste tiene efecto en la resistencia
de la tela, es decir, en la duración del planchado permanente. También se sabe que el tipo de
tela tendrá un impacto en la resistencia, por tanto el tipo de tela es la variable de ruido que
no se puede eliminar.

1 Identificando el Facor
En este ejemplo, el factor es el químico y tiene 4 niveles o tratamientos.

2 Identificando el Bloque
En el ejemplo, claramente la tela es el bloque. Se condujo el experimento con 5 tipos de tela, por tanto son
5 bloques completos por que se probó cada químico por tela.

3 Modelo del ANOVA

yij = µ + τi + βj + ϵij

3
Donde se supone que ϵ está normalmente distribuido, con media cero, varianza constante e independencia
respecto a: factor, bloque, observaciones, pronósticos, orden de corrida.

4 Identidad del ANOVA

SCT = SCtrat + SCbloque + SCE
Se escriben a continuación las fórmulas computacionales:

a X
X b a
X b
X a X
X b
(yij − ȳ.. )2 = b (ȳi. − ȳ.. )2 + a (ȳ.j − ȳ.. )2 + (yij − ȳi. − ȳ.j + ȳ.. )2
i=1 j=1 i=1 j=1 i=1 j=1

# Prueba de Hipótesis
Se pretende probar las siguientes hipótesis respecto al factor (químico)

H0 : τ1 = τ2 = · · · = τ4 = 0
H1 : τi ̸= 0 P ara al menos una i
# Análisis de varianza
Para proceder con el análisis de varianza, es necesario primero declarar al Factor y al Bloque como “factores”.
Luego se añadirán al data frame original y el resultado del anova se almacenará en una variable llamanda
ANOVA_Res.

RCBD$Factor<-as.factor(RCBD$Factor)
RCBD$Bloque<-as.factor(RCBD$Bloque)
ANOVA_Res<-aov(Resistencia~Factor+Bloque,data = RCBD)
ANOVA_Res

## Call:
## aov(formula = Resistencia ~ Factor + Bloque, data = RCBD)
##
## Terms:
## Factor Bloque Residuals
## Sum of Squares 18.044 6.693 0.951
## Deg. of Freedom 3 4 12
##
## Residual standard error: 0.2815138
## Estimated effects may be unbalanced

summary(ANOVA_Res)

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

## Factor 3 18.044 6.015 75.89 4.52e-08 ***
## Bloque 4 6.693 1.673 21.11 2.32e-05 ***
## Residuals 12 0.951 0.079
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Conclusión. Con un nivel de significancia α = 0.05 ≥ V alor − p = 4.52 × 10−8 , se rechaza la hipótesis nula
a favor de la alternativa la cual establece que por lo menos un tratamiento químico influye en la resistencia
de la tela (durabilidad del planchado).

4
5 Análisis de diferencias de Tukey
En el método de Tukey, dos medias son significativamente diferentes si α ≥ V alor − p, de lo contrario, no
difieren.

Dif_Medias<-TukeyHSD(ANOVA_Res,"Factor")
Dif_Medias

## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = Resistencia ~ Factor + Bloque, data = RCBD)
##
## $Factor
## diff lwr upr p adj
## 2-1 0.62 0.09140218 1.1485978 0.0204200
## 3-1 0.24 -0.28859782 0.7685978 0.5523215
## 4-1 2.42 1.89140218 2.9485978 0.0000001
## 3-2 -0.38 -0.90859782 0.1485978 0.1973362
## 4-2 1.80 1.27140218 2.3285978 0.0000017
## 4-3 2.18 1.65140218 2.7085978 0.0000002

6 Validación del modelo mediante el análisis de los residuos

Antes de validar el modelo, se deben calcular los residuos y los residuos estándar. Para ello corra el siguiente
código:

Residuos<-residuals(ANOVA_Res)
ResiduosST<-Residuos/sd(Residuos)
RCBD$Residuos<-Residuos
RCBD$ResiduosST<-ResiduosST
Residuos

## 1 2 3 4 5
## -1.800000e-01 -1.050000e-01 4.450000e-01 -1.800000e-01 2.000000e-02
## 6 7 8 9 10
## 1.000000e-01 7.500000e-02 -2.750000e-01 1.318390e-16 1.000000e-01
## 11 12 13 14 15
## 8.000000e-02 -2.450000e-01 3.050000e-01 -1.200000e-01 -2.000000e-02
## 16 17 18 19 20
## 9.020562e-17 2.750000e-01 -4.750000e-01 3.000000e-01 -1.000000e-01

6.1 Validando la Normalidad

6.1.1 Histograma de Residuos

ggplot(ANOVA_Res,aes(x=Residuos))+
geom_histogram(binwidth = 0.25,color="blue",fill="grey")+
labs(x="Residuos",y="Frecuencia",title="Histograma de Residuos")

5
 Histograma de Residuos

9
Frecuencia

−0.4 0.0 0.4

Residuos
No olvide comentar el histograma. . .

6.1.2 Estadísticas Descriptivas

summary(Residuos)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## -0.475 -0.135 0.000 0.000 0.100 0.445

Coef_Asimetria<-skew(Residuos)
Coef_Curtosis<-kurtosi(Residuos)
Coef_Asimetria

## [1] 0.04018576

Coef_Curtosis

## [1] -0.5109065

6.1.3 Gráfico de Probabilidad Normal

6
ggplot(mapping=aes(sample=Residuos))+
stat_qq_point(size=2)+stat_qq_line(color="blue")+
labs(x="Valores de Z", y="Residuos",title="Gráfico de Probabilidad Normal")

Gráfico de Probabilidad Normal

0.25
Residuos

0.00

−0.25

−0.50
−0.25 0.00 0.25
Valores de Z

No olvide comentar. . .

6.1.4 Prueba de Normalidad, Shapiro-Wilk

H0 : Los residuos se distribuyen normalmente

H1 : Los residuos N o se distribuyen normalmente

Shapiro_Wilk<-shapiro.test(Residuos)
Shapiro_Wilk

##
## Shapiro-Wilk normality test
##
## data: Residuos
## W = 0.98077, p-value = 0.9437

Conclusión. Con un nivel de significancia, α = 0.05 < V alor − p = 0.94, no hay evidencia suficiente para
rechazar la hipótesis nula la cual establece que los residuos se distribuyen normalmente.

7
6.2 Validación de la varianza constante
6.2.1 Gráfico de dispersión de Residuos vrs Factor

ggplot(RCBD,aes(RCBD$Factor,RCBD$Residuos))+
geom_point()+labs(x="Factor",y="Residuos",title="Residuos vrs Factor (químico)")

Residuos vrs Factor (químico)

0.25
Residuos

0.00

−0.25

−0.50
1 2 3 4
Factor

No olvide comentar el gráfico. . .

6.2.2 Prueba de Homocedasticidad, Residuos vrs Factor (Levene)

H0 : σ12 = σ22 = · · · = σ42

H1 : σi2 ̸= σj2
para al menos un par de varianzas.

Levene<-leveneTest(RCBD$Residuos,RCBD$Factor)
Levene

## Levene’s Test for Homogeneity of Variance (center = median)

## Df F value Pr(>F)
## group 3 0.516 0.6771
## 16

No se rechaza Ho. . . .

8
6.3 Validando el supuesto de independencia, Durbin-Watson

H0 : ρ = 0 (hay independencia)
H1 : ρ ̸= 0 (N o hay independencia)

Durbin_Wat<-dwtest(ANOVA_Res)
Durbin_Wat

##
## Durbin-Watson test
##
## data: ANOVA_Res
## DW = 3.1043, p-value = 0.9715
## alternative hypothesis: true autocorrelation is greater than 0