Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2023-03-02
Contents
1 Identificando el Facor 3
2 Identificando el Bloque 3
1
library(car)
library(nortest)
library(agricolae)
library(ggplot2)
library(qqplotr)
##
## Attaching package: ’qqplotr’
library(psych)
##
## Attaching package: ’psych’
library(GGally)
library(requireR)
library(lmtest)
##
## Attaching package: ’zoo’
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
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
Donde se supone que ϵ está normalmente distribuido, con media cero, varianza constante e independencia
respecto a: factor, bloque, observaciones, pronósticos, orden de corrida.
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)
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
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
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
summary(Residuos)
Coef_Asimetria<-skew(Residuos)
Coef_Curtosis<-kurtosi(Residuos)
Coef_Asimetria
## [1] 0.04018576
Coef_Curtosis
## [1] -0.5109065
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")
0.25
Residuos
0.00
−0.25
−0.50
−0.25 0.00 0.25
Valores de Z
No olvide comentar. . .
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)")
0.25
Residuos
0.00
−0.25
−0.50
1 2 3 4
Factor
Levene<-leveneTest(RCBD$Residuos,RCBD$Factor)
Levene
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