TAREA

1. Se efectúa un experimento para determinar si la temperatura de encendido o la posiciÓn de

la caldera tienen efecto sobre la densidad deTEMPERATURA °C
un ánodo de carbón. Los datos son los siguientes:
POSICIÓN 800 825 850
570 1063 565
1 565 1080 510
583 988 526
528 988 526
2 547 1026 538
521 1004 532

Establezca las hipótesis de interés. Pruébelas utilizando el análisis de varianza con α = 0.05.
Estime el valor P para cada un de las pruebas.
Solución
Consideremos las siguentes hipótesis:

H0 :α1 = ... = αk ; no inf luye el f actor T EM P ERAT U RA

vs.
H1 :αi ̸= 0; inf luye el f actor T EM P ERAT U RA

H0 :β1 = ... = βl ; no inf luye el f actor P OSICION

vs.
H1 :αj ̸= 0; inf luye el f actor P OSICION

H0 :(αβ)11 = ... = (αβ)l,k ; no existe interaccion entre los f actores

vs.
H1 :(αβ)ij ̸= 0; existe interacción

De lo visto en las notas, se tiene que:

1
 X X
SCF 1 = nb(x̄i − x̄...)2 = nbx̄i 2 − N x̄2 ...
i i
X X
2
SCF 2 = nb(x¯j − x̄...) = nbx¯j 2 − N x̄2 ...
j j
X X
SCI = n(x¯ij − x̄i − x¯j + x̄...)2 = nx¯i,j 2 − N x̄2 ... − SCF 2 − SCF 2
ij ij
X X
SCT A = (xijl − x̄...)2 = x2ijl − N x̄2
ijl ijl

SCE = SCT A − SCF 1 − SCF 2 − SCI

Entonces, en R calculamos lo siguiente:

k = 3; b = 2; n = 3 ; N = 18; gle<-k*b*(n-1); gli<-(k-1)*(b-1)

#posicion 1 #posicio 2 #Temperaturas

x11=c(570,565,583); x21=c(528,547,521); x1=c(x11,x21)
x12=c(1063,1080,988); x22=c(988,1026,1004); x2=c(x12,x22)
x13=c(565,510,526); x23=c(526,538,532); x3=c(x13,x23)
x1j=c(x11,x12,x13); x2j=c(x21,x22,x23); xij=c(x1j,x2j)

#Tabla
tabla<-matrix(c(mean(x11),mean(x12),mean(x13),mean(x1j),
mean(x21),mean(x22),mean(x23),mean(x2j),
mean(x1),mean(x2),mean(x3),mean(xij)),nrow=3,byrow=T)

dimnames(tabla)<-list(c("Posición 1","Posición 2","xi"),c(" 800","825","850","xj"))

tabla

## 800 825 850 xj

## Posición 1 572.6667 1043.667 533.6667 716.6667
## Posición 2 532.0000 1006.000 532.0000 690.0000
## xi 552.3333 1024.833 532.8333 703.3333

SCF1=n*b*((mean(x1))ˆ2+(mean(x2))ˆ2+(mean(x3))ˆ2)-N*((mean(xij))ˆ2)

SCF2=n*k*(mean(x1j)ˆ2+mean(x2j)ˆ2)-N*(mean(xij)ˆ2)

SCI=n*(mean(x11)ˆ2+mean(x12)ˆ2+mean(x13)ˆ2+
+mean(x21)ˆ2+mean(x22)ˆ2+mean(x23)ˆ2)-N*(mean(xij)ˆ2)-SCF1-SCF2

SCTA=((570ˆ2+565ˆ2+583ˆ2+1063ˆ2+1080ˆ2+988ˆ2+565ˆ2+510ˆ2+526ˆ2
+528ˆ2+547ˆ2+521ˆ2+988ˆ2+1026ˆ2+1004ˆ2+526ˆ2+538ˆ2+532ˆ2)-N*(mean(xij)ˆ2))

SCE=SCTA-SCF1-SCF2-SCI

MCF1=SCF1/(k-1); MCF2=SCF2/(b-1); MCI=SCI/((b-1)*(k-1)); MCE=SCE/gle

F1=MCF1/MCE; F2=MCF2/MCE; FI=MCI/MCE

cbind(SCF1,SCF2,SCI,SCE,SCTA,MCF1,MCF2,MCI,MCE,F1,F2,FI)

2
## SCF1 SCF2 SCI SCE SCTA MCF1 MCF2 MCI MCE F1 F2
## [1,] 931401 3200 1413 7728 943742 465700.5 3200 706.5 644 723.1374 4.968944
## FI
## [1,] 1.09705

De donde se tiene que la tabla ANOVA es

ANOVA
Fuente de var SC GL MC F P
Factor 1 (°C) 931401 2 465700.5 723.1374 3.1e-13
Factor 2 (Pos) 3200 1 3200 4.968944 0.0457
Iteracion 1413 2 706.5 1.09705 0.3651
Error 7728 12 644
Total 943742 17

Tambien se puede obtener de la siguente manera

#Vector de todos los datos

x<-c(x11,x12,x13,x21,x22,x23)

factor1_Tem<-c(rep(1,3),rep(2,3),rep(3,3))
factor1_Tem<-factor(factor1_Tem,levels=c(1,2,3))

factor2_Posicion<-c(rep(1,9),rep(2,9))
factor2_Posicion<-factor(factor2_Posicion,levels=c(1,2))

df<-data.frame(x,factor1_Tem,factor2_Posicion)

#Anova Tabla
twoway=aov(formula=x~factor1_Tem*factor2_Posicion, data=df)
summary(twoway)

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

## factor1_Tem 2 931401 465701 723.137 3.1e-13 ***
## factor2_Posicion 1 3200 3200 4.969 0.0457 *
## factor1_Tem:factor2_Posicion 2 1413 706 1.097 0.3651
## Residuals 12 7728 644
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

De los resultados obtenidos de la tabla anterior, se puede observar que para el F actor 1, P = 3.1e−13 < α =
0.05, lo cual indica que se rechaza la hipotesis nula de nuestra primera hipotesis; por lo que la temperatura
influye sobre la densisdad de un ánodo de carbón.
Para el F actor 2, se tiene que P = 0.0457 < α = 0.05, lo cual indica que se rechaza la hipotesis nula de
nuestra segunda hipótesis. Es decir, la posicion de la caldera influye tambien sobre la densisdad de unánodo
de carbón.
Finalmente, para ambos factores, se tiene que P = 0.3651 > α = 0.05, por lo que se acepta la hipotesis nula,
es decir, no hay interaccion entre los factores por lo que la no influye dicha interaccion de modo que se logra
apreciar la densidad de un ánodo de carbón. Concluyendo así que se puede considerar un modelo con dos
facotres sin interaccion.

3
2.Un ingeniero sospecha que el acabado superficial de ciertas piezas de metal está influenciado
por el tipo de pintura utilizada y el tiempo de secado. El ingeniero selecciona tres tiempos de
secado, 20, 25 y 30 minutos, y emplea dos tipos de pintura. Se prueban tres piezas con cada
combinación de tiempo de pintura y tiempo de secado. Los datos (la calidad de la superficie)
son los siguientes:

TIEMPO min
PINTURA 20 25 30
74 73 78
1 64 61 85
50 44 92
92 98 66
2 86 73 45
68 88 85

Establezca y pruebe las hipótesis apropiadas utilizando el análisis de varianza con α = 0.05.
Forme una tabla de análisis de varianza. Calcule el valor P en cada una de las pruebas.
Solución
Consideremos las siguentes hipótesis:

H0 :α1 = ... = αk ; no inf luye el f actor T IEM P O

vs.
H1 :αi ̸= 0; inf luye el f actor T IEM P O

H0 :β1 = ... = βl ; no inf luye el f actor P IN T U RA

vs.
H1 :αj ̸= 0; inf luye el f actor P IN T U RA

H0 :(αβ)11 = ... = (αβ)l,k ; no existe interaccion entre los f actores

vs.
H1 :(αβ)ij ̸= 0; existe interacción

Entonces, en R hacemos los siguiente:

k = 3; b = 2; n = 3 ; N = 18; gle<-k*b*(n-1); gli<-(k-1)*(b-1)

#Pintura 1 #Pintura 2 #Temperaturas

x11=c(74,64,50); x21=c(92,86,68); x1=c(x11,x21)
x12=c(73,61,44); x22=c(98,73,88); x2=c(x12,x22)
x13=c(78,85,92); x23=c(66,45,85); x3=c(x13,x23)
x1j=c(x11,x12,x13); x2j=c(x21,x22,x23); xij=c(x1j,x2j)

#Tabla
tabla<-matrix(c(mean(x11),mean(x12),mean(x13),mean(x1j),

4
 mean(x21),mean(x22),mean(x23),mean(x2j),
mean(x1),mean(x2),mean(x3),mean(xij)),nrow=3,byrow=T)

dimnames(tabla)<-list(c("Posición 1","Posición 2","xi"),c("20","25","30","xj"))

tabla

## 20 25 30 xj
## Posición 1 62.66667 59.33333 85.00000 69.00000
## Posición 2 82.00000 86.33333 65.33333 77.88889
## xi 72.33333 72.83333 75.16667 73.44444

SCF1=n*b*((mean(x1))ˆ2+(mean(x2))ˆ2+(mean(x3))ˆ2)-N*((mean(xij))ˆ2)

SCF2=n*k*(mean(x1j)ˆ2+mean(x2j)ˆ2)-N*(mean(xij)ˆ2)

SCI=n*(mean(x11)ˆ2+mean(x12)ˆ2+mean(x13)ˆ2+
+mean(x21)ˆ2+mean(x22)ˆ2+mean(x23)ˆ2)-N*(mean(xij)ˆ2)-SCF1-SCF2

SCTA=((74ˆ2+73ˆ2+78ˆ2+64ˆ2+61ˆ2+85ˆ2+50ˆ2+44ˆ2+92ˆ2+
92ˆ2+98ˆ2+66ˆ2+86ˆ2+73ˆ2+45ˆ2+68ˆ2+88ˆ2+85ˆ2)-N*(mean(xij)ˆ2))

SCE=SCTA-SCF1-SCF2-SCI

MCF1=SCF1/(k-1); MCF2=SCF2/(b-1); MCI=SCI/((b-1)*(k-1)); MCE=SCE/gle

F1=MCF1/MCE; F2=MCF2/MCE; FI=MCI/MCE

cbind(SCF1,SCF2,SCI,SCE,SCTA,MCF1,MCF2,MCI,MCE,F1,F2,FI)

## SCF1 SCF2 SCI SCE SCTA MCF1 MCF2 MCI

## [1,] 27.44444 355.5556 1878.778 2242.667 4504.444 13.72222 355.5556 939.3889
## MCE F1 F2 FI
## [1,] 186.8889 0.07342449 1.902497 5.026457

ANOVA
Fuente de var SC GL MC F P
Factor 1 (min) 27.44444 2 13.72222 0.07342449 0.930
Factor 2 (Pintura) 355.5556 1 355.5556 1.902497 0.193
Iteracion 1878.778 2 939.3889 5.026457 0.026
Error 2242.667 12 186.8889
Total 4504.444 17

Tambien se puede obtener de la siguente manera

#Vector de todos los datos

x<-c(x11,x12,x13,x21,x22,x23)

factor1_Tmin<-c(rep(1,3),rep(2,3),rep(3,3))
factor1_Tmin<-factor(factor1_Tmin,levels=c(1,2,3))

factor2_Pintura<-c(rep(1,9),rep(2,9))
factor2_Pintura<-factor(factor2_Pintura,levels=c(1,2))

5
df<-data.frame(x,factor1_Tmin,factor2_Pintura)

#Anova Tabla
twoway=aov(formula=x~factor1_Tmin*factor2_Pintura, data=df)
summary(twoway)

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

## factor1_Tmin 2 27.4 13.7 0.073 0.930
## factor2_Pintura 1 355.6 355.6 1.902 0.193
## factor1_Tmin:factor2_Pintura 2 1878.8 939.4 5.026 0.026 *
## Residuals 12 2242.7 186.9
## ---
## Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

De la tabla anterios, se obtiene que para el Factor 1, P = 0.930 > α = 0.05, por lo que se esta aceptando la
hipotesis nula, es decir, los tiempos de secado no influyen en la calidad de la superficie.
Para el Factor 2 se tiene que P = 0.193 > α = 0.05, lo cual indica que tampoco influye la calidad de la
superficie, aceptando así la hipótesis nula.
Finalmente para ambos factores, se tiene que P = 0.026 < α = 0.05, es decir, existe interacción ente ellos,
lo cual indica que la combinación de tiempo y pintura estaría afectando la calidad de la superficie.