Академический Документы
Профессиональный Документы
Культура Документы
Instrucciones:
11. Se hace un estudio sobre la efectividad de tres marcas de spray para matar moscas.
Para ello, cada producto se aplica a un grupo de 100 moscas, y se cuenta el número de
moscas muertas expresado en porcentajes. Se hacen seis réplicas y los resultados
obtenidos se muestran a continuación
Réplica
Spray 1 2 3 4 5 6
A 72 65 67 75 62 73
B 55 59 68 70 53 50
C 64 74 61 58 51 69
Hipótesis a contrastar:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛 𝑖 ≠ 𝑗 (𝑖, 𝑗 = 𝐴, 𝐵, 𝐶)
Modelo estadístico:
𝐶𝑀𝑇𝑅𝐴𝑇
𝐹0 =
𝐶𝑀𝐸
b) ¿Existe diferencia entre la efectividad promedio de los productos en spray?
Respuesta:
Para contestar esta pregunta se calcula el estadístico 𝐹0 con los
datos que nos proporciona la tabla ANOVA:
𝐶𝑀𝑇𝑅𝐴𝑇 148.167
𝐹0 = 𝐹0 = = 2.7932
𝐶𝑀𝐸 53.044
Y en base a las hipótesis:
𝐻0 : 𝜇𝐴 = 𝜇𝐵 = 𝜇𝐶 = 𝜇
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛 𝑖 ≠ 𝑗 (𝑖, 𝑗 = 𝐴, 𝐵, 𝐶)
Obteniendo:
2(53.044)
𝐿𝑆𝐷 = 2.131√ = 8.9606
6
1. Para la diferencia entre el SPRAY A y el SPRAY B
|𝑦̅𝑖 − 𝑦̅𝑗 | = 69-59.16667 =9.8333 9.8333 > 8.96 Dado esto son diferentes.
2. Para la diferencia entre el SPRAY A y el SPRAY C
|𝑦̅𝑖 − 𝑦̅𝑗 | = 69 − 62.8333 = 6.1667 6.1667>8.96 Dado esto son iguales
3. Para la diferencia entre el SPRAY B y el SPRAY C
|𝑦̅𝑖 − 𝑦̅𝑗 | = 59.16667-62.8333 =3.66663 3.6663>8.96 Dado esto son iguales
De tal manera podría ser elegido el SPRAY A como el mejor de entre los tres dado
que este en promedio es igual al SPRAY C pero la única diferencia de entre estos dos
es que el SPRAY A tiene menos variabilidad. Cabe mencionar que EL METODO LSD
es uno de los más precisos y confiables todo depende de que tan fino sea el cálculo,
ya que entre más potencia tenga el método, puede detectar diferencias más
pequeñas, siempre y cuando estas reales.
𝑀𝑆𝐸 𝑀𝑆𝐸
𝑦̅𝑖 − 𝑡𝛼⁄2,𝑁−𝑘 √ ≤ 𝜇𝑖 ≤ 𝑦̅𝑖 + 𝑡𝛼⁄2,𝑁−𝑘 √
𝑛 𝑛
quedando así los intervalos:
PARA EL SPRAY A:
53.044 53.044
69 − 2.131√ ≤ 𝜇𝐴 ≤ 69 + 2.131√
6 6
62.663 ≤ 𝜇𝐴 ≤ 75.336
PARA EL SPRAY B:
53.044 53.044
59.16667 − 2.131√ ≤ 𝜇𝐵 ≤ 59.16667 + 2.131√
6 6
52.830 ≤ 𝜇𝐵 ≤ 65.502
PARA EL SPRAY C:
53.044 53.044
62.8333 − 2.131√ ≤ 𝜇𝐶 ≤ 62.8333 + 2.131√
6 6
56.497 ≤ 𝜇𝐶 ≤ 69.169
Gráfica Interpretación
Bueno en esta grafica de cajas
podemos observar el valor mínimo,
máximo, la mediana, los cuartiles,
pero como notamos en el spray
3(C) existe mayor variabilidad que
los otros dos, mas sin embargo; se
puede observar que las medias del
spray 3 ( C ) y del 2 (B) podrían ser
iguales pero la del spray 1(A) no,
pero para mayores conclusiones y
mejor observación se realizara una
prueba de hipótesis para la
efectividad promedio de los tres
sprays y también usando el
METODO LSD para mayor
seguridad , dado que el spray 1(A)
podría ser el mejor candidato para
usarse ya que tiene poca
variabilidad, mejor promedio de
porcentaje de moscas muertas que
los otros dos.
Respuesta:
NORMALIDAD:
Para comprobar que los datos fueron generados por un proceso normal se deben se
deben generar las hipótesis a constatar, que son las siguientes.
𝐻0 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑝𝑟𝑜𝑐𝑒𝑑𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑛𝑜𝑟𝑚𝑎𝑙(𝐹(𝑥)𝑒𝑠 𝑛𝑜𝑟𝑚𝑎𝑙)
𝐻1 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑛𝑜 𝑝𝑟𝑜𝑐𝑒𝑑𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑛𝑜𝑟𝑚𝑎𝑙(𝐹(𝑥) 𝑛𝑜 𝑒𝑠 𝑛𝑜𝑟𝑚𝑎𝑙)
Bueno en el software R se usa la función “shapiro.test()” para comprobar si hay
normalidad, del cual se obtuvo un p-valor general de los datos de 0.4149 el cual es
mayor a 0.05 del cual no se rechaza la hipótesis nula e infiriendo que los datos fueron
generados por un proceso normal.
Sin embargo se puede observar la normalidad de los datos de cada marca utilizando
en este caso la función “tapply(moscas,spray,shapiro.test)”del cual nos arroja tres p-
valores de cada marca .
Para el SPRAY A = 0.6471
Para el SPRAY B=0.4145
Para el SPRAY C=0.9975
Del cual en todas las marcas de spray al ser comparadas con el P-valor= 0.05,
notamos que en todas no se rechaza la hipótesis nula, del cual podemos inferir que
en cada marca de spray los datos fueron generados por un proceso normal.
USO DE (Rcmdr)
Datos <- edit(as.data.frame(NULL))
library(abind, pos=4)
library(e1071, pos=4)
numSummary(Datos[,"MOSCAS"], groups=Datos$SPRAY, statistics=c("mean", "sd",
"IQR",
"quantiles"), quantiles=c(0,.25,.5,.75,1))
LinearModel.1 <- lm(MOSCAS ~ SPRAY, data=Datos)
summary(LinearModel.1)
anova(LinearModel.1)
Boxplot(MOSCAS~SPRAY, data=Datos, id.method="y")
plotMeans(Datos$MOSCAS, Datos$SPRAY, error.bars="conf.int", level=0.95,
xlab="SPRAY",
ylab="MOSCAS", main="GRAFICA DE MEDIAS")
#SE COMPRUEBA LA NORMALIDAD CON EL TEST DE shapiro wilks
shapiro.test(Datos$MOSCAS)
#SE COMPRUEBA LA VARIANZA CONSTANTE
tapply(Datos$MOSCAS, Datos$SPRAY, var, na.rm=TRUE)
bartlett.test(MOSCAS ~ SPRAY, data=Datos)
Respuesta:
Respuesta:
summary(lm(defectuoso~tratamiento))
Call:
lm(formula = defectuoso ~ tratamiento)
Residuals:
Min 1Q Median 3Q Max
-4.772 -1.244 -0.160 0.940 7.928
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.1600 0.5054 6.253 1.03e-07 ***
tratamientosintratamiento 6.1120 0.7147 8.552 3.27e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
anova(lm(defectuoso~tratamiento))
Analysis of Variance Table
Response: defectuoso
Df Sum Sq Mean Sq F value Pr(>F)
tratamiento 1 466.96 466.96 73.136 3.269e-11 ***
Residuals 48 306.47 6.38
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Como p-value<0.05 en ambos análisis, hace que exista una significativa diferencia entre
ambos tratamientos.
Call:
lm(formula = defectuoso ~ tratamiento)
Residuals:
Min 1Q Median 3Q Max
-4.772 -1.244 -0.160 0.940 7.928
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.1600 0.5054 6.253 1.03e-07 ***
tratamientosintratamiento 6.1120 0.7147 8.552 3.27e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Call:
lm(formula = defectuoso ~ tratamiento)
Residuals:
Min 1Q Median 3Q Max
-4.772 -1.244 -0.160 0.940 7.928
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 3.1600 0.5054 6.253 1.03e-07 ***
tratamientosintratamiento 6.1120 0.7147 8.552 3.27e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Script de R:
#EJERCICIO 14 U2
#CAPTURACIÓN DE DATOS
defectuoso=c(5.3,4.0,4.0,4.0,2.6,2.1,5.1,4.1,4.1,3.2,5.1,2.2,4.1,2.2,1.1,2.0,3.0,3.1,2.1,1.2,3.3
,2.1,4.0,2.0,3.0,8.0,13.2,7.2,8.2,9.1,6.7,12.2,16.3,9.2,6.4,7.2,17.2,12.3,8.7,11.3,4.5,6.6,9.2,1
0.2,10.6,13.3,5.2,6.2,8.0,4.8)
contratamiento=c(5.3,4.0,4.0,4.0,2.6,2.1,5.1,4.1,4.1,3.2,5.1,2.2,4.1,2.2,1.1,2.0,3.0,3.1,2.1,1.
2,3.3,2.1,4.0,2.0,3.0)
sintratamiento=c(8.0,13.2,7.2,8.2,9.1,6.7,12.2,16.3,9.2,6.4,7.2,17.2,12.3,8.7,11.3,4.5,6.6,9.2
,10.2,10.6,13.3,5.2,6.2,8.0,4.8)
tratamiento=factor(rep(c("contratamiento","sintratamiento"),c(25,25)))
tratamiento
#MODELO LINEAL
summary(lm(defectuoso~tratamiento))
#TABLA ANOVA
anova(lm(defectuoso~tratamiento))
REFERENCIAS
EVALUACIÓN
11 14 Total
gtg515i@hotmail.com
Julio de 2014