UNIVERSIDAD TÉCNICA DEL NORTE

INGENIERÍA EN CIENCIAS AGROPECUARIAS Y

AMBIENTALES
CARRERA DE AGROINDUSTRIA
Asignatura: Diseño Experimental I
Integrantes:
 Ana Patricia Andrade
 Fredy Echeverría
 Luis Proaño
Nivel: Sexto “A”
Fecha: 2010-5-6
Tema Grupos Sorteados en Rstudio

1
En el curso de Diseño experimental se desea saber si los pesos de los estudiantes de
agroindustria son iguales entre mujeres y hombres utilizando el programa Rstudio
Grupos Sorteados

H0: / si P-value>= 0-05

H0: x si P-value <= 0-05

H0: hay normalidad

Ha: no hay normalidad

H0: hay variación

Ha: no hay variación

H0: U1=U2
Ha: U-U2
Peso_de_estudiantes_de_agroindustrias<-read.table("clipboard",header=T)
#paso de datos de Excel a Rstudio
> Peso_de_estudiantes_de_agroindustrias
Mujeres Hombres
1 80 54
2 70 65
3 66 58
4 81 70
5 70 65
6 60 55
7 65 63
8 62 57
9 83 50
10 70 50
11 NA 60
12 NA 70
13 NA 55
14 NA 50
15 NA 70
16 NA 62
17 NA 52
18 NA 54
19 NA 50
20 NA 65
# verificación de los datos en la ventana que se está trabajando en R studio
> View(Peso_de_estudiantes_de_agroindustrias)
# Para visualizar los datos en la ventana en script
> qqnorm(Peso_de_estudiantes_de_agroindustrias$Mujeres,main = "MUJERES")
# Grafica de datos en Rstudio
# main sirve para poner nombre a la gráfica y esta debe estar entre comillas "MUJERES"

> qqnorm(Peso_de_estudiantes_de_agroindustrias$Hombres,main = "Hombres")

#Graficar los datos de peso del hombre
# main sirve para dar nombre a la gráfica y debe estar entre comillas "Hombres"
> qqline(Peso_de_estudiantes_de_agroindustrias$Mujeres,main="MUJRES")
# Grafica de la línea en los datos de peso de mujeres

> qqline(Peso_de_estudiantes_de_agroindustrias$Hombres,main="Hombre")
# Grafica de línea en los datos de peso de los hombres

> shapiro.test(Peso_de_estudiantes_de_agroindustrias$Mujeres)

Shapiro-Wilk normality test

data: Peso_de_estudiantes_de_agroindustrias$Mujeres
W = 0.90837, p-value = 0.27
Interoperación:
 Hay normalidad porque p-value es mayor a 0.05
Aceptación y rechazo de las hipótesis
 Se acepta H0
X Se rechaza la Hipótesis Ha

> shapiro.test(Peso_de_estudiantes_de_agroindustrias$Hombres)

Shapiro-Wilk normality test

data: Peso_de_estudiantes_de_agroindustrias$Hombres
W = 0.90682, p-value = 0.05545
Interoperación:
  Hay normalidad porque p-value es mayor a 0.05
Aceptación y rechazo de las hipótesis
 Se acepta H0
X Se rechaza la Hipótesis Ha

> var.test(Peso_de_estudiantes_de_agroindustrias$Mujeres,Peso_de_estudiante
s_de_agroindustrias$Hombres)

F test to compare two variances

data: Peso_de_estudiantes_de_agroindustrias$Mujeres and Peso_de_estudiante

s_de_agroindustrias$Hombres
F = 1.3034, num df = 9, denom df = 19, p-value = 0.5962
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.4525766 4.8010252
sample estimates:
ratio of variances
1.303444
Interpretación
 Hay normalidad porque p-value es mayor a 0.05
Aceptación y rechazo de las hipótesis
 Se acepta H0
X Se rechaza la Hipótesis Ha

 Los grados de libertad (GL)=df

Fórmula
GL=n-1
GL=28 es la suma de (df=9)+(df=19)
> t.test(Peso_de_estudiantes_de_agroindustrias$Mujeres,Peso_de_estudiantes_
de_agroindustrias$Hombres,alternative = "two.sided",var.equal = T,paired=F)

Two Sample t-test

data: Peso_de_estudiantes_de_agroindustrias$Mujeres and Peso_de_estudiante

s_de_agroindustrias$Hombres
t = 4.1526, df = 28, p-value = 0.0002788
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
6.055234 17.844766
sample estimates:
mean of x mean of y
70.70 58.75
Interpretación
 No hay normalidad porque p-value es menor a 0.05
Aceptación y rechazo de las hipótesis
 Se acepta H0
X Se rechaza la Hipótesis Ha
Los pesos tanto como de los hombres y mujeres de los estudiantes de agroindustria son difere
ntes
Tenemos una nueva variable t=t calculada que se la usa para aceptar o rachar la hipótesis en l
os niveles de significancia en Excel con respectos a la t tabular.
 2
Se utiliza dos máquinas para llenar botellas de plástico con un volumen neto de 16 onzas pue
de suponerse que el proceso de llenado es normal con una variación estándar para la máquina
de 0.015 y para la maquina 2 0.018 El departamento de Ingeniería en calidad sospechosa que a
mbas máquinas que llenan el mismo volumen métrico se realiza un experimento tomando una
muestra aleatoria de la producción de cada máquina los resultados fueron los siguientes.
> maquinas<-read.table("clipboard",header = T)
# Paso de datos Excel a Rstudio
> maquinas
M1 M2
1 16.03 16.02
2 16.04 15.97
3 16.05 15.96
4 16.05 16.01
5 16.02 15.99
6 16.01 16.03
7 15.96 16.04
8 15.98 NA
9 16.02 NA
10 15.99 NA
# verificación de los datos en la ventana que se está trabajando en R studio
> View(maquinas)
# Para visualizar los datos en la ventana en script
> var(maquinas$M1)
[1] 0.0009166667
# variabilidad en los datos en la máquina 1
> var(maquinas$M2)
[1] NA
# variabilidad en los datos en la máquina 2

> boxplot(maquinas)

#
qqnorm(maquinas$M1,main = "MÁQUINA 1")
> qqline(maquinas$M1,col="red")

> qqnorm(maquinas$M2,main = "MÁQUINA 2")

> qqline(maquinas$M2,col="red")
# (col=”red”) sirve para dar la colora la línea en la gráfica en la máquina 2

> shapiro.test(maquinas$M1)
#Shapiro.test sirve para saber si hay o no hay normalidad en la máquina 1

Shapiro-Wilk normality test

data: maquinas$M1
W = 0.93516, p-value = 0.5005
Interpretación: p-value es mayor a 0.05 porque si existe normalidad en la m
áquina 1
> shapiro.test(maquinas$M2)

Shapiro-Wilk normality test

data: maquinas$M2
W = 0.94212, p-value = 0.6579
Interpretación: p-value es mayor a 0.05 porque si existe normalidad en la m
áquina 2

> var.test(maquinas$M1,maquinas$M2)

F test to compare two variances

data: maquinas$M1 and maquinas$M2

F = 0.99227, num df = 9, denom df = 6, p-value = 0.9517
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.1796478 4.2863219
sample estimates:
ratio of variances
0.992268
Interpretación
 Hay normalidad porque p-value es mayor a 0.05
Aceptación y rechazo de las hipótesis
 Se acepta H0
X Se rechaza la Hipótesis Ha

 Los grados de libertad (GL)=df

Fórmula
GL=n-1
GL=15 es la suma de (df=9)+(df=19)
> t.test(maquinas$M1,maquinas$M2,alternative = "two.sided",var.equal = T,pa
ired=F)

Two Sample t-test

data: maquinas$M1 and maquinas$M2

t = 0.81258, df = 15, p-value = 0.4292
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.01970880 0.04399451
sample estimates:
mean of x mean of y
16.01500 16.00286
Interpretación
 Si hay normalidad porque p-value es mayor a 0.05
Aceptación y rechazo de las hipótesis
 Se acepta H0
X Se rechaza la Hipótesis Ha
La maquinas tiene el mismo potencial y rendimiento al momento de llenado neto en las botel
las