Documente Academic
Documente Profesional
Documente Cultură
Superior Tecnolgica
Instituto Tecnolgico de Toluca
Ingeniera Industrial
Estadstica Inferencial II
Nombre: DAVID MARES CASAS, EMMANUEL HERNADEZ SOBERANES
No. Control: 12280132, 12280290
Tarea 2. Diseo de Experimentos de un Factor
Instrucciones:
Enva este archivo ya revisado y terminado al correo gtg515i@hotmail.com. Indica
en el asunto la materia y la actividad.
Resuelve correctamente en R los problemas siguientes, incluye el script, grficas y
en base a los resultados obtenidos justifica tus respuestas.
Texto: Gutirrez P. H., De la Vara S. R. 2012. Anlisis y Diseo de Experimentos. 3
Edicin. McGraw Hill
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 nmero de
moscas muertas expresado en porcentajes. Se hacen seis rplicas y los resultados
obtenidos se muestran a continuacin
Spray
Rplica
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
a) Formule la hiptesis adecuada y el modelo estadstico
Hiptesis a contrastar:
Modelo estadstico:
b) Existe diferencia entre la efectividad promedio de los productos en spray?
Respuesta:
Para contestar esta pregunta se calcula el estadstico
con los
datos que nos proporciona la tabla ANOVA:
Y en base a las hiptesis:
Para confirmar que se rechaza la hiptesis nula se debe cumplir la
siguiente inecuacin:
.
Por el cual para probar esto se asigna que con
el cual
al hacer uso de R o uso de tablas F inferimos que
.= 3.68
quedando as la inecuacin. 2.79>3.68; dado que no se cumple
podemos decir que no se rechaza la
2.
3.
4.
5.
6.
Obteniendo:
1. Para la diferencia entre el SPRAY A y el SPRAY B
|
Y se rechaza hiptesis nula si:
|
Respuesta:
Para un intervalo de confianza de 100(1-) por ciento para la media
del tratamiento
i-esimo se calcula con la frmula:
quedando as los intervalos:
PARA EL SPRAY A:
PARA EL SPRAY B:
PARA EL SPRAY C:
e) Dibuje el diagrama de caja simultneos, e interprtelos
Grfica Interpretacin
Bueno en esta grafica de cajas
podemos observar el valor mnimo,
mximo, 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) podran ser
iguales pero la del spray 1(A) no,
pero para mayores conclusiones y
mejor observacin se realizara una
prueba de hiptesis para la
efectividad promedio de los tres
sprays y tambin usando el
METODO LSD para mayor
seguridad , dado que el spray 1(A)
podra ser el mejor candidato para
usarse ya que tiene poca
variabilidad, mejor promedio de
porcentaje de moscas muertas que
los otros dos.
f) Verifique los supuestos de normalidad y de igual varianza entre las marcas
Respuesta:
NORMALIDAD:
Para comprobar que los datos fueron generados por un proceso normal se deben se
deben generar las hiptesis a constatar, que son las siguientes.
Bueno en el software R se usa la funcin 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 hiptesis 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 funcin 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 hiptesis nula, del cual podemos inferir que
en cada marca de spray los datos fueron generados por un proceso normal.
VARIANZA CONSTANTE(VARIANZAS IGUALES)
Para comprobar este supuesto de varianza iguales solo basta en introducir la funcin
Bartlett.test() el cual te arroja un p-valor en este caso 0.5519 del cual con respecto a
las siguientes hiptesis:
Del cual dado que el p-valor es mayor al .05 podemos inferir que existe varianza
constante. Estos se pueden comprobar en las grficas que se muestran a
continuacin.
Script de R
USO DE R:
moscas=c(72,65,67,75,62,73,55,59,68,70,53,50,64,74,61,58,51,69)
spray=c(1,1,1,1,1,1,2,2,2,2,2,2,3,3,3,3,3,3)
datos=data.frame(moscas,spray)
datos
spray=factor(spray)
spray
is.factor(spray)
ilm=lm(moscas~spray)
ilm
residuos=resid(ilm)
residuos
plot(fitted(ilm),residuos,xlab="fitted",ylab="Residuals",main="fitted vs residuals")
hist(residuos)
qqnorm(residuos)
qqline(residuos)
anova(ilm)
shapiro.test(moscas)
tapply(moscas,spray,shapiro.test)
bartlett.test(moscas~spray,data=datos)
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)
14. En una empresa de manufactura se propone un tratamiento para reducir el porcentaje
de productos defectuosos. Para validar esta propuesta se dise un experimento en el
que se produca con o sin la propuesta de mejora. Cada corrida experimental consisti en
producir un lote y la variable de respuesta es el porcentaje de producto defectuoso. Se
hicieron 25 rplicas para cada tratamiento. Los datos obtenidos se muestran a
continuacin.
Porcentaje de producto defectuoso
Con
tratamiento
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
Sin
tratamiento
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
a) Las diferencias son significativas estadsticamente?
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
Residual standard error: 2.527 on 48 degrees of freedom
Multiple R-squared: 0.6038, Adjusted R-squared: 0.5955
F-statistic: 73.14 on 1 and 48 DF, p-value: 3.269e-11
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 anlisis, hace que exista una significativa diferencia entre
ambos tratamientos.
a) Cul es el porcentaje de defectos que se espera con el nuevo tratamiento?
Respuesta:
#MODELO LINEAL
> 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
Residual standard error: 2.527 on 48 degrees of freedom
Multiple R-squared: 0.6038, Adjusted R-squared: 0.5955
F-statistic: 73.14 on 1 and 48 DF, p-value: 3.269e-11
El porcentaje esperado con el nuevo tratamiento es de 6.1120%
b) Cuantifique el nivel de reduccin que se logr con el tratamiento propuesto
Respuesta:
#MODELO LINEAL
> 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
Residual standard error: 2.527 on 48 degrees of freedom
Multiple R-squared: 0.6038, Adjusted R-squared: 0.5955
F-statistic: 73.14 on 1 and 48 DF, p-value: 3.269e-11
El nivel de reduccin logrado con el tratamiento propuesto es de 3.16%
Script de R:
#EJERCICIO 14 U2
#CAPTURACIN 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
Gutirrez P. H., De la Vara S. R. 2012. Anlisis y Diseo de Experimentos. 3 Edicin.
McGraw Hil
EVALUACIN
11 14 Total
Dr. Manuel Gonzlez De La Rosa
gtg515i@hotmail.com
Julio de 2014