Beruflich Dokumente
Kultur Dokumente
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 nmero de
moscas muertas expresado en porcentajes. Se hacen seis rplicas y los resultados
obtenidos se muestran a continuacin
Rplica
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
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:
Obteniendo:
De tal manera podra ser elegido el SPRAY A como el mejor de entre los tres dado
que este en promedio es igual al SPRAY C pero la nica diferencia de entre estos dos
es que el SPRAY A tiene menos variabilidad. Cabe mencionar que EL METODO LSD
es uno de los ms precisos y confiables todo depende de que tan fino sea el clculo,
ya que entre ms potencia tenga el mtodo, puede detectar diferencias ms
pequeas, siempre y cuando estas reales.
PARA EL SPRAY B:
PARA EL SPRAY C:
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.
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.
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 anlisis, 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
#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
EVALUACIN
11 14 Total
gtg515i@hotmail.com
Julio de 2014