Beruflich Dokumente
Kultur Dokumente
Código: 20191375047
EJERCICIOS EN R
Máquinas
1 2 3 4 5 6
17.5 16.4 20.3 14.6 17.5 18.3
16.9 19.2 15.7 16.7 19.2 16.2
15.8 17.7 17.8 20.8 16.5 17.5
18.6 15.4 19.8 18.9 20.5 20.1
CÓDIGO EN R
resistencia<-
c(17.5,16.9,15.8,18.6,16.4,19.2,17.7,15.4,20.3,15.7,17.8,18.9,14.6,16.7,20.8,18.9,
17.5,19.2,16.5,20.5,18.3,16.2,17.5,20.1)
máquinas<- as.factor(c(rep(c("1", "2", "3", "4","5","6"), each =4)))
boxplot(resistencia ~ máquinas, col = c("yellow", "blue",
"white","green","purple","red"), ylab = "Resistencia a la tensión del producto")
21
20
Resistencia a la tensión del producto
19
18
17
16
15
1 2 3 4 5 6
máquinas
tapply(resistencia,máquinas, mean)
fm=aov(lm(resistencia~máquinas))
fm
resu<-summary(fm)
resu
names(fm)
fm
intervals=TukeyHSD(fm)
intervals
plot(intervals)
2-1
4-1
6-1
4-2
6-2
5-3
5-4
6-5
-4 -2 0 2 4
plot(fm$residuals)
3
2
1
fm$residuals
0
-1
-2
-3
5 10 15 20
Index
summary(fm$residuals)
boxplot(fm$residuals)
3
2
1
0
-1
-2
-3
hist(fm$residuals)
Histogram of fm$residuals
5
4
3
Frequency
2
1
0
-4 -2 0 2 4
fm$residuals
qqnorm(fm$residuals)
Normal Q-Q Plot
3
2
1
Sample Quantiles
0
-1
-2
-3
-2 -1 0 1 2
Theoretical Quantiles
qqline(fm$residuals)
0
-1
-2
-3
-2 -1 0 1 2
Theoretical Quantiles
shapiro.test(fm$residuals)
boxplot(fm$residuals~máquinas,col=c("yellow", "blue",
"white","green","purple","red"))
3
2
1
fm$residuals
0
-1
-2
-3
1 2 3 4 5 6
máquinas
desviaciones<-tapply(fm$residuals,máquinas, sd)
desviaciones
2. Los datos que se presentan en la siguiente tabla representan el número de
horas de alivio proporcionadas por cinco marcas diferentes de tabletas para
el dolor de cabeza administradas a 25 sujetos que tenían fiebre de 38ºC o
más. Realice el análisis de varianza y, a un nivel de significancia de 0.05,
pruebe la hipótesis de que las cinco marcas proporcionan el mismo número
medio de horas de alivio. Analice los resultados.
Tabletas
A B C D E
5.2 9.1 3.2 2.4 7.1
4.7 7.1 5.8 3.4 6.6
8.1 8.2 2.2 4.1 9.3
6.2 6.0 3.1 1.0 4.2
3.0 9.1 7.2 4.0 7.6
CÓDIGO EN R
horasdealivio<-
c(5.2,4.7,8.1,6.2,3.0,9.1,7.1,8.2,6.0,9.1,3.2,5.8,2.2,3.1,7.2,2.4,3.4,4.1,1.0,4.
0,7.1,6.6,9.3,4.2,7.6)
tabletas<- as.factor(c(rep(c("A", "B", "C", "D","E"), each =5)))
boxplot(horasdealivio ~ tabletas, col = c("yellow", "blue",
"white","green","purple"), ylab = "Horas de alivio del dólor de cabeza")
tapply(horasdealivio,tabletas, mean)
8
Horas de alivio del dólor de cabeza
6
4
2
A B C D E
tabletas fm=aov(lm(horasdealivio~tabletas))
fm
resu<-summary(fm)
resu
names(fm)
fm
intervals=TukeyHSD(fm)
intervals
plot(intervals)
-5 0 5
3
2
1
fm$residuals
0
-1
-2
5 10 15 20 25
Index
summary(fm$residuals)
boxplot(fm$residuals)
3
2
1
0
-1
-2
hist(fm$residuals)
Histogram of fm$residuals
5
4
3
Frequency
2
1
0
-3 -2 -1 0 1 2 3
fm$residuals
qqnorm(fm$residuals)
0
-1
-2
-2 -1 0 1 2
Theoretical Quantiles
qqline(fm$residuals)
Normal Q-Q Plot
3
2
1
Sample Quantiles
0
-1
-2
-2 -1 0 1 2
Theoretical Quantiles
shapiro.test(fm$residuals)
boxplot(fm$residuals~tabletas,col=c("yellow", "blue",
"white","green","purple","red"))
3
2
1
fm$residuals
0
-1
-2
A B C D E
tabletas
desviaciones<-tapply(fm$residuals,tabletas, sd)
desviaciones
y x1 x2
6.40 1.32 1.15
15.05 2.69 3.40
18.75 3.56 4.10
30.25 4.41 8.75
44.85 5.35 14.82
48.94 6.2 15.15
51.55 7.12 15.32
61.5 8.87 18.18
100.44 9.8 35.19
111.42 10.65 40.40
10
8
ancho del horno
6
4
2
20 40 60 80 100
tiempo de cocción
20
10
0
20 40 60 80 100
tiempo de cocción
Del gráfico se identifica que existe una relación lineal entre el tiempo de
cocción y el ancho del horno, pero no entre el tiempo de cocción y la
temperatura, sin embargo, se realiza el ajuste del modelo lineal
Podemos establecer:
Para este ejercicio se encontró que con una significancia de α=0.05
el p-valor correspondiente es de 3.482∗10−23 siendo un valor mucho
menor que 0.05 se rechaza la hipótesis nula implicando que al
menos una de las variables independientes contribuye de forma
significativa a la explicación de la variable respuesta
El p-valor para las variables de ancho del horno y la temperatura
siguen siendo menores por lo cual se sigue rechazando la hipótesis
e implica que son válidas para predecir el tiempo de cocción
Prueba de Kolmogorov-Smirnov:
Prueba durbin-watson:
Asumiendo una significancia del 0.05, vemos que para la prueba los valores de p-
value son menores, por lo tanto, se rechaza la hipótesis nula y podemos concluir
que los residuos NO son independientes.
Código en R:
tiempodecoccion<-c(6.4,15.05,18.75,30.25,44.85,48.94,51.55,61.5,100.44,111.42)
anchodelhorno<-c(1.32,2.69,3.56,4.41,5.35,6.2,7.12,8.87,9.8,10.65)
temperaturas<-c(1.15,3.40,4.10,8.75,14.82,15.15,15.32,18.18,35.19,40.40)
datos<-data.frame(tiempodecoccion,anchodelhorno,temperaturas)
datos
reg_lin_mul<-lm(tiempodecoccion~anchodelhorno+temperaturas)
reg_lin_mul
plot(tiempodecoccion,anchodelhorno,main="tiempo de cocción vs ancho del horno",xlab="tiempo
de cocción",ylab="ancho del horno")
plot(densidadoptica,espesordepelicula,main="tiempo de cocción vs temperatura
pelicula",xlab="tiempo de cocción",ylab="temperaturas")
plot(reg_lin_mul)
summary(reg_lin_mul)
ks.test(reg_lin_mul$residuals,pnorm)
library(lmtest)
dwtest(tiempodecoccion~anchodelhorno)
dwtest(tiempodecoccion~temperatura)
4. En Applied Spectroscopy se estudiaron las propiedades de reflectancia
infrarroja de un líquido viscoso que se utiliza como lubricante en la industria
electrónica. El experimento que se diseñó consistió en medir el efecto de
frecuencia de banda, x1, y el espesor de película, x2, sobre la densidad
óptica, y, usando un espectrómetro infrarrojo Perkin-Elmer Modelo 621.
(Fuente: Pacansky, J., England, C. D. y Wattman, R., 1986).
y x1 x2
0.231 740 1.10
0.107 740 0.62
0.053 740 0.31
0.129 805 1.10
0.069 805 0.62
0.030 805 0.31
1.005 980 1.10
0.559 980 0.62
0.321 980 0.31
2.948 1235 1.10
1.633 1235 0.62
0.934 1235 0.31
Solución:
dispersión densidad optica vs frecuencia de banda
1200
1100
frecuencia optica
1000
900
800
densidad optica
0.8
0.6
0.4
densidad optica
De los gráficos se identifica que no existe una relación lineal, sin embargo,
se realizará el ajuste del modelo lineal
Podemos establecer:
Para este ejercicio se encontró que con una significancia de α=0.05
el p-valor correspondiente es de 0.0004146 siendo un valor menor
que 0.05 se rechaza la hipótesis nula implicando que al menos una
de las variables independientes contribuye de forma significativa a la
explicación de la variable respuesta
El p-valor para las variables frecuencia de banda y espesor de
película siguen siendo menores por lo cual se sigue rechazando la
hipótesis e implica que son válidas para predecir el tiempo de
cocción
Prueba de Kolmogorov-Smirnov:
De la prueba se obtiene que el p-value es 0.1253 por lo tanto a una
significancia de 0.05 los residuos siguen una distribución normal puesto que
el valor es mayor
Prueba Durbin-watson:
Asumiendo una significancia del 0.05, vemos que para la prueba los valores
de p-value son menores, por lo tanto, se rechaza la hipótesis nula y
podemos concluir que los residuos NO son independientes
Código en R:
densidadoptica<c(0.231,0.107,0.053,0.129,0.069,0.03,1.005,0.559,0.321,2.948,1.633,0.934)
frecuenciadebanda<-c(740,740,740,805,805,805,980,980,980,1235,1235,1235)
espesordepelicula<-c(1.10,0.62,0.31,1.10,0.62,0.31,1.10,0.62,0.31,1.10,0.62,0.31)
datos<-data.frame(densidadoptica,frecuenciadebanda,espesordepelicula)
datos
reg_lin_mul<-lm(densidadoptica~frecuenciadebanda+espesordepelicula)
reg_lin_mul
plot(densidadoptica,espesordepelicula,main="densidad optica vs
espesordepelicula",xlab="densidad optica",ylab="espesordepelicula")
plot(densidadoptica,frecuencadebanda ,main="dispersión densidad optica vs frecuencia de
banda",xlab="densidad optica",ylab="frecuencia de pelicula")
plot(reg_lin_mul)
summary(reg_lin_mul)
ks.test(reg_lin_mul$residuals,pnorm)
library(lmtest)
dwtest(densidadoptica~frecuenciadebanda)
dwtest(densidadoptica~espesordepelicula)