Escolar Documentos
Profissional Documentos
Cultura Documentos
Columna
Fila 1 2 3 4
1 A B C D
2 B A D C
3 C D A B
4 D C B A
Modelo estadístico
Yi j k l i j k l i j k l
, para i, j, k , l 1, 2, ,p
donde:
Yi j k l
es la observación obtenida de la unidad al cual se le aplicó el tratamiento j
correspondiente a la letra latina, correspondiente al nivel k del factor de la
letra griega, y que pertenece al reglón i y a la columna l.
j
= es el efecto del tratamiento j correspondiente a la letra latina.
k
= es el efecto del nivel k del factor correspondiente a la letra griega.
l = es el efecto de la columna l .
i j k l
= es el error correspondiente a la unidad del reglón i y de la columna l que
recibió el tratamiento j de la letra latina, en el nivel k del factor correspondiente a la
letra griega.
Hipótesis
Modelo I
H0 : 1 2 p
0
H1 : j
0 , para al menos un j , tal que j 1, 2, ,p
H0 : 1 2 p
H1 : , Al menos dos j
son diferentes
En este caso se asume que los errores i j k l son variables aleatorias independientes
2
no observables que se distribuyen normalmente con media cero y variancia común y
p p p p
i j k l 0
i 1 j 1 k 1 l 1
Modelo II
Hipótesis
2
H0 : 0
2
H1 : 0
Columnas p Y2 Y2 p 1 SCC
SCC
l CMC
p p2 p 1
l 1
Error Por diferencia p 3 p 1 SCE
CME
p 3 p 1
Total p p Y2 p2 1
2
SCTot Yi j k l
i 1 l 1 p2
CMTrat
Se rechaza H 0 a un nivel de significación , si Fc es mayor que
CME
F1 ,GLTrat ,GLE
.
Fórmula A B C D E
Y j 18 -24 -13 24 5
Línea de montaje
Y k
10 -6 -3 -4 13
Yi j k l i j k l i j k l
, para i, j, k , l 1, 2, ,5
donde:
Yi j k l
es la fuerza explosiva obtenida con la fórmula j designada con la letra latina,
correspondiente a la línea de montaje k designada con la letra griega
correspondiente, y que pertenece al lote i y realizada por el operador l.
j
= es el efecto de la fórmula j correspondiente a la letra latina.
k
= es el efecto de la línea de montaje k del factor correspondiente a la letra griega.
l = es el efecto del operador l .
i j k l
= es el error correspondiente a la unidad del lote i y del operador l que se
realizó con la fórmula j de la letra latina y con la línea de montaje k correspondiente a
la letra griega.
p Y 2j Y2 1 2 2 2 2 2 102
SCTrat 18 24 13 24 5 330
j 1 p p2 5 25
p Y2 k
Y2 102 6
2
3
2
4
2
132 102
SCG 62
k 1 p p2 5 25
p Yi 2 Y2 14
2
92 52 32 72 102
SCR 68
i 1 p p2 5 25
p Y2 l
Y2 18
2
182 4
2
52 92 102
SCC 150
l 1 p p2 5 25
p p
2
Y2 102 2
SCTot Yi j k l
( 1)2 ( 5)2 6 676
i 1 l 1 p2 25
SCE SCTot SCtrat SCG SCR SCC 676 330 62 68 150 66
H0 : 1 2 5
0
H1 : j
0 , para al menos un j , tal que j 1, 2, ,5
H0 : 1 2 5
H1 : Al menos dos j
son diferentes
CMTrat
Fc ~ F 4,8 | H 0 es cierta
CME
CMTrat 82.5
Fc 10
CME 8.25
Pvalue=1-pf(10,4,8)
0.003343621
Se rechaza H 0 . Luego, se encontrado una fuerte evidencia estadística para afirmar que
al menos una fórmula produce efecto diferente sobre la fuerza explosiva de la
dinamita.
> dina<-read.table("dinamita.txt",header=T)
> dina
exploc formula linea lote oper
1 -1 a alfa 1 1
2 -5 b gama 1 2
3 -6 c epsi 1 3
4 -1 d beta 1 4
5 -1 e delta 1 5
6 -8 b beta 2 1
7 -1 c delta 2 2
8 5 d alfa 2 3
9 2 e gama 2 4
10 11 a epsi 2 5
11 -7 c gama 3 1
12 13 d epsi 3 2
13 1 e beta 3 3
14 2 a delta 3 4
15 -4 b alfa 3 5
16 1 d delta 4 1
17 6 e alfa 4 2
18 1 a gama 4 3
19 -2 b epsi 4 4
20 -3 c beta 4 5
21 -3 e epsi 5 1
22 5 a beta 5 2
23 -5 b delta 5 3
24 4 c alfa 5 4
25 6 d gama 5 5
fuerza<-as.vector(dina[,1])
form<-dina[,2]
lin<-dina[,3]
lot<-as.factor(dina[,4])
ope<-as.factor(dina[,5])
mode<-lm(fuerza~form+lin+lot+ope)
anva<-aov(mode)
> summary(anva)
Df Sum Sq Mean Sq F value Pr(>F)
form 4 330.00 82.50 10.0000 0.003344 **
lin 4 62.00 15.50 1.8788 0.207641
lot 4 68.00 17.00 2.0606 0.178311
ope 4 150.00 37.50 4.5455 0.032930 *
Residuals 8 66.00 8.25
> par(mfrow=c(2,2))
> plot(mode)
Residuals vs Fitted Normal Q-Q
Standardized residuals
4
24 24
2
2
Residuals
1
0
0
-2
-1
15 15
21
-2
21
-4
-5 0 5 10 -2 -1 0 1 2
Constant Leverage:
Scale-Location Residuals vs Factor Levels
1.5
Standardized residuals
Standardized residuals
24
21 24
2
15
1.0
1
0
0.5
-2 -1
15
0.0
21
form :
-5 0 5 10 b c e a d
> ri<-rstandard(mode)
> shapiro.test(ri)
data: ri
W = 0.9797, p-value = 0.8786
library(car)
> ncvTest(mode)
Non-constant Variance Score Test
Variance formula: ~ fitted.values
Chisquare = 0.6764395 Df = 1 p = 0.4108155
TUKEY
> tapply(fuerza,form,mean)
a b c d e
3.6 -4.8 -2.6 4.8 1.0
Prueba de DUNNETT
Asumiendo que la fórmula “a” es el tratamiento testigo
> library(multcomp)
> compdunett<-glht(anva,linfct=mcp(form="Dunnett"))
> summary(compdunett)
Linear Hypotheses:
Estimate Std. Error t value Pr(>|t|)
b - a == 0 -8.400 1.817 -4.624 0.00537 **
c - a == 0 -6.200 1.817 -3.413 0.02863 *
d - a == 0 1.200 1.817 0.661 0.90528
e - a == 0 -2.600 1.817 -1.431 0.46096
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Adjusted p values reported -- single-step method)
> tapply(fuerza,form,mean)
a b c d e
3.6 -4.8 -2.6 4.8 1.0
>