#Ejercicio 10.99

##Creacion de base de datos

calificaciones=c(115,115,119,117,114,114,109,110,106,112,115,111,111,108,114,105,102,106,100,103,101,105,107,107,109,110,107,110,113,114,103,102,105,108,111,110)
grupo=c(rep("Maquina1",12),rep("Maquina2",12),rep("Maquina3",12))
base=cbind.data.frame(grupo,calificaciones)
base
##       grupo calificaciones
## 1  Maquina1            115
## 2  Maquina1            115
## 3  Maquina1            119
## 4  Maquina1            117
## 5  Maquina1            114
## 6  Maquina1            114
## 7  Maquina1            109
## 8  Maquina1            110
## 9  Maquina1            106
## 10 Maquina1            112
## 11 Maquina1            115
## 12 Maquina1            111
## 13 Maquina2            111
## 14 Maquina2            108
## 15 Maquina2            114
## 16 Maquina2            105
## 17 Maquina2            102
## 18 Maquina2            106
## 19 Maquina2            100
## 20 Maquina2            103
## 21 Maquina2            101
## 22 Maquina2            105
## 23 Maquina2            107
## 24 Maquina2            107
## 25 Maquina3            109
## 26 Maquina3            110
## 27 Maquina3            107
## 28 Maquina3            110
## 29 Maquina3            113
## 30 Maquina3            114
## 31 Maquina3            103
## 32 Maquina3            102
## 33 Maquina3            105
## 34 Maquina3            108
## 35 Maquina3            111
## 36 Maquina3            110

Medidas resumen comparativas

#Medidas de resumen comparativas

library(summarytools)
with(base,stby(calificaciones,grupo,descr))
## Descriptive Statistics  
## calificaciones by grupo  
## Data Frame: base  
## N: 12  
## 
##                     Maquina1   Maquina2   Maquina3
## ----------------- ---------- ---------- ----------
##              Mean     113.08     105.75     108.50
##           Std.Dev       3.63       4.07       3.71
##               Min     106.00     100.00     102.00
##                Q1     110.50     102.50     106.00
##            Median     114.00     105.50     109.50
##                Q3     115.00     107.50     110.50
##               Max     119.00     114.00     114.00
##               MAD       3.71       3.71       2.97
##               IQR       4.25       4.50       3.75
##                CV       0.03       0.04       0.03
##          Skewness      -0.30       0.43      -0.33
##       SE.Skewness       0.64       0.64       0.64
##          Kurtosis      -0.88      -0.79      -1.13
##           N.Valid      12.00      12.00      12.00
##         Pct.Valid     100.00     100.00     100.00

Medida general y varianza general

media_g=mean(base$calificaciones)
media_g
## [1] 109.1111
varianza_g=var(base$grupo)
## Warning in var(base$grupo): NAs introducidos por coerción
varianza_g
## [1] NA

Efectos

medias=tapply(base$calificaciones,base$grupo,mean)
efectos=medias-media_g
efectos
##   Maquina1   Maquina2   Maquina3 
##  3.9722222 -3.3611111 -0.6111111

Segun el requerimiento de la emoresa para saber que maquina tiene mejor rendimiento, y como solo tomamos en cuenta los signos, las maquinas 2 y 3 tienen menor rendimiento al de la maquina 1

Tabla Anova

tabla_anova=aov(base$calificaciones~base$grupo)
summary(tabla_anova)
##             Df Sum Sq Mean Sq F value   Pr(>F)    
## base$grupo   2  329.4  164.69   11.37 0.000176 ***
## Residuals   33  478.2   14.49                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

El P valor para tomar una decision es 0,000176, lo que lo hace menor al valor de significancia y por consecuente rechazamos la hipotesis nula.