arbol <-c(23.81, 22.13, 22.64, 21.69, 23.58, 22.14, 18.73, 21.59, 20.36, 20.53, 20.11, 20.34, 19.19, 22.92, 18.65, 20.6, 19.83, 20.09, 19.43, 22.06, 21.15, 19.26, 18.08, 20.24, 18.75, 20.69, 21.62, 23.69, 23.93, 23.19)

redn <-c(23.24, 20.08, 18.01, 23.28, 19.23, 21.22, 21.47, 20.6, 21.11, 21.27, 21.03, 17.34, 22.8, 21.85, 17.85, 23.15, 19.57, 19.56, 20.79, 18.04, 20.95, 21.83, 18.17, 22.66, 18.29, 18.89, 19.49, 19.19, 26.47, 25.25)

regresion <-c(16.13, 17.84, 18.28, 15.61, 17.62, 16.12, 17.29, 16.13, 16.64, 15.03, 18.16, 16.82, 17.44, 16.76, 17.26, 15.55, 17.49, 18.42, 17.54, 17.13, 15.5, 16.8, 18.47, 18.42, 18.43, 15.56, 16.03, 15.39, 15.12, 17.77)

actual <-c(17.09, 15.77, 18.45, 16.55, 22.23, 22.11, 18.26, 18.04,
19.66, 19.76, 18.74, 19.02, 18.54, 16.7, 17.57, 19.89, 19.06, 18.7, 19.39, 19.68, 19.2, 16.85, 19.91, 19.82, 18.08, 19.38, 20.3, 21.6, 23.39, 19.33)

data2 <- data.frame(ÁrbolC =arbol, Red_N = redn, Regresion = regresion, SActual = actual)

Vamos a observar las medias y varianzas para ver su comportamiento

summary(data2)

Comparación de varianzas utilizando la prueba F de Fisher

Método Árbol

var_test_arbol <- var.test(data2\(ÁrbolC, data2\)SActual)

var_test_arbol

El valor del p value es de 0.9404 por lo que no hay evidencia suficiente para rechazar la hipótesis nula de varianzas iguales

Método Redn

var_test_redn <- var.test(data2\(Red_N, data2\)SActual)

var_test_redn

El valor p (0.1815) es mayor que 0.05, indicando que no hay evidencia suficiente para rechazar la hipótesis nula.

Método Regresion

var_test_regresion <- var.test(data2\(Regresion, data2\)SActual)

var_test_regresion

El valor p (0.01817) es menor que 0.05, indicando que hay evidencia suficiente para rechazar la hipótesis nula de igualdad de varianzas

Crear un vector con los nombres de los comandos

comandos <- c(“ÁrbolC”, “Red_N”, “Regresion”, “SActual”)

Crear el boxplot

boxplot(data2[, comandos], main = “Boxplot de los Comandos”, # Título del gráfico names = c(“Árbol”, “Red Neuronal”, “Regresión”, “S. Actual”), # Nombres de los grupos ylab = “Valor”, # Etiqueta del eje y col = c(“lightblue”, “lightgreen”, “lightpink”, “lightyellow”), # Colores de los boxplots border = “brown”, # Color del borde de los boxplots horizontal = TRUE) # Mostrar boxplots en horizontal

# Crear un vector con los nombres de los comandos
comandos <- c("ÁrbolC", "Red_N", "Regresion", "SActual")
arbol <-c(23.81,    22.13,  22.64,  21.69,  23.58,  22.14,  18.73,  21.59,
          20.36,    20.53,  20.11,  20.34,  19.19,  22.92,  18.65,  20.6,
          19.83,    20.09,  19.43,  22.06,  21.15,  19.26,  18.08,  20.24,
          18.75,    20.69,  21.62,  23.69,  23.93,  23.19)

redn <-c(23.24, 20.08,  18.01,  23.28,  19.23,  21.22,  21.47,  20.6,
         21.11, 21.27,  21.03,  17.34,  22.8,   21.85,  17.85,  23.15,
         19.57, 19.56,  20.79,  18.04,  20.95,  21.83,  18.17,  22.66,
         18.29, 18.89,  19.49,  19.19,  26.47,  25.25)

regresion <-c(16.13,    17.84,  18.28,  15.61,  17.62,  16.12,  17.29,  16.13,
              16.64,    15.03,  18.16,  16.82,  17.44,  16.76,  17.26,  15.55,
              17.49,    18.42,  17.54,  17.13,  15.5,    16.8,  18.47,  18.42, 
              18.43,    15.56,  16.03,  15.39,  15.12, 17.77)

actual <-c(17.09,   15.77,  18.45,  16.55,  22.23,  22.11,  18.26,  18.04,  
           19.66,   19.76,  18.74,  19.02,  18.54,  16.7,   17.57,  19.89,
           19.06,   18.7,   19.39,  19.68,  19.2,   16.85,  19.91,  19.82,  18.08,
           19.38,   20.3,   21.6,   23.39,  19.33)

data2  <- data.frame(ÁrbolC =arbol, Red_N = redn, Regresion = regresion, SActual = actual)

# Crear el boxplot
boxplot(data2[, comandos],
        main = "Boxplot de los Comandos",  # Título del gráfico
        names = c("Árbol", "Red Neuronal", "Regresión", "S. Actual"),  # Nombres de los grupos
        ylab = "Valor",  # Etiqueta del eje y
        col = c("lightblue", "lightgreen", "lightpink", "lightyellow"),  # Colores de los boxplots
        border = "brown",  # Color del borde de los boxplots
        horizontal = TRUE)  # Mostrar boxplots en horizontal

Conclusiones

El valor del p value es de 0.9404 por lo que no hay evidencia suficiente para rechazar la hipótesis nula de varianzas iguales

El valor p (0.1815) es mayor que 0.05, indicando que no hay evidencia suficiente para rechazar la hipótesis nula.

El valor p (0.01817) es menor que 0.05, indicando que hay evidencia suficiente para rechazar la hipótesis nula de igualdad de varianzas.

De los sistemas propuestos en el caso, la opción de Arbol de clasificación y el de Redes Neuronales tienen u p-value supeior al nivel de significancia (0.05), lo cual señala que no hay evidencia suficiente para rechazar la hipótesis nula.

Por otro lado, el p-value de la Regresión es considerablemente menor al nivel de significancia y podemos concluir que esta opción tiene un tiempo de fallas menor al del sistema actual.

En conclusión, se sugiere implementar el método de Regresión.

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.