This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

01. Detallando los modelos

# Arbol
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)

summary(arbol)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   18.08   19.89   20.64   21.03   22.14   23.93
# Red Neuronal
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)

summary(redn)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   17.34   19.20   20.87   20.76   21.84   26.47
# Regresión
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)

summary(regresion)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   15.03   16.05   16.98   16.89   17.73   18.47
# Modelo Actual
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)

summary(actual)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   15.77   18.12   19.13   19.10   19.80   23.39

02. Uniendo en un Dataframe

DF <- data.frame(ÁrbolC =arbol, Red_N = redn, Regresion = regresion, SActual = actual)
summary(DF)
##      ÁrbolC          Red_N         Regresion        SActual     
##  Min.   :18.08   Min.   :17.34   Min.   :15.03   Min.   :15.77  
##  1st Qu.:19.89   1st Qu.:19.20   1st Qu.:16.05   1st Qu.:18.12  
##  Median :20.64   Median :20.87   Median :16.98   Median :19.13  
##  Mean   :21.03   Mean   :20.76   Mean   :16.89   Mean   :19.10  
##  3rd Qu.:22.14   3rd Qu.:21.84   3rd Qu.:17.73   3rd Qu.:19.80  
##  Max.   :23.93   Max.   :26.47   Max.   :18.47   Max.   :23.39

03. Análisis BoxPlot

par(mfrow=c(1,1))
par(las=2)
boxplot(DF,
        main='Comparación de Modelos')

## En este caso, los modelos denominados "ArbolC" y "Red_N" denotan mejor comportamiento. 
## Consecuentemente con ello, resulta oportuno evaluar cuál de los dos resulta oportuno, o por si el contrario, no existe mayor evidencia de alguna diferencia entre ambos.

04. Valores Muestrales, Regiones e Intervalos de Confianza

# Cálculo valores muestrales

# Arbol
mean_arbol <- mean(arbol)
sd_arbol <- sd(arbol)
n <- length(arbol)

# RedN
mean_red <- mean(redn)
sd_red <- sd(redn)

# Significancia
alpha <- 0.05

# Limite Inferior

inferior <- qnorm(alpha/2)
inferior
## [1] -1.959964
# Limite Superior

superior <- qnorm(1-(alpha/2))
superior
## [1] 1.959964
## Intervalos de Confianza Arbol 

LI_arbol <- mean_arbol+inferior*sd_arbol/sqrt(n)
LI_arbol
## [1] 20.42367
LS_arbol <- mean_arbol+superior*sd_arbol/sqrt(n)
LS_arbol
## [1] 21.64433
# Intervalos de Confianza Red Neuronal

LI_red <- mean_red+inferior*sd_red/sqrt(n)
LI_red
## [1] 19.96004
LS_red <- mean_red+superior*sd_red/sqrt(n)
LS_red
## [1] 21.55196

05. Mejor Modelo

# Parámetro de Interes: Tiempo de fallas de las maquinas en los distintos modelos

# Hipótesis Nula u1 - u2 = 0

# Hipótesis Alternativa u1 - u2 <> 0

# Significancia 

alpha <- 0.05

# Estadístico de Prueba

Z <- ((mean_arbol-mean_red)-0)/sqrt((sd_arbol*sd_arbol)/n+(sd_red*sd_red)/n)
Z
## [1] 0.5432282

06. Conclusión

## Dado que Zo= 0.5432282, "Hay evidencia suficiente para no rechazar Ho".
## Por lo tanto se podrian aceptar ambas modelos.
## Asimimo, como las medias en ambos modelos son similares, se podria implementar cualquiera de los dos modelos.

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