Ejercicio Diseño Experimental corte3

Jamelt Mercado & Jose Madera

14 de mayo de 2019

EJERCICIO DE TRES FACTORES

datos=read.csv2(file.choose(), header=T)
head(datos)

## Hora Proceso Maquina Respuesta

## 1 8A T1 M1 6
## 2 8A T1 M1 1
## 3 8A T1 M1 9
## 4 8A T1 M1 3
## 5 8A T1 M2 7
## 6 8A T1 M2 5

tail(datos)

## Hora Proceso Maquina Respuesta

## 91 3P T2 M3 -2
## 92 3P T2 M3 -4
## 93 3P T2 M4 4
## 94 3P T2 M4 7
## 95 3P T2 M4 3
## 96 3P T2 M4 0

attach(datos)

# Cálculo de la media por factores

tapply(Respuesta,Proceso,mean)

## T1 T2
## 4.979167 2.937500

tapply(Respuesta,Maquina,mean)

## M1 M2 M3 M4
## 3.416667 5.875000 0.875000 5.666667

tapply(Respuesta,Hora,mean)

## 11A 3P 8A
## 3.62500 4.46875 3.78125

tapply(Respuesta,list(Maquina,Proceso),mean)

## T1 T2
## M1 4.333333 2.50
## M2 7.000000 4.75
## M3 1.750000 0.00
## M4 6.833333 4.50

tapply(Respuesta,list(Maquina,Hora),mean)
## 11A 3P 8A
## M1 1.500 5.000 3.750
## M2 5.125 7.000 5.500
## M3 1.000 0.750 0.875
## M4 6.875 5.125 5.000

tapply(Respuesta,list(Hora,Proceso),mean)

## T1 T2
## 11A 4.6875 2.5625
## 3P 5.6250 3.3125
## 8A 4.6250 2.9375

# Cálculo del total por factores

tapply(Respuesta,Proceso,sum)

## T1 T2
## 239 141

tapply(Respuesta,Maquina,sum)

## M1 M2 M3 M4
## 82 141 21 136

tapply(Respuesta,Hora,sum)

## 11A 3P 8A
## 116 143 121

tapply(Respuesta,list(Maquina,Proceso),sum)

## T1 T2
## M1 52 30
## M2 84 57
## M3 21 0
## M4 82 54

tapply(Respuesta,list(Maquina,Hora),sum)

## 11A 3P 8A
## M1 12 40 30
## M2 41 56 44
## M3 8 6 7
## M4 55 41 40

tapply(Respuesta,list(Hora,Proceso),sum)

## T1 T2
## 11A 75 41
## 3P 90 53
## 8A 74 47

tapply(Respuesta,list(Proceso,Hora,Maquina),sum)

## , , M1
## 11A 3P 8A
## T1 9 24 19
## T2 3 16 11
## , , M2
## 11A 3P 8A
## T1 27 31 26
## T2 14 25 18
## , , M3
## 11A 3P 8A
## T1 6 8 7
## T2 2 -2 0
## , , M4
## 11A 3P 8A
## T1 33 27 22
## T2 22 14 18

tapply(Respuesta,list(Proceso,Hora,Maquina),mean)

## , , M1
## 11A 3P 8A
## T1 2.25 6 4.75
## T2 0.75 4 2.75
## , , M2
## 11A 3P 8A
## T1 6.75 7.75 6.5
## T2 3.50 6.25 4.5
## , , M3
## 11A 3P 8A
## T1 1.5 2.0 1.75
## T2 0.5 -0.5 0.00
## , , M4
## 11A 3P 8A
## T1 8.25 6.75 5.5
## T2 5.50 3.50 4.5

mean(Respuesta)

## [1] 3.958333

##Ajuste del modelo###############

mod<-aov(Respuesta~Proceso*Hora*Maquina,data=datos)
mod

## Call:
## aov(formula = Respuesta ~ Proceso * Hora * Maquina, data = datos)
##
## Terms:
## Proceso Hora Maquina Proceso:Hora Proceso:Maquina
## Sum of Squares 100.0417 12.8958 393.4167 1.6458 1.5417
## Deg. of Freedom 1 2 3 2 3
## Hora:Maquina Proceso:Hora:Maquina Residuals
## Sum of Squares 71.0208 9.7708 447.5000
## Deg. of Freedom 6 6 72
##
## Residual standard error: 2.493046
## Estimated effects may be unbalanced

model.tables(mod,'means')
## Tables of means
## Grand mean
## 3.958333
## Proceso
## Proceso
## T1 T2
## 4.979 2.937
## Hora
## Hora
## 11A 3P 8A
## 3.625 4.469 3.781
## Maquina
## Maquina
## M1 M2 M3 M4
## 3.417 5.875 0.875 5.667
## Proceso:Hora
## Hora
## Proceso 11A 3P 8A
## T1 4.687 5.625 4.625
## T2 2.562 3.312 2.937
## Proceso:Maquina
## Maquina
## Proceso M1 M2 M3 M4
## T1 4.333 7.000 1.750 6.833
## T2 2.500 4.750 0.000 4.500
## Hora:Maquina
## Maquina
## Hora M1 M2 M3 M4
## 11A 1.500 5.125 1.000 6.875
## 3P 5.000 7.000 0.750 5.125
## 8A 3.750 5.500 0.875 5.000
## Proceso:Hora:Maquina
## , , Maquina = M1
## Hora
## Proceso 11A 3P 8A
## T1 2.25 6.00 4.75
## T2 0.75 4.00 2.75
## , , Maquina = M2
## Hora
## Proceso 11A 3P 8A
## T1 6.75 7.75 6.50
## T2 3.50 6.25 4.50
## , , Maquina = M3
## ## Hora
## Proceso 11A 3P 8A
## T1 1.50 2.00 1.75
## T2 0.50 -0.50 0.00
## , , Maquina = M4
## Hora
## Proceso 11A 3P 8A
## T1 8.25 6.75 5.50
## T2 5.50 3.50 4.50

anova(mod)
## Analysis of Variance Table
## Response: Respuesta
## Df Sum Sq Mean Sq F value Pr(>F)
## Proceso 1 100.04 100.042 16.0961 0.0001456 ***
## Hora 2 12.90 6.448 1.0374 0.3595999
## Maquina 3 393.42 131.139 21.0994 6.518e-10 ***
## Proceso:Hora 2 1.65 0.823 0.1324 0.8762014
## Proceso:Maquina 3 1.54 0.514 0.0827 0.9692587
## Hora:Maquina 6 71.02 11.837 1.9045 0.0917018 .
## Proceso:Hora:Maquina 6 9.77 1.628 0.2620 0.9527296
## Residuals 72 447.50 6.215
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

qf(0.05,1,72,lower.tail=F)
## [1] 3.973897

qf(0.05,2,72,lower.tail=F)
## [1] 3.123907

qf(0.05,3,72,lower.tail=F)
## [1] 2.731807

qf(0.05,2,72,lower.tail=F)
## [1] 3.123907

qf(0.05,3,72,lower.tail=F)
## [1] 2.731807

qf(0.05,6,72,lower.tail=F)
## [1] 2.227404

qf(0.05,6,72,lower.tail=F)
## [1] 2.227404

HIPOTESIS

PROCESO: Como Fc:16.09 > Qf:3.973, se rechaza Ho, es decir, el proceso de tratamiento termico afecta de manera
distinta por si solo a la longitud de las barras de acero.

HORA: Como Fc:1.03 < Fc:3.12, es decir que las horas del dia no afectan a la longitud de las barras de acero.

MAQUINA: Como Fc:21.09 > Qf:2.13, es decir la maquina por si sola afecta significativamente a longitud de las
barras de acero.

PROCESO-HORA: Como Fc:0.132 < Qf:3.12, es decir que la interaccion entre el proceso termico con las horas del dia
no afectan significativamente a la longitud de las barras de acero.

PROCESO-MAQUINA: Como Fc:0.08 < Qf:2.73, es decir que la interaccion entre el proceso termico con las maquinas
no afecta de manera significativa a la longitud de las barras de acero.

HORA-MAQUINA: Como Fc:1.90 < Qf:2.227, es decir que la interaccion entre las horas del dia con las maquinas no
afectan significativamente a la longitud de las barras de acero.

PROCESO-HORA-MAQUINA: Como Fc:0.262 < Qf:2.22, es decir que la interaccion entre el proceso termico, las horas
del dia y las maquinas no afectan de manera significativa a la longitud de las barras de acero.
# Detección de datos atípicos
rest<-residuals(mod)/sqrt(447.50)
min(rest)
## [1] -0.2954497
max(rest)
## [1] 0.2127238
plot(rest,ylim=c(-5,5),main="Residuales estudentizados",
ylab="Residuales")
abline(h=c(3,-3))

DATOS ATIPICOS
En la grafica podemos observar que no existen datos atipicos, ya que ningun dato sobre pasa los limites
de -3 a 3
# Normalidad
res<-residuals(mod)
qqnorm(res)
qqline(res)

NORMALIDAD DE LOS ERRORES

shapiro.test(res)
## Shapiro-Wilk normality test
## data: res
## W = 0.98679, p-value = 0.4538
Como el P-value: 0.4538 es mayor al nivel de significancia que es 0.05, es decir, los errores no siguen una
distribucion normal.
# Homogeneidad
plot(predict(mod),res)
abline(h=0)
title("Predict vs Residuals")

VARIANZA HOMOGENEA
# Prueba de Bartlett
bartlett.test(residuals(mod),Proceso,data=datos)
## Bartlett test of homogeneity of variances
## data: residuals(mod) and Proceso
## Bartlett's K-squared = 0.028108, df = 1, p-value = 0.8669

PROCESO: Como P-value:0.8669>0.05 de significancia, es decir que las varianzas en los errores son
homogeneas en el proceso termico.
bartlett.test(residuals(mod),Maquina,data=datos)
## Bartlett test of homogeneity of variances
## data: residuals(mod) and Maquina
## Bartlett's K-squared = 2.3338, df = 3, p-value = 0.5061

MAQUINA: Como P-value:0.5061>0.05 de significancia, es decir que las varianzas en los errores
son homogeneas en las maquinas
bartlett.test(residuals(mod),Hora,data=datos)
## Bartlett test of homogeneity of variances
##
## data: residuals(mod) and Hora
## Bartlett's K-squared = 8.1577, df = 2, p-value = 0.01693

HORA: Como P-value:0.01693<0.05 de significancia, es decir que las varianzas en los

errores no son homogeneas en las diferentes horas del dia.

bartlett.test(residuals(mod) ~
interaction(Proceso,Maquina,Hora),data=datos)
## Bartlett test of homogeneity of variances
##
## data: residuals(mod) by interaction(Proceso, Maquina, Hora)
## Bartlett's K-squared = 21.425, df = 23, p-value = 0.5552

PROCESO-MAQUINA-HORA: Como P-value:0.5552>0.05 de significancia en los errores, es decir son

homogeneos en la interaccion entre el proceso, las maquinas y la hora del dia.
bartlett.test(residuals(mod) ~
interaction(Proceso,Maquina),data=datos)
## Bartlett test of homogeneity of variances
##
## data: residuals(mod) by interaction(Proceso, Maquina)
## Bartlett's K-squared = 2.5458, df = 7, p-value = 0.9236

PROCESO-MAQUINA: Como P-value:0.9236>0.05 de siginificancia, es decir las varianzas en

los errores son homogeneas en la interaccion entre el proceso y la maquina.

bartlett.test(residuals(mod) ~
interaction(Proceso,Hora),data=datos)
## Bartlett test of homogeneity of variances
##
## data: residuals(mod) by interaction(Proceso, Hora)
## Bartlett's K-squared = 10.554, df = 5, p-value = 0.06097

PROCESO-HORA: Como el P-value:0.06097>0.05 de significancia, es decir las varianzas en

los errores son homogeneas en la interaccion entre el proceso termico y las horas del dia
respectivas.

#independencia
tiempo<-seq(1,length(Respuesta))
plot(tiempo, res,type="l")
abline(h=0, col=2)

#Prueba de rachas, validación del supuesto de independencia

#por medio de la prueba de rachas
library(tseries)

x<-factor(sign(res))
runs.test(x) ##
## Runs Test
##
## data: x
## Standard Normal = 2.6731, p-value = 0.007515
## alternative hypothesis: two.sided
INDEPENDENCIA EN LOS ERRORES:

Como P-value:0.007515<0.05 de significancia, es decir que no hay independencia en los errores

###
Tuk<-TukeyHSD(mod,"Hora") #prueba de tukey
Tuk
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Respuesta ~ Proceso * Hora * Maquina, data = datos)
##
## $Hora
## diff lwr upr p adj
## 3P-11A 0.84375 -0.6477919 2.3352919 0.3705472
## 8A-11A 0.15625 -1.3352919 1.6477919 0.9659636
## 8A-3P -0.68750 -2.1790419 0.8040419 0.5153138
plot(Tuk)

HORA: Ya que todos los intervalos contienen al cero como se puede observar en la grafica, podemos
afirmar que no existe diferencia entre ninguna de las comparaciones.
Tuke<-TukeyHSD(mod,"Proceso") #prueba de tukey
Tuke
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Respuesta ~ Proceso * Hora * Maquina, data = datos)
##
## $Proceso
## diff lwr upr p adj
## T2-T1 -2.041667 -3.056122 -1.027211 0.0001456
plot(Tuke)
PROCESO: Ya que el interval no contiene al cero como se observa en la grafica, Podemos afirmar que
existe diferencia entre el proceso termico 1 y el proceso termico 2
Tuke<-TukeyHSD(mod,"Maquina") #prueba de tukey
Tuke

## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = Respuesta ~ Proceso * Hora * Maquina, data = datos)
##
## $Maquina
## diff lwr upr p adj
## M2-M1 2.4583333 0.5655298 4.3511368 0.0056611
## M3-M1 -2.5416667 -4.4344702 -0.6488632 0.0039583
## M4-M1 2.2500000 0.3571965 4.1428035 0.0133182
## M3-M2 -5.0000000 -6.8928035 -3.1071965 0.0000000
## M4-M2 -0.2083333 -2.1011368 1.6844702 0.9914791
## M4-M3 4.7916667 2.8988632 6.6844702 0.0000000

plot(Tuke)

MAQUINA: Como se puede observar graficamente el unico interval que contiene al cero es M4-M2 por lo
cual es la unica comparacion en la que no existe diferencia.