Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Vamos a tener tantos bloques como niveles del factor perturbador que se tengan.
• El objetivo sería hacer el error experimental tan pequeño como fuera posible; es decir,
querría eliminarse del error experimental la variabilidad entre los ejemplares de prueba.
• Un diseño para lograr esto requiere que el experimentador pruebe cada punta una vez en
cada uno de los cuatro ejemplares de prueba.
Proceso en R
##Ejercicio en clase
# GENERACIÓN DE LOS BLOQUES Y LOS TRATAMIENTOS
Nota: Aquí organizamos por filas
dureza<-c(9.3,9.4,9.6,10.0,9.4,9.3,9.8,9.9,9.2,9.4,9.5,9.7,9.7,9.6,10.0,10.2)
Tratpunta<-c(1,1,1,1,2,2,2,2,3,3,3,3,4,4,4,4)
blejemplar<-c(1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4)
Tratpunta<-factor(Tratpunta)
blejemplar<-factor(blejemplar)
#LA ANOVA
modelo<-lm(dureza~Tratpunta+blejemplar)
ANOVA<-aov(modelo)
summary(ANOVA)
H0:mu1=mu2=mu3=mu4=mu5=mu6
library(agricolae)
Grupos.Tratpunta<-LSD.test(y= ANOVA,trt="Tratpunta",group=T,console=T)
bar.group(x=Grupos.Tratpunta$groups)
Conclusión: Se observa que la punta que genera mayor dureza es la punta 4, que se
encuentra en diferentes grupos notoriamente de las demás.
#Estadisticas de LSD
Grupos.Tratpunta$statistics
shapiro.test(rstandard(modelo))
bartlett.test(dureza~Tratpunta)
Vericamos la normalidad de los residuos con un Shapiro Test
Proceso en R:
carga<-c(24,20,19,24,24,17,24,30,27,36,18,38,26,27,21,26,31,26,23,22,22,30,20,29,31)
lotesB1<-c(1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,4,4,4,4,4,5,5,5,5,5)
OperadoresB2<-c(1,2,3,4,5,1,2,3,4,5,1,2,3,4,5,1,2,3,4,5,1,2,3,4,5)
FormulacionTRAT<-
c("A","B","C","D","E","B","C","D","E","A","C","D","E","A","B","D","E","A","B","C","E","A","B","C","D
")
lotesB1<-factor(lotesB1)
OperadoresB2<-factor(OperadoresB2)
FormulacionTRAT<-factor(FormulacionTRAT)
# Tabla ANOVA
modelo<-lm(carga~lotesB1+OperadoresB2+FormulacionTRAT)
ANOVA<-aov(modelo)
summary(ANOVA)
Conclusión: El resultado de nuestro tratamiento indica que hay evidencia estadística suficiente
para rechazar la Ho por lo que por lo menos una de las formulaciones resulta en cargas
propulsoras diferentes.
#LSD FISHER
Grupos.FormulacionTRAT<-LSD.test(y= ANOVA,trt="FormulacionTRAT",group=T,console=T)
bar.group(x=Grupos.FormulacionTRAT$groups)
#Estadisticas de LSD
Grupos.FormulacionTRAT$statistics
# VALIDACION
qqnorm(rstandard(modelo))
qqline(rstandard(modelo))
shapiro.test(rstandard(modelo))
bartlett.test(carga~FormulacionTRAT)
grecolatino
EJERCICIO 1 “PARCIAL”
Conclusión: Nos indica que el tipo de material es significativo, es decir que al menos un par de los
tipos de materiales resulto diferente entre sí. Por otra parte la temperatura también resultó
sumamente significativa y la interacción de estos dos factores, por lo que el comportamiento de los
materiales es diferente según el rango de temperatura que se esté estudiando.
# Coeficientes de la ecuación de regresión (Si te los pide, no es necesario y sólo se puede si todos
los factores son cuantitativos)
coef(ANOVA)
# Graficas de los efectos principales
Efectos <-data.frame(FactorA_Material, FactorB_Temperatura, Respuesta_Duracion)
plot.design(Efectos, fun="mean", main=" Gráfica de efectos principales", ylab= "Duracion",
xlab="Factor")
Conclusión:
# Análisis de los residuos estándar del modelo
plot(rstandard(Modelo),
main="Gráfica de residuos estándar",xlab="Observación",
ylab="Residuos estandarizados")
## No se observan problemas con los datos
qqnorm(rstandard(Modelo))
qqline(rstandard(Modelo), col="red")
shapiro.test(rstandard(Modelo))
bartlett.test(Respuesta_Duracion~FactorA_Material)
bartlett.test(Respuesta_Duracion~FactorB_Temperatura)
# Los residuos se comportan de forma normal, no se observan problemas con los datos
# Para ver los valores ajustados por la regresión:
fitted(Modelo)
# Graficando los valores tanto los ajustados como los reales
plot(fitted(Modelo),Respuesta_Duracion, col=c("red", "blue"), pch=19,main="Gráfica de valores
ajustados y reales",ylab="Valores reales", xlab="Valores ajustados")
legend(50, 170, col=c("red","blue"), legend=c("Ajustado", "Real"), pch=19)
ELECCIÓN DEL TAMAÑO DE MUESTRA
Para el cuadrado:
Cuando A esta en alto y B en bajo, se representa como el factor que está en alto en minúscula, eneste caso
‘a’, lo mismo para el factor B.
No hacemos homocedasticidad ni independencia porque sólo tomamos muestras de dos niveles por
cada factor
Proceso en Rstudio
# Análisis de diseños 2k con réplica de 2 factores Nruns= número de corridas, tenemos 4 porque 2^2=4
# del paquete FrF2 Nfactors= número de factores 2
SIEMPRE
Factor.names= nombres y la cadena que siempre es (-
Ho: t1=t2 =…= ta= 0 1,1)
concentracion<-c(-1,1,-1,1,-1,1,-1,1,-1,1,-1,1)
cantidad_cat<-c(-1,-1,1,1,-1,-1,1,1,-1,-1,1,1) Para ver añadir los
NOTA: Usualmente se organiza por columnas valores del
rendimiento, que sería
# Se agrega la respuesta mi valor a estudiar
Tabla <-add.response (design = Tabla, response = rendimiento)
Tabla
## Análisis de la tabla ANOVA
concentracion <-factor(concentracion)
cantidad_cat <-factor(cantidad_cat)
Modelo <-lm(rendimiento~(concentracion+cantidad_cat)^2)
ANOVA <-aov(Modelo)
summary(ANOVA)
## Gráficas de Interacciones
IAPlot(Tabla, lwd = 2)
Win
Interpretación: aquí elegimos el que nos dé el fit más alto, pero no es necesario hacer
todas las pruebas, debido a que en el gráfico ya concluimos cual sería la mejor
combinación.
## Verificación del modelo
qqnorm(rstandard(Modelo))
qqline(rstandard(Modelo))
Llenado<-c(-3,0,-1,2,-1,2,1,6,-1,1,0,3,0,1,1,5)
Carbonatacion<-c(-1,1,-1,1,-1,1,-1,1,-1,1,-1,1,-1,1,-1,1)
Presion<-c(-1,-1,1,1,-1,-1,1,1,-1,-1,1,1,-1,-1,1,1)
Velocidad<-c(-1,-1,-1,-1,1,1,1,1,-1,-1,-1,-1,1,1,1,1)
# Se agrega la respuesta
Tabla<-add.response(design = Tabla, response = Llenado)
Tabla
## Análisis de la tabla ANOVA
Carbonatacion <-factor(Carbonatacion)
Presion <-factor(Presion)
Velocidad <-factor(Velocidad)
Modelo <-lm(Llenado~(Carbonatacion+Presion+Velocidad)^3)
ANOVA <-aov(Modelo)
summary(ANOVA)
## Gráficas de Interacciones
IAPlot(Tabla, lwd = 2)
#DanielPlot(Tabla)
## Se observa que es posible aumentar la velocidad
# Gráfica de interacción triple
cubePlot(obj = Llenado,
eff1 = Carbonatacion,
eff2 = Presion,
eff3 = Velocidad,
main = " Gráfica de interacción triple")
Llenado<-c(-3,0,-1,2,-1,2,1,6)
Carbonatacion<-c(-1,1,-1,1,-1,1,-1,1)
Presion<-c(-1,-1,1,1,-1,-1,1,1)
Velocidad<-c(-1,-1,-1,-1,1,1,1,1)
# Se agrega la respuesta
Tabla<-add.response(design = Tabla, response = Llenado)
Tabla
DanielPlot(Tabla)
Función: Determina cual interacción se puede descartar con toda seguridad para obtener
los grados de libertad que le faltan a mi ANOVA, observamos que las interacciones no
son significativas por lo que se pueden descartar al momento de realizar la ANOVA.
Modelo <-lm(Llenado~(Carbonatacion+Presion+Velocidad))
ANOVA <-aov(Modelo)
summary(ANOVA)
## Gráficas de Interacciones
IAPlot(Tabla, lwd = 2)
# Se observa que es posible aumentar la velocidad
1 1
-1
-1
-1
Realizando la gráfica con el comando DanielPlot para ver nuestros factores significativos,
se observa que ninguno muestra significancia, este resultado podría deberse que como
trabajamos con tan pocos grados de libertad, el experimento no nos arroje mucha
información.
Gráfica de interacción