ACT 07 INES David Jimenez

INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS

2K-1
CASO PRÁCTICO PARA EL DESARROLLO DE UN DISEÑO 2K-1
OBJETIVO DE LA INVESTIGACIÓN:
Una compañía ganó un contrato para fabricar gabinetes de aluminio con recubrimiento de
un polímero plástico para tranceptores. El equipo de investigación que tenía la
responsabilidad de desarrollar un proceso para adherir la capa de polímero al aluminio,
identificó cinco factores en el proceso que posiblemente afectaran la adhesión. Éstos eran: el
tipo de aleación de aluminio ( A ) , el tipo de solvente usado para limpiar el aluminio (S), la
estructura molecular del recubrimiento de polímero (M), el porcentaje de catalítico usado en
el proceso de adhesión ( C ) y la temperatura de curado en el proceso (T).
DISEÑO DEL TRATAMIENTO:
Se eligió un diseño factorial 25 para aprovechar la estructura del tratamiento factorial al

evaluar las interacciones importantes junto con los efectos principales. Usaron dos
aleaciones de aluminio, dos tipos de solvente, dos estructuras moleculares para el polímero,
10 y 15% de catalizador y 150 o 175' para la temperatura de curado.
DISEÑO DEL EXPERIMENTO:
Con este experimento preliminar, el equipo buscaba identificar cualesquiera efectos

principales y de interacción de dos factores que fueran importantes para el proceso, además
de intentar reducir el número de unidades experimentales y el tiempo necesario para el
primer experimento.
Decidieron usar un factorial fraccionario 2 V5-1 que requería sólo 16 unidades experimentales.
La interacción de cinco factores ASMCT fue el contraste de definición utilizado para generar
el diseño, así podrían correr la segunda mitad del diseño, si fuera necesario completar el
factorial. De la misma manera, la fracción media podía proporcionar suficiente información
para indicar la necesidad de alterar los niveles de algunos factores o eliminar aquellos sin
efectos.
En la tabla se muestran las combinaciones de tratamientos, los coeficientes de los efectos
principales y de los contrastes de interacción de dos factores, y las respuestas de las corridas
experimentales. La fuerza necesaria para remover el recubrimiento plástico del gabinete de
aluminio se usó como variable de respuesta.
2K-1
DISEÑO DEL TRATAMIENTO:
Se eligió un diseño factorial 25 para aprovechar la estructura del tratamiento factorial al

evaluar las interacciones importantes junto con los efectos principales. Usaron dos
aleaciones de aluminio, dos tipos de solvente, dos estructuras moleculares para el polímero,
10 y 15% de catalizador y 150 o 175' para la temperatura de curado.
DESARROLLO DEL DISEÑO EN R (software):
Hay varios métodos para crear a estructura de alias, usaremos uno de tantos..
1.- CREAR LOS FACTORES PRINCIPALES A,S,M,C, EN EL DATA FRAME m
m=expand.grid(A=c(-1,1),S=c(-1,1),M=c(-1,1),C=c(-1,1))
2.- CREAR EL ÚLTIMO FACTOR T, EN EL DATA FRAME m
m$T=m$A*m$S*m$M*m$C
2K-1
3. CREAR LAS INTERACCIONES EN EL DATA FRAME m
m$AS=m$A*m$S
m$AM=m$A*m$M
m$AC=m$A*m$C
m$AT=m$A*m$T
m$SM=m$S*m$M
m$SC=m$S*m$C
m$ST=m$S*m$T
m$MC=m$M*m$C
m$MT=m$M*m$T
m$CT=m$C*m$T
4.- VISUALIZAR ESTRUCTURA DEL DISEÑO
5.- CREAR VARIABLE DE RESPUESTA Y AÑADIRLA EN EL DATA FRAME
m$Fuerza=c(41.5, 39.6, 43.9, 38.8, 48.7, 52.0, 55.8, 43.2, 39.5, 42.6, 44.0, 33.8,
53.6, 48.1, 51.3, 48.7)
6.- COMPROBAR DATA FRAME
CAMBIO A FACTOR
7.- CAMBIO A FACTOR

Factor.A<-factor(m$A)
Factor.S<-factor(m$S)
Factor.M<-factor(m$M)
Factor.C<-factor(m$C)
Factor.T<-factor(m$T)
Factor.AS<-factor(m$AS)
Factor.AM<-factor(m$AM)
Factor.AC<-factor(m$AC)
Factor.AT<-factor(m$AT)
Factor.SM<-factor(m$SM)
Factor.SC<-factor(m$SC)
Factor.ST<-factor(m$ST)
Factor.MC<-factor(m$MC)
Factor.MT<-factor(m$MT)
Factor.CT<-factor(m$CT)
8.- ASIGNAR LA VARIABLE DE RESPUESTA
2K-1
Respuesta.Fuerza<-m$Fuerza
9.- CREAR EL MODELO LINEAL CONSIDERANDO TODAS LAS INTERACCIONES POSIBLES
Modelo <- lm(Respuesta.Fuerza ~ (Factor.A + Factor.S + Factor.M + Factor.C +

Factor.T)^2)
10.- COMPROBAR EL CONTENIDO DEL Modelo
Modelo
summary(Modelo)
Call:
lm(formula = Respuesta.Fuerza ~ (Factor.A + Factor.S + Factor.M
+
Factor.C + Factor.T)^2)
Residuals:
ALL 16 residuals are 0: no residual degrees of freedom!
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 40.3125 NA NA NA
Factor.A1 -0.7125 NA NA NA
Factor.S1 3.5875 NA NA NA
Factor.M1 8.3875 NA NA NA
Factor.C1 -0.8125 NA NA NA
Factor.T1 1.1875 NA NA NA
Factor.A1:Factor.S1 -7.3750 NA NA NA
Factor.A1:Factor.M1 -0.8250 NA NA NA
Factor.A1:Factor.C1 0.2750 NA NA NA
Factor.A1:Factor.T1 1.4750 NA NA NA
Factor.S1:Factor.M1 -0.1750 NA NA NA
Factor.S1:Factor.C1 -1.4750 NA NA NA
Factor.S1:Factor.T1 0.3250 NA NA NA
Factor.M1:Factor.C1 1.4750 NA NA NA
Factor.M1:Factor.T1 2.1750 NA NA NA
Factor.C1:Factor.T1 0.8750 NA NA NA
Residual standard error: NaN on 0 degrees of freedom

Multiple R-squared: 1, Adjusted R-squared: NaN
F-statistic: NaN on 15 and 0 DF, p-value: NA
11.- CALCULAR ANOVA DEL MODELO

2K-1
ANOVA <- aov(Modelo)
12. MOSTRAR EL SUMARIO DEL ANOVA DEL MODELO
summary(ANOVA)
Df Sum Sq Mean Sq
Factor.A 1 62.0 62.0
Factor.S 1 2.3 2.3
Factor.M 1 377.3 377.3
Factor.C 1 0.2 0.2
Factor.T 1 52.2 52.2
Factor.A:Factor.S 1 54.4 54.4
Factor.A:Factor.M 1 0.7 0.7
Factor.A:Factor.C 1 0.1 0.1
Factor.A:Factor.T 1 2.2 2.2
Factor.S:Factor.M 1 0.0 0.0
Factor.S:Factor.C 1 2.2 2.2
Factor.S:Factor.T 1 0.1 0.1
Factor.M:Factor.C 1 2.2 2.2
Factor.M:Factor.T 1 4.7 4.7
Factor.C:Factor.T 1 0.8 0.8
13. GRAFICA GLOBAL DE LOS EFECTOS DE LOS FACTORES

2K-1
Efectos <-
data.frame(Factor.A,Factor.S,Factor.M,Factor.C,Factor.T,Factor.AS,Factor.AM,Factor.
AC,Factor.AT,Factor.SM,Factor.SC,Factor.ST,Factor.MC,Factor.MT,Factor.CT,Respuesta
.Fuerza)
plot.design(Efectos, fun="mean", main=" Gráfica de efectos principales", ylab=

"Fuerza", xlab="Factor")
14. INSTALAR Y CARGAR EL PAQUETE FRF2 para cargar el plot Daniel
install.packages("FrF2")
library(FrF2)
15.- GRAFICA DE PROBABILIDAD NORMAL DE LOS EFECTOS DE FACTOR ESTIMADOS Y

LAS INTERACCIONES DEL FACTOR FRACCIONARIO 2^5-1
Se supone que las observaciones del experimento tienen una distribución normal con
varianza constante, pues representan la variación normal aleatoria alrededor de una media
fija cuando los cambios en los niveles de los factores no tienen efecto real sobre la
respuesta. Así, los efectos factoriales estimados a partir de estas observaciones tienen una
distribución normal alrededor de una media O con varianza constante cuando los factores no
tienen efecto y la gráfica de los efectos estimados será una línea recta en la gráfica de
probabilidad normal
DanielPlot(ANOVA)
Daniel (1 959) señaló algunas posibles interpretaciones equivocadas con una gráfica de
probabilidad de los efectos estimados en factoriales sin réplica. El considerar que una línea
suave en la gráfica de los efectos estimados en una parte de la gráfica normal no indica que
2K-1
haya efectos de factor puede llevar a una sobrestimación de la varianza del error. Una línea
en extremo irregular puede conducir al error opuesto de juzgar que hay efectos reales
cuando de hecho sólo representan el error experimental aleatorio. La gráfica es muy eficaz
cuando sólo una pequeña proporción de los efectos factoriales son importantes.
16. GRAFICAR LA MEDIA DE LOS EFECTOS DE LOS FACTORES PRINCIPALES POR CADA
NIVEL
MEPlot(Modelo, lwd = 2)
17. GRAFICAR INTERACCIÓN DE AS
interaction.plot(x.factor=Factor.S, trace.factor=Factor.A,
response=Respuesta.Fuerza, trace.label='AS',
2K-1
xlab='Factor Aleación de Aluminio',
ylab='Fuerza',
col=c('dodgerblue3', 'chartreuse4', 'salmon3'),
fun=mean, lwd=2, las=1, fixed=T)
18. CREAR UN NUEVO MODELO LINEAL CONSIDERANDO SOLO DOS INTERACCIONES
modelo2interac <- lm(Respuesta.Fuerza ~ (Factor.A + Factor.S + Factor.M + Factor.C

+ Factor.T + Factor.AS + Factor.AM + Factor.AC + Factor.AT + Factor.SM + Factor.SC +
Factor.ST + Factor.MC + Factor.MT + Factor.CT ))
La estimación negativa para A, sugiere que el nivel "bajo" del factor aleación de
aluminio produce una adhesión más fuerte. Sin embargo, la estimación mayor para
la interacción AS, puede alterar la inferencia sobre el efecto principal de A , la
aleación de aluminio.
Una investigación de la interacción entre la aleación de aluminio ( A ) y el solvente

para limpiarlo (S) requiere los promedios de las cuatro combinaciones de
tratamientos que contienen a A y S.
El efecto de A cuando S = O es 45.6 - 45.8 = -0.2, mientras que el efecto cuando S = 1

es 41.1 - 48.8 = -7.7. Por lo tanto, la diferencia entre las dos aleaciones con el
segundo solvente (S = 1) es mucho más grande que con el primer solvente (S = O).
19. ANOVA DEL MODELO LINEAL CONSIDERANDO SOLO DOS INTERACCIONES

(Observar los efectos o estimadores por factor)
(modelo2interac)
summary(modelo2interac)
2K-1
Call:
lm.default(formula = Respuesta.Fuerza ~ (Factor.A + Factor.S +
Factor.M + Factor.C + Factor.T + Factor.AS + Factor.AM +
Factor.AC + Factor.AT + Factor.SM + Factor.SC + Factor.ST +
Factor.MC + Factor.MT + Factor.CT))
Residuals:
Coefficients:
Factor.S1 -0.7625 NA NA NA
Factor.AS1 -3.6875 NA NA NA
Factor.AM1 -0.4125 NA NA NA
Factor.AC1 0.1375 NA NA NA
Factor.AT1 0.7375 NA NA NA
Factor.SM1 -0.0875 NA NA NA
Factor.SC1 -0.7375 NA NA NA
Factor.ST1 0.1625 NA NA NA
Factor.MC1 0.7375 NA NA NA
Factor.MT1 1.0875 NA NA NA
Factor.CT1 0.4375 NA NA NA
20. CREAR UN NUEVO MODELO LINEAL CONSIDERANDO SOLO LA INTERACCIÓN DE

AS
modeloAS <- lm(Respuesta.Fuerza ~ (Factor.A + Factor.S + Factor.M + Factor.T +
Factor.AS))
modeloAS
21. MOSTRAR EL SUMARIO DEL MODELO CON SOLO LA INTERACCIÓN DE AS
summary(modeloAS)
Call:
lm.default(formula = Respuesta.Fuerza ~ (Factor.A + Factor.S +
Factor.M + Factor.T + Factor.AS))
2K-1
Residuals:
Min 1Q Median 3Q Max
-1.7000 -0.5594 -0.0500 0.6969 1.8125
Coefficients:
(Intercept) 42.8500 0.7020 61.040 3.39e-14 ***
Factor.A1 -3.9375 0.5732 -6.870 4.35e-05 ***
Factor.S1 -0.7625 0.5732 -1.330 0.213
Factor.M1 9.7125 0.5732 16.945 1.08e-08 ***
Factor.T1 3.6125 0.5732 6.303 8.88e-05 ***
Factor.AS1 -3.6875 0.5732 -6.433 7.50e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1.146 on 10 degrees of freedom

Multiple R-squared: 0.9766, Adjusted R-squared: 0.9649
F-statistic: 83.44 on 5 and 10 DF, p-value: 8.004e-08
22. HACEMOS UN GRÁFICO DE CAJA PARA LA INTERACCIÓN DE AS

boxplot(Factor.AS,Respuesta.Fuerza)
plot(Factor.AS,Respuesta.Fuerza, ylab="Fuerza", xlab="INTERACCIÓN A y S")

2K-1
24. ANÁLISIS, TOMANDO LOS DATOS DEL ANOVA (Estimar la varianza del error
experimental)
Una estrategia general para obtener tal estimación incluye varios pasos, el primero
selecciona aquellos efectos que parecen ser despreciables en la gráfica de
probabilidad normal y une sus sumas de cuadrados para estimar el error
experimental, parece que sólo los efectos A, M, T y A S son significativos, el resto son
despreciables y representativos de la variación debida al error experimental. La tabla
muestra el análisis de varianza para un modelo que contiene efectos nada más para
A, M, T, S y AS; se incluyó el efecto principal para AS en el análisis porque el efecto de
interacción AS está definido para los efectos principales en el modelo y debe
incluirse para obtener los valores correctos de las sumas de cuadrados.
Anova.AS<-aov(modeloAS)
summary(Anova.AS)
Df Sum Sq Mean Sq F value Pr(>F)

Factor.A 1 62.0 62.0 47.19 4.35e-05 ***
Factor.S 1 2.3 2.3 1.77 0.213
Factor.M 1 377.3 377.3 287.13 1.08e-08 ***
Factor.T 1 52.2 52.2 39.72 8.88e-05 ***
Factor.AS 1 54.4 54.4 41.39 7.50e-05 ***
Residuals 10 13.1 1.3
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Observar que si S no es significativo y podría unirse a

la suma de cuadrados del error siguiendo la estrategia
general. Análisis de varianza de la 12.6, la suma de
2K-1
cuadrados combinada para los efectos que parecen
despreciables es SCE = SC(error) SCS = 13.14 + 2.33 =
15.47, a partir del análisis de varianza de la tabla con
1 1 grados de libertad. Así, una estimación de la
varianza del error experimental es s2 = 15.711 1 = 1.41.
25. GRAFICAMOS LOS RESIDUOS ESTANDARIZADOS
e<-residuals(modeloAS)
sfit<-summary(modeloAS)
d<-e/sfit$sigma
hist(d,probability=T,xlab="Residuos estandarizados",main="",xlim=c(-3,3))
d.seq<-seq(-3,3,length=50)
lines(d.seq,dnorm(d.seq,mean(d),sd(d)))
layout(matrix(c(1,2,3,4),2,2))
plot(modeloAS)
2K-1
26. REALIZAMOS EL TEST DE SHAPIRO PARA COMPROBAR LA HIPOTESIS DE NORMALIDAD

DEL MODELO
shapiro.test(e)
Shapiro-Wilk normality test
data: e
W = 0.99175, p-value = 0.9998
#p-valor > 0.05 No se puede rechazar la hipótesis de

normalidad (a pesar de que los gráficos podían indicarnos
lo contrario). Los problemas observados gráficamente no
eran tan relevantes como nos parecía en principio.
27. REALIZAMOS EL TEST DE SBREUSCH-PAGAN PARA COMPROBAR LA HIPOTESIS DE

VARIANZA CONSTANTE
library (lmtest)
bptest(modeloAS)
2K-1
studentized Breusch-Pagan test
data: ModeloAS
BP = 6.8431, df = 5, p-value = 0.2326
#p-valor> 0.05 No se puede rechazar la hipótesis de

varianza #constante.
28. REALIZAMOS EL GRAFICO DE LOS RESIDUOS AJUSTADOS
n<-length(d)
plot(d[1:(n-1)],d[2:n],xlab="Residuo i",ylab="Residuo i-1")
lines(lowess(d[1:(n-1)],d[2:n]),col="red")
29. REALIZAMOS EL TEST DE DURBIN WATSON PARA VERIFICAR

INCORRELACIÓN
Gráficamente no se ve ninguna tendencia clara creciente o

decreciente. Por lo #que la hipótesis parecería que se
cumple. Salgamos de dudas con un #contraste:
dwtest(modeloAS,alternative="two.sided")
Durbin-Watson test
data: Anova.ModeloAS
DW = 1.766, p-value = 0.7872
alternative hypothesis: true autocorrelation is not 0
p-valor > 0.05 No puede rechazar la hipótesis de

incorrelación.
2K-1
No se detecta que el catalizador, factor C, tenga efecto
y parece ser inerte; de hecho, el diseño fue una réplica
de un factorial 24 completo para los factores A , S, M y
T. El equipo de investigación piensa ahora en un estudio
más minucioso de estos factores y sus interacciones.
EVIDENCIAS DE DESARROLLO
EN SOFTWARE: De forma individual realizar en Rstudio.Cloud

URL del proyecto del integrante 1: Eloísa Salazar Hernandez
https://rstudio.cloud/spaces/78007/join?access_code=3FaWRSIQQ
%2BYPSrl7CfS19n5JMjuHKfo%2BvyVrN6fQ.
URL del proyecto del integrante 2: Solis Escalera Claudia Ibeth
https://rstudio.cloud/spaces/76950/join?access_code=t7JYv%2B9COzm1tGbRBc
%2FcnVyQBBXWvEQkyKkTHlUq
URL del proyecto del integrante 3: Estefanía Salgado Contreras
https://rstudio.cloud/spaces/76953/join?
access_code=TnY2ipsi5QYT4XgS15XHmPmowo%2F%2BIawyyXhVm38g
URL del proyecto del integrante 4: Blanca Estela Sustaita Sánchez
https://rstudio.cloud/spaces/76775/join?access_code=aQTdSHNy4XnTCsl
%2B65Aw466OwXIXVNooTpA%2Fs0te
URL del proyecto del integrante 5: Federico Zuñiga Palacios.
https://rstudio.cloud/spaces/76928/join?access_code=
%2BodDRvoaQGEMMdPt2vMrgc3XYGnxvvgmrZbBigmE
URL del proyecto del integrante 6: Giezi Misael Ramírez García.
https://rstudio.cloud/spaces/77033/join?
access_code=y9PUKvtbUkJm9pZGSSxW7VzrrLj3LHPpPTb4rx0F
ANÁLISIS: De forma grupal realizar análisis y dar respuesta a las interrogantes, subir
evidencia en PDF todos, pero el archivo es editado en equipo.
1.- CREAR LOS FACTORES PRINCIPALES A,S,M,C, EN EL DATA FRAME m
¿Que se hace?
Primero creamos las combinaciones de tratamiento y los coeficientes de los efectos
principales de los contrastes de los factores, donde se muestra el diseño de A, S, M,
C, T, luego agregamos las combinaciones de AS, AM,AC,AT,,SM,SC, seguido de la
creación de interacciones .
¿Porque?
Dado la combinación de factores podemos analizar y ver el tipo de fuerza de cada
estimación de efectos, y asi aprovechar la estructura del tratamiento factorial.
¿Para que?
2K-1
Para evaluar las interacciones, junto los efectos principales para si obtener la
estructura correcta.
Análisis:
Podemos observar que al crear el diseño de los primeros factores se detalla una
forma más específica de un resultado positivo y negativo dejando en claro el cálculo de
cada combinación.
2.- CREAR EL ÚLTIMO FACTOR T, EN EL DATA FRAME m
¿Que se hace?
Ingresamos el comando m$T=m$A*m$S*m$M*m$C donde calculamos los factores
A, S, M Y C. donde estos comandos, nos permiten tener un argumento lógico donde
se convertirá los vectores al carácter de del factor.
¿Porque?
Nos permite considerar el valor del defecto, transformando los vectores
¿Para que?
Para obtener la combinación de los demas factores y analizar el tratamiento positivo
o negativo de cada una de ellas.
Análisis:
La transformación de los vectores permite el cálculo para las estimaciones de los
efectos donde el resultado es la fuerza.
3. CREAR LAS INTERACCIONES EN EL DATA FRAME m

¿Que se hace?
La creación de interacciones en Data Frame m, permite el almacenamiento de los
datos correspondiendo a la observación o el valor dado del tratamiento y la fuerza,
donde se indican las características de cada uno de factores.
¿Por qué?
Al momento de crear las interacciones mediante este comando permite tener
argumento de la función donde las variables de carácter son importadas como
variables categóricas o mejor dicho como factores.
¿Para qué?
Para estructurar los factores indicados permitiendo la transformación, visualización y
moderación de los factores.
Análisis:
2K-1
Este indicador nos permite ver de una forma más organizada cada uno de los
factores tomando sus combinaciones y asi verificar el tipo de función que nos convenga
más.
4.- VISUALIZAR ESTRUCTURA DEL DISEÑO

¿Qué se hace?
La estructura se obtiene al multiplicar a cada un efecto por la relación definidora,
contando con al menos con una interacción doble.
¿Por qué?
Incorpora hasta los efectos de interacción del más alto orden donde dos de las
interacciones deben decidirse con base al conocimiento del proceso.
¿Para qué?
Para obtener un resultado significativo teniendo más posibilidad de ser activo en sus
interacciones.
Análisis:
La visualización estructural permite ver los resultados de una manera más clara y
objetiva de cual resultado sería mejor.
5.- CREAR VARIABLE DE RESPUESTA Y AÑADIRLA EN EL DATA FRAME

¿Qué se hace?
Se añade el comando m$Fuerza=c(41.5, 39.6, 43.9, 38.8, 48.7, 52.0, 55.8, 43.2, 39.5,
42.6, 44.0, 33.8, 53.6, 48.1, 51.3, 48.7)
¿Por qué?
Se agrupan los datos por columna.
¿Para qué?
Para asi poder obtener los datos de los vectores de manera ordenada y asi acceder a
ellos.
Análisis:
Se muestra la base de datos de los variables de manera practica para su uso.
6.- COMPROBAR DATA FRAME

¿Qué se hace?
Se ingresa el comando m
¿Porque?
Porque nos estructura los datos que representas las observaciones y variables.
¿Para qué?
Para realizar el análisis de datos
Análisis:
Nos arroja una tabla estructurada con 16 observaciones y 16 variables
7.- CAMBIO A FACTOR

¿Qué se hace?
Cambio a factor
2K-1
Factor.A<-factor(m$A)
Factor.S<-factor(m$S)
Factor.M<-factor(m$M)
Factor.C<-factor(m$C)
Factor.T<-factor(m$T)
Factor.AS<-factor(m$AS)
Factor.AM<-factor(m$AM)
Factor.AC<-factor(m$AC)
Factor.AT<-factor(m$AT)
Factor.SM<-factor(m$SM)
Factor.SC<-factor(m$SC)
Factor.ST<-factor(m$ST)
Factor.MC<-factor(m$MC)
Factor.MT<-factor(m$MT)
Factor.CT<-factor(m$CT)
¿Porque?
Porque está en variable numérica
¿Para qué?
Para cambiarla a factor
Análisis:
Se evaluó el número de factores que hay, convirtiendo de numérico a factor de dos
niveles.
8.- ASIGNAR LA VARIABLE DE RESPUESTA

¿Qué se hace?
Ingresar el comando Respuesta.Fuerza<-m$Fuerza
¿Porque?
Porque está variable se representa en los estudios comparativos y las características
de las unidades sujetas a medir
¿Para qué?
Para obtener el valor que estamos buscando
Análisis:
Nuestra variable de respuesta es fuerza, la debemos asignar para posteriormente
ordenar un modelo lineal con nuestra variable de respuesta y los factores asignados.
9.- CREAR EL MODELO LINEAL CONSIDERANDO TODAS LAS INTERACCIONES POSIBLES

¿Qué se hace?
Ingresar el comando Modelo <- lm(Respuesta.Fuerza ~ (Factor.A + Factor.S +
Factor.M + Factor.C + Factor.T)^2)
¿Porque?
Se observa de mejor manera como se comporta nuestro modelo
¿Para qué?
2K-1
Para ajustar el modelo de regresión y predecir una variable dependiente a partir de
una independiente.
Análisis:
Fuerza es nuestra variable de respuesta y los factores son las variables explicativas,
donde los resultados de lm se almacenan en el objeto modelo, para posteriormente ser
utilizado.
10.- COMPROBAR EL CONTENIDO DEL Modelo

¿Qué se hace?
Insertamos el comando Modelo
summary(Modelo)
¿Porque?
Porque queremos obtener el resumen de nuestro modelo
¿Para qué?
Para obtener una tabla de resumen con detalles de nuestro modelo, donde nos
muestra los residuales, la estimación de los beta, y la estimación del error estándar.
Análisis:
Nos muestra la suma de cuadrados:
Call:
lm(formula = Respuesta.Fuerza ~ (Factor.A + Factor.S + Factor.M
+
Factor.C + Factor.T)^2)
Residuals:
Coefficients:
Factor.S1 3.5875 NA NA NA
Factor.A1:Factor.S1 -7.3750 NA NA NA
Factor.A1:Factor.M1 -0.8250 NA NA NA
Factor.A1:Factor.C1 0.2750 NA NA NA
Factor.A1:Factor.T1 1.4750 NA NA NA
Factor.S1:Factor.M1 -0.1750 NA NA NA
Factor.S1:Factor.C1 -1.4750 NA NA NA
Factor.S1:Factor.T1 0.3250 NA NA NA
Factor.M1:Factor.C1 1.4750 NA NA NA
Factor.M1:Factor.T1 2.1750 NA NA NA
Factor.C1:Factor.T1 0.8750 NA NA NA
Residual standard error: NaN on 0 degrees of freedom

Multiple R-squared: 1, Adjusted R-squared: NaN
F-statistic: NaN on 15 and 0 DF, p-value: NA
2K-1
11.- CALCULAR ANOVA DEL MODELO
¿Que se hace?
Respuesta...Insertamos el comando ANOVA <- aov(Modelo)
¿Porque?
Respuesta... Porque lo que se busca es calcular el ANOVA de dicho modelo
¿Para que?
Respuesta... para así poder apreciar los modelos estadísticos coleccionados y sus
procedimientos.
Análisis:
Respuesta...se apreciara más detalladamente como se calculan los factores del
Problema y se podrán valorar uno a uno.
12. MOSTRAR EL SUMARIO DEL ANOVA DEL MODELO

¿Que se hace?
Respuesta... Aquí insertaremos el comando summary(ANOVA)
¿Porque?
Respuesta... Se busca sumar y clasificar los factores se refleja lo que es la media y la
suma de cada uno
¿Para que?
Respuesta...Para así poder verlos más detalladamente y entenderlos de la mejor
manera
Análisis:
Respuesta...
Aquí nos muestra el sumario ANOVA:
Df Sum Sq Mean Sq
Factor.A 1 62.0 62.0
Factor.S 1 2.3 2.3
Factor.M 1 377.3 377.3
Factor.C 1 0.2 0.2
Factor.T 1 52.2 52.2
Factor.A:Factor.S 1 54.4 54.4
Factor.A:Factor.M 1 0.7 0.7
Factor.A:Factor.C 1 0.1 0.1
Factor.A:Factor.T 1 2.2 2.2
Factor.S:Factor.M 1 0.0 0.0
Factor.S:Factor.C 1 2.2 2.2
Factor.S:Factor.T 1 0.1 0.1
Factor.M:Factor.C 1 2.2 2.2
Factor.M:Factor.T 1 4.7 4.7
Factor.C:Factor.T 1 0.8 0.8
13. GRAFICA GLOBAL DE LOS EFECTOS DE LOS FACTORES

¿Que se hace?
Respuesta...Insertamos El comando Efectos <-
data.frame(Factor.A,Factor.S,Factor.M,Factor.C,Factor.T,Factor.AS,Factor.AM,Factor.
AC,Factor.AT,Factor.SM,Factor.SC,Factor.ST,Factor.MC,Factor.MT,Factor.CT,Respuesta
.Fuerza)
2K-1
plot.design(Efectos, fun="mean", main=" Gráfica de efectos principales", ylab=

"Fuerza", xlab="Factor")
¿Porque?
Respuesta...porque es necesario poder visualizar los datos gráficamente y así
entenderlos de la manera correcta
¿Para que?
Respuesta... Es indispensable saber los resultados de lo que se va realizando es por
eso que es conveniente entenderlos tanto teóricamente como gráficamente.
Análisis:
Respuesta...
Aquí se puede apreciar de una mejor manera
14.- GRAFICA DE PROBABILIDAD NORMAL DE LOS EFECTOS DE FACTOR ESTIMADOS Y

LAS INTERACCIONES DEL FACTOR FRACCIONARIO 2^5-1
¿Que se hace?
Respuesta...Vamos a insertar el comando DanielPlot(ANOVA
¿Porque?
Respuesta... Se supone que las observaciones del experimento tienen una
distribución normal con varianza constante, es asi como comprobaremos si es falso o
es verdadero
¿Para que?
Respuesta... Saber si nuestra hipótesis acertada o rechazada
Análisis:
Respuesta… Los efectos factoriales estimados a partir de estas observaciones tienen
una distribución normal alrededor de una media O con varianza constante cuando los
factores no tienen efecto y la gráfica de los efectos estimados será una línea recta en la
gráfica de probabilidad normal
2K-1
15. INSTALAR Y CARGAR EL PAQUETE FRF2

¿Que se hace?
Respuesta... Es aquí donde vamos a instalar y cargar el paquete
Posteriormente instalaremos el paquete library(FrF2)
¿Porque?
Respuesta...Nos es necesaria la biblioteca en el desarrollo de nuestro problema
¿Para que?
Respuesta... para así al ejecutar dicho comando nos arroje los resultados necesarios
Análisis:
Respuesta...Aquí se ve reflejado como se cargó la biblioteca correctamente.
Installing package into ‘/home/rstudio-user/R/x86_64-pc-linux-gnu-library/4.0’
(as ‘lib’ is unspecified)
also installing the dependencies ‘zoo’, ‘colorspace’, ‘lmtest’, ‘gmp’, ‘polynom’,
‘sets’, ‘conf.design’, ‘vcd’, ‘combinat’, ‘numbers’, ‘partitions’, ‘magrittr’, ‘pkgcon-
fig’, ‘DoE.base’, ‘sfsmisc’, ‘scatterplot3d’, ‘igraph’
trying URL 'http://package-proxy/src/contrib/zoo_1.8-8.tar.gz'

Content type 'application/x-tar' length 1090969 bytes (1.0 MB)
==================================================
downloaded 1.0 MB
trying URL 'http://package-proxy/src/contrib/colorspace_1.4-1.tar.gz'

==================================================
downloaded 2.5 MB
trying URL 'http://package-proxy/src/contrib/lmtest_0.9-37.tar.gz'

Content type 'application/x-tar' length 348545 bytes (340 KB)
==================================================
downloaded 340 KB
trying URL 'http://package-proxy/src/contrib/gmp_0.6-0.tar.gz'

==================================================
downloaded 817 KB
trying URL 'http://package-proxy/src/contrib/polynom_1.4-0.tar.gz'

==================================================
downloaded 303 KB
2K-1
trying URL 'http://package-proxy/src/contrib/sets_1.0-18.tar.gz'

==================================================
downloaded 772 KB
trying URL 'http://package-proxy/src/contrib/conf.design_2.0.0.tar.gz'

==================================================
downloaded 41 KB
trying URL 'http://package-proxy/src/contrib/vcd_1.4-7.tar.gz'

==================================================
downloaded 1.5 MB
trying URL 'http://package-proxy/src/contrib/combinat_0.0-8.tar.gz'

==================================================
downloaded 39 KB
trying URL 'http://package-proxy/src/contrib/numbers_0.7-5.tar.gz'

==================================================
downloaded 198 KB
trying URL 'http://package-proxy/src/contrib/partitions_1.9-22.tar.gz'

==================================================
downloaded 501 KB
trying URL 'http://package-proxy/src/contrib/magrittr_1.5.tar.gz'

==================================================
downloaded 148 KB
trying URL 'http://package-proxy/src/contrib/pkgconfig_2.0.3.tar.gz'

==================================================
downloaded 17 KB
trying URL 'http://package-proxy/src/contrib/DoE.base_1.1-5.tar.gz'

==================================================
downloaded 1.5 MB
2K-1
trying URL 'http://package-proxy/src/contrib/sfsmisc_1.1-7.tar.gz'

==================================================
downloaded 608 KB
trying URL 'http://package-proxy/src/contrib/scatterplot3d_0.3-41.tar.gz'

==================================================
downloaded 326 KB
trying URL 'http://package-proxy/src/contrib/igraph_1.2.5.tar.gz'

==================================================
downloaded 7.0 MB
trying URL 'http://package-proxy/src/contrib/FrF2_2.2-2.tar.gz'

==================================================
downloaded 867 KB
* installing *binary* package ‘zoo’ ...

* DONE (zoo)
* installing *binary* package ‘colorspace’ ...
* DONE (colorspace)
* installing *binary* package ‘gmp’ ...
* DONE (gmp)
* installing *binary* package ‘polynom’ ...
* DONE (polynom)
* installing *binary* package ‘sets’ ...
* DONE (sets)
* installing *binary* package ‘conf.design’ ...
* DONE (conf.design)
* installing *binary* package ‘combinat’ ...
* DONE (combinat)
* installing *binary* package ‘numbers’ ...
* DONE (numbers)
* installing *binary* package ‘magrittr’ ...
* DONE (magrittr)
* installing *binary* package ‘pkgconfig’ ...
* DONE (pkgconfig)
* installing *binary* package ‘sfsmisc’ ...
* DONE (sfsmisc)
* installing *binary* package ‘scatterplot3d’ ...
* DONE (scatterplot3d)
2K-1
* installing *binary* package ‘lmtest’ ...
* DONE (lmtest)
* installing *binary* package ‘partitions’ ...
* DONE (partitions)
* installing *binary* package ‘igraph’ ...
* DONE (igraph)
* installing *binary* package ‘vcd’ ...
* DONE (vcd)
* installing *binary* package ‘DoE.base’ ...
* DONE (DoE.base)
* installing *binary* package ‘FrF2’ ...
* DONE (FrF2)
The downloaded source packages are in

‘/tmp/Rtmpkmupfx/downloaded_packages’
library(FrF2)
Loading required package: DoE.base
Loading required package: grid
Loading required package: conf.design
Registered S3 method overwritten by 'DoE.base':
method from
factorize.factor conf.design
Attaching package: ‘DoE.base’
The following objects are masked from ‘package:stats’:
aov, lm
The following object is masked from ‘package:graphics’:
plot.design
The following object is masked from ‘package:base’:
lengths
16. GRAFICAR LA MEDIA DE LOS EFECTOS DE LOS FACTORES PRINCIPALES POR CADA
NIVEL
¿Que se hace?
Se ejecuta el comando MEPlot(Modelo, lwd = 2) dentro de la consola de R.
¿Porque?
Porque se necesita comparar los cinco factores ASMCT con la viable de respuesta
que es la fuerza.
¿Para que?
2K-1
Para visualizar los efectos principales por cada nivel en comparación con su variable
de respuesta que es la fuerza en cuanto a sus cinco factores ASMCT.
Análisis:
Se hace la comparación de cada factor con su variable de respuesta, donde se puede

se puede visualizar que cada factor tiene un nivel diferente S y C tienen
características similares y M esta mucho más diferente.
17. GRAFICAR INTERACCIÓN DE AS
¿Que se hace?
Se pone el comando interaction.plot(x.factor=Factor.S, trace.factor=Factor.A,
response=Respuesta.Fuerza, trace.label='AS',
xlab='Factor Aleación de Aluminio',
ylab='Fuerza',
col=c('dodgerblue3', 'chartreuse4', 'salmon3'),
fun=mean, lwd=2, las=1, fixed=T) dentro la consola de R.
¿Porque?
El proyecto debe hacer una comparación de la interacción de este nivel.
¿Para que?
Para visualizar la interacción de la variable de respuesta en comparación con factor
de aleación de Aluminio.
Análisis:
Dentro de la grafica se puede apreciar que la variable de respuesta tiene una
numeración de casi el 45.8 y factor aleación de aluminio tiene un -1. Lo cual eso sería
su interacción por su puntuación casi llegando a 45.8.
18. CREAR UN NUEVO MODELO LINEAL CONSIDERANDO SOLO DOS INTERACCIONES

¿Que se hace?
Se ejecuta el comando modelo2interac <- lm(Respuesta.Fuerza ~ (Factor.A + Factor.S
+ Factor.M + Factor.C + Factor.T + Factor.AS + Factor.AM + Factor.AC + Factor.AT +
Factor.SM + Factor.SC + Factor.ST + Factor.MC + Factor.MT + Factor.CT )) dentro de
la consola de Rstudio.cloud.
¿Porque?
Porque se tiene que comprobar la variable de respuesta en comparación con su
factor.
2K-1
¿Para que?
Para tener una visualización más clara y entendible de dichos comandos y de sus
interacciones.
Análisis:
El efecto de A cuando S = O es 45.6 - 45.8 = -0.2, mientras que el efecto
cuando S = 1 es 41.1 - 48.8 = -7.7. Por lo tanto, la diferencia entre las dos aleaciones
con el segundo solvente (S = 1) es mucho más grande que con el primer solvente (S =
O).
19. ANOVA DEL MODELO LINEAL CONSIDERANDO SOLO DOS INTERACCIONES

(Observar los efectos o estimadores por factor)
¿Que se hace?
Se ejecuta los siguientes comandos ANOVA(modelo2interac)
summary(modelo2interac) dentro de la consola de Rstudio.cloud
¿Porque?
Se necesita tener el resultado de todo los residuales para la estimación de los
coeficientes.
¿Para que?
Para hacer la estimación de los coeficientes, el error y el p-value de cada factor. En
comparación con la variable de respuesta.
Análisis:
Derechos residuales:
TODOS los 16 residuales son 0: sin grados residuales de libertad
Coefficients:
Factor.S1 -0.7625 NA NA NA
Factor.AS1 -3.6875 NA NA NA
Factor.AM1 -0.4125 NA NA NA
Factor.AC1 0.1375 NA NA NA
Factor.AT1 0.7375 NA NA NA
Factor.SM1 -0.0875 NA NA NA
Factor.SC1 -0.7375 NA NA NA
Factor.ST1 0.1625 NA NA NA
Factor.MC1 0.7375 NA NA NA
Factor.MT1 1.0875 NA NA NA
Factor.CT1 0.4375
Error estándar residual: NaN en 0 grados de libertad
Múltiple R cuadrado: 1, R cuadrado ajustado: NaN

2K-1
Estadística F: NaN en 15 y 0 DF, valor p: NA
Lo cual nos dan resultados de los coeficientes

AS
¿Que se hace?
Se crea un modelo nombrado AS el cual nos permitirá conocer los efectos que
ocurren en la iteración AS
¿Porque?
Para conocer los efectos de la iteración AS
¿Para que?
Para conocer los datos que tengan una tendencia anormal.
Análisis:
El modelo creado de AS nos permite los efectos anormales ocurridos en las
iteraciones.

¿Que se hace?
Se nos muestra los datos del sumario pero solo se muestran las iteraciones AS
¿Porque?
Conocer los efectos de AS
¿Para que?
Identificar los efectos AS
Análisis:
Nos permite conocer los efectos que suceden dentro del sumario pero solo
involucrando los datos de AS

¿Que se hace?
Se introduce el comando de iteración el cual nos muestra una gráfica la relación de la
fuerza
¿Porque?
Es necesario conocer la relación de la fuerza las cuales no las proporciona las
iteraciones AS
¿Para que?
Para conocer la fuerza
Análisis:
AS
¿Que se hace?
Se crea un modelo nombrado AS el cual nos permitirá conocer los efectos que
ocurren en la iteración AS
¿Porque?
Para conocer los efectos de la iteración AS
2K-1
¿Para que?
Para conocer los datos que tengan una tendencia anormal.
Análisis:
El modelo creado de AS nos permite los efectos anormales ocurridos en las
iteraciones.

¿Que se hace?
Se nos muestra los datos del sumario pero solo se muestran las iteraciones AS
¿Porque?
Conocer los efectos de AS
¿Para que?
Identificar los efectos AS
Análisis:
Nos permite conocer los efectos que suceden dentro del sumario pero solo
involucrando los datos de AS

¿Que se hace?
Se introduce el comando de iteración el cual nos muestra una gráfica la relación de la
fuerza
¿Porque?
Es necesario conocer la relación de la fuerza las cuales no las proporciona las
iteraciones AS
¿Para que?
Para conocer la fuerza
Análisis:
Al introducir el comando de iteraciones podemos notar la fuerza en relación a las
iteraciones AS
¿Que se hace?
Un gráfico para la iteración AS
¿Porque?
Conocer el grafico que nos proporcione la relación de la iteración Hace
¿Para que?
Para conocer cómo se comporta la iteración resultante
Análisis:
Respuesta... conocemos la relación de la iteración con respecto a AS
experimental)
¿Que se hace?
Se crea una tabla Anova donde nos evalúa los Factores
2K-1
¿Porque?
Es necesario conocer los factores más relevantes.
¿Para que?
Conocer la suma de los cuadrados del error. Debemos considerar que el efecto
depreciable es SCE= sc(error)scs=13.14
Análisis:
Se nos muestra que los factores más relevantes son A, S, M, T, AS

¿Que se hace?
Un modelo residual de AS
¿Porque?
Para conocer cómo se comporta, crear una tabla donde nos enfrente al residuo y nos
genera una tabla normal.
¿Para que?
De esta manera tenemos una manera gráfica de interpretar
Análisis:
El residual recae en el punto cuarenta y ocho y después vuelve a subir
Al introducir el comando de iteraciones podemos notar la fuerza en relación a las
iteraciones AS
¿Que se hace?
Un gráfico para la iteración AS
¿Porque?
Conocer el grafico que nos proporcione la relación de la iteración Hace
¿Para que?
Para conocer cómo se comporta la iteración resultante
Análisis:
Respuesta... conocemos la relación de la iteración con respecto a AS
experimental)
¿Que se hace?
Se crea una tabla Anova donde nos evalúa los Factores
¿Porque?
Es necesario conocer los factores más relevantes.
¿Para que?
Conocer la suma de los cuadrados del error. Debemos considerar que el efecto
depreciable es SCE= sc(error)scs=13.14
2K-1
Análisis:
Se nos muestra que los factores más relevantes son A, S, M, T, AS

¿Que se hace?
Un modelo residual de AS
¿Porque?
Para conocer cómo se comporta, crear una tabla donde nos enfrente al residuo y nos
genera una tabla normal.
¿Para que?
De esta manera tenemos una manera gráfica de interpretar
Análisis:
El residual recae en el punto cuarenta y ocho y después vuelve a subir
26. REALIZAMOS EL TEST DE SHAPIRO.

¿Que se hace?
Corremos el código: shapiro.test(e)
¿Porque?
Porque es necesario verificar que el modelo sea adecuado y por medio de este test
checar si es normal.
¿Para que?
Para comprobar si la hipótesis del modelo es normal y verificar que no haya algún
error.
Análisis:
Vemos que el test de Shapiro nos da el siguiente resultado:
data: e
W = 0.99175, p-value = 0.9998
Donde nos indica que tanto W como P-value es normal al modelo, y con esto poder
proseguir al encuentro del resultado.
27. REALIZAMOS EL TEST DE SBREUSCH-PAGAN PARA COMPROBAR LA HIPOTESIS DE

VARIANZA CONSTANTE
¿Que se hace?
Cargamos librería library (lmtest), y llamamos el test de BP con bptest(modeloAS)
¿Porque?
Porque el test de Breusch-Pagan es el que indica si la hipótesis de varianza es
adecuada para el modeloAS.
¿Para que?
Para verificar que este bien la hipótesis de varianza constante.
Análisis:
Vemos que el test nos arroja lo siguiente:
studentized Breusch-Pagan test
2K-1
data: ModeloAS
BP = 6.8431, df = 5, p-value = 0.2326
Donde vemos que para el modeloAS el p-value es menor a 0.5 entonces claramente
podemos decir que la hipótesis de varianza constante no se puede rechazar y asi
poder dar seguimiento.
28. REALIZAMOS EL GRAFICO DE LOS RESIDUOS AJUSTADOS

¿Que se hace?
Ejecutamos los códigos: n<-length(d)
plot(d[1:(n-1)],d[2:n],xlab="Residuo i",ylab="Residuo i-1")
¿Porque?
Porque necesitamos ver los nuevos residuos ya ajustados que se tienen durante el
proceso.
¿Para qué?
Para llamar y visualizar el grafico de los residuos ajustados.
Análisis:
Como vemos en este grafico no hay problemas con la observación ya que varean los
residuos desde 1.5 a -1.5 están dentro del rango que queremos.
29. REALIZAMOS EL TEST DE DURBIN WATSON PARA VERIFICAR INCORRELACIÓN

¿Que se hace?
Ejecutamos el comando dwtest(modeloAS,alternative="two.sided")
¿Porque?
Porque en el diseño debemos tomar en cuenta las incorrelaciones de AS.
¿Para que?
Para verificar que en el test de Durbin Watson nos diga si hay incorrelación o no.
Análisis:
Podemos ver que en el test la autocorrelacion verdadera no es 0 ya que el p-value =
0.78872 entonces podemos con esto que es buen modelo AS.
2K-1
Referencias:
 2012; Kuehl R., Diseño de experimentos. Segunda edición. Thomson Learning. 2001;
Meyer P. Probabilidad y Aplicaciones estadísticas. Edición revisada.

ACT 07 INES David Jimenez

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ACT 07 INES David Jimenez

Cargado por

Copyright:

Formatos disponibles

INGENIERÍA ESTADÍSTICA

DISEÑOS FACTORIALES FRACCIONADOS

CASO PRÁCTICO PARA EL DESARROLLO DE UN DISEÑO 2K-1

DISEÑO DEL TRATAMIENTO:

Se eligió un diseño factorial 25 para aprovechar la estructura del tratamiento factorial al

DISEÑO DEL EXPERIMENTO:

Con este experimento preliminar, el equipo buscaba identificar cualesquiera efectos

DISEÑO DEL TRATAMIENTO:

Se eligió un diseño factorial 25 para aprovechar la estructura del tratamiento factorial al

DESARROLLO DEL DISEÑO EN R (software):

1.- CREAR LOS FACTORES PRINCIPALES A,S,M,C, EN EL DATA FRAME m

2.- CREAR EL ÚLTIMO FACTOR T, EN EL DATA FRAME m

4.- VISUALIZAR ESTRUCTURA DEL DISEÑO

5.- CREAR VARIABLE DE RESPUESTA Y AÑADIRLA EN EL DATA FRAME

6.- COMPROBAR DATA FRAME

7.- CAMBIO A FACTOR

9.- CREAR EL MODELO LINEAL CONSIDERANDO TODAS LAS INTERACCIONES POSIBLES

Modelo <- lm(Respuesta.Fuerza ~ (Factor.A + Factor.S + Factor.M + Factor.C +

10.- COMPROBAR EL CONTENIDO DEL Modelo

Residual standard error: NaN on 0 degrees of freedom

11.- CALCULAR ANOVA DEL MODELO

12. MOSTRAR EL SUMARIO DEL ANOVA DEL MODELO

13. GRAFICA GLOBAL DE LOS EFECTOS DE LOS FACTORES

plot.design(Efectos, fun="mean", main=" Gráfica de efectos principales", ylab=

14. INSTALAR Y CARGAR EL PAQUETE FRF2 para cargar el plot Daniel

15.- GRAFICA DE PROBABILIDAD NORMAL DE LOS EFECTOS DE FACTOR ESTIMADOS Y

17. GRAFICAR INTERACCIÓN DE AS

18. CREAR UN NUEVO MODELO LINEAL CONSIDERANDO SOLO DOS INTERACCIONES

modelo2interac <- lm(Respuesta.Fuerza ~ (Factor.A + Factor.S + Factor.M + Factor.C

Una investigación de la interacción entre la aleación de aluminio ( A ) y el solvente

El efecto de A cuando S = O es 45.6 - 45.8 = -0.2, mientras que el efecto cuando S = 1

19. ANOVA DEL MODELO LINEAL CONSIDERANDO SOLO DOS INTERACCIONES

20. CREAR UN NUEVO MODELO LINEAL CONSIDERANDO SOLO LA INTERACCIÓN DE

21. MOSTRAR EL SUMARIO DEL MODELO CON SOLO LA INTERACCIÓN DE AS

Residual standard error: 1.146 on 10 degrees of freedom

22. HACEMOS UN GRÁFICO DE CAJA PARA LA INTERACCIÓN DE AS

23. HACEMOS UN GRÁFICO DE CAJA PARA LA INTERACCIÓN DE AS

plot(Factor.AS,Respuesta.Fuerza, ylab="Fuerza", xlab="INTERACCIÓN A y S")

Df Sum Sq Mean Sq F value Pr(>F)

Observar que si S no es significativo y podría unirse a

25. GRAFICAMOS LOS RESIDUOS ESTANDARIZADOS

26. REALIZAMOS EL TEST DE SHAPIRO PARA COMPROBAR LA HIPOTESIS DE NORMALIDAD

Shapiro-Wilk normality test

#p-valor > 0.05 No se puede rechazar la hipótesis de

27. REALIZAMOS EL TEST DE SBREUSCH-PAGAN PARA COMPROBAR LA HIPOTESIS DE

#p-valor> 0.05 No se puede rechazar la hipótesis de

28. REALIZAMOS EL GRAFICO DE LOS RESIDUOS AJUSTADOS

29. REALIZAMOS EL TEST DE DURBIN WATSON PARA VERIFICAR

Gráficamente no se ve ninguna tendencia clara creciente o

p-valor > 0.05 No puede rechazar la hipótesis de

EN SOFTWARE: De forma individual realizar en Rstudio.Cloud

1.- CREAR LOS FACTORES PRINCIPALES A,S,M,C, EN EL DATA FRAME m

2.- CREAR EL ÚLTIMO FACTOR T, EN EL DATA FRAME m

3. CREAR LAS INTERACCIONES EN EL DATA FRAME m

4.- VISUALIZAR ESTRUCTURA DEL DISEÑO

5.- CREAR VARIABLE DE RESPUESTA Y AÑADIRLA EN EL DATA FRAME

6.- COMPROBAR DATA FRAME

7.- CAMBIO A FACTOR

8.- ASIGNAR LA VARIABLE DE RESPUESTA

9.- CREAR EL MODELO LINEAL CONSIDERANDO TODAS LAS INTERACCIONES POSIBLES

10.- COMPROBAR EL CONTENIDO DEL Modelo

Residual standard error: NaN on 0 degrees of freedom

12. MOSTRAR EL SUMARIO DEL ANOVA DEL MODELO

* installing binary package ‘zoo’ ...