Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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).
Hay varios métodos para crear a estructura de alias, usaremos uno de tantos..
m=expand.grid(A=c(-1,1),S=c(-1,1),M=c(-1,1),C=c(-1,1))
m$T=m$A*m$S*m$M*m$C
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
2K-1
3. CREAR LAS INTERACCIONES EN EL DATA FRAME m
m$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$T
m$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)
CAMBIO A FACTOR
Respuesta.Fuerza<-m$Fuerza
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
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
install.packages("FrF2")
library(FrF2)
16. GRAFICAR LA MEDIA DE LOS EFECTOS DE LOS FACTORES PRINCIPALES POR CADA
NIVEL
MEPlot(Modelo, lwd = 2)
interaction.plot(x.factor=Factor.S, trace.factor=Factor.A,
response=Respuesta.Fuerza, trace.label='AS',
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
2K-1
xlab='Factor Aleación de Aluminio',
ylab='Fuerza',
col=c('dodgerblue3', 'chartreuse4', 'salmon3'),
fun=mean, lwd=2, las=1, fixed=T)
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.
(modelo2interac)
summary(modelo2interac)
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
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:
ALL 16 residuals are 0: no residual degrees of freedom!
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 41.9375 NA NA NA
Factor.A1 -3.9375 NA NA NA
Factor.S1 -0.7625 NA NA NA
Factor.M1 9.7125 NA NA NA
Factor.C1 -0.2375 NA NA NA
Factor.T1 3.6125 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
modeloAS
summary(modeloAS)
Call:
lm.default(formula = Respuesta.Fuerza ~ (Factor.A + Factor.S +
Factor.M + Factor.T + Factor.AS))
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
2K-1
Residuals:
Min 1Q Median 3Q Max
-1.7000 -0.5594 -0.0500 0.6969 1.8125
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(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
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)
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)
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
2K-1
shapiro.test(e)
data: e
W = 0.99175, p-value = 0.9998
bptest(modeloAS)
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
2K-1
studentized Breusch-Pagan test
data: ModeloAS
BP = 6.8431, df = 5, p-value = 0.2326
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")
lines(lowess(d[1:(n-1)],d[2:n]),col="red")
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
EVIDENCIAS DE DESARROLLO
ANÁLISIS: De forma grupal realizar análisis y dar respuesta a las interrogantes, subir
evidencia en PDF todos, pero el archivo es editado en equipo.
¿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?
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
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.
¿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.
¿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.
¿Porque?
Se observa de mejor manera como se comporta nuestro modelo
¿Para qué?
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
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.
¿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:
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
¿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
install.packages("FrF2")
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’
aov, lm
plot.design
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?
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
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:
¿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.
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 41.9375 NA NA NA
Factor.A1 -3.9375 NA NA NA
Factor.S1 -0.7625 NA NA NA
Factor.M1 9.7125 NA NA NA
Factor.C1 -0.2375 NA NA NA
Factor.T1 3.6125 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
¿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
24. ANÁLISIS, TOMANDO LOS DATOS DEL ANOVA (Estimar la varianza del error
experimental)
¿Que se hace?
Se crea una tabla Anova donde nos evalúa los Factores
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
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 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
24. ANÁLISIS, TOMANDO LOS DATOS DEL ANOVA (Estimar la varianza del error
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
INGENIERÍA ESTADÍSTICA
DISEÑOS FACTORIALES FRACCIONADOS
2K-1
Análisis:
Se nos muestra que los factores más relevantes son A, S, M, T, AS
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.
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.
2012; Kuehl R., Diseño de experimentos. Segunda edición. Thomson Learning. 2001;
Meyer P. Probabilidad y Aplicaciones estadísticas. Edición revisada.