Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE CIENCIAS
INGENIERIA ESTADISTICA
DISEÑO DE EXPERIMENTOS
Nombre: Jonathan Calvopiña Merchán Cod: 59
Tema: Tarea sobre diseño factorial 32 realizado en spss – rstudio.
respuesta).
Modelo Estadístico:
Y ijk =μ+ y i +δ j + ( yδ )ij +ε ijk
Con i = 1, 2, 3; j = 1, 2, 3; k = 1, …, n
Tabla teórica para aplicar al problema planteado:
Tratamient
o A B A B A B
1 bajo bajo -1 -1 0 0
2 medio bajo 0 -1 1 0
3 alto bajo 1 -1 2 0
4 bajo medio -1 0 0 1
5 medio medio 0 0 1 1
6 alto medio 1 0 2 1
7 bajo alto -1 1 0 2
8 medio alto 0 1 1 2
9 alto alto 1 1 2 2
Tabla 1: Diseño Factorial 32
Temperatura
Problema:
Maximización de la fuerza necesaria en libras del cofre para para que no se mal forme.
Factores:
A = Temperatura
B = Humedad
Hipótesis:
H 0 : y i = 0 (no hay efecto significativo del factor temperatura sobre la variable fuerza en
libras del cofre).
H 0 : δ j = 0 (no hay efecto del factor humedad sobre la variable fuerza en libras del
cofre).
H 0 : ( yδ )ij =0 (no hay efecto de interacción de los factores temperatura y humedad sobre
la variable fuerza en libras del cofre).
H1 : yi ≠ 0 (Hay efecto significativo del factor temperatura sobre la variable fuerza en
Con i = 1, 2, 3; j = 1, 2, 3; k = 1, …, n
Procedimiento:
A: Temperatura
B: Humedad Frio Ambiental Caliente Total
50% 1,5 1,2 3,5 3,2 4 4,2 17,6
70% 1,4 1,3 2,9 2,5 3,8 3,4 15,3
90% 0,8 1,2 1,8 2 2,7 3 11,5
Total 7,4 15,9 21,1 44,4
Tabla 5: Problema planteado 32
FV SC GL CM Fo Valor p
A 15,9433333 2 7,97166667 169,57 0,0000
B 3,16333333 2 1,58166667 33,62 0,0000
AB 0,694 4 0,1735 3,62 0,0347
ERROR 0,41933333 9 0,04659259
TOTAL 20,22 17
Tabla 8: ANOVA sin desglosar del problema planteado 32
(−7.4+21.1 )2
S C AL = =15.64
12
(−17.6+11.5 )2
S C BL= =3.10
12
( 2.7−8.2+5.7 )2
S CA B = =0.405
L L
8
Las 2 variables tienen 3 niveles cada una, siendo estas codificadas con 0, 1 y 2, del total
de combinaciones cada una tiene 6, representando un total de 18 posibles
combinaciones en cada variable de estudio, para lo cual fue creado la tabla con la
finalidad de manejar de forma mas eficiente y ordenada de los datos.
Prueba de igualdad de Levene de varianzas de errora,b
Estadístico de
Levene gl1 gl2 Sig.
Fuerza Se basa en la media 7512003556908 8 9 ,000
0230000000000
000,000
Se basa en la mediana 7512003556908 8 9 ,000
0230000000000
000,000
Se basa en la mediana y con 7512003556908 8 2,505 ,000
gl ajustado 0230000000000
000,000
Se basa en la media 4609638546284 8 9 ,000
recortada 4690000000000
000,000
Tabla 14: Prueba de igualdad de Levene de varianzas del problema 32 en SPSS
Prueba la hipótesis nula de que la varianza de error de la variable dependiente es igual entre
grupos.
a. Variable dependiente: Fuerza
b. Diseño: Intersección + Temperatura + Humedad + Temperatura * Humedad
1. Temperatura
Variable dependiente: Fuerza
Intervalo de confianza al 95%
Temperatura Media Desv. Error Límite inferior Límite superior
"frio" 1,233 ,088 1,034 1,433
"ambiente" 2,650 ,088 2,450 2,850
"caliente" 3,517 ,088 3,317 3,716
Tabla 16: Medias marginales estimadas de temperatura en SPSS
Al hacer el análisis individual de cada variable, en este caso temperatura podemos ver
que los estratos, siendo estos frio, ambiente y caliente, el mayor valor promedio es de
caliente, esto nos da una idea general, que existe mayor impacto en la temperatura
caliente, siendo una mínima del frio, lo cual las cajas de cofre están expuestas más a la
temperatura caliente, que a una temperatura fría.
2. Humedad
Variable dependiente: Fuerza
Intervalo de confianza al 95%
Humedad Media Desv. Error Límite inferior Límite superior
"50%" 2,933 ,088 2,734 3,133
"70%" 2,550 ,088 2,350 2,750
"90%" 1,917 ,088 1,717 2,116
Tabla 17: Medias marginales estimadas de humedad en SPSS
Temperatura
Comparaciones múltiples
Variable dependiente: Fuerza
HSD Tukey
Diferencia de Desv. Intervalo de confianza al 95%
(I) Temperatura (J) Temperatura medias (I-J) Error Sig. Límite inferior Límite superior
"frio" "ambiente" -1,4167 *
,12472 ,000 -1,7649 -1,0684
"caliente" -2,2833 *
,12472 ,000 -2,6316 -1,9351
"ambiente" "frio" 1,4167* ,12472 ,000 1,0684 1,7649
"caliente" -,8667 *
,12472 ,000 -1,2149 -,5184
"caliente" "frio" 2,2833 *
,12472 ,000 1,9351 2,6316
"ambiente" ,8667 ,12472
*
,000 ,5184 1,2149
Tabla 18: Comparación múltiples de temperatura en SPSS
El error que presenta las comparaciones múltiples de temperatura es bajo, siendo del
0.047, con un nivel de confianza del 95%, a simple vista, se puede ver que el nivel de
significancia es de cero, entre todas las combinaciones posibles entre los estratos de
temperatura, también la diferencia de medias siendo altos, como entre frio con ambiente
y caliente, tiene una relación inversamente proporcional, mientras que ambiente y frio,
tiene una relación positiva.
Subconjuntos homogéneos
Fuerza
HSD Tukey a,b
Subconjunto
Temperatura N 1 2 3
"frio" 6 1,2333
"ambiente" 6 2,6500
"caliente" 6 3,5167
Sig. 1,000 1,000 1,000
Tabla 19: Subconjuntos homogéneos en SPSS
Humedad
Comparaciones múltiples
Variable dependiente: Fuerza
HSD Tukey
Diferencia de Desv. Intervalo de confianza al 95%
(I) Humedad (J) Humedad medias (I-J) Error Sig. Límite inferior Límite superior
"50%" "70%" ,3833* ,12472 ,032 ,0351 ,7316
"90" 1,0167 *
,12472 ,000 ,6684 1,3649
"70%" "50%" -,3833 *
,12472 ,032 -,7316 -,0351
"90" ,6333 *
,12472 ,002 ,2851 ,9816
"90%" "50%" -1,0167* ,12472 ,000 -1,3649 -,6684
"70%" -,6333 *
,12472 ,002 -,9816 -,2851
Tabla 19: Comparación múltiple de humedad en SPSS
Los estratos de humedad que presenta valores que son mayores al nivel de significancia
es de cero, lo cual refleja, que ninguna de las medias representa valores significativos
que sobrepasen el nivel de significancia.
Subconjuntos homogéneos
Fuerza
HSD Tukey a,b
Subconjunto
Humedad N 1 2 3
"90" 6 1,9167
"70%" 6 2,5500
"50%" 6 2,9333
Sig. 1,000 1,000 1,000
Tabla 19: Subconjuntos homogéneos de Humedad con respecto a la fuerza en SPSS
Dándonos que cada estrato es de 6 posibles combinaciones, siendo en total 18, lo cual
cumple con la homogeneidad de los subconjuntos.
Gráficos de perfil
Como podemos ver en los efectos de las medias marginales estimadas de la temperatura
con respecto a la fuerza, podemos observar que presenta una curva creciente, siendo frio
menor a 1.50, con respecto a temperatura ambiente la media mayor a 2.50 e inferior a
3.00 y una temperatura caliente es mayor de 3.50, siendo así una relación directa entre
la temperatura con respecto a las medias marginales estimadas.
A diferencia del anterior grafico podemos ver en los efectos de las medias marginales
estimadas de la humedad con respecto a la fuerza, podemos observar que presenta una
curva decreciente, siendo inversamente proporcional, es decir que en el 50% presenta
mayor fuerza en libras con una media estimada superior al 2.80, mientras que la media
de la humedad con el 70% está entre 2.40 a 2.60 aproximadamente, y el 90% de
humedad es inferior al 2.00, dándonos una idea que a mayor humedad, la fuerza será
menor.
Al hacer una comparativa entre todas las variables, podemos ver que las medias
marginales estimadas de la Fuerza son mayores cuando las cajas de cofre tienen una
temperatura caliente, con el 50% de humedad, presentando una mayor fuerza, y la
menor fuerza se presenta cuando la temperatura es frio, con un 90% de humedad.
Conclusión
Como el planteamiento del problema busca maximizar la fuerza, podemos concluir que
para que nuestras cajas de cofre tengan mayor fuerza en libras, tiene que presentar un
nivel de humedad baja del 50%, con una temperatura caliente, le da mayor fuerza en
libras.
En el lenguaje R y la utilización de la IDE RStudio.
e <-data.frame(temperatura=factor(c(rep("Frio",6),rep("ambiente",6),
rep("caliente",6))),
humedad=factor(rep(c(50,70,90),6)),
replica=factor(c(1, 1, 2,2, 1, 1, 2, 2, 1, 1,
2, 2,
1, 1, 2, 2, 1, 1)),
T1S1=factor(c(0,0,0,0,0,0,1,1,1,1,1,1,2,2,2,2,2,2)),
T1S2=factor(c(0,0,1,1,2,2,0,0,1,1,2,2,0,0,1,1,2,2)),
Fuerza=c(1.5, 1.2, 1.4 ,1.3, 0.8, 1.2, 3.5,
3.2,
2.9, 2.5, 1.8, 2.0, 4.0, 4.2, 3.8,
3.4,
2.7, 3.0))
interaction.plot(e$humedad,e$temperatura,
e$Fuerza,col=1,xlab='humedad',ylab='Force
mean',leg.bty='o',
cex=1.5)
Procediendo a un análisis entre las interacciones podemos ver que también se asemeja al
grafico anterior ya que la temperatura caliente con un 50% de humedad también es
donde se incrementa mas la fuerza, y donde se reduce radicalmente es cuando existe una
humedad de 90% y sometido a temperatura fría, da por el contrario menor fuerza
promedio.
Como se puede ver en el análisis del ANOVA del diseño factorial 32 ya que como
podemos ver que utilizando la función aov con las variables dependientes e
independientes siendo Fuerza la dependiente de temperatura y humedad.
Como se puede ver os resultados el valor es muy semejante con la diferencia de aproximación
de os últimos decimales, ya que aquí se han ejecutado con 3 decimales, siendo temperatura
15.943 la suma de cuadrados de temperatura, la suma de cuadrados de humedad de 3.163, la
suma de cuadrados de la interacción entre ambos es de 0.693, siendo todos significativos, lo
cual nos puede ayudar a dar como solución que los valores son muy significativos con un nivel
de confianza del 95%.
lm9.4<-lm(Fuerza~temperatura+humedad+temperatura*humedad,data=e)
summary(lm9.4)
##
## Call:
## lm(formula = Fuerza ~ temperatura + humedad + temperatura *
humedad,
## data = e)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.20 -0.15 0.00 0.15 0.20
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
summary(anova9.4.1)
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Como se puede observar al utilizar mas variables para la ANOVA con las
2 interacciones más, nos da que la T1S2, no es significativa, por lo
cual podría presentar problemas de multicolinealidad, mientras
temperatura y humedad presentan que son muy significativos, la suma de
cuadrados de los residuos también se increntaron mucho mas, lo cual
aplicamos el siguiente algoritmo.
Para la temperatura
TL <- rep(0,18)
TC <- rep(0,18)
for(i in 1:18)
{
if(e$temperatura[i] == 0)
{TL[i] <- -1 }
else {
if(e$temperatura[i] == 2)
{TL[i] <- 1 }
}
if(e$temperatura[i] == 0)
{TC[i] <- 1 }
else {
if(e$temperatura[i] == 1)
{TC[i] <- -2 }
else {
if(e$temperatura[i] == 2)
{TC[i] <- 1 }
}
}
}
Para la humedad
SL <- rep(0,18)
SC <- rep(0,18)
for(i in 1:18)
{
if(e$humedad[i] == 50)
{SL[i] <- -1 }
else {
if(e$humedad[i] == 90)
{SL[i] <- 1 }
}
if(e$humedad[i] == 50)
{SC[i] <- 1 }
else {
if(e$humedad[i] == 90)
{SC[i] <- 1 }
else {
if(e$humedad[i] == 70)
{SC[i] <- -2 }
}}}
TLSL <- TL*SL
TLSC <- TL*SC
TCSL <- TC*SL
TCSC <- TC*SC
anova9.4.2<-aov(Fuerza ~TL+TC+SL+SC+TLSL+TLSC+TCSL+TCSC,data=e)
summary(anova9.4.2)
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Como se puede observar presenta valores significativos y no
significativos, en a ANOVA desgosada siendo de estas 2 significativas
como es la variabe TL y SC, que tienen un nivel de significancia del
0.05, mientras que las variables TC , TSL y TCSL presentan un nivel de
significancia del 0.001, mientras que el resto de variables, no
presentan significancia, pero si comparamos los valores de las sumas
de cuadrados los valores son muy aproximados a los anteriores
programas ejecutados.
Comparación entre SPSS y R
FV SC GL CM Fo Valor p
A 15,9433333 2 7,97166667 169,57 0,0000
B 3,16333333 2 1,58166667 33,62 0,0000
AB 0,694 4 0,1735 3,62 0,0347
ERROR 0,41933333 9 0,04659259
TOTAL 20,22 17
Tabla 14: ANOVA sin desglosar del problema planteado 32
Los resultados son muy similares obtenidos en ambas herramientas estadísticas, siendo muy
similares.
Bibliografía:
https://elnichoinformatico.blogspot.com/2022/11/diseno-factorial-32-3-2-en-un-proceso.html