ESCUELA SUPERIOR POLITECNICA DEL CHIMBORAZO

FACULTAD DE CIENCIAS
INGENIERIA ESTADISTICA
DISEÑO DE EXPERIMENTOS
Nombre: Jonathan Calvopiña Merchán Cod: 59
Tema: Tarea sobre diseño factorial 32 realizado en spss – rstudio.

¿Qué es el diseño factorial 32?

Es un tratamiento de 3 niveles con 2 factores, que permiten posibles maneras en que se
pueden combinar 2 factores, en 3 niveles cada uno, sea estos A y B como factores de
forma teórica, de los cuales se opta por dar valores cualitativos al nivel de tratamiento,
siendo esta por ejemplo bajo, medio, alto.
Problema:
Buscamos si el problema planteado es de Maximización o Minimización.
Hipótesis:
H 0 : y i = 0 (no hay efecto significativo del factor A sobre la variable de respuesta).

H 0 : δ j = 0 (no hay efecto del factor B sobre la variable de respuesta).

H 0 : ( yδ )ij =0 (no hay efecto de interacción de los factores A y B sobre la variable de

respuesta).
H1 : y i ≠ 0 (Hay efecto significativo del factor A sobre la variable de   respuesta) .

H 1 : δ j ≠ 0 (Hay efecto del factor B sobre la variable de respuesta).

H 1 : ( yδ )ij ≠ 0(Hay efecto de interacción de los factores A y B sobre la variable de

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

Como se puede observar se ha aplicado una codificación de las variables cualitativas,

siendo de estas bajo como -1, medio 0 y alto 1, que a la vez se puede codificar en
números enteros reales positivos, siendo 0, 1, 2 lo que nos permitirá poder distinguir de
mejor manera cada tipo de nivel a futuro.
Tabla ANOVA para el diseño factorial 32

Tabla 2: ANOVA sin desglosar 32

Formulas necesarias para la suma de cuadrados de la tabla ANOVA.

2
Y i .. Y 2 …
3
S C A =∑ 3 n − 2 ¿
i=1
n3
¿
2
Y . j. Y 2 …
3
S C B= ∑ 3 n − 2 ¿
j=1
n3
¿
3
3
Y 2ij. Y 2 …
S C AB =∑ ∑ n − n 32 −S C A −S C B ¿
j=1
i=1
¿
 3 n
3 Y2…
S CT =∑ ∑ ∑ ijk n 32 ¿
2
Y −
j=1 k=1
i=1
¿
S C E=S C T −S C A −S C B −S C AB

ANOVA desglosado para el diseño factorial 32

Tabla 3: ANOVA desglosada 32

Representación en el plano del diseño factorial 32

Ilustración 1: Representación gráfica del diseño factorial de 32

PROBLEMA PROPUESTO:
En un proceso de fabricación de cofres se utiliza aleaciones, con la idea de mejorar la
contextura de los cofres se realiza un experimento para estudiar la fuerza de la
resistencia del l material en diferentes condiciones de humedad y temperatura. La
variable respuesta es la fuerza necesaria en libras para mal formar el cofre. Los datos
obtenidos en cada una de las 9 combinaciones de un diseño factorial 32 con n = 2
réplicas, se muestra a continuación:

Temperatura

Humedad Frio Ambiental Caliente

50% 1,5 1,2 3,5 3,2 4 4,2
70% 1,4 1,3 2,9 2,5 3,8 3,4
90% 0,8 1,2 1,8 2 2,7 3
Tabla 4: Problema planteado 32

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

libras del cofre

H 1 : δ j ≠ 0 (Hay efecto del factor humedad sobre la variable fuerza en libras del cofre).

H 1 : ( yδ )ij ≠ 0(Hay efecto de interacción de los factores temperatura y humedad sobre la

variable fuerza en libras del cofre).

Y ijk =μ+ y i +δ j + ( yδ )ij +ε ijk

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

Tabla 6: Suma de Cuadrados del problema planteado 32

Temperatura Humedad Fuerza

1 0 0 1,5
2 0 0 1,2
3 0 1 1,4
4 0 1 1,3
5 0 2 0,8
6 0 2 1,2
7 1 0 3,5
8 1 0 3,2
9 1 1 2,9
10 1 1 2,5
11 1 2 1,8
12 1 2 2
13 2 0 4
14 2 0 4,2
15 2 1 3,8
16 2 1 3,4
17 2 2 2,7
18 2 2 3
Tabla 7: Variables del estudio 32
ANOVA sin desglosar 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

Diseño factorial 32 en tres notaciones útiles

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 9: Tratamiento de las variables A y B del problema factorial 32

(−7.4+21.1 )2
S C AL = =15.64
12

( 7.4−( 2∗15.9 ) +21.1 )2

S CA =
2 =0.30
36

(−17.6+11.5 )2
S C BL= =3.10
12

( 17.6− ( 2∗15.3 ) +11.5 )2

S CB =
2 =0.062
36

( 2.7−8.2+5.7 )2
S CA B = =0.405
L L
8

(−2.7+8.2+ ( 2∗2.7 ) −( 2∗7.2 )−2+5.7 )2

S CA B =2 =0.0017
L
24

(−2.7+ ( 2∗6.7 )−8.2+ 2−( 2∗3.8 )+ 5.7 )2

S CA B =
2 =0.282
L
24
 S C A B =¿ ¿ ¿
2 2

Coeficientes para calcular los contrastes en el diseño factorial 32

Tabla 10: Combinaciones de las variables del problema planteado 32

ANOVA desglosado factorial 32 .

Tabla 11: ANOVA desglosado del problema planteado 32

Aplicando el programa SPSS26

Como primer paso en SPSS ingresamos la información en 3 columnas siendo la primera
los niveles de temperatura, mientras que el segundo son los factores y por último la
variable respuesta siendo esta la fuerza en libras.
 2
Tabla 12: Variables del estudio 3 en SPSS

Análisis univariado de varianza

Factores inter-sujetos
Etiqueta de valor N
Temperatura 0 "frio" 6
1 "ambiente" 6
2 "caliente" 6
Humedad 0 "50%" 6
1 "70%" 6
2 "90%" 6
2
Tabla 13: Análisis univariado de varianza del problema 3 en SPSS

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

La variable respuesta como es evidente es la fuerza en libras, ya que estamos haciendo

referencia entre las variables humedad y temperatura que afecta directamente a la fuerza
de las cajas de cofre, procediendo con el análisis, podemos ver que la media y la
mediana tienen el mismo valor, dándonos como resultado una asimetría de los datos,
por lo que podemos decir a simple vista que cumple con una distribución normal
simétrica.
Pruebas de efectos inter-sujetos
Variable dependiente: Fuerza
Tipo III de suma Media
Origen de cuadrados gl cuadrática F Sig.
Modelo corregido 19,800a 8 2,475 53,036 ,000
Intersección 109,520 1 109,520 2346,857 ,000
Temperatura 15,943 2 7,972 170,821 ,000
Humedad 3,163 2 1,582 33,893 ,000
Temperatura * Humedad ,693 4 ,173 3,714 ,047
Error ,420 9 ,047
Total 129,740 18
Total corregido 20,220 17
a. R al cuadrado = ,979 (R al cuadrado ajustada = ,961)
Tabla 15: Prueba de efectos del problema 32 en SPSS

Como podemos ver en la prueba de efectos, tiene un coeficiente de correlación del

0,979, dándonos como resultado desde ya, que tienen una correlación fuerte
directamente proporcional, siendo de esta que la temperatura y la humedad, si afectan la
fuerza del cofre.

Medias marginales estimadas

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

Como podemos observar en el análisis de las medias marginales de humedad con

respecto a la fuerza, vemos que existe 3 estratos, de 50%,70% y 90%, siendo la media
mayor entre las 3 del 50%, y menor el del 90%, lo que nos conlleva a que la humedad
en las cajas de cofre es mucho mayor en el 50%, lo cual esto afecta directamente a la
fuerza de estas, entre más humedad, son menos resistentes o tienen una fuerza mucho
más baja.
 Pruebas post hoc

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

Se basa en las medias observadas.

El término de error es la media cuadrática (Error) = ,047.
*. La diferencia de medias es significativa en el nivel ,05.

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

Se visualizan las medias para los grupos en los subconjuntos

homogéneos.
Se basa en las medias observadas.
El término de error es la media cuadrática(Error) = ,047.
a. Utiliza el tamaño de la muestra de la media armónica = 6,000.
b. Alfa = ,05.
Como se puede ver cada una de los estratos tiene 6 posibles combinaciones, en total
siendo 18.

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

Se basa en las medias observadas.

El término de error es la media cuadrática (Error) = ,047.
*. La diferencia de medias es significativa en el nivel ,05.

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

Se visualizan las medias para los grupos en los subconjuntos homogéneos.

Se basa en las medias observadas.
El término de error es la media cuadrática (Error) = ,047.
a. Utiliza el tamaño de la muestra de la media armónica = 6,000.
b. Alfa = ,05.

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))

## temperatura humedad replica T1S1 T1S2 Fuerza

## 1 Frio 50 1 0 0 1.5
## 2 Frio 70 1 0 0 1.2
## 3 Frio 90 2 0 1 1.4
## 4 Frio 50 2 0 1 1.3
## 5 Frio 70 1 0 2 0.8
## 6 Frio 90 1 0 2 1.2
## 7 ambiente 50 2 1 0 3.5
## 8 ambiente 70 2 1 0 3.2
## 9 ambiente 90 1 1 1 2.9
## 10 ambiente 50 1 1 1 2.5
## 11 ambiente 70 2 1 2 1.8
## 12 ambiente 90 2 1 2 2.0
## 13 caliente 50 1 2 0 4.0
## 14 caliente 70 1 2 0 4.2
## 15 caliente 90 2 2 1 3.8
## 16 caliente 50 2 2 1 3.4
## 17 caliente 70 1 2 2 2.7
## 18 caliente 90 1 2 2 3.0

Como se puede ver se ha planteado modificar el código R, ya que no se acoplaba a

nuestro problema, siendo así que nos dio la misma tabla de resultados de Excel y de
SPSS y de Minitab, para poder realizar la prueba ANOVA del diseño factorial 32.

with(e, plotMeans(Fuerza, humedad, temperatura, error.bars="sd",

connect=TRUE,xlab='humedad',ylab='Force
mean ',main=''))
Como se puede ver en la grafica siendo cero la temperatura fría, la temperatura
ambiente y 2 a temperatura caliente, donde se muestra que a temperatura caliente ocupa
una mayor media de Fuerza, mientras que la temperatura frio ocupa un promedio bajo
de fuerza, donde el nivel mas alto es de 4, con un 50% de humedad y el más bajo de
temperatura fría y con un 90% de humedad, lo que respalda el planteamiento del
problema que las cajas de cofre tienen mayor fuerza entre menos humedad y mas
temperatura tengan, mientras que si tienen demasiada humedad y una temperatura baja,
son menos fuertes.

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.

anova9.4 <- aov(Fuerza ~ temperatura*humedad,data=e)

summary(anova9.4)

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

## temperatura 2 15.943 7.972 170.821 6.95e-08 ***
## humedad 2 3.163 1.582 33.893 6.46e-05 ***
## temperatura:humedad 4 0.693 0.173 3.714 0.0473 ***
## Residuals 9 0.420 0.047
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

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|)

## (Intercept) 3.3500 0.1528 21.931 4.02e-09

***
## temperaturacaliente 0.7500 0.2160 3.472 0.00703
**
## temperaturaFrio -2.0000 0.2160 -9.258 6.77e-06
***
## humedad70 -0.6500 0.2160 -3.009 0.01474
*
## humedad90 -1.4500 0.2160 -6.712 8.73e-05
***
## temperaturacaliente:humedad70 0.1500 0.3055 0.491 0.63518

## temperaturaFrio:humedad70 0.6500 0.3055 2.128

0.06226 .
## temperaturacaliente:humedad90 0.2000 0.3055 0.655 0.52906

## temperaturaFrio:humedad90 1.1000 0.3055 3.601 0.00574

**
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.216 on 9 degrees of freedom
## Multiple R-squared: 0.9792, Adjusted R-squared: 0.9608
## F-statistic: 53.04 on 8 and 9 DF, p-value: 1.139e-06

Al aplicar un modelo tentativo de una regresión lineal podemos obtener

los siguientes resultados presentando un modelo ajustado superior al
96% de confiabilidad, lo que demuestra ser un buen modelo ,no se ha
desglosado cada resultado ,por no considerarlo pertinente, ya que son
los mismos valores presentados anteriormente en Excel, SPSS y Matlab,
dando como novedad en los decimales, ya que trabaja en R con menos de
5 decimales, al realizar as operaciones, por lo que varia un poco los
decimales finales, pero siendo muy aproximado a reflejar los valores
muy aproximados a los anteriores mencionados.
anova(lm9.4)

## Analysis of Variance Table

##
## Response: Fuerza
## Df Sum Sq Mean Sq F value Pr(>F)
## temperatura 2 15.9433 7.9717 170.8214 6.953e-08 ***
## humedad 2 3.1633 1.5817 33.8929 6.461e-05 ***
## temperatura:humedad 4 0.6933 0.1733 3.7143 0.0473 *
## Residuals 9 0.4200 0.0467
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Aplicando el comando anova a nuestro modelo tentativo, podemos ver que

nos da similares resultados con la diferencia que, en este caso, la
interacción temperatura con respecto a humedad, tiene un nivel de
significancia del 0.001, aun así todos se ven que son significativos,
lo cual no cambia mucho el resultado de la tabla ANOVA.
Descomposición en dos cuadrados latinos ortogonales para la
interacción.
anova9.4.1 <- aov(Fuerza ~ temperatura+humedad+T1S1+T1S2,data=e)

summary(anova9.4.1)

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

temperatura 2 15.943 7.972 94.741 1.16e-07 ***
humedad 2 3.163 1.582 18.798 0.000283 ***
T1S2 2 0.188 0.094 1.116 0.362055
Residuals 11 0.926 0.084
---

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.

Obtención de los coeficientes para caracterizar el tipo de curvatura

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

Análisis de regresión para la caracterización de la curvatura

anova9.4.2<-aov(Fuerza ~TL+TC+SL+SC+TLSL+TLSC+TCSL+TCSC,data=e)

summary(anova9.4.2)

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

TL 1 15.641 15.641 335.161 1.98e-08 ***
TC 1 0.302 0.302 6.482 0.0314 *
SL 1 3.101 3.101 66.446 1.90e-05 ***
SC 1 0.062 0.062 1.339 0.2770
TLSL 1 0.405 0.405 8.679 0.0163 *
TLSC 1 0.002 0.002 0.036 0.8543
TCSL 1 0.282 0.282 6.036 0.0364 *
TCSC 1 0.005 0.005 0.107 0.7509
Residuals 9 0.420 0.047
---

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

ANOVA sin desglosar en SPSS 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 14: ANOVA sin desglosar del problema planteado 32

ANOVA sin desglosar en R 32 .

anova9.4 <- aov(Fuerza ~ temperatura*humedad,data=e)

summary(anova9.4)

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

## temperatura 2 15.943 7.972 170.821 6.95e-08 ***
## humedad 2 3.163 1.582 33.893 6.46e-05 ***
## temperatura:humedad 4 0.693 0.173 3.714 0.0473 ***
## Residuals 9 0.420 0.047
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Tabla 15: 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