Ejercicio 3

Leison Gilbert Ocoró Carabali-20202375049

2/10/2021

EJERICIO 3
library(readxl)

## Warning: package 'readxl' was built under R version 4.0.5

datos_aleacion<-read_excel("C:/Users/Acer/Documents/DISEÑO
EXPERIMENTAL/Ejer. 3 en R- Textura en Aleacion Maestra de Aluminio.xlsx")

View(datos_aleacion) #visualizar

ncol(datos_aleacion)#numero de columnas

## [1] 3

colnames(datos_aleacion)#Nombre de las variables

## [1] "Textura" "Velocidad_Agitación" "Horno"

##se puede apreciar en esta parte el numero de columnas y el nombre asignado a

cada variable.
summary(datos_aleacion)

## Textura Velocidad_Agitación Horno

## Min. : 2.000 Min. : 5.00 Min. :1.00
## 1st Qu.: 5.000 1st Qu.: 8.75 1st Qu.:1.75
## Median : 6.000 Median :12.50 Median :2.50
## Mean : 7.688 Mean :12.50 Mean :2.50
## 3rd Qu.: 9.000 3rd Qu.:16.25 3rd Qu.:3.25
## Max. :17.000 Max. :20.00 Max. :4.00

##En esta parte podemos observar la media, mediana y los quartiles, para cada
variable; tales como Textura, Velocidad_Agitación y Horno.
datos_aleacion$Horno=factor(datos_aleacion$Horno)##la variable Horno se
establece como factor
datos_aleacion$Horno

## [1] 1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4
## Levels: 1 2 3 4

datos_aleacion$Velocidad_Agitación=factor(datos_aleacion$Velocidad_Agitac
ión)##la variable Velocidad_Agitación se establece como factor
datos_aleacion$Velocidad_Agitación

## [1] 5 10 15 20 5 10 15 20 5 10 15 20 5 10 15 20
## Levels: 5 10 15 20

summary(datos_aleacion)

## Textura Velocidad_Agitación Horno

## Min. : 2.000 5 :4 1:4
## 1st Qu.: 5.000 10:4 2:4
## Median : 6.000 15:4 3:4
## Mean : 7.688 20:4 4:4
## 3rd Qu.: 9.000
## Max. :17.000

#Graficos
library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.0.5

graf5<-ggplot2::ggplot(datos_aleacion,aes(x=Horno,y=Textura))
graf5+geom_boxplot(aes(fill=Horno))+theme_bw()

##El grafico
anterior nos muestra que hay un variación signficativa para el grupo 1 de los datos
respecto a los demas grupos. Esto quiere decir que fueron las medidas mas altas, pero
son homogeneas entre si. Adicional podemos observar un dato atipico en el grupo 1 y
el 4.
library(ggplot2)
graf5<-
ggplot2::ggplot(datos_aleacion,aes(x=Velocidad_Agitación,y=Textura))
graf5+geom_boxplot(aes(fill=Velocidad_Agitación))+theme_bw()
 ##El grafico
respecto a la Velocidad_Agitación demuestra que no hay un variación signficativa para
el grupo de datos tomados. En base a esto podemos afirmar que la velocidad de
agitación afecta la medida de textura del producto.Ademas, se puede apreciar que el
grupo 5 tiene los menores datos y los que son mas homogeneos entre si.
#ANOVA
mo3<-aov(Textura~Horno+Velocidad_Agitación,data=datos_aleacion)#Modelo
ANOVA a un factor
summary(mo3)

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

## Horno 3 165.19 55.06 6.348 0.0133 *
## Velocidad_Agitación 3 22.19 7.40 0.853 0.4995
## Residuals 9 78.06 8.67
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##Por un lado, se observa que el p-valor de 0.0133 asociado a la variable Horno es

menor que la signifcancia de 0.05, debido a esto se rechaza la hipotesis nula. Hay
direfencia significativa entre los valores. Por otro lado, el p-valor de 0.4995 asociado a
la Velocidad_Agitación es mayor que la significancia, por ende no se rechaza la
hipotesis nula y a su vez se ratifica que la velocidad de agitación afecta la medida de
textura del producto.
#IDONEIDAD
shapiro.test(mo3$residuals)
##
## Shapiro-Wilk normality test
##
## data: mo3$residuals
## W = 0.9301, p-value = 0.2447

##Como se tiene un valor p de 0.2447 entonces no se rechaza la hipotesis nula. Esto

nos dice que nuestro residuos son normales.
qqnorm(mo3$residuals,main="Residuos-Normales")
qqline(mo3$residuals,col=5)

##Graficamente podemos observar la dispersión de los datos

#HOMOGENEIDAD DE VARIANZA
bartlett.test(datos_aleacion$Textura,datos_aleacion$Horno)

##
## Bartlett test of homogeneity of variances
##
## data: datos_aleacion$Textura and datos_aleacion$Horno
## Bartlett's K-squared = 0.9247, df = 3, p-value = 0.8195

##Se observa que la preuba anterior arroja un p valor de 0.8195 para el Horno , con lo
cual no se rechaza la hipotesis nula. Los errores son homocedasticos, asumiendo una
valor de significancia.
bartlett.test(datos_aleacion$Textura,datos_aleacion$Velocidad_Agitación)
##
## Bartlett test of homogeneity of variances
##
## data: datos_aleacion$Textura and datos_aleacion$Velocidad_Agitación
## Bartlett's K-squared = 3.5316, df = 3, p-value = 0.3167

##Se observa que la preuba anterior arroja un p valor de 0.3167 para la

Velocidad_Agitación, con lo cual no se rechaza la hipotesis nula.De igual manera, Los
errores son homocedasticos, asumiendo una valor de significancia.
#Hipotesis de independencia
layout(matrix(c(1,2,3,4),2,2))
plot(mo3)

##Analizando
el grafico de los residuos frente a los valores predichos, se puede apreciar que no
existe un patron entre los datos.
#Comparaciones multiples
library(agricolae)

## Warning: package 'agricolae' was built under R version 4.0.5

library(klaR)

## Warning: package 'klaR' was built under R version 4.0.5

## Loading required package: MASS

library(questionr)

## Warning: package 'questionr' was built under R version 4.0.5

library(AlgDesign)
duncan5=duncan.test(mo3,"Horno",group=T)
duncan5

## $statistics
## MSerror Df Mean CV
## 8.673611 9 7.6875 38.31024
##
## $parameters
## test name.t ntr alpha
## Duncan Horno 4 0.05
##
## $duncan
## Table CriticalRange
## 2 3.199173 4.710942
## 3 3.339138 4.917046
## 4 3.419765 5.035774
##
## $means
## Textura std r Min Max Q25 Q50 Q75
## 1 13.25 3.774917 4 8 17 12.50 14.0 14.75
## 2 6.00 2.160247 4 4 9 4.75 5.5 6.75
## 3 5.75 2.500000 4 3 9 4.50 5.5 6.75
## 4 5.75 2.872281 4 2 9 5.00 6.0 6.75
##
## $comparison
## NULL
##
## $groups
## Textura groups
## 1 13.25 a
## 2 6.00 b
## 3 5.75 b
## 4 5.75 b
##
## attr(,"class")
## [1] "group"

##La información anterior nos muestra que hay un variación signficativa para el
grupo 1 de los datos respecto a los demas grupos.
duncan6=duncan.test(mo3,"Velocidad_Agitación",group=T)
duncan6

## $statistics
## MSerror Df Mean CV
## 8.673611 9 7.6875 38.31024
##
## $parameters
## test name.t ntr alpha
## Duncan Velocidad_Agitación 4 0.05
##
## $duncan
## Table CriticalRange
## 2 3.199173 4.710942
## 3 3.339138 4.917046
## 4 3.419765 5.035774
##
## $means
## Textura std r Min Max Q25 Q50 Q75
## 10 8.50 4.041452 4 5 14 5.75 7.5 10.25
## 15 7.75 5.057997 4 2 14 5.00 7.5 10.25
## 20 8.75 6.020797 4 3 17 5.25 7.5 11.00
## 5 5.75 1.707825 4 4 8 4.75 5.5 6.50
##
## $comparison
## NULL
##
## $groups
## Textura groups
## 20 8.75 a
## 10 8.50 a
## 15 7.75 a
## 5 5.75 a
##
## attr(,"class")
## [1] "group"

##Respecto a la Velocidad_Agitación. La información anterior nos muestra que no hay

un variación signficativa para los grupos 5, 10, 15 y 20.
TukeyHSD(mo3)

## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = Textura ~ Horno + Velocidad_Agitación, data =
datos_aleacion)
##
## $Horno
## diff lwr upr p adj
## 2-1 -7.250000e+00 -13.751145 -0.7488546 0.0291472
## 3-1 -7.500000e+00 -14.001145 -0.9988546 0.0243746
## 4-1 -7.500000e+00 -14.001145 -0.9988546 0.0243746
## 3-2 -2.500000e-01 -6.751145 6.2511454 0.9993332
## 4-2 -2.500000e-01 -6.751145 6.2511454 0.9993332
## 4-3 2.664535e-15 -6.501145 6.5011454 1.0000000
##
## $Velocidad_Agitación
## diff lwr upr p adj
## 10-5 2.75 -3.751145 9.251145 0.5736833
## 15-5 2.00 -4.501145 8.501145 0.7743492
## 20-5 3.00 -3.501145 9.501145 0.5074914
## 15-10 -0.75 -7.251145 5.751145 0.9829916
## 20-10 0.25 -6.251145 6.751145 0.9993332
## 20-15 1.00 -5.501145 7.501145 0.9615966

plot(TukeyHSD(mo3))
##Para la variable Horno, podemos observar que el p valor del grupo 1 relacionado
con los demas grupos 2,3 y 4, es menor que la sigificancia. Esto quiere decir que hay
una variación significativa entre los datos tomados del primer grupo y los grupos 2,3 y
4.
##Para la variable Velocidad de agitación, podemos observar que el p valor de todas
las comparaciones entre grupos es mayor que la sigificancia 0.05. Esto quiere decir
que no se rechaza la hipotesis nula y que la veolocidad de agitación afecta la medida
de la textura.