Taller No 1

Fabricio Castillo
24 de enero de 2018

Resolver el siguiente ejercicio de diseño factorial con dos factores. Un ingeniero en biotecnología industrial
investiga el hinchamiento, medido en %, del catalizador después de la extrusión en la obtención de polietileno
de alta densidad para la elaboración de recipientes; el objetivo es maximizar el hinchamiento. Los factores de
interés son molde y catalizador; tal como se muestra en la siguiente BdD (base de datos), se ha experimentado
con dos moldes y tres catalizadores:
a) Construir la BdD en R, imprimirla y pegarla como resultado de este literal.
hinchamiento <- c(93,92,90,91,92,91,90,91,93,90,92,94,90,91,90
,91,92,92,92,91,95,94,94,94,94,97,95,96,94,96,
88,88,87,87,88,87,87,87,87,88,90,88,88,88,89,90,
89,88,88,89,91,90,92,90,97,89,90,91,91,91)
molde <- rep(1:2,each=30)
molde1 <- factor(molde,labels = c("A1","A2"))
catalizador <- rep(rep(1:3,each=10),2)
catalizador1 <- factor(catalizador,labels = c("B1","B2","B3"))
ejc <- data.frame(hinchamiento,molde1,catalizador1)
rm(hinchamiento,molde1,catalizador1)
attach(ejc)

Realizar e interpretar: diagrama de cajas

boxplot(hinchamiento~molde1,main= "diagrama de
cajas Hinchamiento vs Molde"
,xlab="Molde",col = c("yellow","green")
,ylab="Hinchamiento")

1
 diagrama de
96
94 cajas Hinchamiento vs Molde
Hinchamiento

92
90
88

A1 A2

Molde

boxplot(hinchamiento~catalizador1, main= "diagrama de cajas Hinchamiento vs Calentamiento",xlab="Calenta

2
 diagrama de cajas Hinchamiento vs Calentamiento
96
94
Hinchamiento

92
90
88

B1 B2 B3

Calentamiento

#El gráfico de los efectos univariados medios del diseño.

plot.design(ejc,fun="mean")

3
 93

B3
A1
"mean" of hinchamiento

92
91

B2
90

B1
A2
89

molde1 catalizador1

Factors

#El gráfico de los efectos univariados medianos del diseño.

plot.design(ejc,fun="median")

4
 94

B3
"median" of hinchamiento

93
92

A1
91
90

B2
89

B1
A2
molde1 catalizador1

Factors

#El gráfico de interacción molde versus catalizador

interaction.plot(molde1,catalizador1,hinchamiento)

5
 catalizador1
94

B3
mean of hinchamiento

B2
B1
92
90
88

A1 A2

molde1

#El gráfico de interacción catalizador versus molde.

interaction.plot(catalizador1,molde1,hinchamiento)

6
 molde1
94

A1
mean of hinchamiento

A2
92
90
88

B1 B2 B3

catalizador1

Construir la tabla ANOVA.

ejc.anova <- aov(hinchamiento~molde1*catalizador1,data = ejc)
summary(ejc.anova)

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

## molde1 1 180.27 180.27 111.123 1.02e-14 ***
## catalizador1 2 153.03 76.52 47.168 1.42e-12 ***
## molde1:catalizador1 2 3.43 1.72 1.058 0.354
## Residuals 54 87.60 1.62
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Calcular las estimaciones de las medias del modelo de efectos fijos.
(medias <- model.tables(ejc.anova,type="means"))

## Tables of means
## Grand mean
##
## 90.83333
##
## molde1
## molde1
## A1 A2
## 92.57 89.10
##
## catalizador1
## catalizador1

7
## B1 B2 B3
## 89.35 90.10 93.05
##
## molde1:catalizador1
## catalizador1
## molde1 B1 B2 B3
## A1 91.3 91.5 94.9
## A2 87.4 88.7 91.2
Utilizando la prueba de Tukey, clasificar en grupos (A, B, etc.) según la comparación de pares
de medias, tanto a los niveles de cada factor como a los tratamientos (i.e. a las interacciones
en este caso); la clasificación debe ser tal que en el grupo A deben estar los mejores tratamien-
tos, el grupo B debe contener a los siguientes tratamientos en orden de importancia y así
sucesivamente. Establecer conclusiones respecto a las tres clasificaciones obtenidas.
TukeyHSD(ejc.anova)

## Tukey multiple comparisons of means

## 95% family-wise confidence level
##
## Fit: aov(formula = hinchamiento ~ molde1 * catalizador1, data = ejc)
##
## $molde1
## diff lwr upr p adj
## A2-A1 -3.466667 -4.125989 -2.807344 0
##
## $catalizador1
## diff lwr upr p adj
## B2-B1 0.75 -0.2206649 1.720665 0.1596217
## B3-B1 3.70 2.7293351 4.670665 0.0000000
## B3-B2 2.95 1.9793351 3.920665 0.0000000
##
## $`molde1:catalizador1`
## diff lwr upr p adj
## A2:B1-A1:B1 -3.9 -5.5828724 -2.2171276 0.0000001
## A1:B2-A1:B1 0.2 -1.4828724 1.8828724 0.9992576
## A2:B2-A1:B1 -2.6 -4.2828724 -0.9171276 0.0004042
## A1:B3-A1:B1 3.6 1.9171276 5.2828724 0.0000008
## A2:B3-A1:B1 -0.1 -1.7828724 1.5828724 0.9999755
## A1:B2-A2:B1 4.1 2.4171276 5.7828724 0.0000000
## A2:B2-A2:B1 1.3 -0.3828724 2.9828724 0.2191487
## A1:B3-A2:B1 7.5 5.8171276 9.1828724 0.0000000
## A2:B3-A2:B1 3.8 2.1171276 5.4828724 0.0000002
## A2:B2-A1:B2 -2.8 -4.4828724 -1.1171276 0.0001215
## A1:B3-A1:B2 3.4 1.7171276 5.0828724 0.0000028
## A2:B3-A1:B2 -0.3 -1.9828724 1.3828724 0.9948564
## A1:B3-A2:B2 6.2 4.5171276 7.8828724 0.0000000
## A2:B3-A2:B2 2.5 0.8171276 4.1828724 0.0007262
## A2:B3-A1:B3 -3.7 -5.3828724 -2.0171276 0.0000004
Dibujar e interpretar el gráfico Q-Q1 para el diagnóstico exploratorio del supuesto de normalidad de los
residuos del modelo.
qqnorm(residuals(ejc.anova))
qqline(residuals(ejc.anova),col="red")

8
 Normal Q−Q Plot
6
4
Sample Quantiles

2
0
−2

−2 −1 0 1 2

Theoretical Quantiles

Conlusiónla grafica de resisudos es una distribucion normal con varianza constante

Realizar la PdH de Shapiro-Wilk para el diagnóstico inferencial del supuesto de normalidad
de los residuos del modelo
shapiro.test(residuals(ejc.anova))

##
## Shapiro-Wilk normality test
##
## data: residuals(ejc.anova)
## W = 0.86234, p-value = 7.186e-06
Gráfico de los residuos en función de los predichos para el diagnóstico exploratorio de la homocedasticidad de
los errores de los tratamientos
plot(fitted.values(ejc.anova),residuals(ejc.anova),xlab="Valores ajustados",
ylab="Residuales",main="Gráfico Homocedasticidad",col="tan2" )

9
 Gráfico Homocedasticidad
6
4
Residuales

2
0
−2

88 90 92 94

Valores ajustados

PdH de Levene para el diagnóstico inferencial del supuesto de homocedasticidad de los errores
o residuos asociados a las respuestas de los tratamientos del modelo
tratamientos <- c("T1","T1","T1","T1","T1","T1","T1","T1","T1","T1","T2","T2",
"T2","T2","T2","T2","T2","T2","T2","T2","T3","T3","T3","T3",
"T3","T3","T3","T3","T3","T3","T4","T4","T4","T4","T4","T4",
"T4","T4","T4","T4","T5","T5","T5","T5","T5","T5","T5","T5",
"T5","T5","T6","T6","T6","T6","T6","T6","T6","T6","T6","T6")
ejc.aov.levene <- aov(lm(abs(residuals(ejc.anova))~tratamientos))

summary(ejc.aov.levene)

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

## tratamientos 5 3.93 0.7863 1.131 0.355
## Residuals 54 37.56 0.6955
#i) Ho: homocesticidad de los errores
# H1: ~Ho
#ii)
alfa<-0.05
FoN<-1.131
#iii)Valor_p<a rechazo Ho
#Valor_p>a acepto Ho
p_valorL<-pf(FoN,5,54,lower.tail = F)
#Tomar la decisión
if(p_valorL<alfa){
print("Ho se rechaza")
}else{

10
 print("Ho no se rechaza")
}

## [1] "Ho no se rechaza"

#Existe evidencia suficiente para aceptar la homocesticidad de los errores (0.3552502)

Prueba no paramétrica de Kruskal-Wallis

r ejc.KW <- data.frame(hinchamiento,molde,catalizador,tratamientos) (kruskal.test(hinchamiento~tratami
## ## Kruskal-Wallis rank sum test ## ## data: hinchamiento by tratamientos ##
Kruskal-Wallis chi-squared = 48.283, df = 5, p-value = 3.11e-09
r (comp.bonferroni <- pairwise.wilcox.test(hinchamiento,tratamientos,
## ## Pairwise comparisons using Wilcoxon rank sum test ## ## data: hinchamiento
and tratamientos ## ## T1 T2 T3 T4 T5 ## T2 1.0000 - -
- - ## T3 0.0023 0.0043 - - - ## T4 0.0020 0.0019 0.0018 -
- ## T5 0.0051 0.0038 0.0021 0.0218 - ## T6 1.0000 1.0000 0.0325 0.0019
0.0132 ## ## P value adjustment method: bonferroni

11