Академический Документы
Профессиональный Документы
Культура Документы
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)
1
diagrama de
96
94 cajas Hinchamiento vs Molde
Hinchamiento
92
90
88
A1 A2
Molde
2
diagrama de cajas Hinchamiento vs Calentamiento
96
94
Hinchamiento
92
90
88
B1 B2 B3
Calentamiento
3
93
B3
A1
"mean" of hinchamiento
92
91
B2
90
B1
A2
89
molde1 catalizador1
Factors
4
94
B3
"median" of hinchamiento
93
92
A1
91
90
B2
89
B1
A2
molde1 catalizador1
Factors
5
catalizador1
94
B3
mean of hinchamiento
B2
B1
92
90
88
A1 A2
molde1
6
molde1
94
A1
mean of hinchamiento
A2
92
90
88
B1 B2 B3
catalizador1
## 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)
8
Normal Q−Q Plot
6
4
Sample Quantiles
2
0
−2
−2 −1 0 1 2
Theoretical Quantiles
##
## 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)
10
print("Ho no se rechaza")
}
11