You are on page 1of 3

Taller de diseño factorial

Bibliografía: Gutiérrez, H. y De la Vara, R. (2012). Análisis y diseño de


experimentos. (3ª. Ed.). México D.F., México: McGraw-Hill / Interamericana Editores.
Parte 1:
Realizar una lectura connotativa de las páginas 116, 117, 118 y 119 (hasta antes de Experimentación
factorial vs. mover un solo factor a la vez) y realizar todos los cálculos, gráficos e interpretaciones que
sean posibles, sobre la base del contexto y los datos del ejemplo 5.1.
Parte 2:
Resolver las preguntas y ejercicios desde la 01 hasta la 18, páginas 141, 142 y 143; incluir enunciados.
Parte 3:
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.


Sugerencia:
hinchamiento <-
c(93,92,90,91,92,91,90,91,93,90,92,94,90,91,90,91,92,92,92,91,95,94,94,94,94,9
7,95,96,94,96,88,88,87,87,88,87,87,87,87,88,90,88,88,88,89,90,89,88,88,89,91,9
0,92,90,97,89,90,91,91,91)
molde <- rep(1:2,each=30)
molde <- factor(molde,labels=c("A1","A2"))
catalizador <- rep(rep(1:3,each=10),2)
catalizador <- factor(catalizador,labels=c("B1","B2","B3"))
ejc <- data.frame(hinchamiento,molde,catalizador)
rm(hinchamiento,molde,catalizador)
attach(ejc)
b) Realizar e interpretar:
• Los diagramas de caja simultáneos para hinchamiento versus molde.
Sugerencia: boxplot(hinchamiento~molde)
• Los diagramas de caja simultáneos para hinchamiento versus catalizador.
Sugerencia: boxplot(hinchamiento~catalizador)
• El gráfico de los efectos univariados medios del diseño.
Sugerencia: plot.design(ejc,fun="mean")
• El gráfico de los efectos univariados medianos del diseño.
Sugerencia: plot.design(ejc,fun="median")
• El gráfico de interacción molde versus catalizador.
Sugerencia: interaction.plot(molde,catalizador,hinchamiento)
• El gráfico de interacción catalizador versus molde.
Sugerencia: interaction.plot(catalizador,molde,hinchamiento)
c) Construir la tabla ANOVA.
1
Sugerencia:
ejc.aov <- aov(hinchamiento~molde*catalizador,data=ejc)
summary(ejc.aov)
d) Calcular las estimaciones de las medias del modelo de efectos fijos.
Sugerencia:
(medias <- model.tables(ejc.aov,type="means"))
e) Realizar la PdH (prueba de hipótesis) para contrastar la igualdad de los efectos medios en el
hinchamiento según los tipos de molde.
f) Efectuar la PdH para contrastar la igualdad de los efectos medios en el hinchamiento de acuerdo a
los catalizadores utilizados.
g) Desarrollar la PdH para contrastar la igualdad de los efectos medios en el hinchamiento según la
interacción entre los niveles de los dos factores que se investigan.
h) 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 tratamientos, el grupo
B debe contener a los siguientes tratamientos en orden de importancia y así sucesivamente.
Establecer conclusiones respecto a las tres clasificaciones obtenidas.
Sugerencia: Existen funciones en R que realizan la clasificación en forma directa. Otra opción es
ingresar TukeyHSD(ejc.aov) y formar los grupos en cada caso, analizando la salida
obtenida; por ejemplo, empleando la prueba del rango múltiple de Duncan, la respuesta
a este literal es la siguiente (a pesar que en las tres clasificaciones dadas a continuación
los grupos son mutuamente excluyentes, esto no es una condición necesaria; tomar en
cuenta que los métodos de comparación de pares de medias de tratamientos no
producen siempre el mismo resultado):
Grupo
Molde
A B
A2
A1
Tabla 1: Clasificación Duncan para los niveles del factor molde.
Grupo
Catalizador
A B
B1
B2
B3
Tabla 2: Clasificación Duncan para los niveles del factor catalizador.
Tratamiento Grupo
Molde Catalizador A B C D
A2 B1
A2 B2
A2 B3
A1 B1
A1 B2
A1 B3
Tabla 3: Clasificación Duncan para los tratamientos i.e. para las interacciones entre los
niveles del factor molde versus los niveles del factor catalizador.
i) Dibujar e interpretar el gráfico Q-Q1 para el diagnóstico exploratorio del supuesto de normalidad de
los residuos del modelo.
Sugerencia: qqnorm(residuals(ejc.aov))

1
En diseño experimental un gráfico Q-Q (en inglés se conoce como Q-Q plot; la letra"Q" viene de la palabra inglesa quantile)
es un método descriptivo para el diagnóstico de diferencias entre la distribución de probabilidad de una población de la que se
ha extraído una muestra aleatoria y una distribución usada para la comparación.
http://es.wikipedia.org/wiki/Gr%C3%A1fico_Q-Q, enero del 2018.
2
j) Realizar la PdH de Shapiro-Wilk para el diagnóstico inferencial del supuesto de normalidad de los
residuos del modelo.
Sugerencia: Ingresar shapiro.test(residuals(ejc.aov)) para obtener el EdP (estadístico de
prueba) ‒que en este caso se denota por W ‒ y el respectivo valor-p.
k) Dibujar e interpretar el gráfico de los residuos en función de los predichos para el diagnóstico
exploratorio de la homocedasticidad2 de los errores de los tratamientos3.
Sugerencia: plot(fitted.values(ejc.aov),residuals(ejc.aov))
l) Realizar la 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.
Sugerencia:
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","T
5","T5","T5","T5","T6","T6","T6","T6","T6","T6","T6","T6","T6","T6")
ejc.aov.levene <- aov(lm(abs(residuals(ejc.aov))~tratamientos))
summary(ejc.aov.levene)
m) Realizar la prueba no paramétrica de Kruskal-Wallis, incluyendo la comparación de a pares por el
método de Bonferroni; se deben construir grupos como en el literal h.
Sugerencia:
ejc.KW <- data.frame(hinchamiento,molde,catalizador,tratamientos)
kruskal.test(hinchamiento~tratamientos,data=ejc.KW)
(comp.bonferroni <-
pairwise.wilcox.test(hinchamiento,tratamientos,p.adj="bonferroni",exact=F))

2
En diseño experimental un modelo presenta homocedasticidad cuando la varianza del error de la variable de respuesta se
mantiene constante en todos los tratamientos. http://es.wikipedia.org/wiki/Homocedasticidad, enero del 2018.
3
Una forma de verificar el supuesto de homocedasticidad es graficando los predichos contra los residuos: los predichos o
respuestas estimadas van en el eje horizontal y los residuos en el eje vertical. Si los puntos en esta gráfica se distribuyen de
manera aleatoria en una banda horizontal, entonces es señal de que se cumple el supuesto de homocedasticidad; por el contrario,
si los puntos se distribuyen siguiendo algún patrón ‒como por ejemplo en forma de corneta o embudo‒ entonces es evidencia
de que no se cumple tal supuesto.
3

You might also like