diseños fraccionados 2k

roly

1 de diciembre de 2018

R Markdown
library(FrF2)

## Loading required package: DoE.base

## Loading required package: grid

## Loading required package: conf.design

##
## Attaching package: 'DoE.base'

## The following objects are masked from 'package:stats':

##
## aov, lm

## The following object is masked from 'package:graphics':

##
## plot.design

## The following object is masked from 'package:base':

##
## lengths

Design.1 <- FrF2(nruns= 8 ,nfactors= 4 , blocks= 1 , alias.block.2fis =FALSE

, ncenter= 0 , MaxC2 = FALSE ,resolution = NULL ,replications= 1
,repeat.only= FALSE ,randomize= TRUE,seed= 11127 , factor.names=list(A=c(-
1,1),B=c(-1,1),C=c(-1,1),D=c(-1,1) ) )
Design.1

## A B C D
## 1 1 1 -1 -1
## 2 1 1 1 1
## 3 -1 1 -1 1
## 4 -1 1 1 -1
## 5 1 -1 1 -1
## 6 -1 -1 -1 -1
## 7 1 -1 -1 1
## 8 -1 -1 1 1
## class=design, type= FrF2

y<-c(45,100,45,65,75,60,80,96)
A<-rep(c(-1,+1),4)
B<-rep(c(-1,-1,1,1),2)
C<-c(rep(-1,4),rep(1,4))
D<-A*B*C
X<-cbind(A,B,C,D,A*B,A*C,A*D)
efectos<-t(X)%*%y/4
nombre<-
c("A+BCD","B+ACD","C+ABD","D+ABC","AB+CD","AC+BD","AD+BC")
data.frame(nombre,efectos)

## nombre efectos
## A A+BCD 19.0
## B B+ACD 1.5
## C C+ABD 14.0
## D D+ABC 16.5
## X AB+CD -1.0
## X.1 AC+BD -18.5
## X.2 AD+BC 19.0

otra manera
y<-c(45,100,45,65,75,60,80,96)
A<-rep(c(-1,+1),4)
B<-rep(c(-1,-1,1,1),2)
C<-c(rep(-1,4),rep(1,4))
D<-A*B*C
fit1<-lm(y~A+B+C+D+A*B+A*C+A*D)
efectos<-2*coefficients(fit1)[-1]
nombres<-names(efectos)
qq<-qqnorm(efectos,type="n")
text(qq$x, qq$y, labels = nombres)
efectos1<-efectos[c(2,5)]
qqline(efectos1) #los valores que se laejan d ela linea es porque influyen
de manera significativa
 Se observa que el
factor B no influye. utlizando el principio d el anavaj ade okhlam se descarta tambien la
significancia de las interacciones con el factor B. Luego se genera un nuevo modelo fit 2 sin
considere b ni sus interacciones.
en el grafico los valores que se laejan d ela linea es porque influyen de manera significativa

supuestos
Se realiza
fit2<-lm(y~A+C+D+A*C+A*D)
par(mfrow=c(2,2))
plot(fit2)

## hat values (leverages) are all = 0.75

## and there are no factor predictors; no plot no. 5
 parece haber
cumplimeinto de los supuestos basicos
ri2<-rstandard(fit2)
shapiro.test(ri2)

##
## Shapiro-Wilk normality test
##
## data: ri2
## W = 0.90039, p-value = 0.2913

library(car)

## Loading required package: carData

ncvTest(fit2)

## Non-constant Variance Score Test

## Variance formula: ~ fitted.values
## Chisquare = 0.8028649, Df = 1, p = 0.37024