TALLER

Wilmer Ger
9 de Agosto de 2018

UNIVERSIDAD DE LAS FUERZAS ARMADAS

Departamento de Ciencias de la Vida y de la

Agricultura
Diseño experimental
NRC 4319

Ejercicios capítulo 6

Experimento $2ˆ2
Interesa estudiar el efecto del tamaño de broca (factor A) y de la velocidad (factor B sobre la vibración de la
ranuradora (respuesta Y). Para ello, se decide utilizar un diseño factorial 2ˆ2 con cuatro réplicas, lo cual da
un total de 4 × 22 = 16 corridas del proceso, que se realizan en orden aleatorio. El tamaño de la broca se
prueba en 1/16 y en 1/8 de pulgada y la velocidad en 40 y 90 revoluciones por segundo. En la siguiente tabla
se muestra la notación (+,-) y los datos obtnidos de las 16 pruebas:

A:broca B:veloc. A B x1 x2 Vibración Total

1/16 40 - - -1 -1 18.2 18.9 12.9 14.4 64.4=(1)
1/8 40 + - +1 -1 27.2 24.0 22.4 22.5 96.1=a
1/16 90 - + +1 -1 15.9 14.5 15.1 14.2 59.7=b
1/8 90 + + +1 +1 41.0 43.9 36.3 39.9 161.1=1b

vib<-c(18.2,18.9,12.9,14.4,15.9,14.5,15.1,14.2,27.2,24,22.4,22.5,41,43.9,36.3,39.9)
broca<-rep(1:2,each=8)
broca<-factor(broca,labels=c("1/16","1/8"))
p1<-sum(vib[1:4])
b<-sum(vib[5:8])
a<-sum(vib[9:12])
ab<-sum(vib[13:16])

Calculo de los efecto

1
De acuerdo con las relaciones, los efectos estimados estan dados por: A = 2n [a + ab −b − (1)]
1 1
B = 2n [b + ab − a − (1)] C = 2n [ab + (1) − a − b]
#Calculo de los efectos
efA<-(1/(2*4))*(a+ab-b-p1)
efA

## [1] 16.6375
efB<-(1/(2*4))*(b+ab-a-p1)
efB

1
## [1] 7.5375
efAB<-(1/(2*4))*(ab+p1-a-b)
efAB

## [1] 8.7125
Anova para el experimento de la ranuradora
#Tabla ANOVA
vel<-rep(rep(1:2,each=4),2)
vel<-factor(vel,labels=c("40","90"))
ejc<-data.frame(vib,broca,vel)
anova<-aov(vib~broca*vel)
summary(anova)

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

## broca 1 1107.2 1107.2 185.25 1.17e-08 ***
## vel 1 227.3 227.3 38.02 4.83e-05 ***
## broca:vel 1 303.6 303.6 50.80 1.20e-05 ***
## Residuals 12 71.7 6.0
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Se observa que el efecto del tamaño broca (factor A) es practicamente el doble de los otros dos.
Análisis de varianza
La suma de cuadrados (SC) de sus efectos se calcula a partir de sus contrastes
SCa=(96.1+161.1-59.7-64.4)^2/16
SCb=(59.7+161.1-96.1-64.4)^2/16
SCab=(161.1+64.4-96.1-59.7)^2/16
SCa

## [1] 1107.226
SCb

## [1] 227.2556
SCab

## [1] 303.6306
Interpretación
De acuerdo con el ANOVA los dos efectos principales (broca y velocidad) como su interacción tuvieron un
efecto significativo sobre la vibración.
Gráfico de interacción y efectos principales
#Grafico de interaccion
interaction.plot(broca,vel,vib,main="Efecto de interaccion",xlab="Broca",ylab="Vibracion")

#Grafico de los efectos principales

library(pid)

## Loading required package: ggplot2

## Loading required package: png
## Loading required package: FrF2
## Loading required package: DoE.base

2
## 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

Efecto de interaccion
40

vel
90
35

40
Vibracion

30
25
20
15

1/16 1/8

Broca

A<-c(-1,-1,-1,-1,-1,-1,-1,-1,+1,+1,+1,+1,+1,+1,+1,+1)
B<-c(-1,-1,-1,-1,+1,+1,+1,+1,-1,-1,-1,-1,+1,+1,+1,+1)
modelo<-lm(vib~A*B)
MEPlot(modelo,main="Efectos principales")

3
 Efectos principales
A B
35
30
vib

25
20
15

−1 1 −1 1

Modelo de regresión
#Modelo de regresion
A<-c(-1,-1,-1,-1,-1,-1,-1,-1,+1,+1,+1,+1,+1,+1,+1,+1)
B<-c(-1,-1,-1,-1,+1,+1,+1,+1,-1,-1,-1,-1,+1,+1,+1,+1)
modelo<-lm(vib~A*B)
summary(modelo)

##
## Call:
## lm.default(formula = vib ~ A * B)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.975 -1.550 -0.200 1.256 3.625
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 23.8312 0.6112 38.991 5.22e-14 ***
## A 8.3187 0.6112 13.611 1.17e-08 ***
## B 3.7688 0.6112 6.166 4.83e-05 ***
## A:B 4.3562 0.6112 7.127 1.20e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.445 on 12 degrees of freedom
## Multiple R-squared: 0.9581, Adjusted R-squared: 0.9476

4
## F-statistic: 91.36 on 3 and 12 DF, p-value: 1.569e-08
#Representacion geometrica
contourPlot(modelo,main="Representacion geometrica")

Representacion geometrica
3

level
1
100
75
B

0 50
25
0
−1
−25

−2

−3

−3 −2 −1 0 1 2 3
A

5
 Representacion geometrica
3

level
1
100
75
B

0 50
25
0
−1
−25

−2

−3

−3 −2 −1 0 1 2 3
A
Coeficientes de determinación
Dos de los modelos para medir la calidad global del modelo es el coeficiente de determinación y el coeficiente
de determinación ajustado, que se obtienen a partir del ANOVA de la siguiente manera:
#Coeficiente de determinacion
R2<-(1107.2+227.3+303.6)/(1107.2+227.3+303.6+71.7)*100
R2

## [1] 95.80653
R2ad<-((1709.8/15)-(71.7/12))/(1709.8/15)*100
R2ad

## [1] 94.75816
Hacer la predicción
La predicción en uno de los tratamientos (−1, 1) para minimizar se obtiene al sustituir este punto en el
modelo ajustado
#Ejemplo de prediccion
yest<-modelo$coefficients[1]+modelo$coefficients[2]*(-1)+modelo$coefficients[3]*1+
modelo$coefficients[4]*1*(-1)
yest

## (Intercept)
## 14.925
Gráfica de contornos

6
#Grafica de contornos: se incluye en el grafico de representacion geometrica
#Verificacion de supuestos
plot(fitted.values(anova),residuals(anova),main="Residuos vs. predichos",xlab=
"Predichos",ylab="Residuos")

Residuos vs. predichos

2
Residuos

0
−2
−4

15 20 25 30 35 40

Predichos

plot(as.integer(broca),residuals(anova),main="Residuos vs. broca",xlab=

"Broca",ylab="Residuos")

7
 Residuos vs. broca
2
Residuos

0
−2
−4

1.0 1.2 1.4 1.6 1.8 2.0

Broca

qqnorm(residuals(anova),main="Residuos en papel normal",xlab="Residuos",ylab="Cuantiles")

qqline(residuals(anova))

8
 Residuos en papel normal
2
Cuantiles

0
−2
−4

−2 −1 0 1 2

Residuos

plot(c(1,2,3,4,9,10,11,12,5,6,7,8,13,14,15,16),residuals(anova),
main="Residuos vs. numero de corrida",xlab="Numero de corrida",ylab="Residuos")

9
 Residuos vs. numero de corrida
2
Residuos

0
−2
−4

5 10 15

Numero de corrida

se observa que los puntos donde la superficie toma valores más pequeños son precisamente en el mejor
tratamiento que habíamos encontrado: (broca baja, velocidad alta) y (broca baja, velocidad baja). Se ve que
la clave de la vibración pequeña es la broca en su nivel bajo, que es donde la superficie toma su menor altura.
Los puntos en cada esquina de la su perficie representan los datos del experimento.

Experimento 23 : ejemplo integrador

En una empresa que fabrica dispositivos electrónicos se identificó, mediante un análisis de Pareto, que las
fracturas de las obleas de silicio por choques térmicos era la principal causa de obleas rotas en las etapas de
procesamiento conocidas como “grabado mesa” y “piraña”. Un grupo de esas áras identificó tres factores
prncipales (temperaturas) como las probables causas del problema. Por ello, se utilizo un experimento
factorial 23 con el objetivo de estudiar el problema y localizar una combinación de temperaturas en la cual se
rompiera un mínimo de obleas por efecto térmico. Los tres factores controlados, y sus nivees en unidades
originales, son las temeperaturas:
T1: Temperatura de grabado (-3°C,-1°C)
T2: Temperatura de piraña (60°C, 89°C)
T3: Temperatura de agua (20°C, 70°C)
La combinación (-3°C, 98°C, 20°C) fue el tratamiento usual o en operación antes del experimento. Así, uno
de los dos niveles en cada factor es la temperatura usual y el otro es una temperatura que, se supone, reduce
el efecto térmico sobre la oblea.
A <-c(-1,+1,-1,+1,-1,+1,-1,+1,-1,+1,-1,+1,-1,+1,-1,+1)
B <-c(-1,-1,+1,+1,-1,-1,+1,+1,-1,-1,+1,+1,-1,-1,+1,+1)
C <-c(-1,-1,-1,-1,+1,+1,+1,+1,-1,-1,-1,-1,+1,+1,+1,+1)
y <- c(0.04,0.012,0.036,0,0.02,0,0.016,0.004,0.032,0.008,0.028,0,0.02,0.016,0.008,0.004)

10
obleas <- lm(y~A*B*C)
# Modelo de regresion
summary(obleas)

##
## Call:
## lm.default(formula = y ~ A * B * C)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.0080 -0.0025 0.0000 0.0025 0.0080
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.015250 0.001346 11.327 3.32e-06 ***
## A -0.009750 0.001346 -7.242 8.87e-05 ***
## B -0.003250 0.001346 -2.414 0.04224 *
## C -0.004250 0.001346 -3.157 0.01346 *
## A:B -0.000250 0.001346 -0.186 0.85731
## A:C 0.004750 0.001346 3.528 0.00775 **
## B:C 0.000250 0.001346 0.186 0.85731
## A:B:C 0.001250 0.001346 0.928 0.38032
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.005385 on 8 degrees of freedom
## Multiple R-squared: 0.9107, Adjusted R-squared: 0.8326
## F-statistic: 11.66 on 7 and 8 DF, p-value: 0.001238
# Anova completo para el ejemplo de obleas
anov <- aov(obleas)
summary(anov)

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

## A 1 0.001521 0.001521 52.448 8.87e-05 ***
## B 1 0.000169 0.000169 5.828 0.04224 *
## C 1 0.000289 0.000289 9.966 0.01346 *
## A:B 1 0.000001 0.000001 0.034 0.85731
## A:C 1 0.000361 0.000361 12.448 0.00775 **
## B:C 1 0.000001 0.000001 0.034 0.85731
## A:B:C 1 0.000025 0.000025 0.862 0.38032
## Residuals 8 0.000232 0.000029
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Los efectos AB, BC y ABC son no significativos, por lo que se eliminan y se mandan al error para obtener el
análisis de varianza de
#Pareto de efectos estimados para obleas
library(qcc)

## Package 'qcc' version 2.7

## Type 'citation("qcc")' for citing this R package in publications.
paretoPlot(obleas)

11
 Pareto plot

A:C

C
Effect name

Sign of coefficient
B Negative
Positive

A:B:C

B:C

A:B

0.0000 0.0025 0.0050 0.0075 0.0100

Magnitude of effect

12
 Pareto plot

A:C

C
Effect name

Sign of coefficient
B Negative
Positive

A:B:C

B:C

A:B

0.0000 0.0025 0.0050 0.0075 0.0100

Magnitude of effect

#El mejor ANOVA para el ejemplo de obleas

obleas1 <- lm(y~A+B+C+A*C)
summary(obleas1)

##
## Call:
## lm.default(formula = y ~ A + B + C + A * C)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.009250 -0.002000 0.000750 0.002875 0.006750
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.015250 0.001213 12.571 7.20e-08 ***
## A -0.009750 0.001213 -8.037 6.25e-06 ***
## B -0.003250 0.001213 -2.679 0.02144 *
## C -0.004250 0.001213 -3.503 0.00494 **
## A:C 0.004750 0.001213 3.916 0.00241 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.004852 on 11 degrees of freedom
## Multiple R-squared: 0.9003, Adjusted R-squared: 0.8641
## F-statistic: 24.85 on 4 and 11 DF, p-value: 1.847e-05

13
anov_oblea1<- aov(obleas1)
summary(anov_oblea1)

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

## A 1 0.001521 0.0015210 64.598 6.25e-06 ***
## B 1 0.000169 0.0001690 7.178 0.02144 *
## C 1 0.000289 0.0002890 12.274 0.00494 **
## A:C 1 0.000361 0.0003610 15.332 0.00241 **
## Residuals 11 0.000259 0.0000235
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#CALCULAR COEFICIENTES DE DETERMINACION

# FALTA GRAFICA DE EFECTOS PRINCIAPLES

# Graficas de interaccion
interaction.plot( A,C,y, xlab = "T_Grabado", ylab = "Proporcion de obleas rotas ",main="Efecto de intera

Efecto de interaccion AC para obleas

0.035

C
Proporcion de obleas rotas

1
0.025

−1
0.015
0.005

−1 1

T_Grabado

Experimento 25 : no replicado: ejemplo integrador

En una planta donde se fabrican semiconductores se quiere mejorar el rendimiento del proceso vía diseño
de experimentos. De acuerdo con la experiencia del grupo de mejora, los factores que podrían tener mayor
influencia sobre la variable de respuesta (rendimiento), así como los niveles de prueba utilizados son los
siguientes:

14
A<- c(1,-1,1,-1,-1,1,-1,-1,1,-1,-1,-1,-1,1,1,1,-1,-1,1,-1,1,1,1,-1,1,1,-1,-1,-1,1,1,1)
B<- c(1,1,1,-1,1,-1,1,-1,1,-1,1,1,-1,1,-1,1,-1,-1,-1,-1,-1,1,-1,-1,1,-1,1,1,1,1,-1,-1)
C<- c(-1,1,1,-1,-1,1,1,-1,-1,1,1,-1,1,1,1,-1,-1,-1,-1,1,1,-1,-1,1,1,-1,-1,-1,1,1,1,-1)
D <-c(-1,1,1,-1,1,-1,-1,1,-1,-1,-1,-1,1,1,1,1,1,-1,-1,-1,-1,1,1,1,-1,1,1,-1,1,-1,1,-1)
E <-c(-1,-1,-1,-1,-1,-1,1,-1,1,1,-1,1,-1,1,1,1,1,1,1,-1,1,-1,-1,1,-1,1,1,-1,1,1,-1,-1)
O <-c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32)

y <- c(55,44,61,7,32,20,45,8,52,15,40,35,18,63,20,53,6,18,12,16,22,50,10,15,60,10,30,34,41,65,21,9)
#Modelo de regresion y efectos estimados
semi <- lm(y~A*B*C*D*E)
summary(semi)

##
## Call:
## lm.default(formula = y ~ A * B * C * D * E)
##
## Residuals:
## ALL 32 residuals are 0: no residual degrees of freedom!
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30.84375 NA NA NA
## A 5.59375 NA NA NA
## B 16.65625 NA NA NA
## C 4.53125 NA NA NA
## D -0.71875 NA NA NA
## E 0.53125 NA NA NA
## A:B 4.28125 NA NA NA
## A:C 0.53125 NA NA NA
## B:C 0.34375 NA NA NA
## A:D 0.28125 NA NA NA
## B:D -0.03125 NA NA NA
## C:D 0.71875 NA NA NA
## A:E 0.15625 NA NA NA
## B:E -0.03125 NA NA NA
## C:E -0.15625 NA NA NA
## D:E -0.90625 NA NA NA
## A:B:C -0.53125 NA NA NA
## A:B:D -0.15625 NA NA NA
## A:C:D -0.53125 NA NA NA
## B:C:D -0.09375 NA NA NA
## A:B:E 0.21875 NA NA NA
## A:C:E 0.46875 NA NA NA
## B:C:E 0.78125 NA NA NA
## A:D:E 0.71875 NA NA NA
## B:D:E 0.40625 NA NA NA
## C:D:E -0.09375 NA NA NA
## A:B:C:D 0.28125 NA NA NA
## A:B:C:E -0.21875 NA NA NA
## A:B:D:E 0.15625 NA NA NA
## A:C:D:E -0.46875 NA NA NA
## B:C:D:E -0.78125 NA NA NA
## A:B:C:D:E 0.21875 NA NA NA
##

15
## Residual standard error: NaN on 0 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: NaN
## F-statistic: NaN on 31 and 0 DF, p-value: NA
#ANOVA preliminar para los semiconductores
anov_semi <- aov(semi)
summary(anov_semi)

## Df Sum Sq Mean Sq
## A 1 1001 1001
## B 1 8878 8878
## C 1 657 657
## D 1 17 17
## E 1 9 9
## A:B 1 587 587
## A:C 1 9 9
## B:C 1 4 4
## A:D 1 3 3
## B:D 1 0 0
## C:D 1 17 17
## A:E 1 1 1
## B:E 1 0 0
## C:E 1 1 1
## D:E 1 26 26
## A:B:C 1 9 9
## A:B:D 1 1 1
## A:C:D 1 9 9
## B:C:D 1 0 0
## A:B:E 1 2 2
## A:C:E 1 7 7
## B:C:E 1 20 20
## A:D:E 1 17 17
## B:D:E 1 5 5
## C:D:E 1 0 0
## A:B:C:D 1 3 3
## A:B:C:E 1 2 2
## A:B:D:E 1 1 1
## A:C:D:E 1 7 7
## B:C:D:E 1 20 20
## A:B:C:D:E 1 2 2
# Pareto de efectos para ejemplo de semiconductores

paretoPlot(semi)

16
 Pareto plot
B
A
C
A:B
D:E
B:C:E
B:C:D:E
C:D
A:D:E
D
A:C
A:C:D
Effect name

E
A:B:C Sign of coefficient
A:C:D:E
A:C:E Negative
B:D:E
B:C Positive
A:D
A:B:C:D
A:B:C:E
A:B:E
A:B:C:D:E
C:E
A:E
A:B:D:E
A:B:D
B:C:D
C:D:E
B:E
B:D
0 5 10 15
Magnitude of effect

17
 Pareto plot
B
A
C
A:B
D:E
B:C:E
B:C:D:E
C:D
A:D:E
D
A:C
A:C:D
Effect name

E
A:B:C Sign of coefficient
A:C:D:E
A:C:E Negative
B:D:E
B:C Positive
A:D
A:B:C:D
A:B:C:E
A:B:E
A:B:C:D:E
C:E
A:E
A:B:D:E
A:B:D
B:C:D
C:D:E
B:E
B:D
0 5 10 15
Magnitude of effect

#ANOVA preliminar par los semiconductores

semi1 <- lm(y~A+B+C+D+E+A*B+A*C+A*D+A*E+B*C+B*D+B*E+C*D+C*E+D*E)

summary(semi1)

##
## Call:
## lm.default(formula = y ~ A + B + C + D + E + A * B + A * C +
## A * D + A * E + B * C + B * D + B * E + C * D + C * E + D *
## E)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.9375 -1.1406 0.0937 0.7344 5.6250
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30.84375 0.44689 69.019 < 2e-16 ***
## A 5.59375 0.44689 12.517 1.11e-09 ***
## B 16.65625 0.44689 37.272 < 2e-16 ***
## C 4.53125 0.44689 10.140 2.26e-08 ***
## D -0.71875 0.44689 -1.608 0.1273
## E 0.53125 0.44689 1.189 0.2519
## A:B 4.28125 0.44689 9.580 4.97e-08 ***
## A:C 0.53125 0.44689 1.189 0.2519
## A:D 0.28125 0.44689 0.629 0.5380

18
## A:E 0.15625 0.44689 0.350 0.7312
## B:C 0.34375 0.44689 0.769 0.4530
## B:D -0.03125 0.44689 -0.070 0.9451
## B:E -0.03125 0.44689 -0.070 0.9451
## C:D 0.71875 0.44689 1.608 0.1273
## C:E -0.15625 0.44689 -0.350 0.7312
## D:E -0.90625 0.44689 -2.028 0.0596 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.528 on 16 degrees of freedom
## Multiple R-squared: 0.991, Adjusted R-squared: 0.9825
## F-statistic: 116.9 on 15 and 16 DF, p-value: 1.879e-13
anov_semi1 <- aov(semi1)
summary(anov_semi1)

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

## A 1 1001 1001 156.680 1.11e-09 ***
## B 1 8878 8878 1389.188 < 2e-16 ***
## C 1 657 657 102.812 2.26e-08 ***
## D 1 17 17 2.587 0.1273
## E 1 9 9 1.413 0.2519
## A:B 1 587 587 91.780 4.97e-08 ***
## A:C 1 9 9 1.413 0.2519
## A:D 1 3 3 0.396 0.5380
## A:E 1 1 1 0.122 0.7312
## B:C 1 4 4 0.592 0.4530
## B:D 1 0 0 0.005 0.9451
## B:E 1 0 0 0.005 0.9451
## C:D 1 17 17 2.587 0.1273
## C:E 1 1 1 0.122 0.7312
## D:E 1 26 26 4.112 0.0596 .
## Residuals 16 102 6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Se procede a interpretar los cuatro efectos que resultaron significativos en el mejor análisis de varianza, que
son: A, B, C y AB
# Modelo de regresion
semi2 <- lm(y~A+B+C+A*B)
summary(semi2)

##
## Call:
## lm.default(formula = y ~ A + B + C + A * B)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.0937 -1.5313 -0.5937 1.0469 9.6562
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 30.844 0.466 66.193 < 2e-16 ***
## A 5.594 0.466 12.005 2.46e-12 ***

19
## B 16.656 0.466 35.746 < 2e-16 ***
## C 4.531 0.466 9.724 2.58e-10 ***
## A:B 4.281 0.466 9.188 8.46e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.636 on 27 degrees of freedom
## Multiple R-squared: 0.9834, Adjusted R-squared: 0.981
## F-statistic: 400.2 on 4 and 27 DF, p-value: < 2.2e-16
#EL mejor analisis de varianza
anov_semi2 <- aov(semi2)
summary(anov_semi2)

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

## A 1 1001 1001 144.11 2.46e-12 ***
## B 1 8878 8878 1277.76 < 2e-16 ***
## C 1 657 657 94.56 2.58e-10 ***
## A:B 1 587 587 84.42 8.46e-10 ***
## Residuals 27 188 7
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#CALCULAR COEF DEDETR

#Graficas
#FALTA EFECTOS PRINCIPALES
interaction.plot( A,B, y, xlab = "Abertura", ylab = "Rendimiento",main="Efecto de interaccion AB")

20
 Efecto de interaccion AB

B
50

1
−1
Rendimiento

40
30
20

−1 1

Abertura

#VERIFICACION DE SUPUESTOS

#Residuos
res24 <- resid(anov_semi2)
ajusta <- fitted(anov_semi2)

Grafica de Residuos en papel normal

qqnorm(res24,xlab = "Residuos", ylab = "%",main="Residuos en papel normal" )
qqline(res24)

21
 Residuos en papel normal
10
8
6
4
%

2
0
−2

−2 −1 0 1 2

Residuos

Residuos vs Predichos
plot(ajusta, res24, xlab = "Predicho", ylab = "Residuos",main="Predichos vs. Residuos",abline(h=0, lty=

22
 Predichos vs. Residuos
10
8
6
Residuos

4
2
0
−2

10 20 30 40 50 60

Predicho

# Residuos vs Orden de corrida

plot(O, res24, xlab = "Orden de corrida", ylab = "Residuos",main="Predichos vs. corrida",abline(h=0, lt

23
 Predichos vs. corrida
10
8
6
Residuos

4
2
0
−2

0 5 10 15 20 25 30

Orden de corrida

#Cuando la significancia de los efectos es menos clara: un ejemplo

A<-B<-C<-D<-E<-c(-1,+1)
desing <- expand.grid(A=A,B=B,C=C,D=D,E=E)
A <- desing$A
B <- desing$B
C <- desing$C
D <- desing$D
E <- desing$E
y <- c(60.30,73.20,95.62,79.41,95.62,97.24,76.17,57.05,90.76,46.96,45.30,42.09,89.13,71.31,76.17,61.58,
#Modelo de regresion preliminar
ren <- lm(y~A*B*C*D*E)
summary(ren)

##
## Call:
## lm.default(formula = y ~ A * B * C * D * E)
##
## Residuals:
## ALL 32 residuals are 0: no residual degrees of freedom!
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 61.9784 NA NA NA
## A -4.7928 NA NA NA
## B -4.4941 NA NA NA
## C 0.1541 NA NA NA

24
## D -5.7628 NA NA NA
## E -10.3909 NA NA NA
## A:B 2.4847 NA NA NA
## A:C 1.0241 NA NA NA
## B:C -3.8634 NA NA NA
## A:D -2.6803 NA NA NA
## B:D -1.5678 NA NA NA
## C:D 2.0753 NA NA NA
## A:E 1.4716 NA NA NA
## B:E 1.2016 NA NA NA
## C:E -5.5103 NA NA NA
## D:E 1.1941 NA NA NA
## A:B:C -2.2634 NA NA NA
## A:B:D 2.1622 NA NA NA
## A:C:D 2.2141 NA NA NA
## B:C:D 0.3903 NA NA NA
## A:B:E 2.8616 NA NA NA
## A:C:E 0.9984 NA NA NA
## B:C:E 0.7322 NA NA NA
## A:D:E 0.9828 NA NA NA
## B:D:E 1.8641 NA NA NA
## C:D:E -1.3953 NA NA NA
## A:B:C:D -1.9734 NA NA NA
## A:B:C:E -0.4516 NA NA NA
## A:B:D:E -3.6922 NA NA NA
## A:C:D:E 0.4147 NA NA NA
## B:C:D:E -7.6603 NA NA NA
## A:B:C:D:E 0.8847 NA NA NA
##
## Residual standard error: NaN on 0 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: NaN
## F-statistic: NaN on 31 and 0 DF, p-value: NA
#Anova preliminar
anov <- aov(ren)
summary(anov)

## Df Sum Sq Mean Sq
## A 1 735 735
## B 1 646 646
## C 1 1 1
## D 1 1063 1063
## E 1 3455 3455
## A:B 1 198 198
## A:C 1 34 34
## B:C 1 478 478
## A:D 1 230 230
## B:D 1 79 79
## C:D 1 138 138
## A:E 1 69 69
## B:E 1 46 46
## C:E 1 972 972
## D:E 1 46 46
## A:B:C 1 164 164
## A:B:D 1 150 150

25
## A:C:D 1 157 157
## B:C:D 1 5 5
## A:B:E 1 262 262
## A:C:E 1 32 32
## B:C:E 1 17 17
## A:D:E 1 31 31
## B:D:E 1 111 111
## C:D:E 1 62 62
## A:B:C:D 1 125 125
## A:B:C:E 1 7 7
## A:B:D:E 1 436 436
## A:C:D:E 1 6 6
## B:C:D:E 1 1878 1878
## A:B:C:D:E 1 25 25
#Diagrama de Pareto de efectos para el ejemplo de tequila
paretoPlot(ren)

Pareto plot
E
B:C:D:E
D
C:E
A
B
B:C
A:B:D:E
A:B:E
A:D
A:B
A:B:C
Effect name

A:C:D
A:B:D Sign of coefficient
C:D
A:B:C:D Negative
B:D:E
B:D Positive
A:E
C:D:E
B:E
D:E
A:C
A:C:E
A:D:E
A:B:C:D:E
B:C:E
A:B:C:E
A:C:D:E
B:C:D
C
0.0 2.5 5.0 7.5 10.0
Magnitude of effect

26
 Pareto plot
E
B:C:D:E
D
C:E
A
B
B:C
A:B:D:E
A:B:E
A:D
A:B
A:B:C
Effect name

A:C:D
A:B:D Sign of coefficient
C:D
A:B:C:D Negative
B:D:E
B:D Positive
A:E
C:D:E
B:E
D:E
A:C
A:C:E
A:D:E
A:B:C:D:E
B:C:E
A:B:C:E
A:C:D:E
B:C:D
C
0.0 2.5 5.0 7.5 10.0
Magnitude of effect

#Modelo de regresion
ren1 <- lm(y~A+B+D+E+B*C+C*E)
# Efectos estimados
summary(ren1)

##
## Call:
## lm.default(formula = y ~ A + B + D + E + B * C + C * E)
##
## Residuals:
## Min 1Q Median 3Q Max
## -20.019 -8.526 2.158 8.068 24.394
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 61.9784 2.3676 26.178 < 2e-16 ***
## A -4.7928 2.3676 -2.024 0.054203 .
## B -4.4941 2.3676 -1.898 0.069768 .
## D -5.7628 2.3676 -2.434 0.022746 *
## E -10.3909 2.3676 -4.389 0.000197 ***
## C 0.1541 2.3676 0.065 0.948657
## B:C -3.8634 2.3676 -1.632 0.115778
## E:C -5.5103 2.3676 -2.327 0.028705 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##

27
## Residual standard error: 13.39 on 24 degrees of freedom
## Multiple R-squared: 0.6306, Adjusted R-squared: 0.5229
## F-statistic: 5.853 on 7 and 24 DF, p-value: 0.0004802
#Mejor ANOVA
anov1<- aov(ren1)
summary(anov1)

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

## A 1 735 735 4.098 0.054203 .
## B 1 646 646 3.603 0.069768 .
## D 1 1063 1063 5.924 0.022746 *
## E 1 3455 3455 19.261 0.000197 ***
## C 1 1 1 0.004 0.948657
## B:C 1 478 478 2.663 0.115778
## E:C 1 972 972 5.417 0.028705 *
## Residuals 24 4305 179
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#Residuos
res24 <- resid(anov_semi2)
res24

## 1 2 3 4 5 6 7 8
## 2.15625 1.84375 -0.90625 -1.34375 -1.09375 -0.03125 2.84375 -0.34375
## 9 10 11 12 13 14 15 16
## -0.84375 -2.40625 -2.15625 1.90625 0.59375 1.09375 -0.03125 0.15625
## 17 18 19 20 21 22 23 24
## -2.34375 9.65625 1.03125 -1.40625 1.96875 -2.84375 -0.96875 -2.40625
## 25 26 27 28 29 30 31 32
## -1.90625 -0.96875 -3.09375 0.90625 -1.15625 3.09375 0.96875 -1.96875
ajusta <- fitted(anov_semi2)

Grafica de Residuos en papel normal

qqnorm(res24,xlab = "Residuos", ylab = "%",main="Residuos en papel normal" )
qqline(res24)

28
 Residuos en papel normal
10
8
6
4
%

2
0
−2

−2 −1 0 1 2

Residuos

# Residuos vs Predichos
plot(ajusta, res24, xlab = "Predicho", ylab = "Residuos",main="Predichos vs. Residuos",abline(h=0, lty=

29
 Predichos vs. Residuos
10
8
6
Residuos

4
2
0
−2

10 20 30 40 50 60

Predicho

#Graficas Interaccion Efectos

interaction.plot( B,C, y, xlab = "BC", ylab = "Rendimiento",main="Efecto de interaccion BC")

30
 Efecto de interaccion BC
70

C
−1
1
65
Rendimiento

60
55

−1 1

BC

interaction.plot( C,E, y, xlab = "CE", ylab = "Rendimiento",main="Efecto de interaccion CE")

31
 Efecto de interaccion CE

E
75

−1
70

1
Rendimiento

65
60
55
50
45

−1 1

CE

#El mejor tratamiento es cuando todos los factores, excepto C, se encuentran en su nivel bajo.

La variable de respuesta es rendimiento, de la gráfica del efecto C se concluye que a mayor el tiempo de
revelado mayor es el rendimiento; por lo tanto, el tiempo de revelado debe fijarse en C+.
El efecto del factor A es mayor cuando el factor B está en más; además, el extremo de línea más alto en la
escala del rendimiento corresponde claramente a la combinación (A+, B+), es decir, la abertura (A) debe
estar en su tamaño grande y es mejor el mayor tiempo de exposición (B).

Ejemplo 6.1
Factorial 23 con repeticiones al centro. En un proceso de circuitos integrados (obleas) interesa minimizar
la corriente de fuga, que se supone depende de la temperatura de quemado (A), tiempo de quemado (B) y
porcentaje de nitrógeno (C). Para ello se decide correr un experimento factorial 23 con dos réplicas y cuatro
repeticiones al centro. Los resultados obtenidos se muestran enseguida:

Temp. tiempo % de N y-Corrient de fuga

-1 -1 -1 2.153, 1.843
+1 -1 -1 1.609, 2.018
-1 +1 -1 1.346, 1766
+1 +1 -1 1.695,2.051
-1 -1 +1 3.864,5041
+1 -1 +1 7.054,5.571
0 0 0 2.490, 2.384
0 0 0 2.474, 1778

32
A<- c(-1,+1,-1,+1,-1,+1,-1,+1,0,0,-1,+1,-1,+1,-1,+1,-1,+1,0,0)
B <-c(-1,-1,+1,+1,-1,-1,+1,+1,0,0,-1,-1,+1,+1,-1,-1,+1,+1,0,0)
C <-c(-1,-1,-1,-1,+1,+1,+1,+1,0,0,-1,-1,-1,-1,+1,+1,+1,+1,0,0)
y <- c(2.153,1.609,1.346,1.695,3.864,7.054,5.519,5.746,2.490,2.474,
1.843,2.018,1.766,2.051,5.041,5.574,4.181,6.088,2.384,1.778)
y

## [1] 2.153 1.609 1.346 1.695 3.864 7.054 5.519 5.746 2.490 2.474 1.843
## [12] 2.018 1.766 2.051 5.041 5.574 4.181 6.088 2.384 1.778
ej61<- lm(y ~ A*B*C)
summary(ej61)

##
## Call:
## lm.default(formula = y ~ A * B * C)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.55570 -0.42370 0.08855 0.44767 1.00305
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.33370 0.19262 17.307 7.49e-10 ***
## A 0.38263 0.21536 1.777 0.101
## B -0.04775 0.21536 -0.222 0.828
## C 1.78662 0.21536 8.296 2.59e-06 ***
## A:B -0.03662 0.21536 -0.170 0.868
## A:C 0.34950 0.21536 1.623 0.131
## B:C 0.04788 0.21536 0.222 0.828
## A:B:C -0.16200 0.21536 -0.752 0.466
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8614 on 12 degrees of freedom
## Multiple R-squared: 0.8626, Adjusted R-squared: 0.7824
## F-statistic: 10.76 on 7 and 12 DF, p-value: 0.0002459
anova61 <- aov(ej61)
summary(anova61)

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

## A 1 2.34 2.34 3.157 0.101
## B 1 0.04 0.04 0.049 0.828
## C 1 51.07 51.07 68.824 2.59e-06 ***
## A:B 1 0.02 0.02 0.029 0.868
## A:C 1 1.95 1.95 2.634 0.131
## B:C 1 0.04 0.04 0.049 0.828
## A:B:C 1 0.42 0.42 0.566 0.466
## Residuals 12 8.90 0.74
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residuos

33
res61 <- resid(anova61)
ajus61 <- fitted(anova61)

#Grafica de Predichos vs. Residuos

plot(C, res61, xlab = "Nitrogeno", ylab = "Residuos",
main="Predichos vs. Residuos",abline(h=0, lty=1))

Predichos vs. Residuos

1.0
0.5
0.0
Residuos

−1.5 −1.0 −0.5

−1.0 −0.5 0.0 0.5 1.0

Nitrogeno

plot(A, res61, xlab = "Temperatura", ylab = "Residuos",

main="Predichos vs. Residuos",abline(h=0, lty=1))

34
 Predichos vs. Residuos
1.0
0.5
0.0
Residuos

−1.5 −1.0 −0.5

−1.0 −0.5 0.0 0.5 1.0

Temperatura

El mejor ANOVA
ej612<- lm(y ~ A+C+A*C)
summary(ej612)

##
## Call:
## lm.default(formula = y ~ A + C + A * C)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.5557 -0.3399 0.0718 0.4461 1.2015
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.3337 0.1716 19.431 1.49e-12 ***
## A 0.3826 0.1918 1.995 0.0634 .
## C 1.7866 0.1918 9.314 7.31e-08 ***
## A:C 0.3495 0.1918 1.822 0.0872 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.7673 on 16 degrees of freedom
## Multiple R-squared: 0.8546, Adjusted R-squared: 0.8274
## F-statistic: 31.35 on 3 and 16 DF, p-value: 6.218e-07

35
anova612 <- aov(ej612)
summary(anova612)

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

## A 1 2.34 2.34 3.979 0.0634 .
## C 1 51.07 51.07 86.753 7.31e-08 ***
## A:C 1 1.95 1.95 3.320 0.0872 .
## Residuals 16 9.42 0.59
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
El factor B no afecta de ninguna manera la respuesta Y, el experimento se puede colapsar en un 22 centro con
cuatro réplicas. Al analizarse el diseño colapsado se llegaría a este mismo ANOVA. Así, como hay curvatura,
es necesario aumentar el experimento con puntos adicionales para estudiar o estimar los efectos A2 y C2 y
saber cuál de ellos o si ambos provocan la falta de ajuste.

36