REPLICAS EN EL CENTRO

library(FrF2)
Plan<- FrF2(nruns=4, nfactors =2, ncenter=5, factor.names=list(tiempo=c(30,40), temperatura=
c(150,160)), randomize = FALSE)
summary(Plan)
Plan
rendimiento<- c(39.3, 40.9, 40, 41.5,40.3, 40.5, 40.7, 40.2, 40.6)
Plan$rendimiento<- rendimiento
Plan
modelo_1 <- lm(rendimiento~tiempo*temperatura + iscube(Plan), data = Plan)
summary(modelo_1)
anova_1<- aov(modelo_1)
summary(anova_1)
plan_2 <- FrF2(nruns= 8, nfactors = 3,
factor.names= list(porcentaje = c(10,12),
presion= c(25,30),
rapidez= c(200,250)),
randomize= FALSE)
plan_2
llenado<- c(-3,0,-1,2,-1,2,1,6)
plan_2 <- add.response(design= plan_2, response= llenado)
summary(plan_2)
DanielPlot(plan_2)
MEPlot(plan_2)
IAPlot(plan_2)
modelo_0 <- lm(llenado~porcentaje*presion*rapidez, data= plan_2)
summary(modelo_0)
anova_2<- aov(modelo_0)
summary(anova_2)
modelo_2 <- lm(llenado~porcentaje+presion+rapidez+porcentaje*presion+porcentaje*rapidez,
data= plan_2)
summary(modelo_2)
anova_3<- aov(modelo_2)
summary(anova_3)

EJEMPLO:

plan_1<-FrF2(nruns = 8,nfactors = 3,ncenter = 3,factor.names = list(dosificador=c(0.02,0.06),

ph=c(10,11),
porcentaje=c(27.5,33.5)),
randomize=FALSE)
plan_1
summary(plan_1)
optimizacion<-c(94,94,94.6,92.2,92.5,92.5,93.2,92.1,92.5,92.4,92.4)
plan_1$optimizacion<-optimizacion
plan_1
summary(plan_1)
modelo_1<-lm(optimizacion~dosificador*ph*porcentaje+iscube(plan_1),
data=plan_1)
summary(modelo_1)
anova_1<-aov(modelo_1)
summary(anova_1)
shapiro.test(modelo_1$residuals)
bartlett.test(plan_1$optimizacion,plan_1$dosificador,plan_1$ph,plan_1$porcentaje)
plot(modelo_1)

EL VALOR ISCUBE=ES MENOR A 0.05 POR LO QUE SI HAY CURVATURA

REPLICAS

library(FrF2)
plan<- FrF2(nruns = 4, nfactors= 2, factor.names= list(temperatura= c(16,32),
tiempo= c(4,12)), replications= 5, randomize= FALSE)
espesor <-
c(116.1,106.7,116.5,123.2,116.9,107.5,115.5,125.1,112.6,105.2,119.2,124.5,118.7,107.1,114.7,124.0,
114.9,106.5,118.3,124.7)
plan<- add.response(plan,espesor)
plan
modelo<- lm(plan)
summary(modelo)
anova_1 <- aov(modelo)
summary(anova_1)
MEPlot(modelo, main= "Gráfico de efectos", lwd= 0.5)
IAPlot(modelo)
shapiro.test(modelo$residuals)

EJEMPLO:

library(FrF2)
plancito<- FrF2(nruns = 4, nfactors= 2, factor.names= list(reactivo= c(15, 20),
catalizador= c(1,2)), replications= 3, randomize= FALSE)
plancito
summary(plancito)
velocidad <- c(28,36,18,31,25,32,19,30,27,32,23,29)
plancito<- add.response(plancito,velocidad)
plancito
modelo_1<- lm(plancito)
summary(modelo_1)
anova_2 <- aov(modelo_1)
summary(anova_2)
MEPlot(modelo_1, main= "Gráfico de efectos", lwd= 0.5)
IAPlot(modelo_1)
shapiro.test(modelo_1$residuals)

REGRESION LINEAL

erre<- cor(x = autos$Peso, y = autos$Rendimiento)

erre
plot(autos$Peso, autos$Rendimiento, xlab="Peso del auto", ylab = "Rendimiento",
title("Diagrama de dispersion del Peso de automovil vs Rendimiento"))
modelo_1 = lm(autos$Rendimiento~autos$Peso)
modelo_1
summary(modelo_1)
plot(modelo_1)
install.packages("ggplot2")
library(ggplot2)
grafica_1<- ggplot(autos,aes(x = Peso, y = Rendimiento))
grafica_1
grafica_1 + geom_point()
grafica_1 + geom_point() + geom_smooth(method = "lm", colour="blue")
hist(modelo_1$residuals)

TEST BONFERRONI, DUNCAN, TUCKEY

attach(cuero)
modelo_1 <- aov(peso~zuela)
anova(modelo_1)
boxplot(peso~zuela)
model.tables(modelo_1,type="means")
pairwise.t.test(peso, zuela, p.adjust.method="bonferroni")
pairwise.t.test(peso, zuela, p.adjust.method="none")
install.packages("agricolae")
library(agricolae)
salida_1 <- LSD.test(modelo_1,"zuela", p.adj = "none")
salida_1
salida_2 <- LSD.test(modelo_1,"zuela", p.adj = "bonferroni")
salida_2
plot(salida_2)
plot(salida_2, variation = "IQR")
plot(salida_2, variation = "SD")
#SALIDA_3 es con Test Duncan
salida_3 <- duncan.test(modelo_1, "zuela",alpha = 0.05)
salida_3
plot(salida_3)
#Salida_4 es con Test Tukey
TukeyHSD(modelo_1)
salida_4 <- HSD.test(modelo_1, "zuela")
salida_4
plot(salida_4)

EJEMPLO:

attach(metodo)
modelo_2 <- aov(tiempo~ensamble)
anova(modelo_2)
boxplot(tiempo~ensamble)
model.tables(modelo_2,type="means")
pairwise.t.test(tiempo, ensamble, p.adjust.method="bonferroni")
pairwise.t.test(tiempo, ensamble, p.adjust.method="none")
install.packages("agricolae")
library(agricolae)
salida_a <- LSD.test(modelo_2,"ensamble", p.adj = "none")
salida_a
plot(salida_a)
salida_b <- LSD.test(modelo_2,"ensamble", p.adj = "bonferroni")
salida_b
plot(salida_b)
plot(salida_b, variation = "IQR")
plot(salida_b, variation = "SD")
#SALIDA_c es con Test Duncan
salida_c <- duncan.test(modelo_2, "ensamble",alpha = 0,05)
salida_c
plot(salida_c)
#Salida_d es con Test Tukey
TukeyHSD(modelo_2)
salida_d <- HSD.test(modelo_2, "ensamble")
salida_d
plot(salida_d)

Mira!!
EL Método LSD con ajuste Bonferroni es más preciso y sensible con las variables, el método Duncan,
ufff, por el contrario es el más malo para relacionar efectos en variables.

Sigues escribiendo:
install.packages("FrF2")
library(FrF2)
tabla_1 <- FrF2(nruns = 4, nfactors = 2, replication = 1, randomize = FALSE)
tabla_1
tabla_1 <- FrF2(nruns = 8, nfactors = 2, replication = 1, randomize = FALSE)
tabla_1
tabla_1 <- FrF2(nruns = 8, nfactors = 3, replication = 3, randomize = FALSE)
tabla_1
tabla_1 <- FrF2(nruns = 8, nfactors = 3, replication = 3, randomize = TRUE)
tabla_1