Professional Documents
Culture Documents
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$rendimiento<- rendimiento
Plan
modelo_1 <- lm(rendimiento~tiempo*temperatura + iscube(Plan), data = Plan)
summary(modelo_1)
anova_1<- aov(modelo_1)
summary(anova_1)
plan_2 <- FrF2(nruns= 8, nfactors = 3,
factor.names= list(porcentaje = c(10,12),
presion= c(25,30),
rapidez= c(200,250)),
randomize= FALSE)
plan_2
llenado<- c(-3,0,-1,2,-1,2,1,6)
plan_2 <- add.response(design= plan_2, response= llenado)
summary(plan_2)
DanielPlot(plan_2)
MEPlot(plan_2)
IAPlot(plan_2)
modelo_0 <- lm(llenado~porcentaje*presion*rapidez, data= plan_2)
summary(modelo_0)
anova_2<- aov(modelo_0)
summary(anova_2)
modelo_2 <- lm(llenado~porcentaje+presion+rapidez+porcentaje*presion+porcentaje*rapidez,
data= plan_2)
summary(modelo_2)
anova_3<- aov(modelo_2)
summary(anova_3)
EJEMPLO:
REPLICAS
library(FrF2)
plan<- FrF2(nruns = 4, nfactors= 2, factor.names= list(temperatura= c(16,32),
tiempo= c(4,12)), replications= 5, randomize= FALSE)
espesor <-
c(116.1,106.7,116.5,123.2,116.9,107.5,115.5,125.1,112.6,105.2,119.2,124.5,118.7,107.1,114.7,124.0,
114.9,106.5,118.3,124.7)
plan<- add.response(plan,espesor)
plan
modelo<- lm(plan)
summary(modelo)
anova_1 <- aov(modelo)
summary(anova_1)
MEPlot(modelo, main= "Gráfico de efectos", lwd= 0.5)
IAPlot(modelo)
shapiro.test(modelo$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
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