1

Manual para el uso de R y Rstudio en el Diseño de Métodos Estadísticos para la

Investigación

Alfredo José Hipolito Albarran Perez y Nixon Jair Bruno Chuquilin

Facultad de Ciencias Agropecuarias, Escuela de Ingeniería Agroindustrial, Filial Valle
Jequetepeque, Universidad Nacional de Trujillo
2952: Métodos estadísticos para la investigación
Docente: Campos Vasquez Nilson Deonil

13 de mayo del 2024

 2

INDICE:

INTRODUCCIÓN...........................................................................................................1
MARCO TEORICO........................................................................................................4
1.1. ¿Qué es el Lenguaje R?............................................................................................4
1.2. ¿Qué es Rstudio?......................................................................................................4
1.3. Estadística en RStudio..............................................................................................4
I. INSTALACIÓN Y REQUERIMIENTO DE R y RSTUDIO...............................6
1.1. Descarga e instalación del software R (Windows 11):.............................................6
1.2. Descarga e instalación del software Rstudio (Windows 11):.................................14
II. DESCRIPCION DE LAS INTERFACES DE R Y RSTUDIO:.........................20
2.1. Descripción de las interfaces de R y Rstudio.........................................................20
2.1.1. Descripción del interfaz de R..........................................................................20
2.1.2. Descripción del interfaz de Rstudio................................................................25
III. INSTALACIÓN DE PAQUETES EN R STUDIO..............................................27
3.1. ¿Qué es la instalación de paquetes en Rstudio?.....................................................27
3.2. ¿Cómo se instala?...................................................................................................27
3.3. Paquetes estadísticos de Rstudio............................................................................29
3.3.1. agricolae:.........................................................................................................29
3.3.2. readxl:..............................................................................................................30
3.3.3. ggplot2:...........................................................................................................31
3.3.4. rmarkdown:.....................................................................................................31
IV. CONCEPTOS BÁSICOS NECESARIOS Y ATAJOS EN RSTUDIO:............33
4.1. Vectores:.................................................................................................................33
4.2. Análisis estadístico.................................................................................................34
4.3. Factor......................................................................................................................34
4.3.1. Nivel de Factor................................................................................................34
4.4. Tratamiento.............................................................................................................35
4.5. Réplicas..................................................................................................................35
V. IMPORTACIÓN DE ARCHIVOS EXCEL A R STUDIO.................................36
VI. ANALISIS DE DATOS UTILIZANDO LA ESTADISTICA DESCRIPTIVA 39
6.1. ¿Qué es la estadística descriptiva?.........................................................................39
 3

6.2. Componentes Principales de la Estadística Descriptiva.........................................39

6.2.1. Medidas de Tendencia Central:.......................................................................39
6.2.2. Medidas de dispersión.....................................................................................40
6.3. Elaboración de histogramas con R Studio..............................................................41
6.4. Elaboración de diagrama de caja con R Studio......................................................42
VII. DISEÑO COMPLETAMENTE AL AZAR.........................................................43
7.1. Diseño completamente al azar con R Studio:.........................................................43
7.2. Diseño de bloque completamente al azar con R Studio:........................................48
7.3. Diseño cuadrado latino...........................................................................................53
7.3.1. Diseñar un DCL (Latin Square Design) con R Studio....................................53
VIII.................................DIAGRAMA DE CAJAS DE LOS TIPOS DE RACIONES55
IX. DIAGRAMA DE CAJAS DE LOS TIPOS DE CASILLEROS........................56
X. DIAGRAMA DE CAJAS DE LOS TIPOS DE PISOS......................................57
XI. DISEÑO COMPUESTO CENTRAL ROTABLE..............................................58
11.1. ¿Qué es el diseño compuesto central rotable ?...................................................58
XII. DISEÑOS FRACCIONADOS..............................................................................60
12.1. Diseño factorial fraccionado 2 k− p ...................................................................60
[Link]ÑO DE MEZCLAS:.....................................................................................75
[Link]ÑO PLACKETT-BURMAN........................................................................77
XV. CONCLUSION......................................................................................................95
[Link]ía............................................................................................................96
 1

FIGURA 1...............................................................................................................................6
FIGURA 2...............................................................................................................................7
Instalación de R.....................................................................................................................7
FIGURA 3...............................................................................................................................7
FIGURA 4...............................................................................................................................8
FIGURA 5...............................................................................................................................8
FIGURA 6...............................................................................................................................9
FIGURA 7...............................................................................................................................9
FIGURA 8.............................................................................................................................10
FIGURA 9.............................................................................................................................10
FIGURA 10...........................................................................................................................11
FIGURA 11...........................................................................................................................11
FIGURA 12...........................................................................................................................12
FIGURA 13...........................................................................................................................12
FIGURA 14...........................................................................................................................13
FIGURA 15...........................................................................................................................13
FIGURA 16...........................................................................................................................14
FIGURA 17...........................................................................................................................14
FIGURA 18...........................................................................................................................15
FIGURA 19...........................................................................................................................15
FIGURA 20...........................................................................................................................16
FIGURA 21...........................................................................................................................16
FIGURA 22...........................................................................................................................17
FIGURA 23...........................................................................................................................17
FIGURA 24...........................................................................................................................18
FIGURA 25...........................................................................................................................18
FIGURA 26...........................................................................................................................19
FIGURA 27...........................................................................................................................19
FIGURA 28...........................................................................................................................20
FIGURA 29...........................................................................................................................21
FIGURA 30...........................................................................................................................21
FIGURA 31...........................................................................................................................22
 2

FIGURA 32...........................................................................................................................22
FIGURA 33...........................................................................................................................23
FIGURA 34...........................................................................................................................23
FIGURA 35...........................................................................................................................25
FIGURA 36...........................................................................................................................26
FIGURA 37...........................................................................................................................27
FIGURA 38...........................................................................................................................28
FIGURA 39...........................................................................................................................28
FIGURA 40...........................................................................................................................29
FIGURA 41...........................................................................................................................30
FIGURA 42...........................................................................................................................30
FIGURA 43...........................................................................................................................31
FIGURA 44...........................................................................................................................32
FIGURA 45...........................................................................................................................36
FIGURA 46...........................................................................................................................37
FIGURA 47...........................................................................................................................37
FIGURA 48...........................................................................................................................38
FIGURA 49 .....................................................................................................................38
FIGURA 50...........................................................................................................................41
FIGURA 51...........................................................................................................................42
FIGURA 52...........................................................................................................................44
FIGURA 53...........................................................................................................................45
FIGURA 54...........................................................................................................................45
FIGURA 55...........................................................................................................................46
FIGURA 56...........................................................................................................................46
FIGURA 57...........................................................................................................................47
FIGURA 58...........................................................................................................................47
FIGURA 59...........................................................................................................................63
FIGURA 60...........................................................................................................................65
FIGURA 61...........................................................................................................................67
FIGURA 62...........................................................................................................................68
FIGURA 63...........................................................................................................................69
FIGURA 64...........................................................................................................................78
 3

FIGURA 65...........................................................................................................................78
FIGURA 66...........................................................................................................................81
FIGURA 67...........................................................................................................................83

INTRODUCCIÓN

Los métodos estadísticos son pilares fundamentales en el proceso de investigación

científica, ofreciendo un enfoque sistemático para analizar y comprender datos de manera
objetiva. Desde la recopilación hasta la interpretación, estas técnicas proporcionan un marco
estructurado que facilita la toma de decisiones informadas y la validación de hipótesis. La
estadística descriptiva permite resumir y presentar datos de manera significativa, mientras que la
inferencial generaliza resultados a partir de muestras para hacer afirmaciones sobre poblaciones
más amplias. En diversos campos científicos, comprender y aplicar correctamente estos métodos
es esencial para asegurar la calidad y fiabilidad de los hallazgos obtenidos.

En la investigación estadística, el lenguaje de programación R y su entorno de desarrollo

RStudio han ganado gran aceptación. R es un software de análisis estadístico de código abierto,
que ofrece herramientas para manipular datos, realizar análisis complejos y crear visualizaciones.
Por su parte, RStudio es un entorno de desarrollo integrado (IDE) diseñado específicamente para
trabajar con R, ofreciendo un conjunto de características que facilitan la programación, la
visualización de resultados y la colaboración en proyectos estadísticos.

El uso combinado de R y RStudio ofrece una plataforma poderosa para análisis

estadísticos avanzados de manera eficiente. RStudio proporciona un entorno intuitivo para
escribir, ejecutar y depurar código R, mientras que la amplia comunidad de usuarios y la
disponibilidad de paquetes hacen de R una herramienta versátil para diversos problemas
estadísticos. Desde la limpieza de datos hasta la presentación de resultados, R y RStudio ofrecen
herramientas completas para cualquier proyecto de investigación estadística. Este manual
explorará los conceptos básicos de los métodos estadísticos y la funcionalidad de R y RStudio en
la investigación científica.
 4

MARCO TEORICO

I.1. ¿Qué es el Lenguaje R?

R es un lenguaje y entorno de programación, creado en 1993 por Ross Ihaka y Robert

Gentleman, cuya característica principal es que forma un entorno de análisis estadístico con
lenguaje de programación para realizar cálculos y crear. Lo llamamos lenguaje de programación
porque nos permite dar instrucciones a nuestros equipos a través de código para realizar tareas
específicas (además de ser Turing Completo, un concepto que abordaremos más adelante). Un
entorno computacional es simplemente un intérprete para este código.

Al instalar R en nuestra computadora, en realidad estamos instalando el entorno

computacional. Para poder utilizarlo, necesitamos aprender a escribir instrucciones que el
software pueda interpretar y ejecutar, que es precisamente lo que aprenderemos en este curso.

A diferencia de otros lenguajes de programación diseñados para múltiples propósitos, R

fue creado específicamente para la estadística. Esta especialización lo hace único y puede parecer
poco convencional para quienes tienen experiencia con otros lenguajes de programación. Sin
embargo, esta misma característica es lo que convierte a R en una herramienta extremadamente
poderosa para el trabajo estadístico, ya que opera de la manera en que un especialista en
estadística espera (Vega, 2024)

Para comprender mejor estas características distintivas, es útil conocer un poco sobre los
orígenes de este lenguaje de programación.

I.2. ¿Qué es Rstudio?

RStudio es un entorno de desarrollo integrado de código abierto y gratuito con una

interfaz de usuario que hace que R sea mucho más fácil de usar. R Markdown, una herramienta
de RStudio, permite presentar fácilmente código, resultados y texto en formato .pdf, .html o .doc.
(Bosoni, 2019)

I.3. Estadística en RStudio

 5

R y RStudio son herramientas indispensables en la investigación científica debido a su

capacidad para manejar grandes volúmenes de datos y realizar análisis estadísticos complejos.
Desde la limpieza y preparación de datos hasta la presentación de resultados, R y RStudio se
adaptan a las necesidades de cualquier proyecto de investigación estadística.

En este manual, exploraremos los conceptos básicos de los métodos estadísticos y la

funcionalidad de R y RStudio en el contexto de la investigación científica, ayudándote a
aprovechar al máximo estas herramientas para tus proyectos (Hernández, 2020)
 6

I. INSTALACIÓN Y REQUERIMIENTO DE R y RSTUDIO

Una vez completados estos pasos, ya tendrás tanto R como RStudio instalados en tu
computadora y podrás empezar a trabajar en tus análisis de datos y programación en R.

I.1. Descarga e instalación del software R (Windows 11):

Para realizar la instalación de R usted debe visitar la página del CRAN (Comprehensive
R Archive Network) disponible en este enlace. Una vez ingrese encontrará los enlaces de la
instalación para los sistemas operativos Linux, Mac y Windows.

1do Paso: Damos click en Download R for Windows

FIGURA 1

Instalación de R
 7

2do Paso: Click en install R for the first time.

FIGURA 2

II. Instalación de R

3ro Paso: Click en Download R-4.4.0 for Windows (82 megabytes, 64 bit)

FIGURA 3

Instalación de R
 8

4to Paso: Se iniciará la descarga del software.

FIGURA 4

Instalación de R

5to Paso: Una vez finalizada la descarga, abrimos el archivo y hacemos clic en "Sí".

FIGURA 5

Instalación de R
 9

6to Paso: Elegimos el idioma correspondiente y damos clic en “Aceptar”.

FIGURA 6

Instalación de R

7mo Paso: Damos clic en “Siguiente” en cada ventana de instalación.

FIGURA 7

Instalación de R
 10

FIGURA 8

Instalación de R

FIGURA 9

Instalación de R
 11

FIGURA 10

Instalación de R

FIGURA 11

Instalación De R
 12

FIGURA 12

Instalación de R

8vo Paso: Clic en “Finalizar” para terminar la instalación.

FIGURA 13

Instalación de R
 13

Nota: La instalación de R ha finalizado y la aplicación debería ser visible.

9no Paso: Verificamos en nuestro equipo la instalación.

FIGURA 14

Visualización de R

10mo Paso: Iniciamos el software y verificamos su correcta instalación realizando

algunas operaciones.

FIGURA 15

Aplicación R
 14

II.1. Descarga e instalación del software Rstudio (Windows 11):

Cuando instalamos RStudio, obtenemos un software adicional que permite aprovechar

plenamente las capacidades de R en una interfaz intuitivo y amigable.

1er Paso: Antes de descargar, se tiene que revisar las características de nuestro equipo.

FIGURA 16

Especificaciones de ordenador.
 15

2do Paso: Nos dirigimos a nuestro navegador web y en la barra de búsqueda ingresamos
la siguiente dirección: [Link]

FIGURA 17

Instalación de Rstudio
 16

3er Paso: Clic en “Download RStudio Desktop”.

FIGURA 18

Instalación de Rstudio

4to Paso: Se iniciará la descarga del software.

FIGURA 19

Descarga de archivo de Rstudio

 17

5to Paso: Al finalizar la descarga, abrimos el archivo y le damos click en Sí.

FIGURA 20

Instalación de Rstudio

6to Paso: Damos clic en “Siguiente” e “Instalar” según corresponda en cada ventana de
instalación

FIGURA 21

Instalación de Rstudio
 18

FIGURA 22

Instalación de Rstudio

FIGURA 23

Instalación de Rstudio
 19

FIGURA 24

Instalación de Rstudio

7mo Paso: Clic en “Terminar” para finalizar la instalación.

FIGURA 25

Instalación de Rstudio
 20

8vo Paso: Verificamos en nuestro equipo la instalación del software.

FIGURA 26

Visualización de Rstudio

9no Paso: Abrimos el software y comprobamos si está correctamente instalado ejecutando

algunas operaciones.

FIGURA 27

Aplicación Rstudio
 21

III. DESCRIPCION DE LAS INTERFACES DE R Y RSTUDIO:

III.1. Descripción de las interfaces de R y Rstudio

R ofrece una experiencia básica de programación en consola, RStudio mejora esta

experiencia con una interfaz gráfica que facilita la escritura de código, la visualización de
resultados y la gestión de proyectos estadísticos de manera más eficiente. (Solano, 2021)

[Link]ón del interfaz de R

Consola R o ventana de órdenes:

FIGURA 28

Visualización de la consola R

La ventana, en su parte superior contiene barra con menús:

• Fichero (operaciones básicas con ficheros);

• Editar (menú con opciones de edición, copiar, pegar, etc.);

• Misc (opciones avanzadas);

 22

• Paquetes (permite gestionar los paquetes adicionales de R);

• Ayuda (información sobre R)

Interfaz gráfica, o Rcommander

Para poder trabajar con R necesitamos instalar la Interfaz gráfica, o Rcommander.

Cuando instalamos por primera vez, vamos al menú – Paquetes – seleccionar el espejo CRAN.
Desde la ventana CRAN mirror seleccionamos Spain (Madrid) o la más cercana:

FIGURA 29

Interfaz gráfica, o Rcommander

2do Paso: Después, desplegamos opción Paquetes, Instalar paquete(s)… Abrimos Menú –
Paquetes y pinchamos en Cargar paquete: Escogemos fBasics y Rcmdr y OK:

FIGURA 30
 23

Instalación de paquete fBasics y Rcmdr.

Cargar el Rcommander

Para poder trabajar con los datos en el R, tenemos que cargar el Rcommander. Vamos a
menú Paquetes, Cargar paquete

FIGURA 31

Carga del Rcommander

3er Paso: Escogemos Rcmdr Aparecerá la ventana que indica que debemos instalar otros
paquetes de CRAN mirror, le damos a Aceptar.
 24

FIGURA 32

Carga del Rcommander

4to Paso: Después de instalación de algunos contenidos, que puede tardar algunos
minutos, se activará la ventana de Rcommander:

FIGURA 33

Carga del Rcommander

5to Paso: Siempre tendremos las dos ventanas presentes para poder trabajar, una (la del
fondo) es la de la consola R, que se denomina RGui (Graphical user interface) y la de delante R
 25

Commander, en la que podemos trabajar sin usar el lenguaje de comandos, utilizando las tareas
que tiene éste:

FIGURA 34

Carga del Rcommander

Las opciones que se incluyen en el R Commander son las siguientes:

 Fichero, permite abrir archivos, guardar archivos de datos, comandos o algoritmos

de ejecución, etc.

 Editar, las opciones de edición como copiar, pegar, etc.;

 Datos, permite acceder a los conjuntos de datos y realizar diferentes acciones

relacionadas.

 Estadísticos, comandos para realización de análisis de datos, uni- y multi-

variables, paramétricos y no paramétricos, etc..

 Gráficas, permite realizar una representación gráfica de datos.

 Modelos, permite acceder a modelos específicos para representación de datos.

 Distribuciones, permite comprobar el ajuste a las diferentes distribuciones.

 26

 Herramientas, permite cargar paquetes necesarios para el análisis y ajustar el

interface para la representación gráfica.

 Ayuda, permite acceder a la ayuda en R, en inglés.

 27

[Link]ón del interfaz de Rstudio

La interfaz de RStudio se compone de diferentes paneles que permiten al usuario escribir

código, visualizar resultados, explorar archivos y trabajar con paquetes de R

FIGURA 35

Interfaz de Rstudio

1 2

Partes de la interfaz:

Se pueden ver 4 ventanas, además de la barra de opciones en la parte superior.

Ventana (1): es el editor de sintaxis: se trata del lugar donde editamos la sintaxis para
posteriormente ejecutarla. Al escribir allí no sucederá nada, a no ser que se apriete algún botón
para ejecutar los comandos (“RUN”) o la tecla ctrl+enter.

Ventana (2): es el “entorno de trabajo” del programa: en este lugar se muestra el

conjunto de datos y los “objetos” (resultados, variables, gráficos, etc.) que se almacenan al
ejecutar diferentes análisis.

Ventana (3) tiene varias sub pestañas: (i) la pestaña files permite ver el historial de
archivos trabajados con el programa; (ii) la pestaña plots permite visualizar los gráficos que se
generen; (iii) la pestaña packages permite ver los paquetes descargados y guardados en el disco
duro así como gestionar su instalación o actualización; (iv) la ventana help permite acceder al
 28

CRAN - Comprehensive R Archive Network (siempre que se cuente con conexión a Internet),
página oficial del software que ofrece diferentes recursos para el programa: manuales para el
usuario, cursos online, información general, descarga de paquetes, información de los paquetes
instalados, etc. Esta última pestaña es bastante útil: empleando el motor de búsqueda se accede
de manera rápida a manuales de uso de los diferentes paquetes (y sus funciones) instalados en el
computador (esto no requiere conexión a Internet).; (v) la ventana viewer muestra los resultados
al construir reportes mediante funcionalidades tipo rmarkdown.

Ventana (4): es la consola. Corresponde a lo que sería el software R en su versión básica.

Allí el software ejecuta las operaciones realizadas desde el editor de sintaxis.

Menú superior:

El menú superior de RStudio proporciona acceso a funciones clave como la gestión de

archivos, la edición de código, la visualización de paneles, hacer zoom y cambiar el color de
fondo

FIGURA 36

Menú superior de Rstudio

 29

New File:

Se encuentra en la ventana de File y crea nuevas ventanas para nuevos scripts.

FIGURA 37

New File de Rstudio

IV. INSTALACIÓN DE PAQUETES EN R STUDIO

IV.1. ¿Qué es la instalación de paquetes en Rstudio?

Instalar paquetes en RStudio implica agregar nuevas funcionalidades y capacidades a R

utilizando conjuntos de funciones y datos desarrollados por la comunidad. Estos paquetes están
diseñados para realizar diversas tareas, desde estadísticas básicas hasta técnicas avanzadas y
visualizaciones especializadas. La habilidad de instalar paquetes en RStudio es una de las
razones principales de la versatilidad y popularidad de R en la comunidad científica y de análisis
de datos, permitiendo a los usuarios ampliar y personalizar sus capacidades según las
necesidades específicas de sus proyectos (Rafa, 2019)

IV.2. ¿Cómo se instala?

Algunos paquetes vienen instalados por defecto en R y otros deben ser instalados, lo cual
resulta ser bastante sencillo. Tenemos dos formas de instalar paquetes en R: desde la consola de
comandos o a través de la interfaz de RStudio. Por ejemplo, vamos a instalar el paquete
“ggplot2”, uno de los más usados en R.

Tenemos que usar el comando [Link]() e introducir el nombre del paquete que
queremos instalar entre comillas
 30

FIGURA 38

Comando [Link]()

a. Interfaz de RStudio

Paso 1. Podemos acceder al asistente de instalación desde la pestaña de paquetes de

RStudio y desde esta deberemos seleccionar instalar.

FIGURA 39

Instalación desde la pestaña de paquetes de RStudio

 31

2do Paso: Desde el asistente, escribiremos el nombre del paquete que queremos instalar y
pulsaremos sobre instalar

FIGURA 40

Instalación desde la pestaña de paquetes de RStudio

IV.3. Paquetes estadísticos de Rstudio

Estos paquetes son como herramientas que hacen que trabajar con datos en RStudio sea
mucho más fácil.

IV.3.1. agricolae:

Este paquete proporciona herramientas estadísticas y gráficas para la investigación

agronómica. Permite realizar análisis de experimentos agrícolas, como diseños de bloques
completos aleatorizados y análisis de múltiples comparaciones.
 32

FIGURA 41

Instalación del paquete agricolae

IV.3.2. readxl:

Es un paquete diseñado para la lectura de archivos de Excel (.xls y .xlsx) en R. Facilita la

importación de datos tabulares desde hojas de cálculo Excel a RStudio para su posterior análisis.

FIGURA 42

Instalación del paquete readxl

 33

IV.3.3. ggplot2:

Es un paquete muy popular para la creación de gráficos en RStudio. Utiliza una

gramática de gráficos para generar visualizaciones de datos personalizables y de alta calidad,
facilitando la exploración y presentación de datos de manera efectiva.

FIGURA 43

Instalación del paquete ggplot2

IV.3.4. rmarkdown:

Este paquete permite la creación de documentos reproducibles que combinan código R,

resultados de código, y texto formateado en un solo documento. Los documentos de rmarkdown
se pueden representar en muchos formatos de salida, incluidos documentos HTML, PDF,
archivos de Word, presentaciones de diapositivas y más, lo que le permite concentrarse en el
contenido mientras R Markdown se encarga de su presentación. (Goicoa, 2019)
 34

FIGURA 44

Instalación del paquete rmarkdown

 35

V. CONCEPTOS BÁSICOS NECESARIOS Y ATAJOS EN RSTUDIO:

V.1. Vectores:

En RStudio, puedes usar funciones específicas para manipular y transformar datos, como,
por ejemplo, renombrar códigos o cualquier otro tipo de datos. Una función útil para esto es
dplyr, un paquete popular en R que facilita la manipulación de datos de manera eficiente. Aquí
tienes un ejemplo de cómo usar dplyr para renombrar códigos en un conjunto de datos:

# Instalamos y cargamos el paquete dplyr si aún no está instalado

[Link]("dplyr")

library(dplyr)

# Creamos un ejemplo de datos

datos <- [Link](

codigo = c("A", "B", "C", "A", "B"),

valor = c(10, 20, 15, 25, 30)

# Mostramos los datos originales

print(datos)

# Usamos dplyr para renombrar los códigos

datos_modificados <- datos %>%

mutate(codigo = recode(codigo, "A" = "CodigoA", "B" = "CodigoB", "C" =

"CodigoC"))
 36

En este ejemplo:

Primero creamos un conjunto de datos datos con una columna codigo que contiene
valores "A", "B" y "C".

Usamos la función mutate de dplyr junto con recode para renombrar los códigos "A", "B"
y "C" a "CodigoA", "CodigoB" y "CodigoC", respectivamente.

Finalmente, mostramos los datos originales y los datos modificados para ver el efecto de
la transformación.

V.2. Análisis estadístico

En el análisis estadístico, especialmente en el contexto del diseño de experimentos y

análisis de varianza (ANOVA), los términos "factor", "nivel de factor", "tratamiento" y "réplicas"
son fundamentales. A continuación, te explico cada uno de estos términos y te doy un ejemplo de
código en RStudio.

V.3. Factor

Un factor es una variable categórica que se utiliza para agrupar los datos en diferentes
categorías. Se utiliza para identifica las variables categóricas en un experimento. Por ejemplo,
en un experimento agrícola, un factor podría ser el tipo de fertilizante utilizado.

# Definir los niveles del factor "Fertilizante" fertilizantes <- factor(c("A", "B", "C"))

V.3.1. Nivel de Factor

Los niveles de un factor son las diferentes categorías o valores que puede tomar un factor.
Siguiendo con el ejemplo anterior, si el factor es el tipo de fertilizante, los niveles podrían ser
"Fertilizante A", "Fertilizante B" y "Fertilizante C". Permiten estudiar diferentes condiciones
dentro de un factor.
 37

fertilizantes <- factor(c("A", "B", "C"))

V.4. Tratamiento

Un tratamiento es una combinación específica de los niveles de todos los factores en un

experimento. En un diseño con un solo factor, cada nivel del factor es un tratamiento. Si hay
múltiples factores, cada combinación única de niveles de los factores representa un tratamiento.
Especifica combinaciones de niveles de factores a estudiar.

# Simular datos de crecimiento de plantas (en cm) para cada tratamiento

[Link](123) # Para reproducibilidad

datos$Crecimiento <- c(rnorm(replicas, mean = 8, sd = 1), # Fertilizante A

rnorm(replicas, mean = 10, sd = 1), # Fertilizante B

rnorm(replicas, mean = 12, sd = 1)) # Fertilizante C

V.5. Réplicas

Las réplicas son repeticiones del mismo tratamiento en un experimento. Las réplicas son
importantes para estimar la variabilidad y aumentar la precisión del experimento. Aumentan la
precisión y permiten estimar la variabilidad del experimento.

# Número de réplicas replicas <- 3

 38

VI. IMPORTACIÓN DE ARCHIVOS EXCEL A R STUDIO

Para importar archivos de Excel a RStudio, se puede utilizar el paquete "readxl" que
permite leer archivos de Excel en formato xls y xlsx.

FIGURA 45

1er Paso: Antes de importar un archivo Excel a RStudio, es esencial asegurarse de que los
datos del archivo estén adecuadamente preparados. Para ello, es importante considerar los
siguientes aspectos:

 Estructura de Datos Consistente: Asegúrese de que todas las filas y columnas

sigan una estructura coherente, sin celdas combinadas o vacías innecesarias.

 Encabezados Claros: Los encabezados de las columnas deben ser descriptivos y

únicos, ubicados en la primera fila del archivo.

 Tipo de Datos Correcto: Verifique que los tipos de datos (numéricos, fechas,
texto) sean consistentes y adecuados en todas las columnas.

 Ausencia de Caracteres Especiales: Evite el uso de caracteres especiales o

espacios en los nombres de las columnas, ya que pueden causar problemas
durante la importación.

 Sin Filas ni Columnas Adicionales: Elimine cualquier fila o columna extra que no
forme parte de los datos relevantes, como títulos o notas.
 39

 Consistencia en Formato de Fechas: Asegúrese de que las fechas estén en un

formato uniforme y compatible con R.

 Datos Sin Errores: Revise y corrija cualquier error tipográfico o entrada incorrecta
en los datos.

FIGURA 46

Tabla Excel bien adecuada

2do Paso: En RStudio para poder importar la data desde Excel:

FIGURA 47

Excel a Rstudio
 40

3er Paso: Luego, al seleccionar la opción From Excel nos aparecerá una ventana como la
que se mostrará a continuación, allí haremos clic en donde dice Browse para ubicar nuestro
archivo en el escritorio.

FIGURA 48

Ventana para escoger nuestro archivo

4to Paso: Finalmente, verificamos que nos aparezca la data en el panel R Script. Si este se
visualiza en dicho panel, quiere decir que la importación de los datos que se encuentran en el
archivo Excel ha sido exitosa

FIGURA 49

Excel a Rstudio
 41

VII. ANALISIS DE DATOS UTILIZANDO LA ESTADISTICA DESCRIPTIVA

VII.1. ¿Qué es la estadística descriptiva?

La estadística descriptiva en RStudio se refiere al uso de herramientas y técnicas

estadísticas para resumir y describir las características principales de un conjunto de datos. Este
tipo de análisis se enfoca en la representación y descripción de datos mediante medidas
numéricas y gráficos, sin inferir conclusiones más allá de los datos analizados. (Ortega, 2020)

VII.2. Componentes Principales de la Estadística Descriptiva

VII.2.1. Medidas de Tendencia Central:

Las medidas de tendencia central son medidas estadísticas que pretenden resumir en un
solo valor a un conjunto de valores. Representan un centro en torno al cual se encuentra ubicado
el conjunto de los datos. Las medidas de tendencia central más utilizadas son: media, mediana y
moda. (Rafael, 2018)

Ejem:

# Crear un conjunto de datos de ejemplo [Link](123) # Par reproducibilidad

datos <- c(4, 8, 6, 5, 3, 7, 8, 9, 10, 6, 8, 6, 5)

VII.2.1.1. Media:

datos <- c(4, 8, 6, 5, 3, 7, 8, 9, 10, 6, 8, 6, 5)

media <- mean(datos)

Se utiliza la función mean().

VII.2.1.2. Mediana:

Se utiliza la función mean().

 42

mediana <- median(datos)

print(paste("Mediana:", mediana))

VII.2.1.3. Moda:

No hay una función específica incorporada en R para calcular la moda, pero se puede
determinar utilizando una combinación de las funciones table(), [Link](), y names()
# Calcular la moda

moda <- [Link](names([Link](table(datos))))

print(paste("Moda:", moda))

VII.2.2. Medidas de dispersión

Las medidas de dispersión en RStudio se refieren a estadísticas que describen cuánto

varían o se dispersan los datos en un conjunto de datos. Estas medidas proporcionan información
sobre la variabilidad de los datos, ayudando a entender cómo se distribuyen alrededor de una
medida central (como la media o la mediana).

VII.2.2.1. Rango:

Es la diferencia entre el valor máximo y el mínimo de un conjunto de datos.

# Crear un conjunto de datos de ejemplo

datos <- c(4, 8, 6, 5, 3, 7, 8, 9, 10, 6, 8, 6, 5)

VII.2.2.2. Varianza:
 43

Es una medida de la dispersión de los datos alrededor de la media. Se calcula como el

promedio de los cuadrados de las diferencias entre cada dato y la media. La varianza se calcula
utilizando la función ‘var()’:

# Calcular la varianza

varianza <- var(datos)

print(paste("Varianza:", varianza))

VII.2.2.3. Desviación Estándar:

Es la raíz cuadrada de la varianza y proporciona una medida de la dispersión de los datos

en la misma unidad que los datos originales. La desviación estándar se calcula utilizando la
función ‘sd()’:
# Calcular la desviación estándar

desviacion_estandar <- sd(datos)

print(paste("Desviación Estándar:", desviacion_estandar))

VII.3. Elaboración de histogramas con R Studio

Para crear un histograma en RStudio, puedes utilizar la función hist() que está incluida en
R base. Los histogramas son útiles para visualizar la distribución de una variable numérica. Aquí
te muestro cómo puedes crear un histograma paso a paso.

Para elaborar un histograma en el programa R Studio, primero debemos importar el Excel

con los datos a graficar. Seguidamente, abrimos un nuevo R Script siguiendo los siguientes
pasos: nos dirigimos hacia la opción New File, luego hacemos clic donde dice R Script y nos
aparecerá nuestra pestaña donde escribiremos los códigos para realizar nuestro histograma

FIGURA 50
 44

Realización del histograma

 45

VII.4. Elaboración de diagrama de caja con R Studio

Para llevar a cabo la elaboración de un diagrama de caja en RStudio, utilizaremos el

código boxplot (TD$ “Nombre del tratamiento") y para darle color a nuestro diagrama utilizamos
el código col= “Color (Ingles) de su preferencia”. Una vez escrito el código en R Script nos
quedaría de la siguiente manera:

boxplot(nombre del valor dependiente~nombre del valor independiente, data = nombre del
Excel, col=”red”, main=”Titulo del diagrama")

FIGURA 51

Realización del diagrama de caja

 46

VIII. DISEÑO COMPLETAMENTE AL AZAR

VIII.1. Diseño completamente al azar con R Studio:

El Diseño Completamente al Azar (DCA) es un tipo de diseño experimental en el que las

unidades experimentales (por ejemplo, parcelas, animales, pacientes, etc.) se asignan
aleatoriamente a diferentes tratamientos. Este diseño es uno de los más simples y se utiliza
principalmente cuando las unidades experimentales son homogéneas, es decir, no existen
diferencias significativas entre ellas que puedan influir en la variable de respuesta más allá de los
efectos de los tratamientos. En RStudio, se pueden realizar análisis de un diseño completamente
al azar utilizando funciones específicas para ANOVA y comparaciones de medias. (Hoz, 2016)

FACTORES DE TÉCNICA MODELO

DISEÑO
BLOQUE ESTADÍSTICA ESTADISTICO

ANOVA con un
Completamente al
0 criterio de Y =μ+ τ +ε
azar
clasificación

HIPOTESIS:

H 0=μ 1=μ2=μ3=μ 4 H a ≠ μ 1 ≠ μ2 ≠ μ3 ≠ μ 4

Dos opciones:

p < 0.05 Se rechaza la H0 o “Existen diferencias”

p > 0.05 Se acepta la H0 o “NO existen diferencias”

 47

EJERCICIO DE PRACTICA.

Se probaron 4 raciones alimenticias para pollos, criados en jaulatipo bateria de 4 pisos

(filas) y 4 casilleros (columnas), la variable analizada: Peso del pollo (kg) a las 8 semanas de
edad. Determine si el tipo de ración influye en la ganancia de peso del pollo, por experiencia se
conoce que el piso o nivel en que se encuentran los pollos puede afectar su peso, por lo que se ha
considerado la evaluación de la misma ración en diferentes pisos y [Link] si existe
diferencias entre los tratamientos, es decir si el tipo de ración, piso o casillero influye en la
ganancia de peso de los pollos.

Puedes seguir los pasos:

1er Paso: Importar y cargar los datos en R Studio (Como tabla o vectores)

FIGURA 52

Datos cargados como tabla

 48

2do Paso: Definir los factores: Los factores son las variables, es decir todas las variables
son factores a excepción de la variable respuesta, y se hace con el siguiente código:

FIGURA 53

Con la tabla de la figura 1

3er Paso: Usamos el código ANOVA de la siguiente manera:

FIGURA 54

Con los datos de la tabla de la figura 1

 49

4to Paso: Realizar el análisis estadístico correspondiente para comparar los tratamientos y
determinar si existen diferencias significativas. Para esto podemos consultar en la consola
después de haber corrido todos nuestros códigos.

FIGURA 55

Resultados en Rstudio

INTERPRETACION:

1. El valor de p es 0.984, entonces al ser mayor de 0.05 las medidas no son

diferentes.

2.

5to Paso: Corroboramos con Tukey y Bonferroni

FIGURA 56

Ejemplo con la tabal de la figura 1

 50

FIGURA 57

Ejemplo con la tabla de la figura 1

FIGURA 58

Ejemplo con la tabla de la figura 1

 51

VIII.2. Diseño de bloque completamente al azar con R Studio:

El Diseño de Bloques Completo al Azar (DBCA) pretende reducir el efecto de la

variabilidad que vienen a causas propias del experimento, pero independiente del efecto que se
desea estudiar.

Ventajas:

 Sirve para cualquier tipo y numero de tratamientos.

 Si se debe eliminar algún bloque o tratamiento, el análisis puede seguir siendo

analizado y no será afectado

Desventajas:

Es limitado en grados de libertad a diferencia de un DCA

FACTORES DE TÉCNICA MODELO

DISEÑO
BLOQUE ESTADÍSTICA ESTADISTICO

ANOVA con dos

Bloques Completos
1 criterios de Y =μ+ τ + γ +ε
al azar
clasificación

HIPOTESIS:

H 0=μ 1=μ2=μ3=μ 4=μ 5 H a ≠ μ 1 ≠ μ2 ≠ μ3 ≠ μ 4 ≠ μ5

Dos opciones:

p < 0.05 Se rechaza la H0 o “Existen diferencias”

p > 0.05 Se acepta la H0 o “NO existen diferencias”

Para hacer un DBCA en Rstudio, puedes seguir estos pasos:

IMPORTANTE: Para crear un Diseño de Bloques Completo al Azar se debe tener

instalado y activado el paquete “Agricolae”, este paquete trae incluidos los códigos para este tipo
de diseños.
 52

A continuación, se planteara un problema

Figura 1:

Excel a Rstudio

Solución

Ensamblaje<-factor(c(3,4,1,2,2,3,4,1,1,2,3,4,4,1,2,3),labels=c("A","B","C","D"))
Filas<-gl(4,4)
Columnas<-gl(4,1,length=16)
Tiempo<-c(10,14,7,8,7,18,11,8,5,10,11,9,10,10,12,14)
 53

## Filas Columnas Ensamblaje Tiempo

# 1 1 1 C 10
#

# 2 1 2 D 14
#

# 3 1 3 A 7
#

# 4 1 4 B 8
#

# 5 2 1 B 7
#

# 6 2 2 C 18
#

# 7 2 3 D 11
#

# 8 2 4 A 8
#

# 9 3 1 A 5
#

# 10 3 2 B 10
#

# 11 3 3 C 11
#

# 12 3 4 D 9
#
 54

# 13 4 1 D 10
#

# 14 4 2 A 10
#

# 15 4 3 B 12
#

# 16 4 4 C 14
#

Ajuste del modelo

para i = j = k = 1, 2, 3, 4

yij(k) = µ + αi + βj + τ(k) + eij(k)

 55

anova(ModeloDCL)

## Analysis of Variance Table

##
## Response: Tiempo
## Df Sum Sq Mean Sq F value Pr(>F)
## Filas 3 18.5 6.1667 3.5238 0.088519 .
## Columnas 3 51.5 17.1667 9.8095 0.009926 **
## Ensamblaje 3 72.5 24.1667 13.8095 0.004213 **
## Residuals 6 10.5 1.7500
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
tukey<-agricolae::[Link](y = ModeloDCL,trt = "Ensamblaje")
tukey

## $statistics
## MSerror Df Mean CV MSD
## 1.75 6 10.25 12.9061 3.238134
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Ensamblaje 4 4.895599 0.05
##
## $means
## Tiempo std r Min Max Q25 Q50 Q75
## A 7.50 2.081666 4 5 10 6.50 7.5 8.50
## B 9.25 2.217356 4 7 12 7.75 9.0 10.50
## C 13.25 3.593976 4 10 18 10.75 12.5 15.00
## D 11.00 2.160247 4 9 14 9.75 10.5 11.75
##
## $comparison
## NULL
##
## $groups
## Tiempo groups
## C 13.25 a
## D 11.00 ab
## B 9.25 bc
## A 7.50 c
##
## attr(,"class")
## [1] "group"
Los resultados de la prueba de tukey muestran diferencias entre los tratamientos C y B, los tratamientos A y
C, y los tramientos A y D.
 56

VIII.3. Diseño cuadrado latino.

El Cuadrado Latino es un diseño experimental que utiliza la aleatorización para distribuir

los tratamientos de manera equilibrada. En este diseño, los tratamientos se organizan en una
matriz de tal manera que en la primera fila y columna se encuentran ordenados alfabéticamente.
(Palencia Pretelt, 2023)

TÉCNICA
FACTORES DE MODELO
DISEÑO ESTADÍSTIC
BLOQUE ESTADISTICO
A

ANOVA con
Bloques Completos al
2 tres criterios de Y =μ+ τ + γ +δ +ε
azar
clasificación

VIII.3.1. Diseñar un DCL (Latin Square Design) con R Studio

Para diseñar un DCL (Latin Square Design) en R Studio, primero necesitamos instalar el
paquete agricolae que nos ayudará a crear el diseño.

# Paso 1: Crear el Diseño Cuadrado Latino

if(!require(agricolae)){

[Link]("agricolae")
 57

library(agricolae)

tratamientos <- c("A", "B", "C", "D")

diseño <- [Link](trt = tratamientos, serie = 2)

print(diseño)

# Paso 2: Visualizar el Diseño

diseño$sketch

# Paso 3: Generar Datos de Ejemplo

[Link](123)

rendimiento <- rnorm(length(tratamientos)^2, mean = 10, sd = 2)

datos <- diseño$book

datos$rendimiento <- rendimiento

print(datos)

# Paso 4: Análisis de Varianza (ANOVA)

modelo <- aov(rendimiento ~ row + col + trt, data = datos)

summary(modelo)

# Paso 5: Interpretación de Resultados

 58

IX. DIAGRAMA DE CAJAS DE LOS TIPOS DE RACIONES

1.
Pesos_de_poll

1.

Tipos de raciones
ABCD
1.
1.

A B C D
Raciones

INTERPRETACION

El diagrama de cajas nos indica que no hay una diferencia significativa en la posición de
los valores de cada tipo de ración

boxplot(Pesos_de_pollos~Casilleros,main="DIAGRAMA DE CAJAS DE LOS

TIPOS DE CASILLEROS", data=df,col=c("

legend("topleft", inset=.02, title="Tipos de casilleros",

legend=c("A","B","C","D"), fill=c("yellow","orange","purple","brown"),
horiz=TRUE, cex=0.7)
 59

X. DIAGRAMA DE CAJAS DE LOS TIPOS DE CASILLEROS

1.

Tipos de casilleros
ABCD
Pesos_de_poll

1.
1.
1.

1 2 3 4
Casilleros

INTERPRETACION

El diagrama de cajas nos indica que hay una diferencia significativa en la posición de los
valores de los tipos de casilleros 1,2 y 3 con respecto al casillero 4

boxplot(Pesos_de_pollos~Pisos,main="DIAGRAMA DE CAJAS DE LOS

TIPOS DE PISOS", data=df,col=c("turquoise"

legend("bottomright", inset=.02, title="Tipos de pisos",

legend=c("1","2","3","4"), fill=c("turquoise","gold","gray","beige"),
horiz=TRUE, cex=0.
 60

XI. DIAGRAMA DE CAJAS DE LOS TIPOS DE PISOS

1.
Pesos_de_poll

1.

Tipos de pisos
1234
1.
1.

1 2 3 4

Pisos

INTERPRETACION

El diagrama de cajas nos indica que no hay una diferencia significativa en la posición de
los valores de cada tipo de piso.
XII. DISEÑO COMPUESTO CENTRAL ROTABLE

XII.1. ¿Qué es el diseño compuesto central rotable ?

Diseño compuesto central rotable” el cual es un experimento diseñado de superficie

de respuesta que más se utiliza. Los diseños centrales compuestos son un diseño factorial o
factorial fraccionado con puntos centrales, ampliado con un grupo de puntos axiales (también
denominados puntos de estrella) que permiten estimar la curvatura. Puede utilizar un diseño
central compuesto para estimar eficientemente los términos de primer orden y segundo orden, así
mismo modelar una variable de respuesta con curvatura al agregar puntos centrales y axiales a un
diseño factorial previamente ejecutado. (GAMARRA, 2016)

El Diseño Compuesto Central Rotable (DCCR) es un diseño experimental utilizado para

construir modelos de segundo orden sin tener que utilizar un diseño factorial completo. Es
especialmente útil en la optimización de procesos. Aquí tienes una guía paso a paso para realizar
un DCCR en RStudio usando el paquete rsm. (Martínez, 2019)

Paso 1: Instalar y cargar los paquetes necesarios

Primero, instala y carga los paquetes rsm y rsm:

[Link]("rsm")
library(rsm)

Paso 2: Crear el diseño compuesto central

Define los factores y niveles de tu experimento. Por ejemplo, si tienes dos factores (A y

# Crear un diseño compuesto central con 2 factores

ccd_design <- ccd(response ~ A + B, n0 = 4, alpha = "rotatable")
print(ccd_design)
 62

Paso 3: Generar el diseño

Genera el diseño y conviértelo a un data frame para agregar las respuestas:

# Generar el diseño y convertirlo a data frame

ccd_data <- [Link](ccd_design)
print(ccd_data)

Paso 4: Asignar las respuestas

Después de realizar el experimento, asigna las respuestas obtenidas a las corridas.

Supongamos que tienes las siguientes respuestas:

# Ejemplo de respuestas medidas

responses <- c(45, 50, 55, 60, 53, 58, 47, 52, 49, 54, 51, 56, 48)
ccd_data$response <- responses
print(ccd_data)

Paso 5: Analizar el modelo

Analiza los resultados del modelo para interpretar los efectos de los factores:

# Ver los coeficientes del modelo

print(coef(model))
# Ver la tabla de ANOVA
anova(model)

Paso 6: Visualizar los resultados

Crea gráficos para visualizar la superficie de respuesta y los contornos:

# Gráfico de contorno
contour(model, ~ A + B)
# Gráfico de superficie de respuesta
persp(model, ~ A + B, col = "lightblue", theta = 30, phi = 30)
 63

Paso 7: Optimización

Si deseas encontrar la combinación óptima de factores, puedes usar funciones de

optimización:
# Optimización usando el paquete rsm
opt <- [Link](model)
print(opt)

XIII. DISEÑOS FRACCIONADOS

Cuando crece el número de factores también aumenta rápidamente el número de

tratamientos en los diseños factoriales completos 2k . Por ejemplo, para k=6 factores, una sola
réplica del diseño factorial completo 26 implica correr 64 pruebas, que corresponden al número
de tratamientos del diseño; para k=7 son 27=128 puntos de diseño. En la práctica no es posible
hacer tantas corridas experimentales. Sin embargo, es frecuente que en las primeras etapas de
una investigación interese estudiar muchos factores, digamos, 6 o más. Para experimentar con
esta cantidad de factores se requiere una estrategia que permita reducir de manera significativa el
número de tratamientos experimentales, pero que al mismo tiempo se pierda el mínimo de
información valiosa. Tal estrategia la conforman los diseños factoriales fraccionados, los cuales,
gracias al exceso de información que acumulan los diseños factoriales completos cuando se
estudian muchos factores, permiten sacrificar información poco importante en aras de un diseño
manejable en cuanto al número de de corridas experimentales. Las corridas en los diseños
factoriales fraccionados son una parte o una fracción de los tratamientos de las factoriales
completas. La teoría de diseños factoriales fraccionados se basa en una jerarquización de los
efectos: son más importantes los efectos principales, seguidos por las interacciones dobles, luego
las triples, cuádruples, etc. (Salazar, 2018)

XIII.1. Diseño factorial fraccionado 2k− p

 64

Pasos para realizar el diseño fraccionado:

Paso 1: Instalar y cargar los paquetes necesarios

Primero, debes instalar y cargar el paquete FrF2, que es específico para el diseño
fraccional.

[Link]("FrF2")
library(FrF2)

Paso 2: Definir el diseño fraccionado

Decide el número de factores y niveles que vas a usar. Por ejemplo, si tienes 4 factores
(A, B, C, D) y quieres realizar un diseño fraccionado 24 −1, puedes usar el siguiente código:

# Crear un diseño fraccionado 2^(4-1)

design <- FrF2(8, 4, generators = "D=ABC")
print(design)
 65

Paso 3: Nombrar los factores

Puedes especificar nombres personalizados para tus factores utilizando el argumento

[Link].

responses <- c(34, 45, 23, 67, 56, 29, 50, 40) # Ejemplo de respuestas medidas
design <- [Link](design, responses)
print(design)

Paso 5: Analizar el diseño

Utiliza la función lm para ajustar un modelo lineal a los datos y analizar los efectos de los
factores.

# Ajustar el modelo lineal

model <- lm(responses ~ ., data = design)
summary(model)

Paso 6: Visualizar los resultados

Puedes usar gráficos para visualizar los efectos principales y las interacciones.

# Efectos principales
library(ggplot2)
[Link] <- FrF2(8, 4, generators = "D=ABC", [Link] = c("Factor1",
"Factor2", "Factor3", "Factor4"))
effects <- DanielPlot(model, half=FALSE, code=TRUE)
print(effects)

# Gráfico de interacción
[Link](design$Factor1, design$Factor2, responses)
 66

Paso 7: Interpretar los resultados

Interpreta los coeficientes y los gráficos para determinar qué factores y sus interacciones
son significativos en tu experimento.

EJERCICIO

En un laboratorio de investigación, mediante un diseño factorial 25 no replicado, se

estudió la influencia de diversos factores sobre la producción de alcoholes superiores en la etapa
de fermentación. Los factores estudiados y los niveles fueron: tipo de cepa, A(1,2), temperatura
B(30ºC,35ºC), fuente de nitrógeno C(C(NH4)2SO4, urea), relación carbono/nitrógeno
D(62/1,188/1) y porcentaje de inóculo E(5%,10%). En la siguiente tabla se muestran los
resultados obtenidos en cuanto a alcohol isoamílico (mg/L), que es parte de los alcoholes
superiores:

FIGURA 59

Tabla de los resultados

Fuente: RPubs by RStudio (JD, 2021)

Los pasos para analizar este diseño factorial se enumeran a continuación.

1. Definir la fracción de trabajo. Puede ser la fracción principal o la complementaria,

para el caso de este ejemplo, se tomó la fracción principal con generador I=ABCDE, por lo que
se generó el factor D con el alias E=ABCD, para lo cual se multiplicaron elemento a elemento
las columnas de los factores A, B y C, obteniéndose con esto las corridas que se utilizarán para
 67

estimar los efectos del experimento completo, son sólo la mitad de un factorial 25. La tabla de
datos se muestra a continuación:

library(printr)
## Registered S3 method overwritten by 'printr':
## method from
## knit_print.[Link] rmarkdown
datos=[Link]("[Link]",header= TRUE)
str(datos)
## '[Link]': 16 obs. of 6 variables:
## $ A : int -1 1 -1 1 -1 1 -1 1 -1 1 ...
## $ B : int -1 -1 1 1 -1 -1 1 1 -1 -1 ...
## $ C : int -1 -1 -1 -1 1 1 1 1 -1 -1 ...
## $ D : int -1 -1 -1 -1 -1 -1 -1 -1 1 1 ...
## $ E : int 1 -1 -1 1 -1 1 1 -1 -1 1 ...

A B C D E Alcohol_obtenido

-1 -1 -1 -1 1 32.9

1 -1 -1 -1 -1 16.8

-1 1 -1 -1 -1 29.3

1 1 -1 -1 1 24.1

-1 -1 1 -1 -1 27.5

1 -1 1 -1 1 11.4

-1 1 1 -1 1 23.9

1 1 1 -1 -1 18.8

-1 -1 -1 1 -1 42.5
 68

A B C D E Alcohol_obtenido

1 -1 -1 1 1 21.8

-1 1 -1 1 1 79.9

1 1 -1 1 -1 20.0

-1 -1 1 1 1 47.9

1 -1 1 1 -1 27.1

-1 1 1 1 -1 85.2

1 1 1 1 1 25.4

## $ Alcohol_obtenido: num 32.9 16.8 29.3 24.1 27.5 11.4 23.9 18.8 42.5 21.8 ...
attach(datos)
head(datos,n=16L)

2. Verificar cuales son los efectos activos. Para este paso, se requerirá obtener la gráfica
de Pareto y la de Daniel, estas grráficas darán evidencia de cuales son los efectos relevantes del
experimento, con base en el Principio de Escasez. Para obtenerlas debemos correr el siguiente
código:

library(FrF2)
experimento=FrF2(nruns = 16, nfactors = 5, [Link] = list(A=c(-1,1),B=c(-1,1),C=c(-
1,1),D=c(-1,1),E=c(-1,1)),generators = "ABCD",replications = 1,randomize = FALSE)
experimento_respuesta=[Link](design = experimento,response = Alcohol_obtenido)
halfnormal(experimento_respuesta, xlab = "Efectos activos")

FIGURA 60

Plot de alcohol obtenido

 69

En esta gráfica se puede observar que los efectos activos en el diseño experimental son el
efecto del factor A, el del factor B, el del factor D, y las siguientes interacciones dobles: AD, AB,
BD, CD, CE. Para confirmar la información que arroja la tabla, se verifica el gráfico de Daniel,
mismo que se despoliega utilizando el siguiente código:

DanielPlot(experimento_respuesta, main= "Gráfico de Daniel para el Alcohol Isoamílico")

 70

FIGURA 61

Grafico para el alcohol isoamilico

En esta grafica puede confirmarse la información que se obtuvo del análisis anterior, por
lo que se concluye que los efectos activos son: los efectos principales de los factores A, B y D y
las interacciones dobles AD,CE, AB,CD, BD. Con esto pueden comprobarse también
el Principio de Jerarquía y el Principio de Herencia, dado que, es notorio que sólo están
activos algunos efectos principales y algunas interacciones dobles, situación que fue planteada en
el principio de jerarquí; y en el caso de las interaaciones dobles, es notorio que las interaaciones
que están activas tienen por lo menos un factor activo en los principales.
Ahora procedermos a revisar la gráfica de efectos principales, para poder verificar cuáles
provocan cambios en el contenido de alcohol isoamílico obtenido, utilizando el siguiente
comando:

efectos_principales=MEPlot(experimento_respuesta)
 71

FIGURA 62

Efectos plot de alcohol obtenido

head(efectos_principales)

A B C D E

- 46.1375 28.4875 33.4125 23.0875 33.4000

+ 20.6750 38.3250 33.4000 43.7250 33.4125

De la gráfica enterior, es posible deducir que los efectos activos que generan incremento
en el contenido de alcohol isoamílico obtenido son el B y el D, mientras que los cambios en los
niveles del factor A provocan un decremento. En el caso del factor A, un cambio de nivel mínimo
a máximo provoca un decremento de 16.5374 mg/L, mientras que en el caso de del factor B, se
genera un incremento de de 9.8375 mg/L, en el caso del factor C, es despreciable el cambio en la
cantidad de alcohol obtenido, sin embargo en el caso del factor D, se tiene un incremento de
20.6375 mg/L al cambiar del nivel mínimo al máximo de dicho factor, para el caso del factor E,
 72

también es despreciable el cambio ocurrido por efecto del cambio en los niveles del factor.
Ahora procederemos a analizar las interacciones, mediante la gráfica correspondiente:

grafica_interacciones=IAPlot(experimento_respuesta)

FIGURA 63

Interaccion plot matrix de Alcohol obtenido

head(grafica_interacciones)
 73

A:B A:C A:D A:E B:C B:D B:E C:D C:E D:E

-:- 37.700 46.150 28.400 46.125 28.500 22.150 28.475 25.775 27.150 23.100

+:- 19.275 20.675 17.775 20.675 38.325 24.025 38.325 20.400 39.650 43.700

-:+ 54.575 46.125 63.875 46.150 28.475 34.825 28.500 41.050 39.675 23.075

+:+ 22.075 20.675 23.575 20.675 38.325 52.625 38.325 46.400 27.150 43.750

De la gráfica anterior, podemos observar que existen interacciones fuertes entre los
factores A y B, B y D, C y E, A y D y C y D, para probar si las interacciones son significativas,
procederemos a realizar la tabla ANOVA del experimento, pero considerando unidamente hasta
las interacciones dobles, esto se realiza mediante el siguiente código:

modelo_a_b=lm(Alcohol_obtenido~(A*B),data = datos)
summary(modelo_a_b)
##
## Call:
## [Link](formula = Alcohol_obtenido ~ (A * B), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -30.675 -5.569 -0.025 5.556 30.625
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.406 4.318 7.737 5.28e-06 ***
## A -12.731 4.318 -2.949 0.0122 *
## B 4.919 4.318 1.139 0.2768
## A:B -3.519 4.318 -0.815 0.4310
## ---
 74

## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 17.27 on 12 degrees of freedom
## Multiple R-squared: 0.4704, Adjusted R-squared: 0.338
## F-statistic: 3.552 on 3 and 12 DF, p-value: 0.04775
anova_a_b=aov(modelo_a_b)
summary(anova_a_b)
## Df Sum Sq Mean Sq F value Pr(>F)
## A 1 2593 2593.4 8.695 0.0122 *
## B 1 387 387.1 1.298 0.2768
## A:B 1 198 198.1 0.664 0.4310
## Residuals 12 3579 298.3
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
modelo_b_d=lm(Alcohol_obtenido~(B*D),data = datos)
summary(modelo_b_d)
##
## Call:
## [Link](formula = Alcohol_obtenido ~ (B * D), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -32.625 -8.481 -0.025 8.444 32.575
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.406 4.794 6.968 1.5e-05 ***
## B 4.919 4.794 1.026 0.3252
## D 10.319 4.794 2.152 0.0524 .
## B:D 3.981 4.794 0.830 0.4225
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
 75

##
## Residual standard error: 19.18 on 12 degrees of freedom
## Multiple R-squared: 0.3469, Adjusted R-squared: 0.1836
## F-statistic: 2.125 on 3 and 12 DF, p-value: 0.1504
anova_b_d=aov(modelo_b_d)
summary(anova_b_d)
## Df Sum Sq Mean Sq F value Pr(>F)
## B 1 387 387.1 1.053 0.3252
## D 1 1704 1703.6 4.632 0.0524 .
## B:D 1 254 253.6 0.690 0.4225
## Residuals 12 4413 367.8
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
modelo_c_e=lm(Alcohol_obtenido~(C*E),data = datos)
summary(modelo_c_e)
##
## Call:
## [Link](formula = Alcohol_obtenido ~ (C * E), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -20.850 -13.306 -6.963 5.450 45.550
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.40625 5.65107 5.911 7.12e-05 ***
## C -0.00625 5.65107 -0.001 0.999
## E 0.00625 5.65107 0.001 0.999
## C:E -6.25625 5.65107 -1.107 0.290
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
 76

## Residual standard error: 22.6 on 12 degrees of freedom

## Multiple R-squared: 0.09267, Adjusted R-squared: -0.1342
## F-statistic: 0.4086 on 3 and 12 DF, p-value: 0.7497
anova_c_e=aov(modelo_c_e)
summary(anova_c_e)
## Df Sum Sq Mean Sq F value Pr(>F)
## C 1 0 0.0 0.000 0.999
## E 1 0 0.0 0.000 0.999
## C:E 1 626 626.3 1.226 0.290
## Residuals 12 6131 511.0
modelo_a_d=lm(Alcohol_obtenido~(A*D),data = datos)
summary(modelo_a_d)
##
## Call:
## [Link](formula = Alcohol_obtenido ~ (A * D), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.375 -3.806 0.000 3.769 21.325
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.406 2.869 11.645 6.75e-08 ***
## A -12.731 2.869 -4.438 0.00081 ***
## D 10.319 2.869 3.597 0.00367 **
## A:D -7.419 2.869 -2.586 0.02383 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.47 on 12 degrees of freedom
## Multiple R-squared: 0.7662, Adjusted R-squared: 0.7077
## F-statistic: 13.11 on 3 and 12 DF, p-value: 0.0004285
 77

anova_a_d=aov(modelo_a_d)
summary(anova_a_d)
## Df Sum Sq Mean Sq F value Pr(>F)
## A 1 2593.4 2593.4 19.695 0.00081 ***
## D 1 1703.6 1703.6 12.938 0.00367 **
## A:D 1 880.6 880.6 6.688 0.02383 *
## Residuals 12 1580.1 131.7
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
modelo_c_d=lm(Alcohol_obtenido~(C*D),data = datos)
summary(modelo_c_d)
##
## Call:
## [Link](formula = Alcohol_obtenido ~ (C * D), data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -21.050 -11.562 -0.075 4.419 38.850
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.40625 5.07190 6.587 2.59e-05 ***
## C -0.00625 5.07190 -0.001 0.9990
## D 10.31875 5.07190 2.034 0.0646 .
## C:D 2.68125 5.07190 0.529 0.6067
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 20.29 on 12 degrees of freedom
## Multiple R-squared: 0.2691, Adjusted R-squared: 0.0864
## F-statistic: 1.473 on 3 and 12 DF, p-value: 0.2714
anova_c_d=aov(modelo_c_d)
 78

summary(anova_c_d)
## Df Sum Sq Mean Sq F value Pr(>F)
## C 1 0 0.0 0.000 0.9990
## D 1 1704 1703.6 4.139 0.0646 .
## C:D 1 115 115.0 0.279 0.6067
## Residuals 12 4939 411.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

XIV. DISEÑO DE MEZCLAS:

Los experimentos de mezclas son una clase especial de experimentos de superficie de

respuesta en los que el producto objeto de investigación se compone de varios componentes o
ingredientes. Los diseños para estos experimentos resultan útiles, porque muchas actividades de
diseño y desarrollo de productos en situaciones industriales implican fórmulas o mezclas. En el
experimento de mezclas más simple, la respuesta (la calidad o rendimiento del producto con base
en cierto criterio) depende de las proporciones relativas de los componentes (ingredientes) Las
cantidades de los componentes, medidas en peso, volumen o alguna otra unidad, suman un total
común Por el contrario, en un diseño factorial, la respuesta varía dependiendo de la cantidad de
cada factor (Rodríguez, 2023).

Pasos para realizar el diseño de mezcla

Paso 1: Instalar y cargar los paquetes necesarios

Necesitarás los paquetes mixexp y rsm. Instálalos y cárgalos usando el siguiente código:

[Link]("mixexp")
[Link]("rsm")

library(mixexp)
library(rsm)

Paso 2: Definir los componentes y restricciones de la mezcla

 79

Define los componentes de tu mezcla y las restricciones. Por ejemplo, si tienes tres
componentes A, B y C con restricciones de 0 a 1 para cada uno, y la suma total debe ser igual a
1:

components <- c("A", "B", "C")

restrictions <- rbind(c(0, 1), c(0, 1), c(0, 1)) # min y max para A,
B, C

Paso 3: Crear el diseño de mezclas

Utiliza la función SCD del paquete mixexp para crear el diseño simple:

design <- SCD(components, restrictions)

print(design)

Paso 4: Generar los puntos de mezcla

Usa la función cd2sd para convertir las coordenadas de diseño a proporciones de mezcla:

mixture_points <- cd2sd(design)

print(mixture_points)

Paso 5: Definir la respuesta

En un experimento de diseño de mezclas, medirás una respuesta (output) para cada

combinación de componentes. Supongamos que has medido la respuesta para cada mezcla:
response <- c(10, 20, 15, 25, 18) # Ejemplo de respuestas medidas

Paso 6: Ajustar un modelo

Ajusta un modelo de regresión utilizando la función rsm del paquete rsm:

model <- rsm(response ~ SO(A, B, C), data = [Link](mixture_points))

summary(model)
 80

Paso 7: Analizar el modelo

Una vez ajustado el modelo, puedes analizarlo para interpretar los efectos de los
componentes:

# Ver los coeficientes del modelo

print(coef(model))

# Ver la tabla de ANOVA

anova(model)

Paso 8: Visualizar los resultados

Puedes crear gráficos para visualizar los resultados y la superficie de respuesta:

# Gráfico de contorno
contour(model, ~ A + B + C)

# Gráfico de superficie de respuesta

persp(model, ~ A + B + C, col = "lightblue", theta = 30, phi = 30)

Paso 9: Optimización

Si deseas encontrar la combinación óptima de componentes, puedes usar funciones de

optimización:

# Optimización usando el paquete rsm

opt <- optim(model, control = list(trace = 1))
print(opt)
= 30, phi = 30)

XV. DISEÑO PLACKETT-BURMAN

 81

Los diseños Plackett-Burman son diseños experimentales presentados en 1946 por Robin
L. Plackett y J. P. Burman mientras trabajaban en el Ministerio de Suministros británico.
(PLACKETT y BURMAN 1946). Cuando el número de factores es bastante grande, la
restricción de que el número de experimentos debe ser igual a una potencia de 2 puede ser
bastante restrictiva. Por ejemplo, un diseño factorial de 10 factores y 2 niveles requeriría 210
experimentos. Con el diseño de Plackett-Burman el número de experimentos requeridos es el
primer múltiplo de 4 mayor que el número de factores. ¡En este caso, por lo tanto, sólo tendrías
12 experimentos!. El número de factores totales será N−1, con norte el número de experimentos.
Los factores adicionales se consideran variables ficticias, útiles para estimar la importancia de
los factores reales. (Doehlert, 2020)
 82

FIGURA 64

Factores

Fuente: RPubs by RStudio

FIGURA 65

Factores Independientes
 83

Fuente: Fuente: RPubs by RStudio

Pasos para realizar el diseño de Plackett-Burman

Paso 1: Instalar y cargar los paquetes necesarios

Primero, instala y carga los paquetes [Link] y FrF2 (que contiene funciones para
diseños factoriales y de cribado, incluyendo Plackett-Burman).
[Link]("[Link]")
[Link]("FrF2")
library([Link])
library(FrF2)

Paso 2: Crear el diseño Plackett-Burman

Define el número de factores para tu experimento. Supongamos que tienes 11 factores:

# Crear un diseño Plackett-Burman con 11 factores

pb_design <- pb(12, [Link] = c("A", "B", "C", "D", "E",
"F", "G", "H", "I", "J", "K"))
print(pb_design)

Paso 3: Asignar las respuestas

Después de realizar el experimento, debes asignar las respuestas obtenidas a las corridas.
Supongamos que tienes las siguientes respuestas:

# Ejemplo de respuestas medidas

responses <- c(45, 50, 55, 60, 53, 58, 47, 52, 49, 54, 51, 56)
pb_design$response <- responses

Paso 4: Ajustar un modelo lineal

Utiliza la función lm para ajustar un modelo lineal a los datos:

# Ajustar el modelo lineal

model <- lm(response ~ ., data = pb_design)
summary(model)print(pb_design)
 84

Paso 5: Analizar el modelo

Analiza los resultados del modelo para interpretar los efectos de los factores:

# Ver los coeficientes del modelo

print(coef(model))

# Ver la tabla de ANOVA

anova(model)

Paso 6: Visualizar los resultados

Puedes usar gráficos para visualizar los efectos principales de los factores:

# Efectos principales
library(ggplot2)
effects <- coef(model)[-1] # Excluir el intercepto
effects_df <- [Link](Factor = names(effects), Effect = effects)
ggplot(effects_df, aes(x = reorder(Factor, Effect), y = Effect)) +
geom_bar(stat = "identity") +
coord_flip() +
labs(title = "Efectos Principales de los Factores",
x = "Factor",
y = "Efecto")
 85

EJEMPLO

Suponga que ha medido una respuesta experimental para todos los experimentos.

y = c(51, 31, 44, 23, 80, 45, 31, 55, 23, 26, 29, 28)

plackdf2 = plackdf

plackdf2 = cbind(plackdf2, 'Y' = y)

fig = plackdf2 %>% kable([Link] = T) %>% kable_styling('striped',fixed_thead = T,

full_width = F)

for (m in 1:ncol(plackdf)) {

fig = column_spec(fig, m+1,color= 'white',

background = spec_color(plackdf[,m],begin = 0.15, end = 0.6, option = 'B' )

fig %>% column_spec(13, color= 'white', background = 'darkgreen')

FIGURA 66

Variable Dependiente (Y)

 86

Nota: RPubs by RStudio

El modelo postulado será

Y=b0+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6+b7x7+b8x8+b9x9+b10x10+b11x11

Ahora podemos realizar una regresión.

##

## Call:

## lm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9 +

## X10 + Dummy, data = plackdf2)

##

## Residuals:

## ALL 12 residuals are 0: no residual degrees of freedom!

##

## Coefficients:

## Estimate Std. Error t value Pr(>|t|)

## (Intercept) 3.883e+01 NaN NaN NaN

## X1 2.324e-15 NaN NaN NaN

## X2 -4.000e+00 NaN NaN NaN

## X3 -8.547e-16 NaN NaN NaN

## X4 -2.500e+00 NaN NaN NaN

## X5 2.000e+00 NaN NaN NaN

## X6 1.217e+01 NaN NaN NaN

## X7 -6.000e+00 NaN NaN NaN

 87

## X8 4.333e+00 NaN NaN NaN

## X9 3.667e+00 NaN NaN NaN

## X10 3.833e+00 NaN NaN NaN

## Dummy -2.667e+00 NaN NaN NaN

##

## Residual standard error: NaN on 0 degrees of freedom

## Multiple R-squared: 1, Adjusted R-squared: NaN

## F-statistic: NaN on 11 and 0 DF, p-value: NA

Como no hay grados de libertad residuales, no podemos estimar la importancia de los

coeficientes como es habitual.

Necesitamos otro enfoque para comprender cuáles de ellos son realmente importantes.

FIGURA 67

Análisis de los Coeficientes Estandarizados de los Factores Experimentales

Fuente: RPubs by RStudio

Interpretacion

¡Los coeficientes de tamaño similar al Dummy no son particularmente significativos!

 88

En este caso, sólo los factores X6 y X7 son relevantes y pueden usarse más adelante para
un diseño experimental adicional.
 89

XVI. DISEÑO DE TAGUCHI

La metodología de Taguchi inicia considerando diseños experimentales del tipo

exploratorio, esto es, diseños de primer orden. Estos diseños tienen como característica que las
combinaciones de los niveles de los factores son realizadas de manera que las estimaciones de
las “constantes” del polinomio que aproxima la relación entre la variable de respuesta y las
variables controladas, son “independientes” y pueden ser calculadas sin necesidad de un
programa computacional. (HERNÁNDEZ, 2019)

Un diseño de Taguchi es un experimento diseñado que permite elegir un producto o

proceso que funciona con mayor consistencia en el entorno operativo. (Palacios, 2019)

Diseño robusto experimento en el que se consideran actores de ruido, con respecto a los
cuales se quiere logra h proceso o producto robusto

Robustez, es hacer un producto o proceso insensible o resistente a factores de ruido que

no son controlables.

XVI.1. Diseño Ortogonal

Catálogos de diseños de Taguchi

Taguchi
L4 (23) Incluye diseños de 2 niveles, diseños de 3 niveles,

L8 (27 ¿ diseños de 4 niveles, diseños de 5 niveles y diseños de

niveles mixtos.
L8 (24 ), (4 1)
L9(3 4) L{corridas) = número de corridas
L12(211)
(niveles ^ factores) = número de niveles para cada
15
L16 (2 ) factor ^ número de factores
12 1
L16 (2 ,( 4 )
Por ejemplo, un diseño L8 tiene 8 corridas. (2")
L16 (29) (4 2)
significa 7 factores en 2 niveles.
L16(26, 4 3)
Si su notajón es L(corridas) (número A exponente
L18 (21),( 37 ¿
número ^ exponente), usted tiene un diseño de niveles
combinados. Por ejemplo, un L18 (2^1 3^7) significa que
el diseño tiene 18 corridas, 1 factor con 2 niveles y 7
factores con 3 niveles.
 90

EJEMPLO EN RSTUDIO

Usando el paquete *qualityTools" se pueden generar los diseños ortogonales más usados,
con los comandos “taguchiChoose” y “taguchiDesign”, por ejemplo

taguchiChoose(factors1=3,level1=4)
## 3 factors on 4 levels and 0 factors on 0 levels with 0 desired interactions
to be estimated
##
## Possible Designs:
##
## L16_4
##
## Use taguchiDesign("L16_4") or different to create a taguchi design object

El primer argumento corresponde al número de factores que se desea investigar, el

segundo al número de niveles para cada factor. En la salida del programa, la recomendacion
corresponde a usar un diseño con 16 ensayos para cuatro tres variables. Para ver el diseño
propuesto se usa el segundo comando:

taguchiDesign("L16_4",randomize=FALSE)
## StandOrder RunOrder Replicate A B C D E y
## 1 1 1 1 1 1 1 1 1 NA
## 2 2 2 1 1 2 2 2 2 NA
## 3 3 3 1 1 3 3 3 3 NA
## 4 4 4 1 1 4 4 4 4 NA
## 5 5 5 1 2 1 2 3 4 NA
## 6 6 6 1 2 2 1 4 3 NA
## 7 7 7 1 2 3 4 1 2 NA
## 8 8 8 1 2 4 3 2 1 NA
## 9 9 9 1 3 1 3 4 2 NA
## 10 10 10 1 3 2 4 3 1 NA
## 11 11 11 1 3 3 1 2 4 NA
## 12 12 12 1 3 4 2 1 3 NA
## 13 13 13 1 4 1 4 2 3 NA
 91

## 14 14 14 1 4 2 3 1 4 NA
## 15 15 15 1 4 3 2 4 1 NA
## 16 16 16 1 4 4 1 3 2 NA

Nótese que el argumento randomize se colocó como “FALSE” (Falso), pues se desea
revisar el diseño en el orden estándar (no en una propuesta de orden aleatorizado) puesto que
nuestros datos vienen identificados con el “Trial” (Ensayo).

Para el problema planteado, los factores son la concentración de tres aditivos,

Aditivo Con 1 (%) Con 2 (%) Con 3 (%) Con 4 (%)

Bentonita 0 0.5 1 3

Fly Ash 10 20 30 40

Silica Fumed 0 5 10 20

En el próximo código se usa el diseño propuesto, asignando como respuesta los valores
guardados en el objeto [Link], que se guarda en otro objeto llamado tAd.

Con el comando **effectPlot* se crea el gráfico de

tAd<-taguchiDesign("L16_4",randomize=FALSE) # Asignación de un objeto al

diseño
names(tAd)<-c("Bentonita","Fly_Ash","SilicaFumed") # Asignacion nombres a
factores
response(tAd)<-[Link][,2:3] #Asignacion de valores de respuesta
tAd
## StandOrder RunOrder Replicate A B C D E t_inicial t_final
## 1 1 1 1 1 1 1 1 1 20.00 23.95
## 2 2 2 1 1 2 2 2 2 20.63 24.57
## 3 3 3 1 1 3 3 3 3 21.15 26.10
## 4 4 4 1 1 4 4 4 4 18.92 25.23
## 5 5 5 1 2 1 2 3 4 20.07 25.00
## 6 6 6 1 2 2 1 4 3 18.92 23.26
## 7 7 7 1 2 3 4 1 2 16.69 24.35
 92

## 8 8 8 1 2 4 3 2 1 21.09 25.38
## 9 9 9 1 3 1 3 4 2 17.00 22.17
## 10 10 10 1 3 2 4 3 1 15.45 22.97
## 11 11 11 1 3 3 1 2 4 20.42 23.96
## 12 12 12 1 3 4 2 1 3 21.76 25.14
## 13 13 13 1 4 1 4 2 3 13.98 21.58
## 14 14 14 1 4 2 3 1 4 17.30 23.52
## 15 15 15 1 4 3 2 4 1 18.75 23.42
## 16 16 16 1 4 4 1 3 2 21.75 24.86
effectPlot(tAd, response="t_inicial",classic=TRUE)

XVII.

effectPlot(tAd,response="t_final",classic=TRUE)
 93

XVIII.

Interpretacion:

- Ambos gráficos muestran cómo los diferentes factores y sus niveles afectan a las
variables respuesta ( t_initial ) y \( t_final ).

- Las líneas en cada gráfico permiten visualizar si hay una tendencia ascendente,
descendente, o fluctuante de la variable respuesta para cada nivel de los factores.

#[Link]<-tAd
#bas<-
list(A=c(0,0.5,1,3),B=c(10,20,30,40),C=c(0,5,10,20),D=c(1,2,3,4),E=c(1,2,3,4)
)
#values([Link])<-bas
#values([Link])
[Link]<-[Link](tAd)
[Link]<-[Link][,-c(1:3)]
[Link]$A=[Link]([Link](factor([Link]$A,labels=[Link](c(0,0.5
,1,3)))))
 94

[Link]$B=[Link]([Link](factor([Link]$B,labels=[Link](c(10,20
,30,40)))))
[Link]$C=[Link]([Link](factor([Link]$C,labels=[Link](c(0,5,1
0,20)))))

[Link]<-lm(t_inicial~ A + B + C, data = [Link])

summary([Link])
##
## Call:
## lm(formula = t_inicial ~ A + B + C, data = [Link])
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.8199 -0.4355 0.1021 0.4163 1.4499
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 18.9595 0.6698 28.307 2.34e-12 ***
## A -0.6511 0.2032 -3.204 0.007579 **
## B 0.1053 0.0207 5.087 0.000268 ***
## C -0.2134 0.0313 -6.818 1.85e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.9257 on 12 degrees of freedom
## Multiple R-squared: 0.8732, Adjusted R-squared: 0.8415
## F-statistic: 27.54 on 3 and 12 DF, p-value: 1.151e-05
tIn.fit1<-lm(t_inicial~[Link](A)+[Link](B)+[Link](C),data=[Link])
 95

[Link]([Link], ~ A + B + C, image=TRUE)

XIX.
 96

aov(tIn.fit1)
## Call:
## aov(formula = tIn.fit1)
## Terms:
## [Link](A) [Link](B) [Link](C) Residuals
## Sum of Squares 10.59115 23.93985 43.36545 3.19585
## Deg. of Freedom 3 3 3 6
##
## Residual standard error: 0.729823
## Estimated effects may be unbalanced
[Link]<-lm(t_final~ A + B + C , data = [Link])
summary([Link])
##
## Call:
## lm(formula = t_final ~ A + B + C, data = [Link])
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.07826 -0.27437 -0.05747 0.20669 1.50174
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 23.22367 0.56528 41.084 2.8e-14 ***
## A -0.49482 0.17151 -2.885 0.01370 *
## B 0.06810 0.01747 3.898 0.00212 **
## C -0.03180 0.02641 -1.204 0.25180
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## Residual standard error: 0.7813 on 12 degrees of freedom
## Multiple R-squared: 0.6754, Adjusted R-squared: 0.5942
## F-statistic: 8.323 on 3 and 12 DF, p-value: 0.002913
tFin.fit1<-lm(t_final~[Link](A)+[Link](B)+[Link](C),data=[Link])
[Link]([Link],~A+B+C, image= TRUE)
97
 98

XX.
 99

Interpretación general

Primer gráfico: Muestra cómo la variable de respuesta cambia con A y B cuando C está
fijado en 8.75. Podemos observar tendencias o patrones en la respuesta, como si aumenta o
disminuye.

Segundo gráfico: Muestra cómo la variable de respuesta cambia con A y C cuando B está
fijado en 25. De nuevo, se pueden observar patrones en la respuesta.

aov(tFin.fit1)
## Call:
## aov(formula = tFin.fit1)
##
## Terms:
## [Link](A) [Link](B) [Link](C) Residuals
## Sum of Squares 7.052925 9.445125 2.217675 3.849650
## Deg. of Freedom 3 3 3 6
##
## Residual standard error: 0.8010046
## Estimated effects may be unbalanced
 100

XXI. CONCLUSION

En este post, exploramos la importancia y diferencias entre R y RStudio, y las ventajas de

trabajar en un Ambiente de Desarrollo Integrado (IDE). Discutimos cómo el uso de código
facilita la comunicación y replicación de análisis, tanto con otros como con nosotros mismos.
Aprendimos a crear proyectos en RStudio, lo cual nos ayuda a organizar nuestro trabajo y
mantener diferentes proyectos aislados.

A su vez vimos cómo R y RStudio ha transformado el análisis estadístico y la

visualización de datos mediante su flexibilidad, capacidad analítica y facilidad de uso. R, un
lenguaje de programación especializado, ofrece una amplia gama de funciones y paquetes que
permiten realizar análisis descriptivos e inferenciales de manera eficiente y precisa. RStudio,
como entorno de desarrollo integrado para R, mejora significativamente la visualización de
datos, facilitando la creación de gráficos personalizables ideales para la interpretación y
comunicación de resultados en publicaciones académicas.
 101

XXII. Bibliografía

Bao, S. F. (12 de Julio de 2020). DISEÑO DE EXPERIMENTOS:. Obtenido de

[Link]

Bosoni, G. B. (2019). RStudio para Estadística Descriptiva en Ciencias Sociales.

Obtenido de [Link]

Doehlert. (12 de Marzo de 2020). Design of Experiment. RPubs by RStudio. Obtenido de

[Link]

GAMARRA, N. E. (2016). Optimización de la cinética. Obtenido de

[Link]

Goicoa, T. (2019). RMarkdown básico. Recuperado el 22 de Marzo de 2019, de

[Link]
basicRmarkdown/[Link]

Goicoechea, H. (06 de Junio de 2019). DISEÑO EXPERIMENTAL . Obtenido de

[Link]
%C3%[Link]

Hernández, A. S. (2020). Estadística Descriptiva con R. Obtenido de [Link]

[Link]/cursoR4ULPGC/[Link]

Hoz, J. D. (2016). Ejemplo de Diseño Completamente al Azar (DCA). Recuperado el

Frebrero de 2016, de [Link]

JD. (05 de Octubre de 2021). RPubs. Obtenido de RPubs:

[Link]

Martínez, C. G. (Setiembre de 2019). METODOLOGÍA DE SUPERFICIE DE

RESPUESTA. Obtenido de [Link]

Ortega, C. (2020). Estadística descriptiva: Qué es, objetivo, tipos y ejemplos. Obtenido
de [Link]
%20estad%C3%ADstica%20descriptiva%20se,o%20de%20toda%20la%20poblaci%C3%B3n.
 102

Palencia Pretelt, A. M. (2023). Análisis estadístico de diseños experimentales con apoyo

computacional.

Rafa. (2019). Instalar paquetes en R. Recuperado el 30 de Agosto de 2019, de

[Link]

Rafael. (2018). Medidas de Tendencia Central. Recuperado el Noviembre de 2018, de

[Link]

Rodríguez, M. D. (30 de Junio de 2023). Design of Experiments with Mixtures and their
Analysis with R. Obtenido de [Link]
mixtures-and-their-analysis-with-r/

Salazar, R. d. (13 de Junio de 2018). Analisis y diseño de experimentos. Obtenido de

[Link]

Solano, H. L. (2021). Software R. Recuperado el 28 de Junio de 2021, de

[Link]

tecnologica, F. (2022). Manual de R. 68. Obtenido de

[Link]
files/practica/2023-03/Manual%[Link]

Vega, J. B. (22 de 2 de 2024). R para principiantes. Obtenido de

[Link]