clase 1

set.seed (34)
rto= rnorm(48, 3, 0.3)
factor= gl(3, 16, 48, c("v1", "v2", "v3"))
dt= data.frame(factor, rto)
library(collapsibleTree)
collapsibleTree(dt, hierarchy =c("factor", "rto"))

lo mismo pero de menor a mayor

set.seed (34)
rto= sort(round(rnorm(48, 3, 0.3), 2), F)
factor= gl(3, 16, 48, c("v1", "v2", "v3"))
dt1= data.frame(factor, rto)
library (collapsibleTree)
collapsibleTree(dt1, hierarchy =c("factor", "rto"))

Diagrama blox plot

boxplot(rto~factor, data=dt1, xlab="variedades", ylab="rendimiento")

Hipotesis nula

\[H1: V1=V2=V3 (todas~tienen~el~mismo~rendimiento)\]

Hipotesis alterna

\[H2: Hay~diferencias~entre~las~variables\]

Modelo

\[y=\mu+f_1+\epsilon\]

modelo = aov(rto~factor, data=dt1)
resumen= summary(modelo)
ifelse(unlist(resumen)[9]<0.05, "rechazo H1", "no rechazo H1")
##      Pr(>F)1 
## "rechazo H1"

como pvalue menor a 0,05 se rechaza la hipotesis nula

Revision de supuestos (normalidad)

\[H3: los~residuales~tienen~distribución~normal\]

residuales=modelo$residuals
normalidad=shapiro.test(residuales)
normalidad
## 
##  Shapiro-Wilk normality test
## 
## data:  residuales
## W = 0.96945, p-value = 0.2411

El pvalor es >0,05 por lo tanto no se rechaza la H3

Homocedasticidad

\[H4: las~varianzas~son~iguales\]

homocedasticidad= bartlett.test(modelo$residuals,factor)
homocedasticidad
## 
##  Bartlett test of homogeneity of variances
## 
## data:  modelo$residuals and factor
## Bartlett's K-squared = 15.125, df = 2, p-value = 0.0005195

Como pvalue < 0.05 rechaza H4