Analisis descriptivo

set.seed(123)
# Respuesta
diam_geom = c(
  rnorm(4, 1.8, 0.1),
  rnorm(4, 2.0, 0.12),
  rnorm(4, 1.9, 0.09)
)
# Factor
gen = gl(3, 4, 12, paste0('g_', 1:3))
# Bloqueo
procedencia = gl(4, 1, 12, paste0('l_',1:4))

data = data.frame(gen, procedencia, diam_geom)
head(data)

##   gen procedencia diam_geom
## 1 g_1         l_1  1.743952
## 2 g_1         l_2  1.776982
## 3 g_1         l_3  1.955871
## 4 g_1         l_4  1.807051
## 5 g_2         l_1  2.015515
## 6 g_2         l_2  2.205808

library(collapsibleTree)
collapsibleTreeSummary(data,
                       c('procedencia',
                         'gen',
                         'diam_geom'),
                       collapsed = FALSE)

#Analisis descriptivo

library(ggplot2)

ggplot(data)+
  aes(gen, diam_geom)+
  geom_point(size=3,
             color='yellow')+
  facet_wrap(~procedencia)+
  theme_dark()

#ANALISIS DESCRIPTIVO \[H_0: \mu_{g_1}= \mu_{g_2}=\\mu_{g_3}\]

mod = aov(diam_geom ~ procedencia + gen,
          data)
summary(mod)

##             Df  Sum Sq Mean Sq F value Pr(>F)  
## procedencia  3 0.04373 0.01458   1.334 0.3483  
## gen          2 0.08908 0.04454   4.078 0.0762 .
## Residuals    6 0.06554 0.01092                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

#Warning #No revisar el p-value respecto a los bl,oques, unicamente se interpreta los correspondientes a l,os factores #En este caso p-value de los genotipos >5%(7.62%) se rechaza la hipoteisi nula, por lo tanto podemos asumir estadisticamente que los genotipos no son iguales

####EFICIENCIA DE BLOQUEO #cORRESPONDE A LA PREGUNTA ¿VALIO LA PENA EL BLOQUEO? (tener en cuenta la procedencia) H = 1.334 (F-value de los bloqueos), cuando H>1 sugiere que si valio la pena bloquear

mod1 = aov(diam_geom ~ procedencia + gen,
          data)
summary(mod1)####

##             Df  Sum Sq Mean Sq F value Pr(>F)  
## procedencia  3 0.04373 0.01458   1.334 0.3483  
## gen          2 0.08908 0.04454   4.078 0.0762 .
## Residuals    6 0.06554 0.01092                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

#1. extraer residuales del modelo (con bloques)
res_mod1 = mod1$residuals

#2. Probando normalidad
shapiro.test(res_mod1)

## 
##  Shapiro-Wilk normality test
## 
## data:  res_mod1
## W = 0.97765, p-value = 0.9725

#3. Probando homocedasticidad (varianzas iguales)
bartlett.test(res_mod1, data$gen)

## 
##  Bartlett test of homogeneity of variances
## 
## data:  res_mod1 and data$gen
## Bartlett's K-squared = 1.709, df = 2, p-value = 0.4255

#Nota:residuales en form de cono son un problema

plot(data$diam_geom,
     res_mod1,
     pch=16)

#Nota: Los residuales que tienen patron se dice que tienen auntocoirrelacion y suelen ser un problema para el analis de varaiaza

#Clonclucion #-Valio la pena bloquear #-estradisticamente no difieren los genotipos #-se cumplen los supuestos del anova

#Nota, se rechaza en mayor que 5

#3. DISEÑO FACTORIALÑ SIMPLE BLOQUE GENERALIZADOY AL AZAR

set.seed(123)
# Respuesta
diam_geom = c(
  rnorm(20, 1.8, 0.1),
  rnorm(20, 2.0, 0.12),
  rnorm(20, 1.9, 0.09)
)
# Factor
gen = gl(3, 20, 60, paste0('g_', 1:3))
# Bloqueo
procedencia = gl(4, 5, 60, paste0('l_',1:4))

data = data.frame(gen, procedencia, diam_geom)
head(data)

##   gen procedencia diam_geom
## 1 g_1         l_1  1.743952
## 2 g_1         l_1  1.776982
## 3 g_1         l_1  1.955871
## 4 g_1         l_1  1.807051
## 5 g_1         l_1  1.812929
## 6 g_1         l_2  1.971506

library(lattice)

bwplot(diam_geom ~ gen | procedencia,
        data)

mod3 = aov(diam_geom ~ procedencia * gen,
           data)

summary(mod3)

##                 Df Sum Sq Mean Sq F value   Pr(>F)    
## procedencia      3 0.0310 0.01034   1.135    0.344    
## gen              2 0.3233 0.16164  17.732 1.71e-06 ***
## procedencia:gen  6 0.0407 0.00678   0.744    0.617    
## Residuals       48 0.4376 0.00912                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1