clase-21 DE FSB al azar

## diseño factorial simble bloques a

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 procendencia de la semilla 

procedencia = gl(4,1,12, paste0("l_",1:4))

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

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

library(ggplot2)

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

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

#eficiencia de bloqueo (H) #valio la pena bloquear

mod = aov(diam_geom~procedencia+gen, data)
summary(mod)
#revision de supuestos
res_mod1= mod$residuals

#2
shapiro.test(res_mod1)
#3
bartlett.test(res_mod1,data$gen)
#en ambos 
  plot(data$diam_geom,res_mod1,pch=16)

si los residuales mostraran un patron dse dice que estan autocorrelacionados y es un problema para el analisis de varianza

• Valio la pena bloquear
• estadisticamente no difieren los

diseño factorial simble bloques con bloque generalizados 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)

library(lattice)

bwplot(diam_geom ~ gen | procedencia, data)


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