set.seed(123)
#Respuesta 
diam_geom = c(
  rnorm(4,1.8, 0.1),
  rnorm(4, 2.0,0.12),
  rnorm(4, 1.9,0.009)
)

# 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)

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)

##Analisis inferencial

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

Advertencia no interpretar el p-value respecto a los bloques, unicamente se interprentan los correspondientes a los factores En este caso el p_value de los genotipos >5% se rechaza la hipotesis nula

Eficiencia en el bloque Corresponde a la pregunta ¿Valio la pena el bloqueo? (tener en cuenta la procedencia). En este caso H = 1.334 (f-value de los bloques), cuando H>1 sugiere que si valio la pena realizar el bloqueo.

Revisión de supuestos

#Extraer residuales del modelo (con bloques)

res_mod=mod$residuals

#2. Probalidad de normalidad
shapiro.test(res_mod)

#3. Varianzas iguales (homocedasticidad)
bartlett.test(res_mod, data$gen)

En ambos casos los p-value de las pruebas fueron >5% por ende ser cumplen los supuestos

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

Si los resultados mostraran algún patrón, se dice que estan auto relacionados y es un problema para el analisis de varianza

Conclusión Valio la pena bloquear Estadisticamente no difieren los genotipos *Se cumplen los supuestos del ANOVA

3. Bloque generalizados y al azar

set.seed(123)
#Respuesta 
diam_geom = c(
  rnorm(4,1.8, 0.1),
  rnorm(4, 2.0,0.12),
  rnorm(4, 1.9,0.009)
)

# 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(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)

library(lattice)
bwplot(diam_geom ~ gen |procedencia, 
       data)
mod2  = aov(diam_geom ~ procedencia * gen,
           data)

summary(mod2)