CLASE ANEXO GENOTIPOS

#DISEÑO FACTORIAL SIMPLE EN BLOQUES 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, 0.09)
)

#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)

## Warning: package 'collapsibleTree' was built under R version 4.2.3

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

##Análisis descriptivo
library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.2.2

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

##Análisis inferencial \[H_0: \mu_\]

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

##             Df  Sum Sq Mean Sq F value Pr(>F)  
## gen          2 0.08908 0.04454   3.669 0.0684 .
## Residuals    9 0.10927 0.01214                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

##En este caso el valor pde los genotipos >5% (7.62%) no se rechaza la hipótesis nula, por lo tanto podemos asumir estadisticamente que los genotipos son iguales.

##Eficiencia de bloqueo (H) ¿Vale la pena bloquear? En este caso tener en cuenta la procedencia de la semilla H= 1.334 (F en el valor de los bloques) Cuando el valor H>1 valió la pena bloquear

#REVISIÓN DE SUPUESTOS

#1. Extraer residuales de modelo
res_mod = mod$residuals

#2. Probando normalidad
shapiro.test(res_mod)

## 
##  Shapiro-Wilk normality test
## 
## data:  res_mod
## W = 0.96413, p-value = 0.8407

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

## 
##  Bartlett test of homogeneity of variances
## 
## data:  res_mod and data$gen
## Bartlett's K-squared = 1.1617, df = 2, p-value = 0.5594

En ambos casos los p value de las pruebas fueron >5% por lo cual se cumples los supuestos

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

Los resudiales que tienen patron se dicen autocorrelacionados y es un problema para el análisis de varianza.

#Conclusión - Valio la pena bloquear - Estadisticamente no difieren los genotipos - se cumplen los supuestos

#DISEÑO FACTORIAL SIMPLE EN BLOQUES GENERALIZADOS AL AZAR

set.seed(123)

diam_geom = c(
  rnorm(20, 1.8, 0.1),
  rnorm(20, 2.0, 0.12),
  rnorm(20, 1.9, 0.09)
)

gen= gl(3, 20, 60, paste0('g_', 1:3))

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

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