Clase 09/05
Oscar A. Gómez
2023-05-09
#Diseño factorial completo en arreglo completamente al azar
#Cultivo de tomate
#Factor1
aporque <- gl(2, 60, 120, c("Con_A", "Sin_A"))
#Factor2
variedad <- gl(3 , 20 , 120 , c('v1' , 'v2' , 'v3'))
#rta
peso_fresco <- rnorm(n =120 , mean = 3 , sd = 0.3)
df = data.frame(aporque , variedad, peso_fresco)
df$peso_fresco[1] = 3.5
df$peso_fresco[81] = 2.5
df## aporque variedad peso_fresco
## 1 Con_A v1 3.500000
## 2 Con_A v1 2.950497
## 3 Con_A v1 3.338731
## 4 Con_A v1 3.060282
## 5 Con_A v1 2.850701
## 6 Con_A v1 3.393528
## 7 Con_A v1 3.152274
## 8 Con_A v1 3.101536
## 9 Con_A v1 3.324525
## 10 Con_A v1 2.685030
## 11 Con_A v1 2.518193
## 12 Con_A v1 2.981972
## 13 Con_A v1 3.231842
## 14 Con_A v1 2.997559
## 15 Con_A v1 2.851128
## 16 Con_A v1 2.767472
## 17 Con_A v1 2.981102
## 18 Con_A v1 3.285510
## 19 Con_A v1 3.033312
## 20 Con_A v1 2.853424
## 21 Con_A v2 2.570094
## 22 Con_A v2 3.583331
## 23 Con_A v2 3.690078
## 24 Con_A v2 2.967931
## 25 Con_A v2 2.910592
## 26 Con_A v2 2.597645
## 27 Con_A v2 2.957792
## 28 Con_A v2 2.992887
## 29 Con_A v2 2.342993
## 30 Con_A v2 2.993861
## 31 Con_A v2 3.010469
## 32 Con_A v2 3.012460
## 33 Con_A v2 2.932594
## 34 Con_A v2 3.286814
## 35 Con_A v2 3.301197
## 36 Con_A v2 3.089356
## 37 Con_A v2 3.207157
## 38 Con_A v2 2.647024
## 39 Con_A v2 2.866485
## 40 Con_A v2 2.581294
## 41 Con_A v3 3.058563
## 42 Con_A v3 2.919089
## 43 Con_A v3 3.071100
## 44 Con_A v3 3.318706
## 45 Con_A v3 3.137069
## 46 Con_A v3 2.507119
## 47 Con_A v3 2.910106
## 48 Con_A v3 3.181811
## 49 Con_A v3 2.780982
## 50 Con_A v3 2.718817
## 51 Con_A v3 3.130670
## 52 Con_A v3 2.775745
## 53 Con_A v3 3.117502
## 54 Con_A v3 3.094786
## 55 Con_A v3 2.838902
## 56 Con_A v3 2.240085
## 57 Con_A v3 2.844137
## 58 Con_A v3 3.323219
## 59 Con_A v3 2.779693
## 60 Con_A v3 2.799659
## 61 Sin_A v1 3.234871
## 62 Sin_A v1 3.043807
## 63 Sin_A v1 2.843949
## 64 Sin_A v1 2.590235
## 65 Sin_A v1 2.386645
## 66 Sin_A v1 3.305609
## 67 Sin_A v1 2.874545
## 68 Sin_A v1 2.863508
## 69 Sin_A v1 2.994587
## 70 Sin_A v1 3.170264
## 71 Sin_A v1 2.778571
## 72 Sin_A v1 3.187719
## 73 Sin_A v1 2.634910
## 74 Sin_A v1 3.226186
## 75 Sin_A v1 3.087959
## 76 Sin_A v1 3.080735
## 77 Sin_A v1 2.854598
## 78 Sin_A v1 2.668729
## 79 Sin_A v1 2.484206
## 80 Sin_A v1 2.842603
## 81 Sin_A v2 2.500000
## 82 Sin_A v2 2.608777
## 83 Sin_A v2 3.029449
## 84 Sin_A v2 2.703370
## 85 Sin_A v2 3.255363
## 86 Sin_A v2 2.975590
## 87 Sin_A v2 3.082987
## 88 Sin_A v2 2.986203
## 89 Sin_A v2 3.084356
## 90 Sin_A v2 3.207312
## 91 Sin_A v2 2.945190
## 92 Sin_A v2 3.146358
## 93 Sin_A v2 2.832288
## 94 Sin_A v2 3.126912
## 95 Sin_A v2 3.022383
## 96 Sin_A v2 2.622284
## 97 Sin_A v2 3.050539
## 98 Sin_A v2 3.286706
## 99 Sin_A v2 3.287719
## 100 Sin_A v2 3.034792
## 101 Sin_A v3 2.710272
## 102 Sin_A v3 3.016828
## 103 Sin_A v3 3.233914
## 104 Sin_A v3 3.144766
## 105 Sin_A v3 3.206552
## 106 Sin_A v3 2.744590
## 107 Sin_A v3 2.392490
## 108 Sin_A v3 3.861573
## 109 Sin_A v3 2.954996
## 110 Sin_A v3 3.128551
## 111 Sin_A v3 2.642993
## 112 Sin_A v3 2.983205
## 113 Sin_A v3 2.833272
## 114 Sin_A v3 2.378108
## 115 Sin_A v3 3.584652
## 116 Sin_A v3 3.157691
## 117 Sin_A v3 2.442494
## 118 Sin_A v3 2.518591
## 119 Sin_A v3 3.024725
## 120 Sin_A v3 2.796344library(collapsibleTree)## Warning: package 'collapsibleTree' was built under R version 4.2.3collapsibleTreeSummary(df = df, hierarchy = c('variedad', 'aporque', 'peso_fresco'), collapsed = F, fontSize = 16)#Analisis descriptivo
library(lattice)
bwplot(peso_fresco ~ variedad, df,
panel =function(...)
{panel.bwplot(...,groups=df$variedad, fill=c('red','blue','green'))})
bwplot(peso_fresco ~ aporque, df,
panel =function(...)
{panel.bwplot(...,groups=df$aporque, fill=c('red','blue'))})
bwplot(peso_fresco ~ aporque|variedad, df)
tb = tapply(df$peso_fresco,
list(df$aporque, df$variedad), mean)
addmargins(tb, FUN = mean)## Margins computed over dimensions
## in the following order:
## 1:
## 2:## v1 v2 v3 mean
## Con_A 3.042931 2.977103 2.927388 2.982474
## Sin_A 2.907712 2.989429 2.937830 2.944990
## mean 2.975321 2.983266 2.932609 2.963732tapply(df$peso_fresco, df$aporque, mean)## Con_A Sin_A
## 2.982474 2.944990tapply(df$peso_fresco, df$variedad, mean)## v1 v2 v3
## 2.975321 2.983266 2.932609mean(df$peso_fresco)## [1] 2.963732#Inferencial
\[H_1: \mu1 = \mu_2 = \mu_3\] \[H_2: \mu_{aporque} = \mu_{\text{no aporque}}\]
\[H_3:\text{No hay interacción entre aporque y variedad}\]
#Modelo \[y_{ijk} = \mu + \tau_i + \delta_j +(\tau\delta)_{ij}+ \epsilon_{ijk}\] \(i: 1,2,3\) \(j: 1,2\) \(k: 1,2\)
\[H_{0_1}: \tau_{v1} = \tau_{v2} = \tau_{v3} = 0\] \[H_{0_2}:\delta_A = \delta_{\bar{A}}\] \[H_{0_3}:(\tau\delta)_{ij}) = 0; \forall_{i,j}\] #FCCA
mod1 = aov(peso_fresco ~ variedad + aporque + variedad*aporque, df)
summary(mod1)## Df Sum Sq Mean Sq F value Pr(>F)
## variedad 2 0.059 0.02969 0.344 0.710
## aporque 1 0.042 0.04215 0.489 0.486
## variedad:aporque 2 0.143 0.07165 0.831 0.438
## Residuals 114 9.834 0.08626Nota: como no se rechaza la hipotesis de interacción nula, podemos interpretar las hipostesis de variedad y aporque.
#Hipótesis de aporque p = 0,889 > 5%, no se rechaza la hipótesis nula, efecto de aporte nulo. No existe diferencia estadistica en los pesos frescos promedio entre aporcar y no aporcar.
#Hipotesis de variedad p = 0,905 > 5%, No se rechaza, efecto de variedad nulo.
#Cultivo de tomate
#Factor1
aporque <- gl(2, 60, 120, c("Con_A", "Sin_A"))
#Factor2
variedad <- gl(3 , 20 , 120 , c('v1' , 'v2' , 'v3'))
#rta
peso_fresco <- c(rnorm(n =40 , mean = 3 , sd = 0.3),
rnorm(n= 80, mean = 4, sd = 0.4))
df1 = data.frame(aporque, variedad, peso_fresco)
df$peso_fresco[1] = 3.5
df$peso_fresco[81] = 2.5mod2 = aov(peso_fresco ~ variedad + aporque +
variedad*aporque, df1)
summary(mod2)## Df Sum Sq Mean Sq F value Pr(>F)
## variedad 2 4.358 2.179 14.56 2.33e-06 ***
## aporque 1 17.945 17.945 119.93 < 2e-16 ***
## variedad:aporque 2 7.649 3.824 25.56 6.75e-10 ***
## Residuals 114 17.057 0.150
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.2.2ggplot(data= df,
aes(aporque, peso_fresco, colour=variedad, group=variedad))+
stat_summary(Fun=mean, geom='point')+
stat_summary(Fun=mean, geom='line', linetype = 2)## Warning in stat_summary(Fun = mean, geom = "point"): Ignoring unknown
## parameters: `Fun`## Warning in stat_summary(Fun = mean, geom = "line", linetype = 2): Ignoring
## unknown parameters: `Fun`## No summary function supplied, defaulting to `mean_se()`
## No summary function supplied, defaulting to `mean_se()`
labs(y="mean(peso)")+
theme_bw()## NULL