Untitled

#Diseño factorial completo en arreglo completamente al azar (i)

#cultivo tomate
#Factor1
set.seed(123)
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

library(collapsibleTree)

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

collapsibleTreeSummary(df = df, hierarchy = c('variedad', 'aporque', 'peso_fresco'), collapsed = F)

##Análisis 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)

Este es el gráfico que se debería construir porque contempla ambos factores. Recordar que esto ya no es de un sólo factor.

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 3.075894 2.984623 3.031946 3.030821
## sin_A 2.964025 3.087442 2.892186 2.981218
## mean  3.019960 3.036032 2.962066 3.006019

tapply(df$peso_fresco, df$variedad, mean)

##       v1       v2       v3 
## 3.019960 3.036032 2.962066

mean(df$peso_fresco)

## [1] 3.006019

Siempre se debe contemplar los valores de la tabla, no de los margenes como la media.

#Inferencial \[H_1: \mu1 = \mu2 = \mu3\] \[H_2: \mu_{aporque} = \mu_{\text{no aporque}}\] \[H_3:\text{no hay interacción entre aporque y variedad}\] #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  0.121 0.06054   0.813 0.4461  
## aporque            1  0.074 0.07381   0.991 0.3216  
## variedad:aporque   2  0.352 0.17619   2.366 0.0985 .
## Residuals        114  8.491 0.07448                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Siempre se debe interpretar primero la interacción porque es la que contiene ambos factores. Como no se rechaza la hipótesis de interacción nula podemos interpretar las hipótesis de variedad y de aporque (P = 0.3216 > 5%, no se rechaza la hipóteis, efecto de aporque nulo. No existe diferencia estadística en los pesos frescos promedio entre aporcar y no aporcar.)

• Hipótesis de variedad P = 0.446 > 5%, no se rechaza la hipótesis, efecto de variedad nulo. No existe diferencia estadística

#cultivo tomate
#Factor1
set.seed(123)
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))

df = data.frame(aporque, variedad, peso_fresco)
df$peso_fresco[1] = 3.5
df$peso_fresco[81] = 2.5

mod2 = aov(peso_fresco ~ variedad + aporque +
             variedad*aporque, df)
summary(mod2)

##                   Df Sum Sq Mean Sq F value   Pr(>F)    
## variedad           2  4.880   2.440   18.83 8.61e-08 ***
## aporque            1 10.562  10.562   81.50 5.08e-15 ***
## variedad:aporque   2  9.349   4.674   36.07 7.30e-13 ***
## Residuals        114 14.774   0.130                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Si hay interacción pval<5%, por lo tanto, las 2 hipótesis de arriba no pueden ser interpretadas.

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.2.3

ggplot(data = df,
       aes(aporque, peso_fresco, colour=variedad, group=variedad))+
  stat_summary(fun = mean, geom = "point")+
                  stat_summary(fun = mean, geom = "line")+
                  labs(y = "mean(peso_fresco)")+
                  theme_bw()

#Diseño factorial completo en arreglo en bloques al azar

#Diseño factorial completo en arreglo en bloques generalizados y al azar