TALLER PARCIAL

library(readxl)

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

library(outliers)
library(ggplot2)

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

library(collapsibleTree)

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

library(lattice)
library(TukeyC)

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

1.

datos1 = read_xlsx("C://Users//Grald//OneDrive//Documentos//DISEÑO EXPERIMENTOS//TALLER PARCIAL.xlsx", sheet = 1)
View(datos1)
as.factor(datos1$presion)

##  [1] p_0,05 p_0,05 p_0,05 p_0,1  p_0,1  p_0,1  p_0,2  p_0,2  p_0,2  p_0,25
## [11] p_0,25 p_0,25
## Levels: p_0,05 p_0,1 p_0,2 p_0,25

as.numeric(datos1$tf)

##  [1] 0.88 0.89 0.87 0.92 0.94 0.93 0.95 0.95 0.94 0.98 0.98 0.99

ggplot(datos1)+
  aes(presion, tf, fill=presion)+
  geom_boxplot() 

ggplot(data=datos1, aes(x=presion, y=tf, fill=presion))+
  geom_col()

#ANOVA MODELO1 
mod = aov(tf ~ presion, data = datos1)
summary(mod)

##             Df   Sum Sq  Mean Sq F value  Pr(>F)    
## presion      3 0.016567 0.005522   82.83 2.3e-06 ***
## Residuals    8 0.000533 0.000067                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

*La presión si tiene efecto en el tiempo de fractura de la madera.

#Revisión de supuestos: 

residuos = mod$residuals
TukeyHSD(mod, conf.level = 0.95)

##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = tf ~ presion, data = datos1)
## 
## $presion
##                     diff          lwr        upr     p adj
## p_0,1-p_0,05  0.05000000  0.028650987 0.07134901 0.0003178
## p_0,2-p_0,05  0.06666667  0.045317653 0.08801568 0.0000396
## p_0,25-p_0,05 0.10333333  0.081984320 0.12468235 0.0000014
## p_0,2-p_0,1   0.01666667 -0.004682347 0.03801568 0.1344163
## p_0,25-p_0,1  0.05333333  0.031984320 0.07468235 0.0002012
## p_0,25-p_0,2  0.03666667  0.015317653 0.05801568 0.0025538

• Entre las presiones de 0.2 y 0.1, no hay diferencias significativas.

#Normalidad
shapiro.test(residuos)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos
## W = 0.94102, p-value = 0.5114

• Se cumple el supuesto de normalidad.

#Homocedasticidad
bartlett.test(residuos, datos1$presion)

## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuos and datos1$presion
## Bartlett's K-squared = 0.95233, df = 3, p-value = 0.8128

• Se cumple el supuesto de homocedastecidad, varianzas iguales.

MODELO DISEÑO

\[Y_{ij}: \mu + \tau_{i} + \epsilon_{ij}\]

#Prueba de datos atipicos:

grubbs.test(datos1$tf)

## 
##  Grubbs test for one outlier
## 
## data:  datos1$tf
## G = 1.64859, U = 0.73046, p-value = 0.5021
## alternative hypothesis: lowest value 0.87 is an outlier

• No hay valores atipicos.

2.

datos2 = read_xlsx("C://Users//Grald//OneDrive//Documentos//DISEÑO EXPERIMENTOS//TALLER PARCIAL.xlsx", sheet = 2)
View(datos2)
as.factor(datos2$catalizador)

##  [1] c_A c_A c_A c_A c_A c_A c_B c_B c_B c_B c_B c_B c_C c_C c_C c_C c_C c_C c_D
## [20] c_D c_D c_D c_D c_D
## Levels: c_A c_B c_C c_D

as.numeric(datos2$rend)

##  [1] 60 63 62 61 63 62 65 67 70 68 66 65 69 66 73 68 66 67 58 63 61 63 62 65

#Analisis descriptivo 

ggplot(datos2)+
  aes(catalizador, rend, fill=catalizador)+
  geom_boxplot() 

ggplot(data=datos2, aes(x=catalizador, y=rend, fill=catalizador))+
  geom_col()

* Los catalizadores B y C son los que tienen mayor impacto sobre el rendimiento.

collapsibleTreeSummary(datos2,
                       c("catalizador", "rend"),
                       collapsed = FALSE)

#ANOVA Modelo2
mod2 = aov(rend ~ catalizador, data = datos2)
summary(mod2)

##             Df Sum Sq Mean Sq F value   Pr(>F)    
## catalizador  3  192.5   64.15    14.5 3.01e-05 ***
## Residuals   20   88.5    4.43                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

• Por lo menos uno de los catalizadores tiene efecto en el rendimiento.

#Revisión de supuestos:
residuos = mod2$residuals
TukeyHSD(mod2, conf.level = 0.95)

##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = rend ~ catalizador, data = datos2)
## 
## $catalizador
##               diff       lwr       upr     p adj
## c_B-c_A  5.0000000  1.600704  8.399296 0.0027711
## c_C-c_A  6.3333333  2.934037  9.732629 0.0002282
## c_D-c_A  0.1666667 -3.232629  3.565963 0.9990452
## c_C-c_B  1.3333333 -2.065963  4.732629 0.6948686
## c_D-c_B -4.8333333 -8.232629 -1.434037 0.0037860
## c_D-c_C -6.1666667 -9.565963 -2.767371 0.0003110

• No hay dif significativas entre D-A Y C-B,

#Normalidad
shapiro.test(residuos)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos
## W = 0.96494, p-value = 0.5454

• Se cumple el supuesto de normalidad

MODELO DISEÑO

\[Y_{ij}: \mu + \tau_{i} + \epsilon_{ij}\] * i = factor, j = repeticiones. Media + factor + error

#Homocedasticidad
bartlett.test(residuos, datos2$catalizador)

## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuos and datos2$catalizador
## Bartlett's K-squared = 2.9844, df = 3, p-value = 0.394

*Se cumple el supuesto de normalidad.

#Prueba de datos atipicos
grubbs.test(datos2$rend)

## 
##  Grubbs test for one outlier
## 
## data:  datos2$rend
## G = 2.37238, U = 0.74466, p-value = 0.1413
## alternative hypothesis: highest value 73 is an outlier

*No hay valores atipicos

plot(residuos, pch=16, cex=2)
grid()

3.

datos3 = read_xlsx("C://Users//Grald//OneDrive//Documentos//DISEÑO EXPERIMENTOS//TALLER PARCIAL.xlsx", sheet = 3)
View(datos3)
as.factor(datos3$sitio)

## [1] norte  norte  norte  centro centro centro sur    sur    sur   
## Levels: centro norte sur

# Analisis descriptivo:

collapsibleTreeSummary(datos3,
                       c("sitio", "tiempo", "bloque"),
                       collapsed = FALSE)

ggplot(datos3)+
  aes(sitio, tiempo, fill=sitio)+
  geom_boxplot() 

ggplot(datos3)+
  aes(x=sitio, y=tiempo, fill=sitio)+
  geom_col()

#ANOVA Modelo3
mod3 = aov(tiempo ~ bloque + sitio,
          datos3)
summary(mod3)

##             Df Sum Sq Mean Sq F value Pr(>F)  
## bloque       1  42.67   42.67   4.848 0.0789 .
## sitio        2 229.56  114.78  13.043 0.0104 *
## Residuals    5  44.00    8.80                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

• El sitio o por lo menos uno de ellos si tiene efecto en el tiempo/duración de las flores

###MODELO DEL DISEÑO

\[Y_{ij}: \mu + \tau_{i} + \beta_j + \epsilon_{ij}\]

#Revisión de supuestos:
residuos = mod3$residuals
TukeyHSD(mod3, conf.level = 0.95)

## Warning in replications(paste("~", xx), data = mf): non-factors ignored: bloque

## Warning in TukeyHSD.aov(mod3, conf.level = 0.95): 'which' specified some
## non-factors which will be dropped

##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = tiempo ~ bloque + sitio, data = datos3)
## 
## $sitio
##                    diff        lwr        upr     p adj
## norte-centro   5.333333  -2.548031 13.2146978 0.1637485
## sur-centro    -7.000000 -14.881364  0.8813645 0.0744269
## sur-norte    -12.333333 -20.214698 -4.4519689 0.0087436

• La diefrencia se encuentra entre los factores Sur-Norte

#Prueba de normalidad:
shapiro.test(residuos)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos
## W = 0.85397, p-value = 0.08239

• se cumple el supuesto de normalidad

#Prueba de homocedasticidad:
bartlett.test(residuos, datos3$sitio)

## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuos and datos3$sitio
## Bartlett's K-squared = 0.060221, df = 2, p-value = 0.9703

• Se cumple el supuesto de normalidad.

#Prueba de datos atipicos:
grubbs.test(datos3$tiempo)

## 
##  Grubbs test for one outlier
## 
## data:  datos3$tiempo
## G = 1.83798, U = 0.52495, p-value = 0.18
## alternative hypothesis: highest value 96 is an outlier

• No hay datos atipicos

plot(residuos, pch=16, cex=2)
grid()

4.

datos4 = read_xlsx("C://Users//Grald//OneDrive//Documentos//DISEÑO EXPERIMENTOS//TALLER PARCIAL.xlsx", sheet = 4)
View(datos4)
as.factor(datos4$region)

## [1] R1 R1 R1 R2 R2 R2 R3 R3 R3
## Levels: R1 R2 R3

###MODELO DEL DISEÑO \[Y_{ijk}: \mu + \tau_{i} + \beta_j + \delta_k +\epsilon_{ijk}\] *

#Analisis descriptivo:

bwplot(ventas ~ producto | estacion + region, datos4)

ggplot(datos4)+
  aes(producto, ventas, fill=producto)+
  geom_boxplot() 

• El producto con más ventas es el B,

collapsibleTreeSummary(datos4,
                       c("producto", "region", "estacion", "ventas"),
                       collapsed = FALSE)

#ANOVA Modelo4
mod4 = aov(ventas ~ region + estacion + producto,
          datos4)
summary(mod4)

##             Df Sum Sq Mean Sq F value Pr(>F)  
## region       2   2163    1081   2.992 0.2505  
## estacion     2   1506     753   2.083 0.3244  
## producto     2  32380   16190  44.792 0.0218 *
## Residuals    2    723     361                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

*Al menos uno de los productos tiene efecto en las ventas.

#Revisión de supuestos
residuos = mod4$residuals
TukeyHSD(mod4, conf.level = 0.95)

##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = ventas ~ region + estacion + producto, data = datos4)
## 
## $region
##            diff        lwr       upr     p adj
## R2-R1  23.00000  -68.44205 114.44205 0.4534211
## R3-R1 -14.66667 -106.10872  76.77538 0.6707084
## R3-R2 -37.66667 -129.10872  53.77538 0.2365160
## 
## $estacion
##            diff        lwr       upr     p adj
## E2-E1  15.00000  -76.44205 106.44205 0.6607232
## E3-E1 -16.66667 -108.10872  74.77538 0.6121017
## E3-E2 -31.66667 -123.10872  59.77538 0.3046323
## 
## $producto
##           diff        lwr       upr     p adj
## B-A  138.00000   46.55795 229.44205 0.0225911
## C-A   25.33333  -66.10872 116.77538 0.4061820
## C-B -112.66667 -204.10872 -21.22462 0.0335115

• Diferencias significativas en * Producto * entre B-A y B-C

tt = TukeyC(mod4, "producto")
plot(tt)

* El mejor producto es el “C”

#Prueba de normalidad:
shapiro.test(residuos)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos
## W = 0.70608, p-value = 0.001671

• No se cumple el supuesto de normalidad (p valor <5%)

#Prueba de homocedasticidad:
bartlett.test(residuos, datos4$producto)

## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuos and datos4$producto
## Bartlett's K-squared = 2.9068e-15, df = 2, p-value = 1

• Se cumple el supuesto de normalidad (p valor >5%) varianzas iguales

#Prueba de datos atipicos:
grubbs.test(datos4$ventas)

## 
##  Grubbs test for one outlier
## 
## data:  datos4$ventas
## G = 1.60611, U = 0.63724, p-value = 0.3875
## alternative hypothesis: highest value 410 is an outlier

*No hay datos atipicos.

plot(residuos, pch=16, cex=2)
grid()

5.

datos5 = read_xlsx("C://Users//Grald//OneDrive//Documentos//DISEÑO EXPERIMENTOS//TALLER PARCIAL.xlsx", sheet = 5)
View(datos5)

datos5$prof = as.factor(datos5$prof)
datos5$germinacion = as.numeric(datos5$germinacion)

###MODELO DEL DISEÑO: \[y_{ij} = \mu + \tau_{i} + \theta(x_{ij}-\bar{x}) + \epsilon_{ij}\] *Covarianza (teta)

###Hipotesis1:

\[H_0: \theta = 0 \] ###Hipotesis2: \[H_0: \mu_{s0} = \mu_{sf} = \mu_{si} = \mu_{sfi} \]

#ANCOVA modelo 5:
mod5 = aov(germinacion ~ CIC + CE + Ca_Mg + prof, datos5)
summary(mod5)

##             Df Sum Sq Mean Sq F value  Pr(>F)   
## CIC          1  0.003   0.003   0.004 0.95332   
## CE           1 14.137  14.137  19.789 0.00671 **
## Ca_Mg        1  2.924   2.924   4.093 0.09896 . 
## prof         3 29.561   9.854  13.793 0.00747 **
## Residuals    5  3.572   0.714                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

CE y profundidad tienen impacto en en la germinación.

mod5b = aov(germinacion ~ CE + prof, datos5) summary(mod5b) mod5c = aov(germinacion ~ Ca_Mg + prof, datos) summary(mod5c)

#Analisis descriptivo:
ggplot(datos5)+
  aes(prof, germinacion, fill=prof)+
  geom_boxplot() 

* A mayor profundidad de siembra mayor cantidad de días para la germinación.

ANOVA

mod5= aov(germinacion ~ prof, data=datos5) summary(mod5) * Al menos uno de los tratamientos de profundidad de siembra tiene efecto sobre la germinación.

## Comparación de medias posterior al analisis de varianza
#Revision de supuestos.
residuos = mod5$residuals
TukeyHSD(mod5, conf.level = 0.95)

## Warning in replications(paste("~", xx), data = mf): non-factors ignored: CIC

## Warning in replications(paste("~", xx), data = mf): non-factors ignored: CE

## Warning in replications(paste("~", xx), data = mf): non-factors ignored: Ca_Mg

## Warning in TukeyHSD.aov(mod5, conf.level = 0.95): 'which' specified some
## non-factors which will be dropped

##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = germinacion ~ CIC + CE + Ca_Mg + prof, data = datos5)
## 
## $prof
##              diff        lwr      upr     p adj
## f2-f1  0.70028257 -1.8461900 3.246755 0.7491551
## f3-f1  0.07084901 -2.4756236 2.617322 0.9995590
## f4-f1  3.58044806  1.0339755 6.126921 0.0130043
## f3-f2 -0.62943356 -3.1759062 1.917039 0.8003250
## f4-f2  2.88016549  0.3336929 5.426638 0.0314446
## f4-f3  3.50959905  0.9631265 6.056072 0.0141442

tt = TukeyC(mod5, "prof")
plot(tt)

• Hay diferencias significativas entre tratamiento de siembra f1 y f4.

##Normalidad: 
shapiro.test(residuos)

## 
##  Shapiro-Wilk normality test
## 
## data:  residuos
## W = 0.99036, p-value = 0.9998

hist(mod5$residuals)

boxplot(mod5$residuals, pch=16)

# Revisando posible dato atipico
boxplot(germinacion ~ prof, datos5, pch=16)

#Homocedasticidad: 
bartlett.test(residuos, datos5$prof)

## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuos and datos5$prof
## Bartlett's K-squared = 2.4474, df = 3, p-value = 0.4849

• Se cumple el supuesto de homocedasticidad.

#Revisión de datos atipicos: 
grubbs.test(datos5$germinacion)

## 
##  Grubbs test for one outlier
## 
## data:  datos5$germinacion
## G = 1.53700, U = 0.76572, p-value = 0.665
## alternative hypothesis: lowest value 8.5 is an outlier

• No hay datos atipicos.

##INTERPRETACIÓN BIOLÓGICA La profundidad recomendada para la siembra es la f1 ya que es en donde las plantas germinan en una cantidad menor de dias