set.seed(123)
#cultivo tomate

#factor 1
aporque <- gl(2,60,120,c("con_a", "sin_a"))

#factor 2
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)
collapsibleTreeSummary(df = df, hierarchy=c("variedad","aporque","peso_fresco"),collapsed = F, fontSize = 16)
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)

tapply(df$peso_fresco, list(df$aporque, df$variedad), mean)
##             v1       v2       v3
## con_a 3.075894 2.984623 3.031946
## sin_a 2.964025 3.087442 2.892186
tb = tapply(df$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

en una tabla de medias nunca se ven las margenes siempre veo lo que está adentro

##Inferencial

\[H_0: \mu_1=\mu_2=\mu_3\] \[H_2: \mu_{aporque} = \mu_{\text{no aporque}}\] \[H_3:\text{No hay interacción entre aporque y variedad}\] #Modelo

\[y_{ijk}=\mu+\tau_{i}+\delta_{j}+(\tau\delta)_{ij}+\epsilon_{ijk}\] # Modelo \[y_{ijk} = \mu + \tau_i + \delta_j +(\tau\delta)_{ij}+ \epsilon_{ijk}\] \(i: 1,2,3\) \(j: 1,2\) \(k: 1,2\)

\[H_{0_1}: \tau_{v1} = \tau_{v2} = \tau_{v3} = 0\] \[H_{0_2}:\delta_A = \delta_{\bar{A}}\]

\[H_{0_3}:(\tau\sigma)_{ij}) = 0; \forall_{i,j}\] ##Factorial completo completamente al azar(modelo aov, variable rta primero)

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

se debe ver primero la interaccion

H_3: 0,0985 (interacción) No rechaza. Como no se rechaza la hipotesis de interacción nula se pueden interpretar las hipotesis de variedad y aporque

H_2: 0,3216 (aporque)= No rechaza. No hay diferencia en el peso fresco de los aporques

H_1: 0,4461(hipotesis de variedad)= No rechaza. Cualquier variedad que elija es buena, no existe diferencia

#Cultivo tomate
set.seed(123)
#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] = 2.5
mod2 = aov(peso_fresco ~ variedad + aporque +
             variedad*aporque, df1)
summary(mod2)
##                   Df Sum Sq Mean Sq F value   Pr(>F)    
## variedad           2  4.738   2.369   22.42 6.13e-09 ***
## aporque            1 11.890  11.890  112.54  < 2e-16 ***
## variedad:aporque   2 10.312   5.156   48.81 4.87e-16 ***
## Residuals        114 12.044   0.106                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Si hay interaccion por lo tanto las dos hipotesis anteriores no pueden ser interpretadas

_ Grafico de interacción

library(ggplot2)
ggplot(data=df,
aes(aporque, peso_fresco, colour= variedad, group=variedad))+
stat_summary(fun=mean, geom= "point")+
stat_summary(fun=mean, geom="line" , linetype=2)+
labs(y="mean(peso_fresco)")+
theme_bw()

estadisticamente lo mejor es no aporcar en la variedad 2 y con aporque las variedades 1 y 3