#Cultivo de 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 <- 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)
#Analisis descriptivopeso fresco por variedad:

library(lattice)
bwplot(peso_fresco ~variedad, df, panel=function(...)
{panel.bwplot(...,groups=df$variedad, 
              fill=c('red', 'blue', 'green'))})

library(lattice)
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$variedad),mean)
mean(df$peso_fresco)
## [1] 3.006019
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

Aporcando es mejor la V1 y sin aporcar serían la mejor opcion la V2. Para analizar se miran todas las variables, no solamente las margenes.

#Analisis de varianza \[H_0:\mu_1 = \mu_2=\mu_3\] \[H_2:\mu_{aporque} = \mu_{\text{no aporque}}\] \[H_3:\text{No hay interaccion entre aporque y variedad}\] #Diseño de dos factores #Modelo de dos factores

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

H_{0_1}:{v1}={v3}=_{v3}=0

H_{0_2}:A={{A}}

H_{0_3}:(){ij})=0;{i,j}

#FACTORIAL COMPLETO COMPLETAMENTE AL AZAR

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

Como no se rechaza la hiótesis de interacción nula, podemos interpretar las hipótesis de variedad y de aporque

Lo primero que se mira para analizar la tabla es revisar la interacción entre los factores.

p=0.098 >5% No rechaza la hipotesis 3, es decir, la interaccion es nula. Cuando hay interacion la unica hipotesis que se considera es la de la interaccion

Cuando no hay interacción se puede revisar las dos otras hipotesis

#Hipotesis de aporque p=0.3216 >5%. No se rechaza esta hipotesis, es decir, el efecto del aporte es nulo. No afecta el aporque en el cultivo. No existe diferencia estadisitica en los pesos frescos promedio entre aporcar y no aporcar.

#Hipotesis de variedad p=0.44 >5% No se rechaza, no hay diferencias estadisitcas en el peso promedio de las tres variedades. —–>No hay diferencias de variedades ni aporque.

#Cultivo de 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)
 df1$peso_fresco[1]=3.5
 df1$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  4.880   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
library(ggplot2)

  ggplot(df1,
        aes(x=variedad, peso_fresco,
            colour=aporque, group =aporque))+
  stat_summary(fun = mean, geom = "point", size=2) + 
  stat_summary(fun = mean, geom = "line", linetype = 2) + 
  labs (y= "mean(peso_fresco")+ 
  theme_bw()

  mod2=aov(peso_fresco ~variedad + aporque + variedad*aporque, df1)
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
library(ggplot2)
  ggplot(df1,
        aes(x=variedad, peso_fresco,
            colour=aporque, group =aporque))+
  stat_summary(fun = mean, geom = "point", size=2) + 
  stat_summary(fun = mean, geom = "line", linetype = 2) + 
  labs (y= "mean(peso_fresco")+ 
  theme_bw()