Realizar todos los procedimientos de un DCA para

determinar cual es la mejor variedad de papa en rendimiento (o son iguales)

Realizar todos los pasos vistos anteriormente. Finalmente,

Realice los gráficos que considere más convenientes, publique sus

resultados en Rpubs, y envie el link por classroom.

Crear un vector de paquetes

pacotes <- c("agricolae", "ggplot2", "outliers", "tidyverse", "nortest", "stats", "performance")

Script para instalar y cargar librerias y dependencias

if(sum(as.numeric(!pacotes %in% installed.packages())) != 0){
  instalador <- pacotes[!pacotes %in% installed.packages()]
  for(i in 1:length(instalador)) {
    install.packages(instalador, dependencies = T)
    break()}
  sapply(pacotes, require, character = T) 
} else {
  sapply(pacotes, require, character = T) 
}

## Loading required package: agricolae

## Loading required package: ggplot2

## Loading required package: outliers

## Loading required package: tidyverse

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.3     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
## Loading required package: nortest
## 
## Loading required package: performance

##   agricolae     ggplot2    outliers   tidyverse     nortest       stats 
##        TRUE        TRUE        TRUE        TRUE        TRUE        TRUE 
## performance 
##        TRUE

Traer la base de datos

data(potato)
?potato

## starting httpd help server ... done

Análisis exploratório ——

data(potato)
?potato

data<- as.data.frame(potato)

str(data)

## 'data.frame':    18 obs. of  4 variables:
##  $ date   : int  18 26 31 18 26 31 18 26 31 18 ...
##  $ variety: Factor w/ 2 levels "Canchan","Unica": 2 2 2 2 2 2 2 2 2 1 ...
##  $ harvest: int  1 1 1 2 2 2 3 3 3 1 ...
##  $ cutting: num  2.77 2.35 4.17 2.56 3.56 ...

summary(data)

##       date       variety     harvest     cutting     
##  Min.   :18   Canchan:9   Min.   :1   Min.   :2.350  
##  1st Qu.:18   Unica  :9   1st Qu.:1   1st Qu.:3.422  
##  Median :26               Median :2   Median :5.013  
##  Mean   :25               Mean   :2   Mean   :5.138  
##  3rd Qu.:31               3rd Qu.:3   3rd Qu.:6.138  
##  Max.   :31               Max.   :3   Max.   :9.812

Crear un gráfico de boxplot con etiquetas del eje x en un ángulo de 25 grados

ggplot(data, aes(x = variety, y = cutting)) +
  geom_boxplot(fill = "green") +
  labs(x = "Variedad", y = "Rto Corte") +
  ggtitle("Variedades de Papa") +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 25, hjust = 1))

Valores atípicos

data%>%
  select_if(is.numeric)%>%
  outlier()

##    date harvest cutting 
## 18.0000  3.0000  9.8125

View(data)

ANOVA DBCA ————————–

Resumen de base de datos

str(data)

## 'data.frame':    18 obs. of  4 variables:
##  $ date   : int  18 26 31 18 26 31 18 26 31 18 ...
##  $ variety: Factor w/ 2 levels "Canchan","Unica": 2 2 2 2 2 2 2 2 2 1 ...
##  $ harvest: int  1 1 1 2 2 2 3 3 3 1 ...
##  $ cutting: num  2.77 2.35 4.17 2.56 3.56 ...

Convertir la variable harvest (Valores enteros) a (valores numericos)

data$harvest <- as.factor(data$harvest)

Revisar base de datos

str(data)

## 'data.frame':    18 obs. of  4 variables:
##  $ date   : int  18 26 31 18 26 31 18 26 31 18 ...
##  $ variety: Factor w/ 2 levels "Canchan","Unica": 2 2 2 2 2 2 2 2 2 1 ...
##  $ harvest: Factor w/ 3 levels "1","2","3": 1 1 1 2 2 2 3 3 3 1 ...
##  $ cutting: num  2.77 2.35 4.17 2.56 3.56 ...

Crear un modelo de ANOVA en bloques completos al azar

model_DBCA<- aov(cutting ~ variety + Error(harvest), data = data)
model_DBCA2<- aov(cutting ~ variety + harvest, data = data)

Realizar el ANOVA

summary(model_DBCA)

## 
## Error: harvest
##           Df Sum Sq Mean Sq F value Pr(>F)
## Residuals  2  36.24   18.12               
## 
## Error: Within
##           Df Sum Sq Mean Sq F value  Pr(>F)   
## variety    1  25.09  25.087   14.65 0.00185 **
## Residuals 14  23.98   1.713                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

summary(model_DBCA2)

##             Df Sum Sq Mean Sq F value  Pr(>F)   
## variety      1  25.09  25.087   14.65 0.00185 **
## harvest      2  36.24  18.121   10.58 0.00159 **
## Residuals   14  23.98   1.713                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

cv.model(model_DBCA2)

## [1] 25.47463

Verificación de supuestos ————————————-

summary(model_DBCA)

## 
## Error: harvest
##           Df Sum Sq Mean Sq F value Pr(>F)
## Residuals  2  36.24   18.12               
## 
## Error: Within
##           Df Sum Sq Mean Sq F value  Pr(>F)   
## variety    1  25.09  25.087   14.65 0.00185 **
## Residuals 14  23.98   1.713                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Normalidad ———————–

Verificar la normalidad de los residuos (Prueba de Shapiro-Wilk):

my.residuos.DBCA<-residuals(model_DBCA$Within)
shapiro.test(my.residuos.DBCA)

## 
##  Shapiro-Wilk normality test
## 
## data:  my.residuos.DBCA
## W = 0.97385, p-value = 0.9105

Prueba de normalidad de Kolmogorov-Smirnov

ks.test(my.residuos.DBCA, "pnorm", mean = mean(my.residuos.DBCA), sd = sd(my.residuos.DBCA))

## 
##  Exact one-sample Kolmogorov-Smirnov test
## 
## data:  my.residuos.DBCA
## D = 0.10051, p-value = 0.9942
## alternative hypothesis: two-sided

Prueba de normalidad de Anderson-Darling

Cargar la librería ‘nortest’ para la función ‘ad.test’

library(nortest)
ad.test(my.residuos.DBCA)

## 
##  Anderson-Darling normality test
## 
## data:  my.residuos.DBCA
## A = 0.16377, p-value = 0.9272

Crear un gráfico de qq-plot para evaluar la normalidad

qqnorm(my.residuos.DBCA)
qqline(my.residuos.DBCA)

Homogeneidad de varianza ———–

Realizar una prueba de homogeneidad de varianza de Bartlett

attach(data)
bartlett_result <- bartlett.test(cutting ~ variety)

Mostrar los resultados de la prueba

bartlett_result

## 
##  Bartlett test of homogeneity of variances
## 
## data:  cutting by variety
## Bartlett's K-squared = 1.7689, df = 1, p-value = 0.1835

Homogeneidad de varianza (Prueba de Levene)

Cargar la librería ‘car’ para la función ‘leveneTest’

library(car)

## Loading required package: carData

## 
## Attaching package: 'car'

## The following object is masked from 'package:dplyr':
## 
##     recode

## The following object is masked from 'package:purrr':
## 
##     some

leveneTest(cutting ~ variety)

## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  1  0.8149 0.3801
##       16

residuals(model_DBCA$Within)

##            4            5            6            7            8            9 
## -1.087981456 -0.087981456 -0.275481456 -0.711243898  0.007506102  1.132506102 
##           10           11           12           13           14           15 
## -2.526801781  0.148198219  0.673198219 -1.511592567  1.175907433 -0.355342567 
##           16           17           18 
## -1.572355009  1.990144991  1.958894991

Crear un data frame con los residuos y el nivel “clon”

residual_data <- data.frame(
  variety = rep(4:18, each = 1),
  Residuos = residuals(model_DBCA$Within)
)

Crear el gráfico de dispersión: para verificar si hay dispersion

ggplot(residual_data, aes(x = variety, y = Residuos)) +
  geom_point() +
  labs(x = "Variedad", y = "Rto corte") +
  ggtitle("Gráfico de dispersión de residuos por nivel de Variedad") +
  theme_minimal()

Supuestos de normalidad en un solo código, aquí necesitamos el

modelo 2 que creamos anteriormente.

check_model(model_DBCA2)

ANOVA DBCA ————————–

Crear un modelo de ANOVA en bloques completos al azar# Crear un modelo de ANOVA en bloques completos al azar

model_DBCA<- aov(cutting ~ variety + Error(harvest), data = data)
model_DBCA2<- aov(cutting ~ variety + harvest, data = data)

Realizar el ANOVA

summary(model_DBCA)

## 
## Error: harvest
##           Df Sum Sq Mean Sq F value Pr(>F)
## Residuals  2  36.24   18.12               
## 
## Error: Within
##           Df Sum Sq Mean Sq F value  Pr(>F)   
## variety    1  25.09  25.087   14.65 0.00185 **
## Residuals 14  23.98   1.713                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

summary(model_DBCA2)

##             Df Sum Sq Mean Sq F value  Pr(>F)   
## variety      1  25.09  25.087   14.65 0.00185 **
## harvest      2  36.24  18.121   10.58 0.00159 **
## Residuals   14  23.98   1.713                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Comparación de medias ——————-

Duncan —————————–

Realizar la prueba de comparación de medias de Duncan

library(agricolae)

Asegúrate de ajustar el nombre del término de interés (“clon”) de acuerdo a tu modelo

duncan_result <- duncan.test(model_DBCA2, "variety")

Mostrar los resultados

print(duncan_result)

## $statistics
##   MSerror Df   Mean       CV
##   1.71285 14 5.1375 25.47463
## 
## $parameters
##     test  name.t ntr alpha
##   Duncan variety   2  0.05
## 
## $duncan
##      Table CriticalRange
## 2 3.033186      1.323237
## 
## $means
##          cutting      std r       se  Min     Max   Q25    Q50    Q75
## Canchan 6.318056 2.342248 9 0.436253 2.60 9.81250 5.275 5.8000 7.1875
## Unica   3.956944 1.428844 9 0.436253 2.35 6.59375 2.775 3.5625 4.7500
## 
## $comparison
## NULL
## 
## $groups
##          cutting groups
## Canchan 6.318056      a
## Unica   3.956944      b
## 
## attr(,"class")
## [1] "group"

Duncan al 0.01

duncan_result_alfa_0.01<-duncan.test(model_DBCA2, "variety", console = T, alpha = 0.01)

## 
## Study: model_DBCA2 ~ "variety"
## 
## Duncan's new multiple range test
## for cutting 
## 
## Mean Square Error:  1.71285 
## 
## variety,  means
## 
##          cutting      std r       se  Min     Max   Q25    Q50    Q75
## Canchan 6.318056 2.342248 9 0.436253 2.60 9.81250 5.275 5.8000 7.1875
## Unica   3.956944 1.428844 9 0.436253 2.35 6.59375 2.775 3.5625 4.7500
## 
## Alpha: 0.01 ; DF Error: 14 
## 
## Critical Range
##        2 
## 1.836578 
## 
## Means with the same letter are not significantly different.
## 
##          cutting groups
## Canchan 6.318056      a
## Unica   3.956944      b

duncan_result_alfa_0.01$groups

##          cutting groups
## Canchan 6.318056      a
## Unica   3.956944      b

Gráfico boxpltos ———————

Combina los datos de ‘data’ y ‘duncan_result_alfa_0.01’ en un solo data frame

Convierte duncan_result_alfa_0.01$groups en un data frame

duncan_data_frame <- data.frame(variety = rownames(duncan_result_alfa_0.01$groups), 
                                groups = duncan_result_alfa_0.01$groups$groups)

Realiza el merge entre data y duncan_data_frame

data_combinado <- merge(data, duncan_data_frame, by = "variety")

Crea el gráfico de boxplots con etiquetas de significancia

ggplot(data_combinado, aes(x = reorder(variety, cutting), y = cutting, fill = groups)) +
  geom_boxplot() +
  labs(x = "Variedad", y = "Rto Corte", fill = "Grupos") +
  ggtitle("Distribución de rendimiento por cada Variedad") +
  scale_fill_manual(values = c("a" = "orange", "b" = "green")) +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 25, hjust = 1))

Crea el gráfico de boxplots

p <- ggplot(data_combinado, aes(x = reorder(variety, cutting), y = cutting, fill = groups)) +
  geom_boxplot() +
  labs(x = "Variedad", y = "Rto Corte", fill = "Grupos") +
  ggtitle("Distribución de rendimiento por cada Variedad") +
  scale_fill_manual(values = c("a" = "orange", "b" = "green")) +
  theme_bw() +
  theme(axis.text.x = element_text(angle = 25, hjust = 1))

Calcular las posiciones de las etiquetas de significancia

Agrega la columna “groups”

label_data <- data_combinado %>%
  group_by(variety) %>%
  summarise(y = max(cutting),
            groups = first(groups))

Añadir las etiquetas de significancia encima de los boxplots

p + geom_text(data = label_data, aes(x = variety, y = y, label = groups), vjust = -0.5)

Diseño de Bloques Completamente al Azar

Luis Fernando Rosero Males

2023-11-08

Realizar todos los procedimientos de un DCA para

determinar cual es la mejor variedad de papa en rendimiento (o son iguales)

Realizar todos los pasos vistos anteriormente. Finalmente,

Realice los gráficos que considere más convenientes, publique sus

resultados en Rpubs, y envie el link por classroom.

Crear un vector de paquetes

Script para instalar y cargar librerias y dependencias

Traer la base de datos

Análisis exploratório ——

Crear un gráfico de boxplot con etiquetas del eje x en un ángulo de 25 grados

Valores atípicos

ANOVA DBCA ————————–

Convertir la variable harvest (Valores enteros) a (valores numericos)

Crear un modelo de ANOVA en bloques completos al azar

Realizar el ANOVA

Verificación de supuestos ————————————-

Normalidad ———————–

Verificar la normalidad de los residuos (Prueba de Shapiro-Wilk):

Prueba de normalidad de Kolmogorov-Smirnov

Prueba de normalidad de Anderson-Darling

Cargar la librería ‘nortest’ para la función ‘ad.test’

Crear un gráfico de qq-plot para evaluar la normalidad

Homogeneidad de varianza ———–

Realizar una prueba de homogeneidad de varianza de Bartlett

Mostrar los resultados de la prueba

Homogeneidad de varianza (Prueba de Levene)

Cargar la librería ‘car’ para la función ‘leveneTest’

Crear un data frame con los residuos y el nivel “clon”

Crear el gráfico de dispersión: para verificar si hay dispersion

Supuestos de normalidad en un solo código, aquí necesitamos el

modelo 2 que creamos anteriormente.

ANOVA DBCA ————————–

Crear un modelo de ANOVA en bloques completos al azar# Crear un modelo de ANOVA en bloques completos al azar

Realizar el ANOVA

Comparación de medias ——————-

Duncan —————————–

Realizar la prueba de comparación de medias de Duncan

Asegúrate de ajustar el nombre del término de interés (“clon”) de acuerdo a tu modelo

Mostrar los resultados

Duncan al 0.01

Gráfico boxpltos ———————

Combina los datos de ‘data’ y ‘duncan_result_alfa_0.01’ en un solo data frame

Convierte duncan_result_alfa_0.01$groups en un data frame

Realiza el merge entre data y duncan_data_frame

Crea el gráfico de boxplots con etiquetas de significancia

Crea el gráfico de boxplots

Calcular las posiciones de las etiquetas de significancia

Agrega la columna “groups”

Añadir las etiquetas de significancia encima de los boxplots