# Crear los vectores por tratamiento
control <- c(213, 214, 204, 208, 212, 200, 207)
t2 <- c(76, 85, 74, 78, 82, 75, 82)
t3 <- c(57, 67, 55, 64, 61, 63, 63)
t4 <- c(84, 82, 85, 92, 87, 79, 90)
# Unir los datos en un solo vector
tiempos <- c(control, t2, t3, t4)
# Crear factor para los tratamientos
tratamiento <- factor(rep(c("Control", "T2", "T3", "T4"), each = 7))
# Crear dataframe
datos <- data.frame(
Tratamiento = tratamiento,
Tiempo = tiempos
)
# =============================
# DATOS DEL EXPERIMENTO
# =============================
# Tiempos de cocción (en minutos) por tratamiento
control <- c(213, 214, 204, 208, 212, 200, 207)
t2 <- c(76, 85, 74, 78, 82, 75, 82) # Bicarbonato
t3 <- c(57, 67, 55, 64, 61, 63, 63) # Sal común
t4 <- c(84, 82, 85, 92, 87, 79, 90) # Bicarbonato + Sal
# Unimos todos los tiempos en un solo vector
tiempos <- c(control, t2, t3, t4)
# Creamos el factor de tratamientos
tratamientos <- factor(rep(c("Control", "T2", "T3", "T4"), each = 7))
# Creamos el dataframe
datos <- data.frame(
Tratamiento = tratamientos,
Tiempo = tiempos
)
=============================
RESPUESTAS TEÓRICAS
=============================
1. FACTORES PERTURBADORES:
- Variedad de frijol
- Tamaño de la muestra
- Tipo de olla, utensilios
- Fuente de calor (estufa)
PROPUESTA DE CONTROL:
- Usar la misma variedad
- Establecer peso por muestra
- Cocinar en las mismas condiciones (tiempo, temperatura,
utensilio)
2. UNIDAD EXPERIMENTAL:
Cada muestra individual de frijol cocinada bajo un tratamiento
3. ALEATORIZACIÓN:
Asignar las unidades experimentales a los tratamientos de manera
aleatoria
(ej. mediante sample() o sorteo manual en un experimento real)
=============================
HIPÓTESIS ESTADÍSTICAS
=============================
H0: No hay diferencias significativas entre tratamientos
H1: Al menos un tratamiento es significativamente diferente
# =============================
# ANÁLISIS DE VARIANZA
# =============================
modelo <- aov(Tiempo ~ Tratamiento, data = datos)
summary(modelo)
## Df Sum Sq Mean Sq F value Pr(>F)
## Tratamiento 3 95041 31680 1559 <2e-16 ***
## Residuals 24 488 20
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# =============================
# PRUEBA DE COMPARACIÓN MÚLTIPLE: TUKEY
# =============================
# Instalar el paquete si aún no lo tienes
# install.packages("agricolae")
# Cargar la librería
library(agricolae)
# Prueba de Tukey
tukey <- HSD.test(modelo, "Tratamiento", group = TRUE)
print(tukey$groups)
## Tiempo groups
## Control 208.28571 a
## T4 85.57143 b
## T2 78.85714 c
## T3 61.42857 d
# =============================
# GRÁFICO DE BARRAS SEGÚN GRUPOS DE TUKEY
# =============================
bar.group(tukey$groups,
ylim = c(0, 220),
col = c("lightgreen", "skyblue", "orange", "red"),
main = "Tiempo promedio de cocción por tratamiento",
xlab = "Tratamiento",
ylab = "Tiempo de cocción (min)")
=============================
CONCLUSIÓN FINAL
=============================
Según la prueba de Tukey, el tratamiento T3 (sal común)
fue el más efectivo para reducir el tiempo de cocción de
frijoles.
Pertenece al grupo con menor promedio (grupo “a”).