Trabajo final situacion 1
Eber Delgado
2025-09-23
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ tibble 3.3.0
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.1.0
## ── 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 errorslibrary(skimr)
library(summarytools)## Warning in fun(libname, pkgname): couldn't connect to display ":0"##
## Attaching package: 'summarytools'
##
## The following object is masked from 'package:tibble':
##
## viewlibrary(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':
##
## somelibrary(agricolae)
library(dplyr)A. Exploración de Datos
1. Carga de la base de datos
NOVILLOS <- read.csv("novillos.csv", header = TRUE, sep = ",")2. Explorar la estructura
Nombres de las variables
names(NOVILLOS) ## [1] "TRATAMIENTO" "CORRAL" "ANIMAL_NUM" "PESO_INICIAL" "PESO_FINAL"
## [6] "GANANCIA"Tipo de variables y estructura
str(NOVILLOS) ## 'data.frame': 45 obs. of 6 variables:
## $ TRATAMIENTO : chr "P15" "P15" "P15" "P15" ...
## $ CORRAL : int 1 1 1 1 1 2 2 2 2 2 ...
## $ ANIMAL_NUM : int 1 2 3 4 5 6 7 8 9 10 ...
## $ PESO_INICIAL: int 121 210 200 222 209 315 312 311 309 300 ...
## $ PESO_FINAL : int 447 446 445 446 444 432 435 436 432 431 ...
## $ GANANCIA : int 326 236 245 224 235 117 123 125 123 131 ...Primeros registros
head(NOVILLOS) ## TRATAMIENTO CORRAL ANIMAL_NUM PESO_INICIAL PESO_FINAL GANANCIA
## 1 P15 1 1 121 447 326
## 2 P15 1 2 210 446 236
## 3 P15 1 3 200 445 245
## 4 P15 1 4 222 446 224
## 5 P15 1 5 209 444 235
## 6 P15 2 6 315 432 117Resumen estadístico
summary(NOVILLOS) ## TRATAMIENTO CORRAL ANIMAL_NUM PESO_INICIAL PESO_FINAL
## Length:45 Min. :1 Min. : 1 Min. :112.0 Min. :411.0
## Class :character 1st Qu.:1 1st Qu.: 4 1st Qu.:200.0 1st Qu.:417.0
## Mode :character Median :2 Median : 8 Median :221.0 Median :433.0
## Mean :2 Mean : 8 Mean :231.9 Mean :431.4
## 3rd Qu.:3 3rd Qu.:12 3rd Qu.:310.0 3rd Qu.:444.0
## Max. :3 Max. :15 Max. :321.0 Max. :449.0
## GANANCIA
## Min. : 97.0
## 1st Qu.:123.0
## Median :198.0
## Mean :199.5
## 3rd Qu.:245.0
## Max. :335.03. Calcular ganancia de peso promedio por corral y luego resumir por tratamiento
3.1. Calcular la ganancia de peso promedio por corral para cada tratamiento
NOVILLOS_DIETA <- NOVILLOS %>%
group_by(TRATAMIENTO, CORRAL) %>%
summarise(GANANCIA_PROMEDIO = mean(GANANCIA, na.rm = TRUE)) %>%
ungroup() %>%
mutate(TRATAMIENTO = factor(TRATAMIENTO))## `summarise()` has grouped output by 'TRATAMIENTO'. You can override using the
## `.groups` argument.# Visualizar la tabla resultante
print(NOVILLOS_DIETA)## # A tibble: 9 × 3
## TRATAMIENTO CORRAL GANANCIA_PROMEDIO
## <fct> <int> <dbl>
## 1 P15 1 253.
## 2 P15 2 124.
## 3 P15 3 256.
## 4 P25 1 291.
## 5 P25 2 124.
## 6 P25 3 234.
## 7 P35 1 212.
## 8 P35 2 125.
## 9 P35 3 176.3.2. Exploramos al base de datos
str(NOVILLOS_DIETA)## tibble [9 × 3] (S3: tbl_df/tbl/data.frame)
## $ TRATAMIENTO : Factor w/ 3 levels "P15","P25","P35": 1 1 1 2 2 2 3 3 3
## $ CORRAL : int [1:9] 1 2 3 1 2 3 1 2 3
## $ GANANCIA_PROMEDIO: num [1:9] 253 124 256 291 124 ...3.3. Primeros registros
head(NOVILLOS_DIETA) ## # A tibble: 6 × 3
## TRATAMIENTO CORRAL GANANCIA_PROMEDIO
## <fct> <int> <dbl>
## 1 P15 1 253.
## 2 P15 2 124.
## 3 P15 3 256.
## 4 P25 1 291.
## 5 P25 2 124.
## 6 P25 3 234.4. Obtener medidas descriptivas por tratamiento
4.1. Medidas de resumen
DESCRIPTIVAS <- NOVILLOS_DIETA %>%
group_by(TRATAMIENTO) %>%
summarise(
Media = mean(GANANCIA_PROMEDIO, na.rm = TRUE),
Mediana = median(GANANCIA_PROMEDIO, na.rm = TRUE),
Desviacion = sd(GANANCIA_PROMEDIO, na.rm = TRUE),
Minimo = min(GANANCIA_PROMEDIO, na.rm = TRUE),
Maximo = max(GANANCIA_PROMEDIO, na.rm = TRUE),
N = n()
)
# Mostrar resultados en una tabla
DESCRIPTIVAS## # A tibble: 3 × 7
## TRATAMIENTO Media Mediana Desviacion Minimo Maximo N
## <fct> <dbl> <dbl> <dbl> <dbl> <dbl> <int>
## 1 P15 211. 253. 75.6 124. 256. 3
## 2 P25 216. 234. 84.6 124. 291. 3
## 3 P35 171. 176. 43.9 125. 212. 34.2. Visualización de datos
library(ggplot2)
ggplot(NOVILLOS_DIETA, aes(x = TRATAMIENTO, y = GANANCIA_PROMEDIO, fill = TRATAMIENTO)) +
geom_boxplot(alpha = 0.6) +
stat_summary(fun = mean, geom = "point", shape = 20, size = 3, color = "black") +
labs(title = "Ganancia de peso por tratamiento (a nivel de corral)",
x = "Tratamiento", y = "Ganancia promedio de peso") +
theme_minimal()
4.3. Conclusiones
El Tratamiento P25 alcanzó la mayor media de ganancia de peso, lo que lo hace el más prometedor en términos productivos, aunque su alta variabilidad entre corrales sugiere diferencias de manejo o respuesta de los animales. El Tratamiento P15 también resultó eficiente, con ganancias promedio similares a P25 pero con menor dispersión, lo que lo convierte en una alternativa más estable y uniforme. El Tratamiento P35 fue el menos favorable, mostrando la ganancia promedio más baja en todos los corrales evaluados.
B. Análisis de Varianza (ANOVA)
5. Hipótesis
_Hipótesis nula (H₀): No existen diferencias significativas en la ganancia de peso promedio entre tratamientos.
H0:μP15=μP25=μP35
_Hipótesis alternativa (H₁): Al menos un tratamiento difiere en la ganancia de peso promedio.
H1:∃ i,j tal que μi ≠ μj
6. Ajuste del modelo ANOVA
Como la unidad experimental es el corral, usaremos la tabla NOVILLOS_DIETA (ganancia promedio por corral):
# Creamos el objeto modelo_dca
modelo_dca <- aov(GANANCIA_PROMEDIO ~ TRATAMIENTO, data = NOVILLOS_DIETA)
# Resumen del modelo
summary(modelo_dca)## Df Sum Sq Mean Sq F value Pr(>F)
## TRATAMIENTO 2 3668 1834 0.372 0.704
## Residuals 6 29614 49367. Interpretar
Interpretación: El análisis de varianza mostró que el efecto del tratamiento sobre la ganancia de peso a nivel de corral fue no significativo (F = 0,704; p = 0,05). Por lo tanto, no existe evidencia estadísticamente significativa para rechazar la hipótesis nula, lo que indica que no se detectaron diferencias significativas entre los tratamientos evaluados.
C. Verificación de Supuestos
8. Gráficos diagnósticos del modelo
Trabajamos con los residuos y predichos del modelo para realizar las pruebas de los errores.
8.1. Residuos y valores predichos
residuos_dca <- modelo_dca$residuals # residuos = observado - predicho
predichos_dca <- modelo_dca$fitted.values # valores predichosnames(modelo_dca$model)## [1] "GANANCIA_PROMEDIO" "TRATAMIENTO"8.2. Crear tabla con observados, predichos, residuos y tratamiento
tabla <- data.frame(
Observado = modelo_dca$model[[1]], # primera columna usada en el modelo
Predichos = predichos_dca,
Residual = residuos_dca,
Tratamiento = modelo_dca$model[[2]] # segunda columna usada en el modelo
)
print(tabla)## Observado Predichos Residual Tratamiento
## 1 253.2 211.1333 42.066667 P15
## 2 123.8 211.1333 -87.333333 P15
## 3 256.4 211.1333 45.266667 P15
## 4 290.6 216.2000 74.400000 P25
## 5 124.2 216.2000 -92.000000 P25
## 6 233.8 216.2000 17.600000 P25
## 7 212.2 171.0667 41.133333 P35
## 8 124.8 171.0667 -46.266667 P35
## 9 176.2 171.0667 5.133333 P358.3. Gráficos diagnósticos del modelo (residuos vs predichos y Q-Q plot).
Normalidad
Gráfico Q-Q plot
plot(modelo_dca, which = 2)
Interpretación: En este Q-Q plot de residuos se puede observa que la mayoría de los puntos siguen bastante bien la línea diagonal, lo cual indica que los residuos se aproximan a una distribución normal. En los extremos hay ligeras desviaciones. No se observan curvaturas sistemáticas ni grandes desviaciones, lo que respalda que el supuesto de normalidad de los errores se cumple.
Homocedasticidad
Gráfico de residuos vs predichos
plot(modelo_dca, which = 1)
Interpretación: El gráfico de residuos vs valores ajustados del modelo ANOVA muestra que los residuos se distribuyen de manera aleatoria alrededor de la línea horizontal en cero, sin evidenciar un patrón definido. Esto sugiere que el supuesto de homogeneidad de varianzas se cumple de forma razonable. Sin embargo, se identifican algunas observaciones atípicas (outliers) que se alejan del resto de los datos, las cuales podrían influir en los resultados y convendría revisar.
9. Evaluar la normalidad de los residuos
9.1. Prueba de Shapiro-Wilks
H0: SI se cumple el supuesto de Normalidad.
H1: NO se cumple el supuesto de Normalidad.
shapiro.test(modelo_dca$residuals)##
## Shapiro-Wilk normality test
##
## data: modelo_dca$residuals
## W = 0.88492, p-value = 0.1768Interpretación: La hipótesis nula (H₀) de la prueba Shapiro–Wilk es: “los residuos siguen una distribución normal”. Como el p-value = 0.1768 > 0.05, no se rechaza H₀. Eso significa que los residuos cumplen con el supuesto de normalidad (p > 0.05, Shapiro–Wilk).
10. Homocedasticidad
H0: SI cumple el supuesto de Homocedasticidad.
H1: NO se cumple el supuesto de Homocedasticidad
levene_test <- leveneTest(GANANCIA_PROMEDIO ~ TRATAMIENTO, data = NOVILLOS_DIETA)
levene_test## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 0.1718 0.8462
## 6Interpretación: La hipótesis nula (H₀) de la prueba de Levene es: “las varianzas son iguales entre los grupos”.Como p-value = 0.8462 > 0.05, no se rechaza H₀. Esto significa que se cumple el supuesto de homogeneidad de varianzas requerido para el ANOVA.
D. Comparación de Medias
12. Si resulta pertinente, realice una prueba de comparaciones múltiples para comparar los tratamientos.
summary(modelo_dca)## Df Sum Sq Mean Sq F value Pr(>F)
## TRATAMIENTO 2 3668 1834 0.372 0.704
## Residuals 6 29614 4936Interpretación: El análisis de varianza mostró que no existen diferencias significativas en la ganancia promedio entre los tratamientos evaluados (p > 0.05). En consecuencia, no resulta necesario aplicar pruebas de comparaciones múltiples, dado que no se rechaza la hipótesis nula de igualdad de medias.
E. Conclusiones
13. Conclusión integradora
El análisis de la ganancia de peso vivo de novillos Braford en engorde a corral no mostró diferencias significativas (p > 0,05) entre los tres niveles de inclusión del subproducto fibroso (15 %, 25 % y 35 % en base seca). Esto indica que, dentro del rango evaluado, el aumento en la proporción del subproducto no afectó de manera estadísticamente detectable el desempeño productivo de los animales. Sin embargo, al analizar los datos se observa que las medias de ganancia de peso entre tratamientos presentaron variaciones que, aunque no significativas, podrían atribuirse a factores como: *_Variabilidad individual de los animales dentro de cada corral, que puede enmascarar el efecto de las dietas. _Número limitado de repeticiones, lo que reduce la potencia estadística para detectar diferencias pequeñas pero biológicamente relevantes. _Adaptación de los animales al subproducto, ya que un periodo de acostumbramiento insuficiente o diferencias en la digestibilidad pueden influir en el aprovechamiento de la dieta. _Condiciones ambientales (estrés calórico, manejo del agua o del corral) que afectan el consumo y, en consecuencia, la ganancia de peso. En términos prácticos, los resultados sugieren que es posible incluir hasta un 35 % del subproducto en la dieta sin comprometer la performance animal, lo cual representa una alternativa viable para reducir costos de alimentación en sistemas de engorde a corral.*