trabajo final modulo 7
italo palanca
2025-10-01
Trabajo Final Modulo 7
Introduccion al Diseño de Experimentos
Estudiante: Italo Palanca
Situacion 1
A. Exploración de Datos
Instalamos y cargamos paquetes
#install.packages("readxl")
#install.packages("skimr")
#install.packages("car")
#install.packages("agricolae")
#install.packages("emmeans")library(readxl)
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(emmeans)## Welcome to emmeans.
## Caution: You lose important information if you filter this package's results.
## See '? untidy'1. Carga base de datos
NOVILLOS<- read_csv("novillos.csv")## Rows: 45 Columns: 6
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): TRATAMIENTO
## dbl (5): CORRAL, ANIMAL_NUM, PESO_INICIAL, PESO_FINAL, GANANCIA
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.NOVILLOS## # A tibble: 45 × 6
## TRATAMIENTO CORRAL ANIMAL_NUM PESO_INICIAL PESO_FINAL GANANCIA
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 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 6 315 432 117
## 7 P15 2 7 312 435 123
## 8 P15 2 8 311 436 125
## 9 P15 2 9 309 432 123
## 10 P15 2 10 300 431 131
## # ℹ 35 more rows2. Explolacion base de datos
str(NOVILLOS)## spc_tbl_ [45 × 6] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ TRATAMIENTO : chr [1:45] "P15" "P15" "P15" "P15" ...
## $ CORRAL : num [1:45] 1 1 1 1 1 2 2 2 2 2 ...
## $ ANIMAL_NUM : num [1:45] 1 2 3 4 5 6 7 8 9 10 ...
## $ PESO_INICIAL: num [1:45] 121 210 200 222 209 315 312 311 309 300 ...
## $ PESO_FINAL : num [1:45] 447 446 445 446 444 432 435 436 432 431 ...
## $ GANANCIA : num [1:45] 326 236 245 224 235 117 123 125 123 131 ...
## - attr(*, "spec")=
## .. cols(
## .. TRATAMIENTO = col_character(),
## .. CORRAL = col_double(),
## .. ANIMAL_NUM = col_double(),
## .. PESO_INICIAL = col_double(),
## .. PESO_FINAL = col_double(),
## .. GANANCIA = col_double()
## .. )
## - attr(*, "problems")=<externalptr>glimpse(NOVILLOS)## Rows: 45
## Columns: 6
## $ TRATAMIENTO <chr> "P15", "P15", "P15", "P15", "P15", "P15", "P15", "P15", "…
## $ CORRAL <dbl> 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 3, 3, 3, 3, 3, 1, 1, 1, 1, …
## $ ANIMAL_NUM <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 1, 2, …
## $ PESO_INICIAL <dbl> 121, 210, 200, 222, 209, 315, 312, 311, 309, 300, 120, 12…
## $ PESO_FINAL <dbl> 447, 446, 445, 446, 444, 432, 435, 436, 432, 431, 417, 41…
## $ GANANCIA <dbl> 326, 236, 245, 224, 235, 117, 123, 125, 123, 131, 297, 28…skim(NOVILLOS)| Name | NOVILLOS |
| Number of rows | 45 |
| Number of columns | 6 |
| _______________________ | |
| Column type frequency: | |
| character | 1 |
| numeric | 5 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| TRATAMIENTO | 0 | 1 | 3 | 3 | 0 | 3 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| CORRAL | 0 | 1 | 2.00 | 0.83 | 1 | 1 | 2 | 3 | 3 | ▇▁▇▁▇ |
| ANIMAL_NUM | 0 | 1 | 8.00 | 4.37 | 1 | 4 | 8 | 12 | 15 | ▇▇▇▇▇ |
| PESO_INICIAL | 0 | 1 | 231.89 | 78.12 | 112 | 200 | 221 | 310 | 321 | ▅▁▆▁▇ |
| PESO_FINAL | 0 | 1 | 431.36 | 12.95 | 411 | 417 | 433 | 444 | 449 | ▇▁▅▃▇ |
| GANANCIA | 0 | 1 | 199.47 | 77.51 | 97 | 123 | 198 | 245 | 335 | ▇▁▆▁▅ |
Medidas de resumen
NOVILLOS %>%
group_by((TRATAMIENTO)) %>%
descr(GANANCIA)## Descriptive Statistics
## GANANCIA by (TRATAMIENTO)
## Data Frame: NOVILLOS
## N: 45
##
## P15 P25 P35
## ----------------- -------- -------- --------
## Mean 211.13 216.20 171.07
## Std.Dev 73.22 91.22 62.36
## Min 117.00 97.00 98.00
## Q1 125.00 123.00 122.00
## Median 224.00 223.00 135.00
## Q3 288.00 298.00 231.00
## Max 326.00 335.00 293.00
## MAD 108.23 142.33 54.86
## IQR 138.50 171.50 106.50
## CV 0.35 0.42 0.36
## Skewness -0.01 0.05 0.40
## SE.Skewness 0.58 0.58 0.58
## Kurtosis -1.57 -1.82 -1.39
## N.Valid 15.00 15.00 15.00
## N 15.00 15.00 15.00
## Pct.Valid 100.00 100.00 100.00Visualización de datos: Grafico de cajas
ggplot(NOVILLOS, aes(x = TRATAMIENTO, y = GANANCIA, fill = TRATAMIENTO)) +
geom_boxplot() +
labs(title = "Peso de los animales según tratamiento",
x = "Tratamientos", y = "Peso (Kg)") +
theme_minimal()
3. Calcular la ganancia de peso promedio por corral para cada tratamiento.
#Transformación de variables y agregación por corral
# Agrupar los datos por 'CORRAL' y 'TRATAMIENTO' y calcular la ganancia de peso promedio.
NOVILLOS_DIETA <- NOVILLOS %>%
group_by(TRATAMIENTO, CORRAL) %>%
summarise(GANANCIA_PROMEDIO = mean(GANANCIA)) %>%
ungroup()## `summarise()` has grouped output by 'TRATAMIENTO'. You can override using the
## `.groups` argument.# Transformar TRATAMIENTO a factor
NOVILLOS_DIETA <- NOVILLOS_DIETA %>%
mutate(TRATAMIENTO = factor(TRATAMIENTO))4. Medidas descriptivas de la ganancia de peso por tratamiento.
NOVILLOS_DIETA %>%
group_by((TRATAMIENTO)) %>%
descr(GANANCIA_PROMEDIO)## Descriptive Statistics
## GANANCIA_PROMEDIO by (TRATAMIENTO)
## Data Frame: NOVILLOS_DIETA
## N: 9
##
## P15 P25 P35
## ----------------- -------- -------- --------
## Mean 211.13 216.20 171.07
## Std.Dev 75.65 84.58 43.93
## Min 123.80 124.20 124.80
## Q1 123.80 124.20 124.80
## Median 253.20 233.80 176.20
## Q3 256.40 290.60 212.20
## Max 256.40 290.60 212.20
## MAD 4.74 84.21 53.37
## IQR 66.30 83.20 43.70
## CV 0.36 0.39 0.26
## Skewness -0.38 -0.20 -0.12
## SE.Skewness 1.22 1.22 1.22
## Kurtosis -2.33 -2.33 -2.33
## N.Valid 3.00 3.00 3.00
## N 3.00 3.00 3.00
## Pct.Valid 100.00 100.00 100.00Se puede observar que el tratamiento P15 y P25 tienen medias similares en cambio el P35 tiene una media inferior. El tratamiento P25 es el que presenta mayor variabilidad.
B. Análisis de Varianza (ANOVA)
ANOVA sobre la ganancia promedio
anova_DCA <- aov(GANANCIA_PROMEDIO ~ TRATAMIENTO, data = NOVILLOS_DIETA)
summary(anova_DCA)## Df Sum Sq Mean Sq F value Pr(>F)
## TRATAMIENTO 2 3668 1834 0.372 0.704
## Residuals 6 29614 49365. Hipotesis ANOVA.
H0: todas las ganancias promedio por tratamiento son iguales
H1: al menos una de las ganancias promedio por tratamiento es diferente
6. Ajuste del modelo de ANOVA.
Se trabaja con los residuos y predichos del modelo para realizar las pruebas de los errores.
residuos_DCA <- anova_DCA$residuals
predichos_DCA <- anova_DCA$fitted.valuestabla <- data.frame(
Observado = NOVILLOS_DIETA$GANANCIA_PROMEDIO,
Predichos = predichos_DCA,
Residual = residuos_DCA,
Tratamiento = NOVILLOS_DIETA$TRATAMIENTO)
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 P35Análisis gráfico de los residuos
hist(residuos_DCA, main = "Histograma de residuos")
boxplot(residuos_DCA, main = "Boxplot de residuos")
7. Interpretar si existen diferencias significativas entre tratamientos (α = 0.05).
Teniendo en cuenta el p-valor (0,372)) para la variable ganancia promedio es mayor que 0,05, no se rechaza la hipotesis nula, todas las ganancias promedio por tratamiento son iguales, por lo tanto no existen diferencias significativas entre los tratamientos.
C. Verificación de Supuestos
8. Gráficos diagnósticos.
Gráfico Q-Q plot
plot(anova_DCA, which = 2)
En base a el grafico se puede suponer que se cumple el supuesto de normalidad.
Gráfico de residuos vs predichos
plot(anova_DCA, which = 1)
En base a el grafico se puede suponer que se cumple el supuesto de homocedasticidad.
9. Evaluacion de la normalidad de los residuos.
Prueba de Shapiro-Wilks
H0: SI se cumple el supuesto de Normalidad.
H1: NO se cumple el supuesto de Normalidad.
shapiro.test(anova_DCA$residuals)##
## Shapiro-Wilk normality test
##
## data: anova_DCA$residuals
## W = 0.88492, p-value = 0.1768Como el p-valor (0,1768) es mayor que 0,05, no se rechaza la hipotesis nula, por lo tanto se cumple el supuesto de normalidad.
10. Evaluacion de la homogeneidad de varianzas.
Test de Levene
H0: SI cumple el supuesto de Homocedasticidad.
H1: NO se cumple el supuesto de Homocedasticidad
leveneTest(GANANCIA_PROMEDIO ~ TRATAMIENTO, data = NOVILLOS_DIETA)## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 0.1718 0.8462
## 6Como el p-valor (o,8462) es mayor que 0,05, no se rechaza la hipotesis nula, por lo tanto se cumple el supuesto de homocedasticidad.
D. Comparación de Medias
12. Como se cumplen los supuestos de normalidad, homocedasticidad e independecia, resulta pertinente, realizar una prueba de comparaciones múltiples para comparar los tratamientos.
Test de tukey
TUKEY <- HSD.test(anova_DCA, "TRATAMIENTO")
TUKEY## $statistics
## MSerror Df Mean CV MSD
## 4935.636 6 199.4667 35.22096 176.003
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey TRATAMIENTO 3 4.339195 0.05
##
## $means
## GANANCIA_PROMEDIO std r se Min Max Q25 Q50 Q75
## P15 211.1333 75.64981 3 40.56121 123.8 256.4 188.5 253.2 254.8
## P25 216.2000 84.58463 3 40.56121 124.2 290.6 179.0 233.8 262.2
## P35 171.0667 43.92554 3 40.56121 124.8 212.2 150.5 176.2 194.2
##
## $comparison
## NULL
##
## $groups
## GANANCIA_PROMEDIO groups
## P25 216.2000 a
## P15 211.1333 a
## P35 171.0667 a
##
## attr(,"class")
## [1] "group"plot(TUKEY)
Test de Fisher (LSD)
FISHER <- LSD.test(anova_DCA, "TRATAMIENTO")
FISHER## $statistics
## MSerror Df Mean CV t.value LSD
## 4935.636 6 199.4667 35.22096 2.446912 140.3603
##
## $parameters
## test p.ajusted name.t ntr alpha
## Fisher-LSD none TRATAMIENTO 3 0.05
##
## $means
## GANANCIA_PROMEDIO std r se LCL UCL Min Max Q25
## P15 211.1333 75.64981 3 40.56121 111.88363 310.3830 123.8 256.4 188.5
## P25 216.2000 84.58463 3 40.56121 116.95029 315.4497 124.2 290.6 179.0
## P35 171.0667 43.92554 3 40.56121 71.81696 270.3164 124.8 212.2 150.5
## Q50 Q75
## P15 253.2 254.8
## P25 233.8 262.2
## P35 176.2 194.2
##
## $comparison
## NULL
##
## $groups
## GANANCIA_PROMEDIO groups
## P25 216.2000 a
## P15 211.1333 a
## P35 171.0667 a
##
## attr(,"class")
## [1] "group"plot(FISHER)
E. Conclusiones
13. El realizar el ANOVA sobre la ganacia promedio vimos que no habia diferencias significativas entre los tratamientos. Este hecho se comprobo, luego de verificar los supuestos, mediante los test de comparacion de medias. Por lo tanto, con la informacion disponible, no se podria recomendar un porcentaje de inclusion de un subproducto fibroso para el engorde a corral.
Situacion 2
A. Exploración de Datos
1. Construcción de la base de datos
2. Carga base de datos
Poroto<- read_xlsx("poroto.xlsx", sheet = "Hoja2")
Poroto## # A tibble: 24 × 4
## Variedad Dosis variedad_dosis Rendimiento
## <dbl> <chr> <chr> <dbl>
## 1 1 tratadas 1_tratadas 0.89
## 2 1 tratadas 1_tratadas 0.94
## 3 1 tratadas 1_tratadas 0.85
## 4 1 tratadas 1_tratadas 1.12
## 5 1 tratadas 1_tratadas 1.35
## 6 1 tratadas 1_tratadas 1.05
## 7 1 no tratadas 1_no tratadas 1.78
## 8 1 no tratadas 1_no tratadas 2
## 9 1 no tratadas 1_no tratadas 1.86
## 10 1 no tratadas 1_no tratadas 2.3
## # ℹ 14 more rows2. Explolacion base de datos
str(Poroto)## tibble [24 × 4] (S3: tbl_df/tbl/data.frame)
## $ Variedad : num [1:24] 1 1 1 1 1 1 1 1 1 1 ...
## $ Dosis : chr [1:24] "tratadas" "tratadas" "tratadas" "tratadas" ...
## $ variedad_dosis: chr [1:24] "1_tratadas" "1_tratadas" "1_tratadas" "1_tratadas" ...
## $ Rendimiento : num [1:24] 0.89 0.94 0.85 1.12 1.35 1.05 1.78 2 1.86 2.3 ...Poroto <- Poroto %>%
mutate(
Variedad = factor(Variedad),
Dosis = factor(Dosis),
variedad_dosis = factor(variedad_dosis),
Rendimiento = as.numeric(Rendimiento))str(Poroto)## tibble [24 × 4] (S3: tbl_df/tbl/data.frame)
## $ Variedad : Factor w/ 2 levels "1","2": 1 1 1 1 1 1 1 1 1 1 ...
## $ Dosis : Factor w/ 2 levels "no tratadas",..: 2 2 2 2 2 2 1 1 1 1 ...
## $ variedad_dosis: Factor w/ 4 levels "1_no tratadas",..: 2 2 2 2 2 2 1 1 1 1 ...
## $ Rendimiento : num [1:24] 0.89 0.94 0.85 1.12 1.35 1.05 1.78 2 1.86 2.3 ...Visualización de datos: Grafico de cajas
ggplot(Poroto, aes(x = Dosis, y = Rendimiento, fill = Variedad)) +
geom_boxplot() +
labs(title = "Rendimiento del poroto según dosis",
x = "Dosis curasemillas", y = "Rendimiento (Kg/parcela)") +
theme_minimal()
3. Medidas de resumen
Poroto %>%
group_by((Variedad)) %>%
descr(Rendimiento)## Descriptive Statistics
## Rendimiento by (Variedad)
## Data Frame: Poroto
## N: 24
##
## 1 2
## ----------------- -------- --------
## Mean 1.54 2.19
## Std.Dev 0.57 0.52
## Min 0.85 1.33
## Q1 1.00 1.81
## Median 1.56 2.30
## Q3 1.96 2.65
## Max 2.40 2.80
## MAD 0.71 0.59
## IQR 0.92 0.78
## CV 0.37 0.24
## Skewness 0.12 -0.37
## SE.Skewness 0.64 0.64
## Kurtosis -1.73 -1.49
## N.Valid 12.00 12.00
## N 12.00 12.00
## Pct.Valid 100.00 100.00Poroto %>%
group_by((Dosis)) %>%
descr(Rendimiento)## Descriptive Statistics
## Rendimiento by (Dosis)
## Data Frame: Poroto
## N: 24
##
## no tratadas tratadas
## ----------------- ------------- ----------
## Mean 2.34 1.39
## Std.Dev 0.36 0.45
## Min 1.78 0.85
## Q1 1.96 1.00
## Median 2.45 1.34
## Q3 2.65 1.81
## Max 2.80 2.10
## MAD 0.37 0.61
## IQR 0.64 0.77
## CV 0.15 0.32
## Skewness -0.31 0.31
## SE.Skewness 0.64 0.64
## Kurtosis -1.62 -1.57
## N.Valid 12.00 12.00
## N 12.00 12.00
## Pct.Valid 100.00 100.00Se observa que los rendimientos promedios son mayores para la variedad 2 y las semilllas no tratadas.
4. Visualización de la interacción entrte los dos factores
ANOVA de las variables
factorial_dca_poroto <- aov( Rendimiento ~ Dosis + Variedad + Dosis:Variedad, data = Poroto)
summary(factorial_dca_poroto)## Df Sum Sq Mean Sq F value Pr(>F)
## Dosis 1 5.425 5.425 103.015 2.46e-09 ***
## Variedad 1 2.529 2.529 48.018 9.95e-07 ***
## Dosis:Variedad 1 0.022 0.022 0.422 0.523
## Residuals 20 1.053 0.053
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Grafico para la interaccion
emmip(factorial_dca_poroto, Dosis ~ Variedad)
Como en el grafico las rectas son paralelas puedo suponer que no hay interaccion entre los factores por lo tanto se cumple el supuesto de aditividad, es puede usar un modelo factorial sin interacciones.
B. Análisis de Varianza Factorial (ANOVA)
5. Hipótesis adecuadas:
Hipótesis para el efecto principal del Factor 1.
H0 ⍺ = 0 La Dosis no tiene efecto sobre el Rendimiento)
H1 ⍺ ≠ 0 (Al menos una Dosis tiene efecto sobre el rendimiento)
Hipótesis para el efecto principal del Factor 2
H0:𝜷 = 0 (El Rendimiento no presenta diferencias respecto de la variedad)
H1:𝜷 ≠ 0 (El Rendimento presenta diferencias respecto de la variedad)
Hipótesis para el efecto de la interacción.
H0:(⍺𝜷) = 0 (No hay interacción: el efecto de un factor es independiente del otro)
H1:(⍺𝜷) ≠ 0 (Existe interacción entre los factores)
6. Ajuste el modelo de ANOVA factorial.
Se trabaja con los residuos y predichos del modelo para realizar las pruebas de los errores.
residuos_factorial_dca <- factorial_dca_poroto$residuals
predichos_factorial_dca <- factorial_dca_poroto$fitted.valuesAnálisis gráfico de los residuos
hist(residuos_factorial_dca, main = "Histograma de residuos")
boxplot(residuos_factorial_dca, main = "Boxplot de residuos")
7. Interpretacion los resultados:
La interacción variedad × dosis no es significativa ya que el p valor (0,523) es mayor a 0,01, por lo tanto no se rechaza la H0 (No hay interacción, el efecto de un factor es independiente del otro), esto indica que el efecto de la dosis sobre el rendimiento es similar en ambas variedades, y viceversa. En cuanto a los efectos principales, tanto el p valor para la variedad (9.95e-07) como el p valor para la dosis (2.46e-09 ) son menores que 0,01, por lo tanto rechazo H0 (La Variedad o la Dosis no tiene efecto sobre el Rendimiento) osea que tienen un efecto significativo sobre el rendimiento del poroto.”
C. Verificación de Supuestos
8. Graficos para evaluar Homocedasticidad y Normalidad
plot(factorial_dca_poroto, which = 1:2) 
En base a los graficos se puede suponer que se cumplen los supuestos de normalidad y homocedasticidad.
9. Prueba de Shapiro-Wilk.
shapiro.test(factorial_dca_poroto$residuals)##
## Shapiro-Wilk normality test
##
## data: factorial_dca_poroto$residuals
## W = 0.97151, p-value = 0.7043H0: SI se cumple el supuesto de Normalidad.
H1: NO se cumple el supuesto de Normalidad.
Como el p-valor (0,7043) es mayor que 0,05, no se rechaza la hipotesis nula, por lo tanto se cumple el supuesto de normalidad.
10. Prueba de Levene.
leveneTest(Rendimiento ~ Dosis * Variedad, data = Poroto)## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 1.2728 0.3107
## 20H0: SI cumple el supuesto de Homocedasticidad.
H1: NO se cumple el supuesto de Homocedasticidad
Como el p-valor (0,3107) es mayor que 0,05, no se rechaza la hipotesis nula, por lo tanto se cumple el supuesto de homocedasticidad.
D. Comparación de Medias
11. Test de Tukey HDS
Tukey_temp_nematodos <- HSD.test(factorial_dca_poroto, "Dosis")
Tukey_temp_nematodos## $statistics
## MSerror Df Mean CV MSD
## 0.0526575 20 1.86375 12.31239 0.1954165
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Dosis 2 2.949998 0.05
##
## $means
## Rendimiento std r se Min Max Q25 Q50 Q75
## no tratadas 2.339167 0.3596073 12 0.06624292 1.78 2.8 1.9825 2.45 2.6250
## tratadas 1.388333 0.4453157 12 0.06624292 0.85 2.1 1.0225 1.34 1.7875
##
## $comparison
## NULL
##
## $groups
## Rendimiento groups
## no tratadas 2.339167 a
## tratadas 1.388333 b
##
## attr(,"class")
## [1] "group"plot(Tukey_temp_nematodos)
Se puede concluir que hay diferencias significativas entre las dosis y que las semillas de poroto no tratadas tienen un mayor rendimiento. No se podria recomendar el producto.
Tukey_sexo_nematodos <- HSD.test(factorial_dca_poroto, "Variedad")
Tukey_sexo_nematodos## $statistics
## MSerror Df Mean CV MSD
## 0.0526575 20 1.86375 12.31239 0.1954165
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Variedad 2 2.949998 0.05
##
## $means
## Rendimiento std r se Min Max Q25 Q50 Q75
## 1 1.539167 0.5682582 12 0.06624292 0.85 2.4 1.0225 1.565 1.9475
## 2 2.188333 0.5176667 12 0.06624292 1.33 2.8 1.8425 2.300 2.6250
##
## $comparison
## NULL
##
## $groups
## Rendimiento groups
## 2 2.188333 a
## 1 1.539167 b
##
## attr(,"class")
## [1] "group"plot(Tukey_sexo_nematodos)
Se puede concluir que hay diferencias significativas entre las variedades y que las semillas de la variedad 2 tienen un mayor rendimiento.
Por lo tanto se podria recomendar el uso de semillas de poroto de la variedad 2 y no tratadas para obtener un mayor rendimiento.
12. Elabore un gráfico de barras para visualización de medias de tratamientos.
ggplot(Poroto, aes(x = Variedad, y = Rendimiento, fill = Dosis)) +
stat_summary(fun = mean,
geom = "bar",
position = position_dodge(width = 0.9)) +
labs(x = "Variedad",
y = "Rendimiento") +
theme_minimal()