Para iniciar se instalará el paquete de importación “data.table”. En este caso resulta útil para importar un archivo en formato “txt” (Si ya dispone de “data.table” omitir este paso)

install.packages("data.table")

Invocar ahora la biblioteca data.table

library(data.table)

Importe el archivo “muestreo1.txt” desde una ubicación en Internet y cree el objeto MDCA de la siguiente manera:

MDCA<- fread("https://archive.org/download/muestreo1/muestreo1.txt",header=T, sep="\t", dec=",")

Para visualizar el contenido de los primeros seis registros del archivo “MDCA” ejecute:

print(head(MDCA))

Definición del modelo y análisis de la varianza

Se crea un objeto tipo factor tratm con la columna Trat

tratm<- factor(MDCA$Trat)

Se crea un objeto tipo factor repm con la columna Rep

repm<- factor(MDCA$Rep)

Se crea un vector de datos var con la columna Var (variable de respuesta)

var<-as.vector(MDCA$Var)

Luego el vector var se convierte a un vector var1 de tipo numérico

var1<-as.numeric(var)

Análisis de variancia usando la función (aov) Analysis of Variance

Incluyendo error de muestreo y error experimental

mods.dca <- aov(var1~tratm+repm/tratm)
summary(mods.dca)
En este caso es significativo el error de muestreo, se utiliza el siguiente modelo:
mods1.dca<-aov(var1~tratm+Error(repm/tratm))
summary(mods1.dca)

Gráfica de predichos contra residuos

plot(mods.dca,1)

Gráfico de QQ plot

plot(mods.dca,2)

Evaluación de los Supuestos del modelo estadístico matemático

Prueba de normalidad Shapiro-Wilk

Hipótesis

Ho: Los residuos siguen la distribución normal

Ha: Los residuos no siguen la distribución normal

Prueba de normalidad Shapiro-wilk para los residuos

shapiro.test(mods.dca$res)

Prueba de homocedasticidad (homogeneidad de las varianzas)

bartlett.test(mods.dca$res, tratm:repm )

Se invoca para su uso el paquete “agricolae”

library(agricolae)

Pruebas de comparación múltiple de medias

Prueba de Tukey

Tukey_sd<-HSD.test(var1, tratm, DFerror = 9, MSerror = 1.694);Tukey_sd

En caso no fuera significativo el error de muestreo, se mancomunan los errores:

mods2.dca <- aov(var1~tratm)
summary(mods2.dca)
Tukey_sdd<-HSD.test(var1, tratm, DFerror = 21, MSerror = 0.895);Tukey_sdd

Para borrar todos los objetos del Script, ejecute:

rm(list=ls())

Regresar a la página principal de Scripts