U3A5

Gloria G.

3/7/2020

  • Importar bibliotecas y establecer folder de trabajo
setwd("~/PyE")
library(pacman)
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2")
  • Importar datos
plantas <- read.csv("plantas.csv")
knitr::kable(plantas)
planta IE Tratamiento
1 0.80 Ctrl
2 0.66 Ctrl
3 0.65 Ctrl
4 0.87 Ctrl
5 0.63 Ctrl
6 0.94 Ctrl
7 0.78 Ctrl
8 0.71 Ctrl
9 0.70 Ctrl
10 0.71 Ctrl
11 0.76 Ctrl
12 0.93 Ctrl
13 0.55 Ctrl
14 0.70 Ctrl
15 0.95 Ctrl
16 0.78 Ctrl
17 0.90 Ctrl
18 0.79 Ctrl
19 0.63 Ctrl
20 0.91 Ctrl
21 0.77 Ctrl
22 0.56 Fert
23 0.67 Fert
24 0.65 Fert
25 0.69 Fert
26 1.04 Fert
27 0.95 Fert
28 0.74 Fert
29 1.10 Fert
30 0.91 Fert
31 1.09 Fert
32 0.79 Fert
33 0.90 Fert
34 1.15 Fert
35 1.04 Fert
36 1.00 Fert
37 0.88 Fert
38 1.15 Fert
39 0.88 Fert
40 0.78 Fert
41 1.16 Fert
42 0.91 Fert 
Ctrl <- subset(plantas, Tratamiento == "Ctrl")
Fert <- subset(plantas, Tratamiento == "Fert")

Asignacion 1:

Realizar pruebas de normalidad para Fert

Valor de significancia: P>0.05

  • Prueba de normalida de Shapiro-Wilk
shapiro.test(Fert$IE)
## 
##  Shapiro-Wilk normality test
## 
## data:  Fert$IE
## W = 0.95339, p-value = 0.3941
  • Prueba de normailidad Kolmogorov-Smirnov
ks.test(Fert$IE, "pnorm", mean=mean(Fert$IE),sd=sd(Fert$IE) )
## Warning in ks.test(Fert$IE, "pnorm", mean = mean(Fert$IE), sd = sd(Fert$IE)):
## ties should not be present for the Kolmogorov-Smirnov test
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  Fert$IE
## D = 0.10776, p-value = 0.9677
## alternative hypothesis: two-sided

Conclusion

Ya que el valor en ambas pruebas de normalidad P≥ 0.05, estos indican que no hay prueba suficiente para rechazar la normalidad de la variable.

Asignacion 2:

El siguiente cuadro muestra los datos de un experimento de comparación de los kilogramos de semillas de Pinus pseudostrobes obtenidos de 10 árboles en el año 2010 (antes) y en el año 2013 (después).

Kilogranos de semillas obtenidas en dos años diferentes (2010 y 2013) de la especie Pinus pseudostrobus

semillas <- read_csv("semilla.csv")
## Parsed with column specification:
## cols(
##   Kilogramos = col_double(),
##   tiempo = col_character()
## )

Datos del experimento:

El siguiente cuadro muestra los datos de un experimento de comparación de los kilogramos de semillas de Pinus pseudostrobes obtenidos de 10 árboles en el año 2010 (antes) y en el año 2013 (después).

datatable(semillas)

La H0 de este ejemplo dice que la cantidad de kilogramos obtenida en el año 2010 es igual a la cantidad obtenida en el año 2013, en el caso contrario estamos hablando de la H1.

Pruebas de normalidad

Se realiza primero un subconjunto de cada año

T2010 <- subset(semillas, tiempo == "T2010" )
T2013 <- subset(semillas, tiempo == "T2013" )

Gráficos de caja y bigote para los subconjuntos 2010 y 2013

op <- par(mfrow =c(1,1), cex.axis=1, cex.lab=.9 )
boxplot(semillas$Kilogramos ~ semillas$tiempo, col = "lavender")

5 Números de Tukey

2010

fivenum(T2010$Kilogramos)
## [1] 3.0 5.0 6.0 7.5 9.0

2013

fivenum(T2013$Kilogramos)
## [1] 3.0 4.0 5.0 7.5 9.0

Histogramas de los subconjuntos 2010 y 2013

hist(T2010$Kilogramos, col = "light blue")

hist(T2013$Kilogramos, col = "pink")

Caja y bigote comparando las desviaciones con gráfico de barra

op <- par(mfrow =c(1,2), cex.axis=.7, cex.lab=.9 )

boxplot(semillas$Kilogramos ~ semillas$tiempo, col="purple", main="A"  )
barplot(tapply(semillas$Kilogramos, list(semillas$tiempo), mean ), beside = T, col = "purple", main="B" )

Pruebas de normalidad (las 2)

Prueba de normalidad de Shapiro-Wilk

2010

shapiro.test(T2010$Kilogramos)
## 
##  Shapiro-Wilk normality test
## 
## data:  T2010$Kilogramos
## W = 0.92998, p-value = 0.2436

2013

shapiro.test(T2013$Kilogramos)
## 
##  Shapiro-Wilk normality test
## 
## data:  T2013$Kilogramos
## W = 0.9158, p-value = 0.1444

Prueba de normailidad Kolmogorov-Smirnov

2010

ks.test(T2010$Kilogramos, "pnorm", mean=mean(T2010$Kilogramos),sd=sd(T2010$Kilogramos) )
## Warning in ks.test(T2010$Kilogramos, "pnorm", mean = mean(T2010$Kilogramos), :
## ties should not be present for the Kolmogorov-Smirnov test
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  T2010$Kilogramos
## D = 0.16135, p-value = 0.7991
## alternative hypothesis: two-sided

2013

ks.test(T2013$Kilogramos, "pnorm", mean=mean(T2013$Kilogramos),sd=sd(T2013$Kilogramos) )
## Warning in ks.test(T2013$Kilogramos, "pnorm", mean = mean(T2013$Kilogramos), :
## ties should not be present for the Kolmogorov-Smirnov test
## 
##  One-sample Kolmogorov-Smirnov test
## 
## data:  T2013$Kilogramos
## D = 0.17708, p-value = 0.6973
## alternative hypothesis: two-sided

Prueba de t

t.test( T2010$Kilogramos, T2013$Kilogramos, var.equal = T, )
## 
##  Two Sample t-test
## 
## data:  T2010$Kilogramos and T2013$Kilogramos
## t = 0.83205, df = 30, p-value = 0.412
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.8181596  1.9431596
## sample estimates:
## mean of x mean of y 
##    6.1250    5.5625

Prueba de F

var.test(T2010$Kilogramos, T2013$Kilogramos)
## 
##  F test to compare two variances
## 
## data:  T2010$Kilogramos and T2013$Kilogramos
## F = 0.96089, num df = 15, denom df = 15, p-value = 0.9394
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  0.3357312 2.7501671
## sample estimates:
## ratio of variances 
##          0.9608939