Experimento Irrigacion
Beatriz Baños
9/11/2020
Con el experimento se espera determinar el rendimiento de los cultivos bajo cuatro métodos de riego distintos
require(faraway)
require(ggplot2)
require(agricolae)
data("irrigation")
Irrig=irrigation
head(Irrig)## field irrigation variety yield
## 1 f1 i1 v1 35.4
## 2 f1 i1 v2 37.9
## 3 f2 i2 v1 36.7
## 4 f2 i2 v2 38.2
## 5 f3 i3 v1 34.8
## 6 f3 i3 v2 36.4La tabla cuenta con las siguientes variables: los factores (field, irrigation y variety) y las varible respuestas (yield).
##Exploración de datos
ggplot(Irrig, aes(x=yield))+geom_histogram()+theme_bw()
ggplot(Irrig, aes(y=yield, x=irrigation, fill=irrigation))+geom_boxplot()+theme_bw()
ggplot(Irrig, aes(y=yield, x=variety, fill=variety))+geom_boxplot()+ theme_bw()
ggplot(Irrig, aes(y=yield, x=field, fill=field))+geom_boxplot()+ theme_bw()
El primer gráfico muestra cierta variabilidad entre los datos del rendimiento. los gráficos de irrigation(sistema de riego), variety (variedad) y field (campo) indican la influencia que tienen sobre la varible respuesta, en el caso del tipo de riego el método i4 fue el mejor, en la gáfica de variedad la v1 presento mejor rendimiento y en el campo el rendimiento fue mejor en f8.
Modelo para comparar los métodos de riego
MOD1=lm(yield~irrigation, data = Irrig)
anova(MOD1)## Analysis of Variance Table
##
## Response: yield
## Df Sum Sq Mean Sq F value Pr(>F)
## irrigation 3 40.19 13.397 1.0699 0.3984
## Residuals 12 150.26 12.522summary(MOD1)##
## Call:
## lm(formula = yield ~ irrigation, data = Irrig)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.600 -3.025 0.300 2.825 4.700
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.800 1.769 21.930 4.75e-11 ***
## irrigationi2 1.000 2.502 0.400 0.696
## irrigationi3 0.600 2.502 0.240 0.815
## irrigationi4 4.100 2.502 1.639 0.127
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.539 on 12 degrees of freedom
## Multiple R-squared: 0.211, Adjusted R-squared: 0.01378
## F-statistic: 1.07 on 3 and 12 DF, p-value: 0.3984los resultados indican que no hay diferencias significativas de los diferentes métodos de riego en contraste al método de riego 1 (control). Esto indica que todos los métodos de riego presentan buena efectividad. Razon por la cual no se realiza una prueba postanova.
Modelo para comparar la variedad de cultivo que tiene mejor rendimiento.
MOD2=lm(yield~variety, data = Irrig)
anova(MOD2)## Analysis of Variance Table
##
## Response: yield
## Df Sum Sq Mean Sq F value Pr(>F)
## variety 1 2.25 2.250 0.1674 0.6886
## Residuals 14 188.20 13.443summary(MOD2)##
## Call:
## lm(formula = yield ~ variety, data = Irrig)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.050 -2.812 -0.325 2.362 7.000
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 39.850 1.296 30.742 2.98e-14 ***
## varietyv2 0.750 1.833 0.409 0.689
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.666 on 14 degrees of freedom
## Multiple R-squared: 0.01181, Adjusted R-squared: -0.05877
## F-statistic: 0.1674 on 1 and 14 DF, p-value: 0.6886Los resultados de la variedad de cultivo muestran que no hay diferencias significativas en relación con la variedad 1 (control). No se realizará una prueba de postanova.
Modelo para comparar el rendimiento en los distintos campos
MOD3=lm(yield~field, data = Irrig)
anova(MOD3)## Analysis of Variance Table
##
## Response: yield
## Df Sum Sq Mean Sq F value Pr(>F)
## field 7 178.22 25.4600 16.654 0.0003498 ***
## Residuals 8 12.23 1.5287
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1summary(MOD3)##
## Call:
## lm(formula = yield ~ field, data = Irrig)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.550 -0.675 0.000 0.675 1.550
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 36.6500 0.8743 41.920 1.16e-10 ***
## fieldf2 0.8000 1.2364 0.647 0.535735
## fieldf3 -1.0500 1.2364 -0.849 0.420443
## fieldf4 3.1000 1.2364 2.507 0.036528 *
## fieldf5 4.3000 1.2364 3.478 0.008347 **
## fieldf6 5.5000 1.2364 4.448 0.002144 **
## fieldf7 6.5500 1.2364 5.298 0.000731 ***
## fieldf8 9.4000 1.2364 7.603 6.29e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.236 on 8 degrees of freedom
## Multiple R-squared: 0.9358, Adjusted R-squared: 0.8796
## F-statistic: 16.65 on 7 and 8 DF, p-value: 0.0003498Los resultados indican que si existen diferencias significativas entre los diferentes campos en relación al campo 1(control), excepto el campo 2 y 3 que no presentan diferencias.
#Postanova
POST=LSD.test(MOD3, "field")
POST## $statistics
## MSerror Df Mean CV t.value LSD
## 1.52875 8 40.225 3.073776 2.306004 2.851204
##
## $parameters
## test p.ajusted name.t ntr alpha
## Fisher-LSD none field 8 0.05
##
## $means
## yield std r LCL UCL Min Max Q25 Q50 Q75
## f1 36.65 1.7677670 2 34.63389 38.66611 35.4 37.9 36.025 36.65 37.275
## f2 37.45 1.0606602 2 35.43389 39.46611 36.7 38.2 37.075 37.45 37.825
## f3 35.60 1.1313708 2 33.58389 37.61611 34.8 36.4 35.200 35.60 36.000
## f4 39.75 0.3535534 2 37.73389 41.76611 39.5 40.0 39.625 39.75 39.875
## f5 40.95 0.9192388 2 38.93389 42.96611 40.3 41.6 40.625 40.95 41.275
## f6 42.15 0.7778175 2 40.13389 44.16611 41.6 42.7 41.875 42.15 42.425
## f7 43.20 0.5656854 2 41.18389 45.21611 42.8 43.6 43.000 43.20 43.400
## f8 46.05 2.1920310 2 44.03389 48.06611 44.5 47.6 45.275 46.05 46.825
##
## $comparison
## NULL
##
## $groups
## yield groups
## f8 46.05 a
## f7 43.20 ab
## f6 42.15 bc
## f5 40.95 bc
## f4 39.75 cd
## f2 37.45 de
## f1 36.65 e
## f3 35.60 e
##
## attr(,"class")
## [1] "group"En la prueba postanova se expone que f8 tiene mejor rendimiento con el sistema de riego, f7 presenta también un buen rendimiento. los campos con menor rendimiento son f2, f1 y f3.