#Ejercicio 1

PoblacionA <- c(9.5,10.5,9.0,9.75,10.0,13.0,10.0,13.5,10.0,9.5,10.0,9.75)
PoblacionB <- c(12.5,9.5,13.5,13.75,12.0,13.75,12.5,9.5,12.0,13.5,12.0,12.0)
PoblacionA
##  [1]  9.50 10.50  9.00  9.75 10.00 13.00 10.00 13.50 10.00  9.50 10.00  9.75
PoblacionB
##  [1] 12.5  9.5 13.5 13.8 12.0 13.8 12.5  9.5 12.0 13.5 12.0 12.0
meses<-c(PoblacionA,PoblacionB)
meses
##  [1]  9.50 10.50  9.00  9.75 10.00 13.00 10.00 13.50 10.00  9.50 10.00  9.75
## [13] 12.50  9.50 13.50 13.75 12.00 13.75 12.50  9.50 12.00 13.50 12.00 12.00
tratamientos <- gl(2,12,label=c("PoblacionA","PoblacionB"))
is.factor(tratamientos)
## [1] TRUE
tratamientos
##  [1] PoblacionA PoblacionA PoblacionA PoblacionA PoblacionA PoblacionA
##  [7] PoblacionA PoblacionA PoblacionA PoblacionA PoblacionA PoblacionA
## [13] PoblacionB PoblacionB PoblacionB PoblacionB PoblacionB PoblacionB
## [19] PoblacionB PoblacionB PoblacionB PoblacionB PoblacionB PoblacionB
## Levels: PoblacionA PoblacionB
length(tratamientos)==length(meses) 
## [1] TRUE
datos1<-data.frame(tratamientos, meses)
datos1
##    tratamientos meses
## 1    PoblacionA  9.50
## 2    PoblacionA 10.50
## 3    PoblacionA  9.00
## 4    PoblacionA  9.75
## 5    PoblacionA 10.00
## 6    PoblacionA 13.00
## 7    PoblacionA 10.00
## 8    PoblacionA 13.50
## 9    PoblacionA 10.00
## 10   PoblacionA  9.50
## 11   PoblacionA 10.00
## 12   PoblacionA  9.75
## 13   PoblacionB 12.50
## 14   PoblacionB  9.50
## 15   PoblacionB 13.50
## 16   PoblacionB 13.75
## 17   PoblacionB 12.00
## 18   PoblacionB 13.75
## 19   PoblacionB 12.50
## 20   PoblacionB  9.50
## 21   PoblacionB 12.00
## 22   PoblacionB 13.50
## 23   PoblacionB 12.00
## 24   PoblacionB 12.00
datosanova1 <- lm(datos1$meses~datos1$tratamientos)

datosanova1
## 
## Call:
## lm(formula = datos1$meses ~ datos1$tratamientos)
## 
## Coefficients:
##                   (Intercept)  datos1$tratamientosPoblacionB  
##                         10.37                           1.83
#Normalidad
residuos1<-residuals(datosanova1)
shapiro.test(residuos1)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos1
## W = 0.9, p-value = 0.1
#Homogeneidad
bartlett.test(datos1$meses~datos1$tratamientos) #param balanceados 
## 
##  Bartlett test of homogeneity of variances
## 
## data:  datos1$meses by datos1$tratamientos
## Bartlett's K-squared = 0.01, df = 1, p-value = 0.9
#ANOVA
anova1 <- aov(datos1$meses~datos1$tratamientos)#ANOVA paramétricos
summary(anova1)
##                     Df Sum Sq Mean Sq F value Pr(>F)   
## datos1$tratamientos  1   20.2   20.17    9.96 0.0046 **
## Residuals           22   44.5    2.02                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#Post-Hoc
TukeyHSD(anova1) #DS paramétricos
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = datos1$meses ~ datos1$tratamientos)
## 
## $`datos1$tratamientos`
##                       diff   lwr  upr p adj
## PoblacionB-PoblacionA 1.83 0.629 3.04 0.005
#Gráfica
grafica1 <- ggplot(datos1,aes(tratamientos, meses, colour = tratamientos ))+geom_point() + geom_boxplot()+ 
  scale_fill_manual(values = brewer.pal(3, "Dark2"), guide = guide_legend(title = "Número de raíces")) +
  geom_jitter(position=position_jitter(0.2)) +
  geom_jitter(position=position_jitter(0.2)) +
  theme_classic(base_size = 14) +
  xlab("Tratamientos") +
  ylab("Meses de Edad")
grafica1

#Resultados
#Se encontraron diferencias significativas (p<0.05) entre las poblaciones A y B (F=9.96, gl=22, p<0.05)

#Ejercicio 2

DOC<-c(336,346,269,346,323,309,322,316,300,309,276,306,310,302,269,311)
WKY<-c(328,315,343,368,353,374,356,339,343,343,334,333,313,333,372,NA)
DOC_Ca<-c(304,292,299,298,277,303,303,320,324,340,299,279,305,290,300,312)
WKY_Ca<-c(342,284,334,348,315,313,301,354,346,319,289,322,308,325,NA,NA)

Pobl1 <-c(DOC,DOC_Ca,WKY,WKY_Ca)

Pobl2 <- gl(4,16,labels = c("DOC","DOC-Ca","WKY","WKY-Ca"))

#Nomralidad
reg1 <-lm(Pobl1~Pobl2)
residuos1 <- residuals(reg1)
shapiro.test(residuos1)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos1
## W = 1, p-value = 0.1
#Homogeneidad
fligner.test(Pobl1 ~ Pobl2)  # homogeneidad no paramétricos
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Pobl1 by Pobl2
## Fligner-Killeen:med chi-squared = 3, df = 3, p-value = 0.5
#ANOVA
kruskal.test(Pobl1 ~ Pobl2)  # anova no paramétricos
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Pobl1 by Pobl2
## Kruskal-Wallis chi-squared = 23, df = 3, p-value = 3e-05
#Post-Hoc
pairwise.wilcox.test(Pobl1, Pobl2) # DS no paramétricos
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  Pobl1 and Pobl2 
## 
##        DOC   DOC-Ca WKY  
## DOC-Ca 0.340 -      -    
## WKY    0.003 1e-04  -    
## WKY-Ca 0.340 0.060  0.062
## 
## P value adjustment method: holm
#Resultado
#Se determinó que los tratamientos presentaron diferencias estadísticamente significativas (K=8, gl=1, p<0.05).

#Ejercicio3

NUNCA <-c(35.0,120.0,90,109,82,40,68,84,124,77,140,127,58,110,42,57,93,70,51,74,74,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA)
ANTERIOR <-c(62,73,60,77,52,115,82,52,105,143,80,78,47,85,105,46,66,91,151,40,80,57,95,82,141,64,124,65,42,53,67,95,99,69,118,131,76,69,69,97,137,103,108,56)
ACTUAL <-c(96,107,63,134,140,103,158,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA,NA)

Poblac1 <-c(NUNCA,ANTERIOR,ACTUAL)
Poblac2 <- gl(3,44,labels = c("NUNCA","Anterior","Actual"))

is.factor(Poblac2)
## [1] TRUE
#Normalidad
reg <-lm(Poblac1~Poblac2)
residuos <- residuals(reg)
shapiro.test(residuos)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos
## W = 1, p-value = 0.05
#Homogeneidad
fligner.test(Poblac1 ~ Poblac2)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Poblac1 by Poblac2
## Fligner-Killeen:med chi-squared = 0.04, df = 2, p-value = 1
#ANOVA
kruskal.test(Poblac1 ~ Poblac2)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Poblac1 by Poblac2
## Kruskal-Wallis chi-squared = 5, df = 2, p-value = 0.08
#Post-Hoc
pairwise.wilcox.test(Poblac1, Poblac2)
## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties

## Warning in wilcox.test.default(xi, xj, paired = paired, ...): cannot compute
## exact p-value with ties
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  Poblac1 and Poblac2 
## 
##          NUNCA Anterior
## Anterior 0.87  -       
## Actual   0.09  0.09    
## 
## P value adjustment method: holm
#Resultado
#Se encontró que los tratamientos no presetantaban diferencias estadísticamente significativas (K=5, gl=2, p>0.05).

#Ejercicio 4

data1 <-c(1.850,.177,.564,.140,.128,.500,.000,.759,.332)
data2 <-c(.000,.000,.000,.140,.000,.000,.000,.000,.332)

Pobl1 <-c(data1,data2)
Pobl2 <- gl(2,9,labels = c("A","B"))

reg4 <-lm(Pobl1~Pobl2)
residuos4 <- residuals(reg4)

#Normalidad
shapiro.test(residuos4)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos4
## W = 0.7, p-value = 2e-04
#Homogeneidad
bartlett.test(Pobl1~Pobl2)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  Pobl1 by Pobl2
## Bartlett's K-squared = 14, df = 1, p-value = 2e-04
#Anova
anova4 <- aov(Pobl1~Pobl2)
summary(anova4)
##             Df Sum Sq Mean Sq F value Pr(>F)  
## Pobl2        1  0.879   0.879    5.31  0.035 *
## Residuals   16  2.649   0.166                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#Post-Hoc
TukeyHSD(anova4)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = Pobl1 ~ Pobl2)
## 
## $Pobl2
##       diff    lwr     upr p adj
## B-A -0.442 -0.849 -0.0354 0.035
#Resultado
#Se determinó que los tratamientos en estudio presentaron diferencias estadísticamente significativas (F=5.31, gl=16, p<0.05)