Importar Librerías:
library(pacman)
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2")Importar Datos:
library(readr)
plantas <- read_csv("C:/Users/andre/OneDrive/Documentos/Aplicada/Act6/plantas.csv")## Rows: 42 Columns: 3## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (1): Tratamiento
## dbl (2): planta, IE##
## 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.datatable(plantas) View(plantas)Tabla de datos
Ctrl= subset(plantas, Tratamiento=="Ctrl")
Fert= subset(plantas, Tratamiento=="Fert")
datatable(Ctrl)datatable(Fert) Pruebas de Normalidad
Los análisis de normalidad, también llamados contrastes de normalidad, tienen como objetivo analizar cuánto difiere la distribución de los datos observados respecto a lo esperado si procediesen de una distribución normal con la misma media y desviación típica. Pueden diferenciarse tres estrategias: las basadas en representaciones gráficas, en métodos analíticos y en test de hipótesis.
Pruebas de Shapiro-Wilk
El test de Shapiro-Wilks plantea la hipótesis nula que una muestra proviene de una distribución normal. Eligimos un nivel de significanza, y tenemos una hipótesis alternativa que sostiene que la distribución no es normal.
\[ \begin{equation}\label{eq:ho,} H0:X∼N(μ,σ2) \end{equation} \] \[ \begin{equation}\label{eq:h1} H1:X≁N(μ,σ2) \end{equation} \]
shapiro.test(Ctrl$IE)##
## Shapiro-Wilk normality test
##
## data: Ctrl$IE
## W = 0.9532, p-value = 0.3908shapiro.test(Fert$IE)##
## Shapiro-Wilk normality test
##
## data: Fert$IE
## W = 0.95339, p-value = 0.3941Pruebas de Smirnov- Kolmogorov
La prueba de Kolmogorov-Smirnov para una muestra, permite medir el grado de concordancia existente entre la distribución de un conjunto de datos y una distribución teórica específica. Su objetivo es señalar si los datos provienen de una población que tiene la distribución teórica especificada, es decir, contrasta si las observaciones podrían razonablemente proceder de la distribución especificada.
\[ \begin{equation}\label{eq:d} D = máx|Fn(x)-F0(x) \end{equation} \]
ks.test(Ctrl$IE, "pnorm", mean = mean(Ctrl$IE), sd = sd(Ctrl$IE))## Warning in ks.test(Ctrl$IE, "pnorm", mean = mean(Ctrl$IE), sd = sd(Ctrl$IE)):
## ties should not be present for the Kolmogorov-Smirnov test##
## One-sample Kolmogorov-Smirnov test
##
## data: Ctrl$IE
## D = 0.11991, p-value = 0.9233
## alternative hypothesis: two-sidedks.test(Fert$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