Va

\[H_a:\mu_{Tratamiento1}~!=~\mu_{Tratamiento2}~!=~\mu_{Tratamiento3}~!=~\mu_{Tratamiento4}~!=~\mu_{Tratamiento5}~!=~\mu_{Tratamiento6}\] En la anteiror imagen se muestra el avance del taller anterior y el link de la presentación ya fue enviado a los profesores via correo electronico por Edwin morales, por lo tanto en este documento se presenta la parte del taller 5 el taller 6

A continuacion se presenta la medición de la variable Peso de los huevos de los tratamientos en el proyecto de gallinas del grupo 1 hasta el dia 26/11/21. En este caso se tomara de ejemplo los datos obtenidos diariamente ya que en el momento no se han obtenido datos que correspondan a los dias destinados a los dias de medición propuestos en la metodologia.

Librerias a tener en cuenta:

library(pander) library(lattice) library(shape) library(outliers) library(ggplot2) library(coin) library(survival) library(RVAideMemoire) library(scatterplot3d)

Tratamiento1= c(0,0,0,32.2,35.1,36.8,37.4,38.4,39.1,39.6,39.7,25.0,40.0,0.9,41.9)
Tratamiento2 = c(0,0,0,0,0,0,0,0,0,0,0,43.8,46.1,42.0,44.4)
Tratamiento3= c(0,0,0,0,0,0,37.1,37.8,38.2,38.9,39.6,44.5,0,49.9,42.0)
Tratamiento4= c(0,0,0,0,0,0,0,32.9,35.0,39.8,45.5,37.6 ,44.7,45.3,40.6)
Tratamiento5= c(0,0,0,0,0,0,0,35.4,38.2,42.4,45.5,44.4,39.3,42.9,43.1)
Tratamiento6= c(38.4,38.4,36.5,39.3,39.7,54.3,42.3,44.2,46.8,42.3,31.1,35.1,42.5,45.9,37.8)

Hipotesis

\[H_0: \mu_{Tratamiento1}==\mu_{Tratamiento2}==\mu_{Tratamiento3}\mu_{Tratamiento4}==\mu_{Tratamiento5}==\mu_{Tratamiento6}==\]

peso=data.frame(peso=c(Tratamiento1,Tratamiento2,Tratamiento3,Tratamiento4,Tratamiento5,Tratamiento6))
metodo=gl(6,15,90,c("t1","t2","t3","t4","t5","t6"))
dfm = data.frame(peso,metodo)
head(dfm,10)
##    peso metodo
## 1   0.0     t1
## 2   0.0     t1
## 3   0.0     t1
## 4  32.2     t1
## 5  35.1     t1
## 6  36.8     t1
## 7  37.4     t1
## 8  38.4     t1
## 9  39.1     t1
## 10 39.6     t1
tapply(dfm$peso,dfm$metodo,summary)
## $t1
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   12.95   36.80   27.07   39.35   41.90 
## 
## $t2
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    0.00    0.00   11.75   21.00   46.10 
## 
## $t3
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    0.00   37.10   21.87   39.25   49.90 
## 
## $t4
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    0.00   32.90   21.43   40.20   45.50 
## 
## $t5
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00    0.00   35.40   22.08   42.65   45.50 
## 
## $t6
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   31.10   38.10   39.70   40.97   43.35   54.30
medias=tapply(dfm$peso,dfm$metodo,mean)
boxplot(dfm$peso~dfm$metodo)
points(medias,col="red",pch=16)
abline(h=mean(dfm$peso),lty=2)

sd=tapply(dfm$peso,dfm$metodo,sd);sd
##        t1        t2        t3        t4        t5        t6 
## 17.230391 20.189986 21.394013 21.022895 21.516412  5.553695
library(pander)
Medias
t1 t2 t3 t4 t5 t6
27.07 11.75 21.87 21.43 22.08 40.97
Desviación estandar
t1 t2 t3 t4 t5 t6
17.23 20.19 21.39 21.02 21.52 5.554

Varianza mM es 6,5 veces mas grande que el mB, y solo la media de mM es positiva

Grafico distribución de extracon de fosforo de los metodos 
shapiro.test(Tratamiento6)
## 
##  Shapiro-Wilk normality test
## 
## data:  Tratamiento6
## W = 0.96294, p-value = 0.7434
str(peso)
## 'data.frame':    90 obs. of  1 variable:
##  $ peso: num  0 0 0 32.2 35.1 36.8 37.4 38.4 39.1 39.6 ...
hist(Tratamiento6)

crunch=aov(dfm$peso~dfm$metodo)
summary(crunch)
##             Df Sum Sq Mean Sq F value  Pr(>F)   
## dfm$metodo   5   6932  1386.5   3.965 0.00281 **
## Residuals   84  29372   349.7                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#Para extraer mks de una lista
fvalue = unlist(summary(crunch))[[7]]
fvalue
## [1] 3.965089
p_value = unlist(summary(crunch))[[9]]
ifelse(p_value<0.05,
       "Rechazo Ho: metodos no iguales ",
       "No rechazo Ho: metodos iguales")
## [1] "Rechazo Ho: metodos no iguales "
residuales=crunch$residuals
#Normalidad o no de los datos
shapiro.test(residuales)
## 
##  Shapiro-Wilk normality test
## 
## data:  residuales
## W = 0.91827, p-value = 2.937e-05
hist(residuales,col="lightblue",main="Histograma de Residuales",ylab="Frecuencia",xlab = "Residuales")

#Homogeneidad (igualdad) de varianzas
bartlett.test(residuales,dfm$metodo)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  residuales and dfm$metodo
## Bartlett's K-squared = 22.532, df = 5, p-value = 0.0004147
#Para hayar atípicos del boxplot :V
library(outliers)
grubbs.test(crunch$residuals, type = 10, opposite = FALSE, two.sided = TRUE)
## 
##  Grubbs test for one outlier
## 
## data:  crunch$residuals
## G.28 = 1.89066, U = 0.95938, p-value < 2.2e-16
## alternative hypothesis: highest value 34.3466666666666 is an outlier
#Para el máximo residual
which.max(crunch$residuals)
## 28 
## 28
crunch$residuals[28]
##       28 
## 34.34667
medias
##       t1       t2       t3       t4       t5       t6 
## 27.07333 11.75333 21.86667 21.42667 22.08000 40.97333
dfm$peso[28]=medias[2]

dfm$peso[20:30]
##  [1]  0.00000  0.00000  0.00000  0.00000  0.00000  0.00000  0.00000 43.80000
##  [9] 11.75333 42.00000 44.40000
modc = aov(dfm$peso~dfm$metodo)
summary(modc)
##             Df Sum Sq Mean Sq F value   Pr(>F)    
## dfm$metodo   5   7852  1570.5   4.692 0.000792 ***
## Residuals   84  28113   334.7                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

En el desarrollo de esta medición se pueden presentar diversas conclusiones. Esta variable así como las demás, es compleja ya que son 6 tratamientos los cuales presentan datos diferentes y que sin la medicón y analisis correcto pueden resultar datos diferentes. Un punto importante para resaltar es el hecho de no tener los datos especificos para realizar esl analisis adecuado.

La com´plicación mas imporatnte para realizar la medición es aplicar las pruebas de manera correcta y que los resultados sean adecuados a la medición.