## Mediante el presente documento digital, se pretende realizar un analisis estadistico del rendimiento de aguacate hass en Urrao, Antioquia, con unos datos obtenidos en campo y subidos a excel.
library(readxl)
Hass <- read_excel("C:/Users/User/Desktop/Hass.xlsx")
Hass
# Para esto se tomaran dos factores, con 3 bloques y una aplicacion foliar del fertilizante Solinure 12-5-35+2MgO+TE que es especialmente recomendado para el engorde y maduración de fruto debido a su importante contenido de potasio, fundamental para la etapa de produccion, que para este caso se tomaron dos tipos de aplicaciones diametralmente opuestas de 0 y 200.Por otro lado se tomaron en cuenta la frecuencia-caudal de riego de dos tipos, alto y bajo (sin valor numerico para este caso, pero ajustado en campo, para darle diche denominacion) y analizar con el software libre, si existe algun tipo de interaccion para la produccion y rendimiento del fruto, para exportacion.
# Segun lo visto en clase, debemos transformar cada variable del excel en vector para su correcto uso en R. Dond el Rendimiento = Rto, sera la variable respuesta y los demas vectores aquellas que potencialmente afecten esta.
Foliar <- factor(Hass$Foliar)
Riego <- factor(Hass$Riego)
Bloque <-factor(Hass$Bloque)
Rto <-as.vector(Hass$Rto)
Ren <-as.numeric(Rto)
dt = data.frame(Foliar, Riego, Bloque, Rto)
View(dt)
mod1 = aov(Rto~Foliar*Riego+Error(Bloque), data = dt )
mod1
## 
## Call:
## aov(formula = Rto ~ Foliar * Riego + Error(Bloque), data = dt)
## 
## Grand Mean: 72.75
## 
## Stratum 1: Bloque
## 
## Terms:
##                 Residuals
## Sum of Squares      129.5
## Deg. of Freedom         2
## 
## Residual standard error: 8.046738
## 
## Stratum 2: Within
## 
## Terms:
##                   Foliar    Riego Foliar:Riego Residuals
## Sum of Squares  690.0833   6.7500     114.0833   87.8333
## Deg. of Freedom        1        1            1         6
## 
## Residual standard error: 3.82608
## Estimated effects may be unbalanced
library(ggplot2)
ggplot(dt, aes(y = Rto, x=Foliar)) +
    geom_boxplot(color = "black", fill = "white")+
  facet_wrap(~Riego*Rto)

library(collapsibleTree)
collapsibleTree(dt, hierarchy = c("Riego", "Bloque", "Foliar", "Rto"))
View(Hass)
print(head(Hass))
## # A tibble: 6 × 4
##   Bloque Foliar Riego   Rto
##    <dbl>  <dbl> <chr> <dbl>
## 1      1      0 Bajo     65
## 2      1    200 Bajo     79
## 3      1      0 Alto     68
## 4      1    200 Alto     81
## 5      2      0 Bajo     53
## 6      2    200 Bajo     83
# El rendimiento es mayor cuando la fertilizacion foliar es alta.
plot(Rto ~ Riego + Foliar, Bloque)

# Usamos la libreria Agricolae que es una ayuda para la investigacion en materia agricola enfocada al estudio y analisis de datos.De esta manera despues de llamarla, y como se tienen 2 factores se debe medir la interaccion de las 2 y no por separado.

#Para esto se aleatorizaran los niveles del 2do factor dentro de las parcelas y para cada bloque para que se puede obtener los posibles efectos (de si hay o no) efecto de interaccion
library(agricolae)
summary(mod1)
## 
## Error: Bloque
##           Df Sum Sq Mean Sq F value Pr(>F)
## Residuals  2  129.5   64.75               
## 
## Error: Within
##              Df Sum Sq Mean Sq F value  Pr(>F)    
## Foliar        1  690.1   690.1  47.140 0.00047 ***
## Riego         1    6.7     6.7   0.461 0.52243    
## Foliar:Riego  1  114.1   114.1   7.793 0.03151 *  
## Residuals     6   87.8    14.6                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Se observa que la Interaccion, si es significativa por lo que se rechaza la hipotesis nula. Y se prosigue con las demas pruebas
residuos_mod1 = residuals(mod1$Within)
normalidad_mod1 = shapiro.test(residuos_mod1)
normalidad_mod1
## 
##  Shapiro-Wilk normality test
## 
## data:  residuos_mod1
## W = 0.96014, p-value = 0.7998
# Como el valor del Test de Shapiro es mayor a 0.05 en el PValor, no se rechaza la hipotesis nula.Los datos SI siguen una distribucion normal
bartlett.test(Ren~Foliar, data=dt)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  Ren by Foliar
## Bartlett's K-squared = 0.23242, df = 1, p-value = 0.6297
# Se cumple el supuesto de homocedasticidad
bartlett.test(Ren~Riego, data=dt)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  Ren by Riego
## Bartlett's K-squared = 1.9433, df = 1, p-value = 0.1633
# Se cumple el supuesto de homocedasticidad
## No se muestra una relacion fuerte entre las variaciones de los tratamientos, que pudisese deberse a la varianza entre parcelas.Por lo tanto
# Existe interaccion