#TAREA DE CURSO
Cerdo_Zn_anomalias <- read.csv("~/Library/Mobile Documents/com~apple~CloudDocs/CURSOS/Documentos de consulta IAEA/TAREA_2/Cerdo_Zn_anomalias.csv")
View(Cerdo_Zn_anomalias)
#Cambio a factor
Cerdo_Zn_anomalias$Tratamiento<-as.factor(Cerdo_Zn_anomalias$Tratamiento)
#Modelo
names(Cerdo_Zn_anomalias)
## [1] "Tratamiento" "Anomalia" "Rep"
#ANOVA
cerdo<-aov(Anomalia~Tratamiento, data = Cerdo_Zn_anomalias)
anova(cerdo)
## Analysis of Variance Table
##
## Response: Anomalia
## Df Sum Sq Mean Sq F value Pr(>F)
## Tratamiento 3 79.75 26.583 33.229 4.185e-07 ***
## Residuals 16 12.80 0.800
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
#Ho: no hay efecto de cada tratamiento con Zn
#Ha: hay efecto de cada tratamiento con Zn
#alfa=0.05
#pvalue = 0.000000324
#pvalue < alfa
#Conclusión: Rechazamos Ho, entonces hay efecto de algún tratamiento sobre la morfología de los espermatozoides
#COMPROBACION DE SUPUESTOS
#Normalidad
#Gráfica
residuoscerdo<-resid(cerdo)
qqnorm(residuoscerdo)
plot(density(residuals(cerdo)))
#Analitica
#HO: los residuales se distribuyen de forma normal
#Ha: los residuales no se distribuyen de forma normal
#alfa=0.05
#pvalue=0.424
#Conclusión: se cumple con el criterio de normalidad
library(MASS)
RESIDUALESCERDO<-studres(cerdo)
shapiro.test(RESIDUALESCERDO)
##
## Shapiro-Wilk normality test
##
## data: RESIDUALESCERDO
## W = 0.98314, p-value = 0.9679
#Homogeneidad de varianza
#Gráfica
estimados<-fitted(cerdo)
plot(estimados,residuoscerdo,main="tratamiento de Zn en cerdos", xlab="Tratamiento", ylab="Residuos")
#Analitica
library(car)
## Loading required package: carData
#Prueba de Bartlet
bartlett.test(Anomalia~Tratamiento, data=Cerdo_Zn_anomalias)
##
## Bartlett test of homogeneity of variances
##
## data: Anomalia by Tratamiento
## Bartlett's K-squared = 0.91131, df = 3, p-value = 0.8227
#Ho: todas las varianzas son iguales
#Ha: al menos una varianza es diferente
#alfa = 0.05
#Conclusión: se cumple con el supuesto de homogeneidad de varianza
#Prueba de Leven
leveneTest(Anomalia~Tratamiento, data = Cerdo_Zn_anomalias)
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 3 0.3333 0.8014
## 16
#Ho: todas las varianzas son iguales
#Ha: al menos una varianza es diferente
#alfa = 0.05
#Conclusión: se cumple con el supuesto de homogeneidad de varianza
#Todos los gráficos
plot(cerdo)
#DETERMINACIÓN DE MEJOR TRATAMIENTO
library(agricolae)
#DMS de Fisher
Comparación1<-LSD.test(cerdo,"Tratamiento", group = TRUE)
Comparación1
## $statistics
## MSerror Df Mean CV t.value LSD
## 0.8 16 11.85 7.547909 2.119905 1.1992
##
## $parameters
## test p.ajusted name.t ntr alpha
## Fisher-LSD none Tratamiento 4 0.05
##
## $means
## Anomalia std r LCL UCL Min Max Q25 Q50 Q75
## 1 14.8 0.8366600 5 13.952038 15.64796 14 16 14 15 15
## 2 11.4 1.1401754 5 10.552038 12.24796 10 13 11 11 12
## 3 12.0 0.7071068 5 11.152038 12.84796 11 13 12 12 12
## 4 9.2 0.8366600 5 8.352038 10.04796 8 10 9 9 10
##
## $comparison
## NULL
##
## $groups
## Anomalia groups
## 1 14.8 a
## 3 12.0 b
## 2 11.4 b
## 4 9.2 c
##
## attr(,"class")
## [1] "group"
#De acuerdo a la prueba el tratamiento 4 es la que produce menos anomalias en comparación con los demás tratamientos
#DMS de Turkey
Comparacion2<-HSD.test(cerdo,"Tratamiento",group=TRUE)
Comparacion2
## $statistics
## MSerror Df Mean CV MSD
## 0.8 16 11.85 7.547909 1.618437
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey Tratamiento 4 4.046093 0.05
##
## $means
## Anomalia std r Min Max Q25 Q50 Q75
## 1 14.8 0.8366600 5 14 16 14 15 15
## 2 11.4 1.1401754 5 10 13 11 11 12
## 3 12.0 0.7071068 5 11 13 12 12 12
## 4 9.2 0.8366600 5 8 10 9 9 10
##
## $comparison
## NULL
##
## $groups
## Anomalia groups
## 1 14.8 a
## 3 12.0 b
## 2 11.4 b
## 4 9.2 c
##
## attr(,"class")
## [1] "group"
#El mejor tratamiento es el 4 ya que produce menos anomalias
#Gráficos
library(tidyverse)
## ── Attaching packages
## ───────────────────────────────────────
## tidyverse 1.3.2 ──
## ✔ ggplot2 3.3.6 ✔ purrr 1.0.1
## ✔ tibble 3.1.7 ✔ dplyr 1.1.0
## ✔ tidyr 1.2.0 ✔ stringr 1.4.0
## ✔ readr 2.1.2 ✔ forcats 0.5.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ dplyr::recode() masks car::recode()
## ✖ dplyr::select() masks MASS::select()
## ✖ purrr::some() masks car::some()
library(pastecs)
##
## Attaching package: 'pastecs'
##
## The following objects are masked from 'package:dplyr':
##
## first, last
##
## The following object is masked from 'package:tidyr':
##
## extract
stat.desc(Cerdo_Zn_anomalias, norm = TRUE)
## Tratamiento Anomalia Rep
## nbr.val NA 20.0000000 20.00000000
## nbr.null NA 0.0000000 0.00000000
## nbr.na NA 0.0000000 0.00000000
## min NA 8.0000000 1.00000000
## max NA 16.0000000 5.00000000
## range NA 8.0000000 4.00000000
## sum NA 237.0000000 60.00000000
## median NA 12.0000000 3.00000000
## mean NA 11.8500000 3.00000000
## SE.mean NA 0.4935105 0.32444284
## CI.mean NA 1.0329294 0.67906667
## var NA 4.8710526 2.10526316
## std.dev NA 2.2070461 1.45095250
## coef.var NA 0.1862486 0.48365083
## skewness NA 0.1521538 0.00000000
## skew.2SE NA 0.1485577 0.00000000
## kurtosis NA -1.0441720 -1.46575000
## kurt.2SE NA -0.5260929 -0.73849970
## normtest.W NA 0.9703203 0.89588351
## normtest.p NA 0.7616246 0.03454833
#Conclusión cumple con la normalidad