Diseño 3:Factorial completo completamente al azar(FCCA)

Variable respuesta:Germinación
Factor 1:variedad con niveles:v1,v2,v3/
Factor 2:hormona con 2 niveles: a,p
No bloqueo
Total tratamientos:6 TRATAMIENTOS


 Ecuación del modelo----->Yijk=𝝻+Ti +Bj+(TB)ij+Eijk

 Donde :

y:respuesta en función de número de tratamientos y repeticiones
𝝻:Media global
Ti :Efecto de  los tratamientos/factor 1 --->efecto principal
Bj:Efecto factor 2--------->efecto principal
(TB)ij=Interacción entre factores-------->efecto interacción
Eijk :Error residual

Hipótesis 
Ho=𝝻T1=𝝻T2=𝝻T3=0("Los tratamientos son iguales"por lo tanto,no tienen efecto/efecto nulo sobre la variabilidad datos )
Anova parece ser bueno cuando la variabilidad se debe a los tratamientos
No concluir que no hay diferencias en los tratamientos 

No planteo hipotesis para bloqueo 
mejor tratamiento descriptivo ocn medias aggrgate

Comandos:

germ<-rnorm(120,70,2)
var<-gl(3,40,labels =c("v1","v2","v3"));var
proc<-gl(2,20,120,labels=c("l1","l2"));proc
horm<-gl(2,10,120,labels = c("A","P"));horm
data<-data.frame(germ,var,proc,horm)
attach(data)
View(data)
with(data,aggregate(germ,list(var,horm),mean))
modelo3 <- aov(germ ~var+horm+var:horm, data=data);modelo3
summary(modelo3)

Modelo 2:Fatorial simple en bloques

Factorial simple en bloques

Variable respuesta:Germinación
Factor:variedad con niveles:v1,v2,v3/hormona con 2 niveles a,p
bloqueo:localidades
Total tratamientos:3 TRATAMIENTOS


 Ecuación del modelo----->Yij=𝝻+Ti +Bj+Eij

 Donde :

y:respuesta en función de número de tratamientos y repeticiones
𝝻:Media global
B:Bloqueo
Ti :Efecto de  los tratamientos/factor(i=numero tratamientos)
Ej :Error residual(número de repeticiones)

Hipótesis 
Ho=𝝻T1=𝝻T2=𝝻T3=0("Los tratamientos son iguales"por lo tanto,no tienen efecto/efecto nulo sobre la variabilidad datos )
Anova parece ser bueno cuando la variabilidad se debe a los tratamientos
No concluir que no hay diferencias en los tratamientos 

No planteo hipotesis para bloqueo 
 
Comandos en R
germ<-rnorm(120,70,2)
var<-gl(3,40,labels =c("v1","v2","v3"));var
proc<-gl(2,20,120,labels=c("l1","l2"));proc
horm<-gl(2,10,120,labels = c("A","P"));horm
data<-data.frame(germ,var,proc,horm)
attach(data)
View(data)
modelo2 <- aov(germ ~ horm + proc, data=data);modelo2
summary(modelo2)
modelo2a <- aov(germ ~ var + proc, data=data);modelo2a
summary(modelo2a)

#Profe modelo 2a--->variedad :3,86%<5%----->Rechazo Ho--->Me quedo con Ha en ANOVA=media variedades distinas
#-------->¿Todas las variedades son diferentes o solo una de ellas?---->Utilizo tukey----->Mayor 5% NO RECHAZO HO
#------>Me quedo con Ho en tukey=Todas las variendades son iguales


#COMPARACION DE MEDIAS CON Tukey(Se hace para más de dos tratamientos)

TukeyHSD(modelo2a)
#Explicación porque en ANOVA me dio que las medias son distintas y en tukey que las medias son iguales:No es suficiente utilizar ANOVA,es mejor tukey.
#lsd,duncan

Modelo1:FSCA

MODELO 1:FACTORIAL SIMPLE COMPLETAMENTE AL AZAR


Primer ejemplo 


Variable respuesta:Aceite esencial extraido en limonaria (100g)-->AE
Factor:especie de limonaria con niveles:sp1,sp2,sp3(especies)----->f1
Sin bloqueo
Total tratamientos:3(niveles)


 Ecuación del modelo----->Yij=𝝻+Ti +Ej

 Donde :

y:respuesta en función de número de tratamientos y repeticiones
𝝻:Media global
Ti :Efecto de  los tratamientos
Ej :Error residual

Hipótesis 
Ho=𝝻T1=𝝻T2=𝝻T3=0("Los tratamientos son iguales"por lo tanto,no tienen efecto/efecto nulo sobre la variabilidad datos )
Anova parece ser bueno cuando la variabilidad se debe a los tratamientos
No concluir que no hay diferencias en los tratamientos
Comandos en R


set.seed(1964);options(digits=3)#OJO CON DECIMALES,PORQUE ME DICE LA EXACTITUD DE MEDIDAS
AE=sort (rnorm(120,8.5,0.8),decreasing = T);AE#SORT sirve para ordenar ya sea de menor a mayor o viceversa
f1=gl(4,30,labels = c("sp1","sp2","sp3","sp4"));f1
data=data.frame(AE,f1)
View(data)
MODELO1 <- aov(AE ~ f1, data=data)
summary(MODELO1)
 


 decimales,que equipo use------nuemros cifras apreciaicion de los equipos utilizados


Interpretación 



Segundo ejemplo


Variable respuesta:Germinación
f1=Hormona/variedad
 

Más conceptos(pendiente)

Conceptos

Datos crudos:Datos que no han sido transformados
Datos no crudos:Datos transformados,por lo general provienen de sumatorias o promedios.Como por ejemplo la precipitación,la radiación.

Las medidas más importantes en agronomía son el promedio(media,medida de tendencia central) y la varianza(medida de dispersión),normalmente,se le calculan a datos crudos.El promedio suele ser muy sensible a datos atipícos y por lo tanto muchas veces su valor no nos representa adecuadamente nuestros datos;por otra parte la varianza es importante ya que mis datos deben tener la menor variabilidad posible dentro de un mismo conjunto datos, ya que estos provienen de un mismo lugar y por lo tanto tienen que ser muy similares,allí,es donde cobra la importancia de la repetición de toma de datos(la variabilidad de datos solo puede ser posible en diferentes tratamientos).Cuando hay valores que no son similares estos reciben el nombre de datos atipícos,los cuales pueden ser producidos por errores intrumentales o humano.

Si hay muchos datos atipícos  se pueden eliminar o puede repetirse la toma de datos.

En R la varianza se calcula con 

 for

 como se que r me alculo varianza muestral o poblacional

sd---desviacion estandar

var---varianza

en R los anetriores son meustrales

varianza=sum cuadrados/grados libertad

Imágenes tomadas de :https://es.slideshare.net/helena0912/stats-muestreo

http://www.monografias.com/trabajos88/dispersion-relativa/image001.png 

ANOVA----->Análisis de varianza

El ANOVA me permite saber si mi varianza se debe a los tratamientos(ideal) o a las repeticiones.

Dicho ANOVA es diferente para cada diseño.

El ANOVA realiza una razón entre VarY/VarX,donde Y son los tratamientos y X el error.Dicha razón al graficarse se comporta como una curva de f .En el ANOVA se encuentra el f value y me dice cuanto son los tratamientos más variables que el error,donde lo que se desea es que dicho número sea grande .Sin embargo nuestro pr (f) es el valor con el que tomamos la decisión de la variabilidad de los datos .

 

Crear una tabla en R

¿Cómo crear una tabla en R?

A continuación se presentan los comandos para crear una tabla de R,en los numerales se explica cada línea del programa.

¿Cómo se ve en R?

Se debe tener en cuenta que en la tablas tanto horizontales como verticales no se ven la totalidad de datos.


¿Cuáles son los comandos?


#SE TIENEN 3 VARIEDADES,SE PRETENDE GENERAR UNA TABLA QUE UNIFIQUE LOS DATOS DE CADA VARIEDAD
#Y POSTERIORMENTE GENERAR EN UNA MISMA PANTALLA LAS GRAFICAS PARA CADA VARIEDAD

criolla=c(5.5,5.8,6,6.4,6.2)#Crear vector con función
criolla=rnorm(50,6,1) #RNORM(CANTIDAD DATOS,MEDIA,VARIANZA),esta función nos sirve para normalizar nuestros datos del vector inicial
pastusa=c(4.3,4.4,4.5,4.1,4.9)
pastusa=rnorm(50,5.5,0.8 )
R12=c(6.4,6.7,6.9,6.8,7)
R12=rnorm(50,6.2,0.4)
TABLAVERTICAL=cbind(criolla,pastusa,R12)#organizar datos en columnas
View(TABLAVERTICAL)
TABLAHORIZONTAL=rbind(criolla,pastusa,R12)#organizar datos en filas
View(TABLAHORIZONTAL)
boxplot(TABLAVERTICAL)# EN UN MISMA PANTALLA PUEDO OBTENER LAS GRÀFICAS DE CADA VARIEDAD
boxplot(TABLAHORIZONTAL)

¿Cómo generar niveles de un factor en R y como cálcular el coeficiente de variación?


Se quiere crear la siguiente tabla:

Donde :

y:Rendimiento (aceite)
factor 1:especies con 2 niveles
factor 2:dosis con 4 niveles
bloqueo:localidad

¿Cómo se ve en R?

 CORREGIR

Tipos de diseños experimentales

Darghan,Universidad Nacional de Colombia

Factorial Simple(FS):De un solo factor

Factorial Completo(FC):Más de un factor,los niveles son iguales o se prueban por igual.No mirar solamente que los números coincidan,sino,si estan anidados o no.

Factorial Incompleto(FI):Más de un factor,los niveles no se prueban por igual.

Aparte de mirar si los niveles se prueban por igual o no ,también,debemos mirar si estan anidados los factores y una manera fácil de entenderlo es con el siguiente cuadro sinóptico:

Completamente al azar(CA):No hay bloqueo,por lo general se da en ambientes controlados.

Bloques al azar(BA):Bloqueo debido a una nueva variable.A su vez los bloques pueden ser completos(En ambos bloques se prueban los mismos factores)/incompletos(lo contrario).

Parcelas Divididas(PD):El bloqueo se da entre los factores

Ejemplos de diseños experimentales

1.Factorial simple en arreglo completamente al azar(Se caracteriza por tener un solo factor)(FSCA ó CA)

y:Rendimiento(materia seca)

factor:Riego

Niveles del factor:riego,goteo,gravedad.

 2.Factorial completo completamente al azar

3 clase de diseño-Más conceptos

Clase 2-Conceptos

En esta clase se continuó introduciendo conceptos dentro de los cuales tenemos :

Variable: Según Mendenhall en Introducción a las Probabilidad y Estadística la variable es una característica que cambia o varía en el tiempo y/o para difernetes personas u objetos bajo consideración.

Factor:Por decirlo de alguna manera es la variable independiente,es quien causa determiando fenómeno.A su vez poseen NIVELES que son las distintas formas en que se efectua el factor

Respuesta:Es la variable  que se ve afectada por los factores,es decir la variable dependiente.

Bloqueo:Es un manejo adicional que se le dan a los datos por efecto de que no se tienen condiciones iguales(no materiales suficientes,no mismas caracteristicas del suelo,etc).A su vez el bloqueo se puede dar por un problema externo (nueva variable) o entre factores.

Se debe tener en cuenta que a la hora de plantear un diseño de experimentos solo hacemos suposisiciones de quienes pueden ser las variables dependientes y cual la variable independiente.

Unidad experimental:Ente de quien proviene los datos,miníma unidad.

Unidad de observación:Ente que contiene la unidad experimental.

 

Para entender mejor los conceptos explicados anteriormente supongamos que:

Se tiene un diseño de experimentos en la cual la respuesta a evaluar es la humedad en el suelo,donde se supone que el factor de dicha respuesta es el riego,el cual se realiza por aspersión,gravedad y goteo.La unidad experimental es el suelo y la unidad de observación son los lotes.De esta manera:

Y=Humedad en el suelo

Factor=Riego

Niveles del factor:Son 3 ,aspersión,gravedad y goteo.

¿Qué objetivos tiene un experimento?

¿Que aspectos son importantes en un disñeo experimental?

1.Repetir

 Es adecuado reproducir un experimento para asegurarnos de que los resultados son los mismos (aproximados) cada vez y de esta manera reducir la posibilidad de que nuestro experimento por cuestiones del azar es fallido.Es como cuando tenemos las llaves de nuestra casa y tratamos de buscar la apropiada y puede ser que al primer intento o segundo no lo consigamos,pero,quizás si al tercero.

2.Aleatorizar

Es adecuado que nuestras unidades experimentales sean sometidas de igual manera a los diferentes factores y eso se logra con un arreglo aleotorizado.

3.Bloquear

Es una técnica para lograr que el experimento sea más preciso,es decir,para que el experimento sea lo más homógeneo posible. 

¿Qué se debe tener en cuenta para realizar un diseño experimental?

Vocabulario

Abstruso:Que es de difícil comprensión.
Aricar :Este vocabulario (en agricultura) que se trata de labrar. remover, enrejar, aladrar, arar, barbechar, roturar y de cultivar de manera superficialmente.
Verboso:Que habla mucho y con demasiadas palabras.
Mediana:Valor de la variable que ocupa el lugar central en una serie ordenada de datos.
Histograma:Gráfico de la representación de distribuciones de frecuencias, en el que se emplean rectángulos dentro de unas coordenadas.
Conspicuo:Que goza de gran prestigio 
Coeficiente de correlación de pearson :

El coeficiente de correlación de Pearson, pensado para variables cuantitativas (escala mínima de intervalo), es un índice que mide el grado de covariación entre distintas variables relacionadas linealmente. Adviértase que decimos "variables relacionadas linealmente". Esto significa que puede haber variables fuertemente relacionadas, pero no de forma lineal, en cuyo caso no proceder a aplicarse la correlación de Pearson. Por
ejemplo, la relación entre la ansiedad y el rendimiento tiene forma de U invertida; igualmente, si relacionamos población y tiempo la relación será de forma exponencial.
En estos casos (y en otros muchos) no es conveniente utilizar la correlación de Pearson.Insistimos en este punto, que parece olvidarse con cierta frecuenciae goza de gran prestigio 
Varianza:

Esta medida nos permite identificar la diferencia promedio que hay entre cada uno de los valores respecto a su punto central (Media ). Este promedio es calculado, elevando cada una de las diferencias al cuadrado (Con el fin de eliminar los signos negativos), y calculando su promedio o media; es decir, sumado todos los cuadrados de las diferencias de cada valor respecto a la media y dividiendo este resultado por el número de observaciones que se tengan

 

https://es.oxforddictionaries.com

http://personal.us.es/vararey/adatos2/correlacion.pdf