Analisis Estadisticos

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA
FACULTAD DE RECUROS NATURALES RENOVABLES

ESCUELA PROFESIONAL DE INENIERÍA FORESTAL

TRABAJO FINAL

ANÁLISIS ESTADISTICOS DE UNA TESIS: “EVALUACIÓN DE CUATRO
SUSTRATOS CON BIOFORTIFICADOR PARA SEMILLEROS DE ARROZ (Oryza
sativa L.)

CURSO: MÉTODOS ESTADÍSTICOS

DOCENTE: BERMÚDEZ P., Wilmer

INTEGRANTES: -GUERRERO CIEZA, Artidoro
- MEZA CUBILLAS, Salmha
-GOMEZ MENDIETA, Ruth
- ECHEVARRIA BARRETO, Demetria
- HUAYNATE CLAUDIO, Rosa

CICLO: 2021-II

TINGO MARIA – PERU
2022
I. TRODUCCION
La estadística puede definirse como un método de razonamiento que permite

interpretar datos cuyo carácter esencial es la variabilidad. Está presente en la
práctica médica cada vez con más frecuencia y en muy diversas formas, desde las
estadísticas de actividad de un hospital o los resultados de auditorías, por ejemplo,
hasta los hallazgos de estudios de investigación que aparecen en la literatura
médica.
En investigación, la finalidad de la estadística es utilizar datos obtenidos en

una muestra de sujetos para realizar inferencias válidas para una población más
amplia de individuos de características similares. La validez y utilidad de estas
inferencias dependen de cómo el estudio ha sido diseñado y ejecutado, por lo que la
estadística debe considerarse como una parte integrante del método científico.
Muchos profesionales creen que se trata simplemente de un conjunto de fórmulas y
cálculos matemáticos que se aplican a un conjunto de datos. Si bien el análisis de
datos es la parte más visible de la estadística, deben tenerse en cuenta los aspectos
metodológicos relacionados con el estudio. La justificación del análisis no radica en
los datos, sino en la forma en que han sido recogidos.
La presente tesis de grado tuvo como objetivo evaluar el efecto de 4 sustratos

que sean factibles de encontrar en el mercado y también con biofortificador Nordlys
en la elaboración de semilleros de arroz, usando el Diseño completamente al azar
(DCA) evaluando el Análisis de Varianza y la comparación de medias, mediante la
prueba de Tukey con un nivel de significancia del 5%, se planteó evaluar diferentes
parámetros, en diferentes etapas para determinar cual es la mejor alternativa
(incluyendo el método convencional “Testigo”), desde la germinación y el desarrollo
inicial de las plántulas de arroz:
Objetivo:
Comparar los resultados de los análisis estadísticos evaluados en el

programa SAS, con el software Rstudio de la tesis “EVALUACIÓN DE CUATRO
SUSTRATOS CON BIOFORTIFICADOR PARA SEMILLEROS DE ARROZ (Orya sativa L.).
II. REVISION LITERARIA
II.1. R
R es un conjunto integrado de programas para manipulación de datos, cálculo

y gráficos. Entre otras características dispone de:
- almacenamiento y manipulación efectiva de datos,

- operadores para cálculo sobre variables indexadas (Arrays), en particular
matrices,
- una amplia, coherente e integrada colección de herramientas para análisis
de datos,
- posibilidades gráficas para análisis de datos, que funcionan directamente
sobre pantalla o impresora, y
- un lenguaje de programación bien desarrollado, simple y efectivo, que
incluye condicionales, ciclos, funciones recursivas y posibilidad de
entradas y salidas.
El lenguaje R permite al usuario, por ejemplo, programar bucles (loops en

inglés) para analizar conjuntos sucesivos de datos (Crawley 2007; Loo and Jonge
2012). También es posible combinar en un solo programa diferentes funciones
estadísticas para realizar análisis más complejos. Usuarios de R tienen a su
disponibilidad un gran número de programas escritos para R y disponibles en la red.
Al principio, R puede parecer demasiado complejo para el no-especialista.

Esto no es cierto necesariamente. De hecho, una de las características más
sobresalientes de R es su enorme flexibilidad. Mientras que programas más clásicos
muestran directamente los resultados de un análisis, R guarda estos resultados
como un objeto, de tal manera que se puede hacer un análisis sin necesidad de
mostrar su resultado inmediatamente.
R es un lenguaje Orientado a Objetos: bajo este complejo término se esconde
la simplicidad y flexibilidad de R. Orientado a Objetos significa que las variables,
datos, funciones, resultados, etc., se guardan en la memoria activa del computador
en forma de objetos con un nombre específico. El usuario puede modificar o
manipular estos objetos con operadores (aritméticos, lógicos, y comparativos) y
funciones (que a su vez son objetos).
Todas las acciones en R se realizan con objetos que son guardados en la

memoria activa del ordenador, sin usar archivos temporales (R Core Team 2000). La
lectura y escritura de archivos solo se realiza para la entrada y salida de datos y
resultados (gráficas). El usuario ejecuta las funciones con la ayuda de comandos
definidos. Los resultados se pueden visualizar directamente en la pantalla, guardar
en un objeto o escribir directamente en el disco (particularmente para gráficos).
Debido a que los resultados mismos son objetos, pueden ser considerados como
datos y analizados como tal. Archivos que contengan datos pueden ser leídos
directamente desde el disco local o en un servidor remoto a través de la red.
II.2. RStudio
RStudio es uno de los entornos más populares para crear aplicaciones en el

lenguaje de programación R. Este entorno de desarrollo tiene una versión versión
gratuita, open source y multiplataforma de escritorio para disponer de un entorno
integrado de desarrollo, y que facilita tanto la tarea de uso interactivo de R como la
programación de scripts en R.
RStudio dispone de una gran comunidad de desarrolladores de R que

proporcionan multitud de librerías que añaden multitud de funcionalidades útiles a la
versión de base de R.
Entre otras cosas encontramos que RStudio :
- Nos permite abrir varios scripts a la vez

- Nos permite ejecutar partes de código con sólo marcarlo en los scripts
- Nos muestra el workspace
- Nos muestra el historial
- Nos muestra los objetos del workspace
- Integra la ayuda
- Integra la gestión de librerías.
II.3. ANOVA
La técnica de análisis de varianza (ANOVA) también conocida como análisis

factorial y desarrollada por Fisher en 1930, constituye la herramienta básica para el
estudio del efecto de uno o más factores (cada uno con dos o más niveles) sobre la
media de una variable continua. Es por lo tanto el test estadístico a emplear cuando
se desea comparar las medias de dos o más grupos. Esta técnica puede
generalizarse también para estudiar los posibles efectos de los factores sobre la
varianza de una variable.
La hipótesis nula de la que parten los diferentes tipos de ANOVA es que la

media de la variable estudiada es la misma en los diferentes grupos, en
contraposición a la hipótesis alternativa de que al menos dos medias difieren de
forma significativa. ANOVA permite comparar múltiples medias, pero lo hace
mediante el estudio de las varianzas.
El funcionamiento básico de un ANOVA consiste en calcular la media de cada

uno de los grupos para a continuación comparar la varianza de estas medias
(varianza explicada por la variable grupo, intervarianza) frente a la varianza
promedio dentro de los grupos (la no explicada por la variable grupo, intravarianza).
Bajo la hipótesis nula de que las observaciones de los distintos grupos proceden
toda la misma población (tienen la misma media y varianza), la varianza ponderada
entre grupos será la misma que la varianza promedio dentro de los grupos.
Conforme las medias de los grupos estén más alejadas las unas de las otras, la
varianza entre medias se incrementará y dejará de ser igual a la varianza promedio
dentro de los grupos.
II.4. Método de TUKEY
El método de Tukey se utiliza en ANOVA para crear intervalos de confianza

para todas las diferencias en parejas entre las medias de los niveles de los factores
mientras controla la tasa de error por familia en un nivel especificado. Es importante
considerar la tasa de error por familia cuando se hacen comparaciones múltiples,
porque la probabilidad de cometer un error de tipo I para una serie de
comparaciones es mayor que la tasa de error para cualquier comparación individual.
Para contrarrestar esta tasa de error más elevada, el método de Tukey ajusta el
nivel de confianza de cada intervalo individual para que el nivel de confianza
simultáneo resultante sea igual al valor que usted especifique.
III. METODOLOGÍA
IV.
- Para el estudio el diseño es completamente al azar (DCA), realizándose
análisis de varianza y prueba de resultados de Tukey para evaluar las
diferencias entre tratamientos utilizando el sistema paquete estadístico SAS.
- Las comparaciones de las medias de los tratamientos se realizaron
mediante la prueba de Tukey al 5 % de probabilidad.
V. RESULTADOS
V.1. Comparación de resultados

Los resultados de la tesis fueron comparados con los resultados del software
RStudio. A continuación, se presenta los análisis de comparación:
a. Germinación (%)
> DCA<-read.table(file ="E:/ANEXO1.txt", header=T)
> DCA
tratamiento germinacion
1 1 90
2 1 90
3 1 90
4 1 90
5 1 89
6 1 90
7 1 90
8 1 91
9 1 90
10 1 90
11 2 95
12 2 95
13 2 96
14 2 96
15 2 94
16 2 95
17 2 95
18 2 96
19 2 96
20 2 96
21 3 88
22 3 86
23 3 86
24 3 85
25 3 86
26 3 85
27 3 86
28 3 86
29 3 86
30 3 87
31 4 91
32 4 91
33 4 92
34 4 91
35 4 90
36 4 93
37 4 92
38 4 90
39 4 91
40 4 90
41 5 91
42 5 90
43 5 93
44 5 91
45 5 92
46 5 92
47 5 93
48 5 95
49 5 92
50 5 90
> attach(DCA)
> TRAT<-factor(tratamiento)
> Y<-as.numeric(as.vector(germinacion))
> model<-lm(Y~TRAT)
> #VERIFICACION DE SUPUESTOS
> ##NORMALIDAD
> library(nortest)
> lillie.test(residuals(model))
Lilliefors (Kolmogorov-Smirnov) normality test
data: residuals(model)
D = 0.17754, p-value = 0.0004293
> shapiro.test(residuals(model))
Shapiro-Wilk normality test
W = 0.93825, p-value = 0.0115
> ad.test(residuals(model))
Anderson-Darling normality test
A = 1.2259, p-value = 0.003066
> ##ANALISIS DE VARIANZA
> anova(model)
Analysis of Variance Table
Response: Y
Df Sum Sq Mean Sq F value Pr(>F)
TRAT 4 451.4 112.850 117.82 < 2.2e-16 ***
Residuals 45 43.1 0.958
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> #COMPARACION DE MEDIAS
> #TUKEY
> tukey <- HSD.test(model,"TRAT", console = TRUE)
Study: model ~ "TRAT"
HSD Test for Y
Mean Square Error: 0.9577778
TRAT, means
Y std r Min Max
1 90.0 0.4714045 10 89 91
2 95.4 0.6992059 10 94 96
3 86.1 0.8755950 10 85 88
4 91.1 0.9944289 10 90 93
5 91.9 1.5238839 10 90 95
Alpha: 0.05 ; DF Error: 45
Critical Value of Studentized Range: 4.018417
Minimun Significant Difference: 1.243619
Treatments with the same letter are not significantly different.
Y groups
2. 95.4 a
5. 91.9 b
4. 91.1 bc
1. 90.0 c
3. 86.1 d
> #DUNCAN
> duncan.test(model,"TRAT", console = TRUE)
Duncan's new multiple range test
for Y
TRAT, means
Y std r Min Max
1 90.0 0.4714045 10 89 91
2 95.4 0.6992059 10 94 96
3 86.1 0.8755950 10 85 88
4 91.1 0.9944289 10 90 93
5 91.9 1.5238839 10 90 95
Critical Range
2 3 4 5
0.8815138 0.9270283 0.9568869 0.9784775

Means with the same letter are not significantly different.
Y groups
2 95.4 a
5 91.9 b
4 91.1 b
1 90.0 c
3 86.1 d
> #LSD
> library(agricolae)
> grupos <- LSD.test(y=model, trt = "TRAT", group = T, console = T)
LSD t Test for Y
TRAT, means and individual ( 95 %) CI
Y std r LCL UCL Min Max
1 90.0 0.4714045 10 89.37668 90.62332 89 91
2 95.4 0.6992059 10 94.77668 96.02332 94 96
3 86.1 0.8755950 10 85.47668 86.72332 85 88
4 91.1 0.9944289 10 90.47668 91.72332 90 93
5 91.9 1.5238839 10 91.27668 92.52332 90 95
Critical Value of t: 2.014103
least Significant Difference: 0.8815138
Y groups
2 95.4 a
5 91.9 b
4 91.1 b
1 90.0 c
3 86.1 d
> grupos <- LSD.test(y=model, trt = "TRAT", group = F, console = T)
LSD t Test for Y
1 90.0 0.4714045 10 89.37668 90.62332 89 91
2 95.4 0.6992059 10 94.77668 96.02332 94 96
3 86.1 0.8755950 10 85.47668 86.72332 85 88
4 91.1 0.9944289 10 90.47668 91.72332 90 93
5 91.9 1.5238839 10 91.27668 92.52332 90 95
Comparison between treatments means
difference pvalue signif. LCL UCL
1-2 -5.4 0.0000 *** -6.281514 -4.51848616
1-3 3.9 0.0000 *** 3.018486 4.78151384
1-4 -1.1 0.0156 * -1.981514 -0.21848616
1-5 -1.9 0.0001 *** -2.781514 -1.01848616
2-3 9.3 0.0000 *** 8.418486 10.18151384
2-4 4.3 0.0000 *** 3.418486 5.18151384
2-5 3.5 0.0000 *** 2.618486 4.38151384

3-4 -5.0 0.0000 *** -5.881514 -4.11848616
3-5 -5.8 0.0000 *** -6.681514 -4.91848616
4-5 -0.8 0.0742 . -1.681514 0.08151384
b. Vigor de plantas
> DCA
tratamiento vigor
1 1 86
2 1 86
3 1 86
4 1 85
5 1 85
6 1 85
7 1 86
8 1 86
9 1 87
10 1 84
11 2 90
12 2 90
13 2 91
14 2 91
15 2 89
16 2 90
17 2 90
18 2 91
19 2 91
20 2 91
21 3 85
22 3 81
23 3 81
24 3 80
25 3 81
26 3 80
27 3 81
28 3 81
29 3 81
30 3 82
31 4 85
32 4 83
33 4 84
34 4 82
35 4 83
36 4 82
37 4 85
38 4 85
39 4 85
40 4 79
41 5 89
42 5 88
43 5 92
44 5 90
45 5 91
46 5 91
47 5 95
48 5 95
49 5 92
50 5 85
> attach(DCA)
> Y<-as.numeric(as.vector(vigor))
> model<-lm(Y~TRAT)
> ##NORMALIDAD
> library(nortest)
D = 0.14434, p-value = 0.01089
W = 0.91253, p-value = 0.00128

> anova(model)
Response: Y
TRAT 4 715.48 178.870 54.906 < 2.2e-16 ***
Residuals 45 146.60 3.258
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 85.6 0.8432740 10 84 87
2 90.4 0.6992059 10 89 91
3 81.3 1.4181365 10 80 85
4 83.3 1.9465068 10 79 85
5 90.8 3.0477679 10 85 95
Y groups
5 90.8 a
2 90.4 a
1 85.6 b
4 83.3 c
3 81.3 c
> #DUNCAN
> duncan.test(model,"TRAT", console = TRUE

for Y
TRAT, means
Y std r Min Max
1 85.6 0.8432740 10 84 87
2 90.4 0.6992059 10 89 91
3 81.3 1.4181365 10 80 85
4 83.3 1.9465068 10 79 85
5 90.8 3.0477679 10 85 95
Critical Range
2 3 4 5
1.625764 1.709706 1.764774 1.804593
Y groups
5 90.8 a
2 90.4 a
1 85.6 b
4 83.3 c
3 81.3 d
> #LSD
> ibrary(agricolae)
Error in ibrary(agricolae) : no se pudo encontrar la función "ibrary"
LSD t Test for Y
1 85.6 0.8432740 10 84.45041 86.74959 84 87
2 90.4 0.6992059 10 89.25041 91.54959 89 91
3 81.3 1.4181365 10 80.15041 82.44959 80 85
4 83.3 1.9465068 10 82.15041 84.44959 79 85
5 90.8 3.0477679 10 89.65041 91.94959 85 95
Y groups
5 90.8 a
2 90.4 a
1 85.6 b
4 83.3 c
3 81.3 d
LSD t Test for Y

1 85.6 0.8432740 10 84.45041 86.74959 84 87
2 90.4 0.6992059 10 89.25041 91.54959 89 91
3 81.3 1.4181365 10 80.15041 82.44959 80 85
4 83.3 1.9465068 10 82.15041 84.44959 79 85
5 90.8 3.0477679 10 89.65041 91.94959 85 95
1-2 -4.8 0.0000 *** -6.4257639 -3.1742361
1-3 4.3 0.0000 *** 2.6742361 5.9257639
1-4 2.3 0.0066 ** 0.6742361 3.9257639
1-5 -5.2 0.0000 *** -6.8257639 -3.5742361
2-3 9.1 0.0000 *** 7.4742361 10.7257639
2-4 7.1 0.0000 *** 5.4742361 8.7257639
2-5 -0.4 0.6226 -2.0257639 1.2257639
3-4 -2.0 0.0170 * -3.6257639 -0.3742361
3-5 -9.5 0.0000 *** -11.1257639 -7.8742361
4-5 -7.5 0.0000 *** -9.1257639 -5.8742361
c. Altura de planta (cm) a los cinco días

> DCA
tratamiento altura5dias
1 1 12.76
2 1 12.72
3 1 13.02
4 1 12.74
5 1 12.82
6 1 12.96
7 1 12.82
8 1 12.82
9 1 12.82
10 1 12.78
11 2 12.88
12 2 12.84
13 2 12.92
14 2 12.84
15 2 12.82
16 2 12.98
17 2 13.02
18 2 12.84
19 2 13.02
20 2 12.96
21 3 10.54
22 3 10.30
23 3 10.64
24 3 10.34
25 3 10.52
26 3 10.34
27 3 10.42
28 3 10.34
29 3 10.54
30 3 13.95
31 4 12.59
32 4 12.62
33 4 12.61
34 4 12.69
35 4 12.66
36 4 12.79
37 4 12.61
38 4 12.53
39 4 12.87
40 4 12.66
41 5 12.12
42 5 12.20
43 5 12.28
44 5 12.48
45 5 12.24
46 5 12.40
47 5 12.52
48 5 12.28
49 5 12.48
50 5 12.52
> attach(DCA)
> Y<-as.numeric(as.vector(altura5dias))
> model<-lm(Y~TRAT)
> ##NORMALIDAD
> library(nortest)

D = 0.31531, p-value = 1.048e-13
W = 0.42322, p-value = 9.701e-13
> anova(model)
Response: Y
TRAT 4 30.563 7.6408 29.62 4.29e-12 ***
Residuals 45 11.608 0.2580
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> > #COMPARACION DE MEDIAS
> #TUKEY
> tukey <- HSD.test(model,"TRAT", console = F)

HSD Test for Y
TRAT, means
Y std r Min Max
1 12.826 0.09477459 10 12.72 13.02
2 12.912 0.07842902 10 12.82 13.02
3 10.793 1.11506901 10 10.30 13.95
4 12.663 0.10011660 10 12.53 12.87
5 12.352 0.14581571 10 12.12 12.52
Y groups
2 12.912 a
1 12.826 a
4 12.663 a
5 12.352 a
3 10.793 b
> #DUNCAN
for Y
TRAT, means
Y std r Min Max
1 12.826 0.09477459 10 12.72 13.02
2 12.912 0.07842902 10 12.82 13.02
3 10.793 1.11506901 10 10.30 13.95
4 12.663 0.10011660 10 12.53 12.87
5 12.352 0.14581571 10 12.12 12.52
Critical Range
2 3 4 5
0.4574805 0.4811012 0.4965970 0.5078018

Y groups
2 12.912 a
1 12.826 ab
4 12.663 ab
5 12.352 b
3 10.793 c
> #LSD
LSD t Test for Y
1 12.826 0.09477459 10 12.50251 13.14949 12.72 13.02
2 12.912 0.07842902 10 12.58851 13.23549 12.82 13.02
3 10.793 1.11506901 10 10.46951 11.11649 10.30 13.95
4 12.663 0.10011660 10 12.33951 12.98649 12.53 12.87
5 12.352 0.14581571 10 12.02851 12.67549 12.12 12.52
Y groups
2 12.912 a
1 12.826 a
4 12.663 ab
5 12.352 b
3 10.793 c
LSD t Test for Y
1 12.826 0.09477459 10 12.50251 13.14949 12.72 13.02
2 12.912 0.07842902 10 12.58851 13.23549 12.82 13.02
3 10.793 1.11506901 10 10.46951 11.11649 10.30 13.95
4 12.663 0.10011660 10 12.33951 12.98649 12.53 12.87
5 12.352 0.14581571 10 12.02851 12.67549 12.12 12.52
1-2 -0.086 0.7067 -0.54348048 0.3714805
1-3 2.033 0.0000 *** 1.57551952 2.4904805
1-4 0.163 0.4767 -0.29448048 0.6204805
1-5 0.474 0.0426 * 0.01651952 0.9314805
2-3 2.119 0.0000 *** 1.66151952 2.5764805
2-4 0.249 0.2788 -0.20848048 0.7064805
2-5 0.560 0.0176 * 0.10251952 1.0174805
3-4 -1.870 0.0000 *** -2.32748048 -1.4125195
3-5 -1.559 0.0000 *** -2.01648048 -1.1015195
4-5 0.311 0.1777 -0.14648048 0.7684805
d. Altura de planta (cm) a los 10 días

> DCA
1 1 12.20
2 1 12.64
3 1 12.80
4 1 12.64
5 1 13.04
6 1 12.96
7 1 12.96
8 1 12.80
9 1 12.84
10 1 12.72
11 2 15.62
12 2 15.96
13 2 14.64
14 2 15.64
15 2 15.40
16 2 15.00
17 2 14.72
18 2 15.48
19 2 14.20
20 2 15.12
21 3 11.34
22 3 11.38
23 3 11.02
24 3 11.42
25 3 11.60
26 3 12.08
27 3 11.16
28 3 11.62
29 3 11.98
30 3 12.78
31 4 14.71
32 4 14.35
33 4 14.39
34 4 14.96
35 4 14.14
36 4 14.46
37 4 14.37
38 4 14.69
39 4 14.51
40 4 14.55
41 5 16.30
42 5 16.18
43 5 16.50
44 5 15.44
45 5 16.94
46 5 16.88
47 5 17.46
48 5 16.28
49 5 17.66
50 5 16.63
> attach(DCA)
The following object is masked from DCA (pos = 4):

tratamiento
tratamiento
> model<-lm(Y~TRAT)
>
> ##NORMALIDAD
> library(nortest)
D = 0.084448, p-value = 0.4996
W = 0.97701, p-value = 0.4339
> anova(model)
Response: Y
TRAT 4 155.661 38.915 177.86 < 2.2e-16 ***
Residuals 45 9.846 0.219
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> #Prueba de tukey
> outHSD<-HSD.test(modelo2, "TRAT",console=TRUE)
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 12.760 0.2385139 10 12.20 13.04
2 15.178 0.5427870 10 14.20 15.96
3 11.638 0.5197820 10 11.02 12.78
4 14.513 0.2298333 10 14.14 14.96
5 16.627 0.6476633 10 15.44 17.66

Y groups
5 16.627 a
2 15.178 b
4 14.513 c
1 12.760 d
3 11.638 e
> #DUNCAN

for Y
TRAT, means
Y std r Min Max
1 12.760 0.2385139 10 12.20 13.04
2 15.178 0.5427870 10 14.20 15.96
3 11.638 0.5197820 10 11.02 12.78
4 14.513 0.2298333 10 14.14 14.96
5 16.627 0.6476633 10 15.44 17.66
Critical Range
2 3 4 5
0.4213225 0.4430763 0.4573474 0.4676666
Y groups
5 16.627 a
2 15.178 b
4 14.513 c
1 12.760 d
3 11.638 e
> #LSD
LSD t Test for Y
1 12.760 0.2385139 10 12.46208 13.05792 12.20 13.04
2 15.178 0.5427870 10 14.88008 15.47592 14.20 15.96
3 11.638 0.5197820 10 11.34008 11.93592 11.02 12.78
4 14.513 0.2298333 10 14.21508 14.81092 14.14 14.96
5 16.627 0.6476633 10 16.32908 16.92492 15.44 17.66

Y groups
5 16.627 a
2 15.178 b
4 14.513 c
1 12.760 d
3 11.638 e
LSD t Test for Y
1 12.760 0.2385139 10 12.46208 13.05792 12.20 13.04
2 15.178 0.5427870 10 14.88008 15.47592 14.20 15.96
3 11.638 0.5197820 10 11.34008 11.93592 11.02 12.78
4 14.513 0.2298333 10 14.21508 14.81092 14.14 14.96
5 16.627 0.6476633 10 16.32908 16.92492 15.44 17.66

1-2 -2.418 0.0000 *** -2.8393225 -1.996677
1-3 1.122 0.0000 *** 0.7006775 1.543323
1-4 -1.753 0.0000 *** -2.1743225 -1.331677
1-5 -3.867 0.0000 *** -4.2883225 -3.445677
2-3 3.540 0.0000 *** 3.1186775 3.961323
2-4 0.665 0.0027 ** 0.2436775 1.086323
2-5 -1.449 0.0000 *** -1.8703225 -1.027677
3-4 -2.875 0.0000 *** -3.2963225 -2.453677
3-5 -4.989 0.0000 *** -5.4103225 -4.567677
4-5 -2.114 0.0000 *** -2.5353225 -1.692677
e. Altura de planta (cm) a los 15 días
> > DCA<-read.table(file ="E:/ANEXO5.txt", header=T)
> DCA
1 1 16.28
2 1 16.68
3 1 16.24
4 1 17.12
5 1 16.88
6 1 17.00
7 1 16.84
8 1 16.80
9 1 16.68
10 1 16.56
11 2 23.60
12 2 24.92
13 2 25.44
14 2 23.84
15 2 24.96
16 2 25.44
17 2 24.00
18 2 24.04
19 2 24.80
20 2 24.12
21 3 13.96
22 3 13.88
23 3 14.20
24 3 14.12
25 3 14.52
26 3 14.48
27 3 14.16
28 3 13.84
29 3 13.76
30 3 13.96
31 4 19.75
32 4 19.92
33 4 20.08
34 4 20.23
35 4 20.29
36 4 19.92
37 4 20.32
38 4 20.03
39 4 20.11
40 4 19.80
41 5 19.36
42 5 19.36
43 5 19.00
44 5 18.56
45 5 18.96
46 5 18.48
47 5 18.56
48 5 19.28
49 5 19.40
50 5 19.08
> attach(DCA)
tratamiento
tratamiento
tratamiento
> model<-lm(Y~TRAT)
> ##NORMALIDAD
> library(nortest)
D = 0.079237, p-value = 0.6029
W = 0.9801, p-value = 0.5562
> anova(model)
Response: Y
TRAT 4 608.18 152.044 984.25 < 2.2e-16 ***
Residuals 45 6.95 0.154
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 16.708 0.2859992 10 16.24 17.12
2 24.516 0.6744743 10 23.60 25.44
3 14.088 0.2590924 10 13.76 14.52
4 20.045 0.1982843 10 19.75 20.32
5 19.004 0.3594811 10 18.48 19.40
Y groups
2 24.516 a
4 20.045 b
5 19.004 c
1 16.708 d
3 14.088 e
> #DUNCAN
for Y
TRAT, means
Y std r Min Max
1 16.708 0.2859992 10 16.24 17.12
2 24.516 0.6744743 10 23.60 25.44

3 14.088 0.2590924 10 13.76 14.52
4 20.045 0.1982843 10 19.75 20.32
5 19.004 0.3594811 10 18.48 19.40
Critical Range
2 3 4 5
0.3540203 0.3722991 0.3842905 0.3929614
Y groups
2 24.516 a
4 20.045 b
5 19.004 c
1 16.708 d
3 14.088 e
f. Diámetro de la planta (cm)a los cinco días
> datos > DCA<-read.table(file ="E:/ANEXO6.txt", header=T)
> DCA
tratamiento diam5dias
1 1 0.14
2 1 0.12
3 1 0.14
4 1 0.11
5 1 0.14
6 1 0.13
7 1 0.14
8 1 0.14
9 1 0.14
10 1 0.15
11 2 0.16
12 2 0.16
13 2 0.16
14 2 0.15
15 2 0.16
16 2 0.17
17 2 0.15
18 2 0.16
19 2 0.17
20 2 0.16
21 3 0.13
22 3 0.13
23 3 0.11
24 3 0.12
25 3 0.12
26 3 0.12
27 3 0.12
28 3 0.14
29 3 0.12
30 3 0.12
31 4 0.15
32 4 0.16
33 4 0.16
34 4 0.16
35 4 0.16
36 4 0.16
37 4 0.16
38 4 0.16
39 4 0.16
40 4 0.16
41 5 0.15
42 5 0.16
43 5 0.15
44 5 0.16
45 5 0.17
46 5 0.16
47 5 0.15
48 5 0.16
49 5 0.18
50 5 0.18
> attach(DCA)
tratamiento
tratamiento
tratamiento

tratamiento
> Y<-as.numeric(as.vector(diam5dias))
> model<-lm(Y~TRAT)
>
> ##NORMALIDAD
> library(nortest)
D = 0.1615, p-value = 0.002267
W = 0.95474, p-value = 0.05359
> anova(model)
Response: Y
TRAT 4 0.012548 0.003137 40.218 2.573e-14 ***
Residuals 45 0.003510 0.000078

---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>
> #TUKEY
HSD Test for Y
Mean Square Error: 7.8e-05
TRAT, means
Y std r Min Max
1 0.135 0.011785113 10 0.11 0.15
2 0.160 0.006666667 10 0.15 0.17
3 0.123 0.008232726 10 0.11 0.14

4 0.159 0.003162278 10 0.15 0.16
5 0.162 0.011352924 10 0.15 0.18
Y groups
5 0.162 a
2 0.160 a
4 0.159 a
1 0.135 b
3 0.123 c
> #DUNCAN
for Y
TRAT, means
Y std r Min Max
1 0.135 0.011785113 10 0.11 0.15
2 0.160 0.006666667 10 0.15 0.17

3 0.123 0.008232726 10 0.11 0.14
4 0.159 0.003162278 10 0.15 0.16
5 0.162 0.011352924 10 0.15 0.18
Critical Range
2 3 4 5
0.007955071 0.008365808 0.008635263 0.008830103
Y groups
5 0.162 a
2 0.160 a
4 0.159 a
1 0.135 b
3 0.123 c
g. Diámetro de la planta (cm)a los 10 días
> DCA
1 1 0.16
2 1 0.16
3 1 0.16
4 1 0.17
5 1 0.16
6 1 0.16
7 1 0.15
8 1 0.14
9 1 0.17
10 1 0.16
11 2 0.17
12 2 0.16
13 2 0.16
14 2 0.17
15 2 0.18
16 2 0.18
17 2 0.17
18 2 0.17
19 2 0.17
20 2 0.18
21 3 0.14
22 3 0.14
23 3 0.13
24 3 0.14
25 3 0.12
26 3 0.13
27 3 0.14
28 3 0.14
29 3 0.13
30 3 0.13
31 4 0.17
32 4 0.15
33 4 0.16
34 4 0.17
35 4 0.14
36 4 0.16
37 4 0.16
38 4 0.16
39 4 0.16
40 4 0.16
41 5 0.17
42 5 0.16
43 5 0.17
44 5 0.18
45 5 0.17
46 5 0.18
47 5 0.16
48 5 0.14
49 5 0.17
50 5 0.16
> attach(DCA)
tratamiento

tratamiento
tratamiento
tratamiento
tratamiento
> model<-lm(Y~TRAT)
> ##NORMALIDAD
> library(nortest)
D = 0.15324, p-value = 0.004958
W = 0.94243, p-value = 0.01683

> anova(model)
Response: Y
TRAT 4 0.008108 2.027e-03 25.694 4.004e-11 ***
Residuals 45 0.003550 7.889e-05
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 0.159 0.008755950 10 0.14 0.17
2 0.171 0.007378648 10 0.16 0.18
3 0.134 0.006992059 10 0.12 0.14
4 0.159 0.008755950 10 0.14 0.17

5 0.166 0.011737878 10 0.14 0.18
Y groups
2 0.171 a
5 0.166 ab
1 0.159 b
4 0.159 b
3 0.134 c
> #DUNCAN

for Y
TRAT, means
Y std r Min Max
1 0.159 0.008755950 10 0.14 0.17
2 0.171 0.007378648 10 0.16 0.18
3 0.134 0.006992059 10 0.12 0.14
4 0.159 0.008755950 10 0.14 0.17
5 0.166 0.011737878 10 0.14 0.18
Critical Range
2 3 4 5
0.008000271 0.008413341 0.008684327 0.008880274
Y groups
2 0.171 a
5 0.166 ab
1 0.159 b
4 0.159 b
3 0.134 c
h. Diámetro de la planta (cm) a los 15 días
> DCA > DCA<-read.table(file ="E:/ANEXO8.txt", header=T)
> DCA
1 1 0.20
2 1 0.20
3 1 0.19
4 1 0.19
5 1 0.18
6 1 0.19
7 1 0.19
8 1 0.19
9 1 0.19
10 1 0.18
11 2 0.21
12 2 0.21
13 2 0.22
14 2 0.21
15 2 0.22
16 2 0.24
17 2 0.24
18 2 0.22
19 2 0.21
20 2 0.21
21 3 0.18
22 3 0.18
23 3 0.19
24 3 0.13
25 3 0.17
26 3 0.20
27 3 0.16
28 3 0.16
29 3 0.19
30 3 0.17
31 4 0.19
32 4 0.19
33 4 0.19
34 4 0.18
35 4 0.19
36 4 0.19
37 4 0.19
38 4 0.19
39 4 0.18
40 4 0.18
41 5 0.22
42 5 0.22
43 5 0.20
44 5 0.30
45 5 0.24
46 5 0.20
47 5 0.24
48 5 0.27
49 5 0.18
50 5 0.21
> attach(DCA)
> model<-lm(Y~TRAT)
>
> ##NORMALIDAD
> library(nortest)
D = 0.17615, p-value = 0.0004997
W = 0.89338, p-value = 0.0002925
> anova(model)
Response: Y
TRAT 4 0.021412 0.0053530 14.112 1.541e-07 ***
Residuals 45 0.017070 0.0003793
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 0.190 0.006666667 10 0.18 0.20
2 0.219 0.011972190 10 0.21 0.24
3 0.173 0.020027759 10 0.13 0.20
4 0.187 0.004830459 10 0.18 0.19
5 0.228 0.035839147 10 0.18 0.30

Y groups
5 0.228 a
2 0.219 a
1 0.190 b
4 0.187 b
3 0.173 b
> #DUNCAN
for Y
TRAT, means
Y std r Min Max
1 0.190 0.006666667 10 0.18 0.20
2 0.219 0.011972190 10 0.21 0.24
3 0.173 0.020027759 10 0.13 0.20
4 0.187 0.004830459 10 0.18 0.19
5 0.228 0.035839147 10 0.18 0.30
Critical Range
2 3 4 5
0.01754314 0.01844893 0.01904315 0.01947282
Y groups
5 0.228 a
2 0.219 a
1 0.190 b
4 0.187 b
3 0.173 b
i. Número de hojas por planta a los cinco días
> DCA
tratamiento Hoj5dias
1 1 2
2 1 2
3 1 2
4 1 1
5 1 2
6 1 2
7 1 2
8 1 2
9 1 2
10 1 2
11 2 2
12 2 2
13 2 2
14 2 2
15 2 2
16 2 2
17 2 2
18 2 2
19 2 2
20 2 2
21 3 2
22 3 2
23 3 1
24 3 1
25 3 2
26 3 1
27 3 2
28 3 1
29 3 2
30 3 2
31 4 2
32 4 2
33 4 2
34 4 2
35 4 2
36 4 2
37 4 2
38 4 2
39 4 2
40 4 2
41 5 2
42 5 2
43 5 2
44 5 2
45 5 1
46 5 1
47 5 1
48 5 2
49 5 1
50 5 1
> attach(DCA)
> Y<-as.numeric(as.vector(Hoj5dias))
> model<-lm(Y~TRAT)
>
> ##NORMALIDAD
> library(nortest)
D = 0.3, p-value = 2.456e-12
W = 0.86965, p-value = 5.511e-05
> anova(model)
Response: Y
TRAT 4 2.2 0.55000 4.2672 0.005178 **
Residuals 45 5.8 0.12889
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
FDF > #COMPARACION DE MEDIAS
>
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 1.9 0.3162278 10 1 2
2 2.0 0.0000000 10 2 2
3 1.6 0.5163978 10 1 2
4 2.0 0.0000000 10 2 2
5 1.5 0.5270463 10 1 2
Y groups
2 2.0 a
4 2.0 a
1 1.9 ab
3 1.6 ab
5 1.5 b
> #DUNCAN

for Y
TRAT, means
Y std r Min Max
1 1.9 0.3162278 10 1 2
2 2.0 0.0000000 10 2 2
3 1.6 0.5163978 10 1 2
4 2.0 0.0000000 10 2 2
5 1.5 0.5270463 10 1 2
Critical Range
2 3 4 5
0.3233736 0.3400700 0.3510233 0.3589436
Y groups
2 2.0 a
4 2.0 a
1 1.9 ab
3 1.6 bc
5 1.5 c
> #LSD

LSD t Test for Y
1 1.9 0.3162278 10 1.67134 2.12866 1 2
2 2.0 0.0000000 10 1.77134 2.22866 2 2
3 1.6 0.5163978 10 1.37134 1.82866 1 2
4 2.0 0.0000000 10 1.77134 2.22866 2 2
5 1.5 0.5270463 10 1.27134 1.72866 1 2
Y groups
2 2.0 a
4 2.0 a
1 1.9 ab
3 1.6 bc
5 1.5 c
j. Número de hojas por planta a los 10 días
> DCA
1 1 3
2 1 2
3 1 2
4 1 2
5 1 3
6 1 3
7 1 2
8 1 2
9 1 2
10 1 2
11 2 3
12 2 2
13 2 2
14 2 2
15 2 2
16 2 2
17 2 2
18 2 2
19 2 2
20 2 2
21 3 2
22 3 2
23 3 2
24 3 2
25 3 2
26 3 2
27 3 2
28 3 2
29 3 2
30 3 2
31 4 3
32 4 2
33 4 2
34 4 3
35 4 3
36 4 2
37 4 3
38 4 3
39 4 2
40 4 3
41 5 2
42 5 2
43 5 2
44 5 2
45 5 2
46 5 2
47 5 3
48 5 3
49 5 2
50 5 2
> attach(DCA)
> model<-lm(Y~TRAT)
>
> ##NORMALIDAD
> library(nortest)
D = 0.26, p-value = 4.1e-09
W = 0.8919, p-value = 0.0002623
> anova(model)
Response: Y
TRAT 4 2.12 0.53000 3.4071 0.01619 *
Residuals 45 7.00 0.15556
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

>
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 2.3 0.4830459 10 2 3
2 2.1 0.3162278 10 2 3
3 2.0 0.0000000 10 2 2
4 2.6 0.5163978 10 2 3
5 2.2 0.4216370 10 2 3
Y groups
4 2.6 a
1 2.3 ab
5 2.2 ab
2 2.1 ab
3 2.0 b
> #DUNCAN
for Y
TRAT, means
Y std r Min Max
1 2.3 0.4830459 10 2 3
2 2.1 0.3162278 10 2 3
3 2.0 0.0000000 10 2 2
4 2.6 0.5163978 10 2 3
5 2.2 0.4216370 10 2 3
Critical Range
2 3 4 5
0.3552544 0.3735970 0.3856302 0.3943313
Y groups
4 2.6 a
1 2.3 ab
5 2.2 b
2 2.1 b
3 2.0 b
> #LSD
LSD t Test for Y
1 2.3 0.4830459 10 2.048797 2.551203 2 3
2 2.1 0.3162278 10 1.848797 2.351203 2 3
3 2.0 0.0000000 10 1.748797 2.251203 2 2
4 2.6 0.5163978 10 2.348797 2.851203 2 3
5 2.2 0.4216370 10 1.948797 2.451203 2 3

Y groups
4 2.6 a
1 2.3 ab
5 2.2 b
2 2.1 b
3 2.0 b
LSD t Test for Y
1 2.3 0.4830459 10 2.048797 2.551203 2 3
2 2.1 0.3162278 10 1.848797 2.351203 2 3
3 2.0 0.0000000 10 1.748797 2.251203 2 2
4 2.6 0.5163978 10 2.348797 2.851203 2 3
5 2.2 0.4216370 10 1.948797 2.451203 2 3

1-2 0.2 0.2628 -0.15525445 0.55525445
1-3 0.3 0.0959 . -0.05525445 0.65525445
1-4 -0.3 0.0959 . -0.65525445 0.05525445
1-5 0.1 0.5736 -0.25525445 0.45525445
2-3 0.1 0.5736 -0.25525445 0.45525445
2-4 -0.5 0.0068 ** -0.85525445 -0.14474555
2-5 -0.1 0.5736 -0.45525445 0.25525445
3-4 -0.6 0.0014 ** -0.95525445 -0.24474555
3-5 -0.2 0.2628 -0.55525445 0.15525445
4-5 0.4 0.0282 * 0.04474555 0.75525445
k. Número de hojas por planta a los 15 Días
> DCA
1 1 3
2 1 3
3 1 2
4 1 2
5 1 2
6 1 2
7 1 2
8 1 3
9 1 2
10 1 2
11 2 3
12 2 3
13 2 3
14 2 3
15 2 3
16 2 3
17 2 3
18 2 3
19 2 3
20 2 3
21 3 2
22 3 2
23 3 2
24 3 2
25 3 2
26 3 2
27 3 2
28 3 2
29 3 2
30 3 3
31 4 3
32 4 3
33 4 3
34 4 3
35 4 3
36 4 3
37 4 3
38 4 3
39 4 3
40 4 3
41 5 3
42 5 3
43 5 3
44 5 3
45 5 3
46 5 3
47 5 3
48 5 3
49 5 3
50 5 3
> attach(DCA)
> model<-lm(Y~TRAT)
>
> ##NORMALIDAD
> library(nortest)
D = 0.42, p-value < 2.2e-16
W = 0.63183, p-value = 5.959e-10

> anova(model)
Response: Y
TRAT 4 7.88 1.97000 29.55 4.457e-12 ***
Residuals 45 3.00 0.06667
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>
> #TUKEY
HSD Test for Y
TRAT, means
Y std r Min Max
1 2.3 0.4830459 10 2 3
2 3.0 0.0000000 10 3 3
3 2.1 0.3162278 10 2 3
4 3.0 0.0000000 10 3 3
5 3.0 0.0000000 10 3 3
Y groups
2 3.0 a
4 3.0 a
5 3.0 a
1 2.3 b
3 2.1 b
> #DUNCAN

for Y
TRAT, means
Y std r Min Max
1 2.3 0.4830459 10 2 3
2 3.0 0.0000000 10 3 3
3 2.1 0.3162278 10 2 3
4 3.0 0.0000000 10 3 3
5 3.0 0.0000000 10 3 3
Critical Range
2 3 4 5
0.2325686 0.2445766 0.2524542 0.2581504
Y groups
2 3.0 a
4 3.0 a
5 3.0 a
1 2.3 b
3 2.1 b
> #LSD
LSD t Test for Y

1 2.3 0.4830459 10 2.135549 2.464451 2 3
2 3.0 0.0000000 10 2.835549 3.164451 3 3
3 2.1 0.3162278 10 1.935549 2.264451 2 3
4 3.0 0.0000000 10 2.835549 3.164451 3 3
5 3.0 0.0000000 10 2.835549 3.164451 3 3
Y groups
2 3.0 a
4 3.0 a
5 3.0 a
1 2.3 b
3 2.1 b
VI. CONCLUSIÓN
- Los resultados en el RStudio casi iguales en comparación del sistema estadístico

usado por el autor, el único inconveniente aun sin descifrar es Análisis de la
varianza del diámetro de la planta (cm) a los quince días después de la siembra
en las bandejas que en el cuadro 8 no coincide con el ANOVA realizado con el
RStudio.
- Los resultados ejercidos con el método de Tukey también dan a conocer que el
mejor tratamiento es la 2 (Turba), teniendo mayor potencial para los sembríos de
arroz. Además, se puede afirmar que en todos los casos en las que se expuso el
ANOVA los p-value resultaron menores que el alfa=0.05, lo cual significa que al
menos un tratamiento es diferente a los demás, y con la comparación de medias
se dio a conocer que el tratamiento optimo es la 2 (turba).
VII. BIBLIOGRAFIA
Diego Calvo. 03/2018. Definicion de RStudio. Diegocalvo.

https://www.diegocalvo.es/definicion-de-rstudio/ Joaquín Amat Rodrigo.
Enero, 2016. ANOVA análisis de varianza para comparar múltiples medias.
Ciencia de Datos.
https://www.cienciadedatos.net/documentos/19_anova#Idea_intuitiva_del_AN
OVA
Marco A. González Tagle . 2016. Introducción a R y RStudio. Pubs. https://rstudio-

pubs-static.s3.amazonaws.com/195980_3f4cd84bc3ca434daeec55c6c211d1
3e.html
MICHAEL RAFAEL ZAMBRANO SALTOS. 2015. EVALUACIÓN DE CUATRO SUSTRATOS CON

BIOFORTIFICADOR PARA SEMILLEROS DE ARROZ (Oryza sativa L.). UNIVERSIDAD DE
GUAYAQUIL FACULTAD DE CIENCIAS AGRARIAS.

Analisis Estadisticos

Cargado por

Copyright:

Formatos disponibles

Analisis Estadisticos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis Estadisticos

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

FACULTAD DE RECUROS NATURALES RENOVABLES

- MEZA CUBILLAS, Salmha

-GOMEZ MENDIETA, Ruth

- ECHEVARRIA BARRETO, Demetria

- HUAYNATE CLAUDIO, Rosa

La estadística puede definirse como un método de razonamiento que permite

En investigación, la finalidad de la estadística es utilizar datos obtenidos en

La presente tesis de grado tuvo como objetivo evaluar el efecto de 4 sustratos

Comparar los resultados de los análisis estadísticos evaluados en el

R es un conjunto integrado de programas para manipulación de datos, cálculo

- almacenamiento y manipulación efectiva de datos,

El lenguaje R permite al usuario, por ejemplo, programar bucles (loops en

Al principio, R puede parecer demasiado complejo para el no-especialista.

Todas las acciones en R se realizan con objetos que son guardados en la

RStudio es uno de los entornos más populares para crear aplicaciones en el

RStudio dispone de una gran comunidad de desarrolladores de R que

Entre otras cosas encontramos que RStudio :

- Nos permite abrir varios scripts a la vez

La técnica de análisis de varianza (ANOVA) también conocida como análisis

La hipótesis nula de la que parten los diferentes tipos de ANOVA es que la

El funcionamiento básico de un ANOVA consiste en calcular la media de cada

II.4. Método de TUKEY

El método de Tukey se utiliza en ANOVA para crear intervalos de confianza

V.1. Comparación de resultados

> DCA<-read.table(file ="E:/ANEXO1.txt", header=T)

> #VERIFICACION DE SUPUESTOS

Lilliefors (Kolmogorov-Smirnov) normality test

D = 0.17754, p-value = 0.0004293

Shapiro-Wilk normality test

W = 0.93825, p-value = 0.0115

Anderson-Darling normality test

A = 1.2259, p-value = 0.003066

> ##ANALISIS DE VARIANZA

Analysis of Variance Table

Df Sum Sq Mean Sq F value Pr(>F)

TRAT 4 451.4 112.850 117.82 < 2.2e-16 ***

Residuals 45 43.1 0.958

> tukey <- HSD.test(model,"TRAT", console = TRUE)

Study: model ~ "TRAT"

HSD Test for Y

Mean Square Error: 0.9577778

Y std r Min Max

Alpha: 0.05 ; DF Error: 45

Critical Value of Studentized Range: 4.018417

Minimun Significant Difference: 1.243619

Treatments with the same letter are not significantly different.

> duncan.test(model,"TRAT", console = TRUE)

Study: model ~ "TRAT"

Duncan's new multiple range test

Mean Square Error: 0.9577778

Y std r Min Max

Alpha: 0.05 ; DF Error: 45

0.8815138 0.9270283 0.9568869 0.9784775

> grupos <- LSD.test(y=model, trt = "TRAT", group = T, console = T)

Study: model ~ "TRAT"

LSD t Test for Y

Mean Square Error: 0.9577778

TRAT, means and individual ( 95 %) CI