versión 1.

0-9

MANUAL RÁPIDO DE USO DE LA LIBRERÍA
AGRICOLAE

MS. Ing. Felipe de Mendiburu (*)

Marzo - 2010

* Profesor Estadistica. Dpto. Estadistica e Informatica. Universidad Nacional Agraria la Molina.
* Statistician. Research Informatics Unit. International Potato Center

INDICE GENERAL
Página
PRESENTACIÓN

1

1. INSTALACIÓN DE AGRICOLAE Y USO EN R

1

1.1

INSTALACIÓN

1

1.2

USO EN R

1

2. ESTADÍSTICA DESCRIPTIVA

2

2.1

HISTOGRAMA

3

2.2

MANEJANDO ESCALAS

4

2.3

TABLAS DE FRECUENCIA Y ESTADÍSTICAS

5

2.4

REPRODUCIENDO HISTOGRAMAS Y EL USO DE hist()

5

2.5

HISTOGRAMA A PARTIR DE DATOS AGRUPADOS

6

2.6

JUNTANDO CLASES

7

3. DISEÑO DE EXPERIMENTOS

7

3.1

COMPLETAMENTE AL AZAR

7

3.2

BLOQUES COMPLETAMENTE AL AZAR

7

3.3

CUADRADO LATINO

8

3.4

GRECO LATINO

8

3.5

BLOQUES INCOMPLETOS BALANCEADOS

8

3.6

CÍCLICO

9

3.7

LATICE

9

3.8

ALFA

10

3.9

BLOQUES AUMENTADOS

11

3.10 PARCELAS DIVIDIDAS EN BLOQUES (SPLIT-PLOT )

12

3.11 BLOQUES DIVIDIDOS (STRIP-PLOT)

12

4. ANÁLISIS DE DISEÑOS

13

4.1

LSD

14

4.2

BONFERRONI

15

4.3

DUNCAN’ NEW

15

4.4

STUDENT-NEWMAN-KUELS

16

4.5

TUKEY

17

4.6

WALLER DUNCAN

18

4.7

SCHEFFE

19

4.8

GRÁFICOS DE LA COMPARACIÓN MULTIPLE

20

4.9

BLOQUES INCOMPLETOS BALANCEADO

21

4.10 BLOQUES INCOMPLETOS PARCIALMENTE BALANCEADO

23

4.11 BLOQUES AUMENTADOS

27

4.12 COMPARACIONES NO-PARAMETRICAS

30

4.13 KRUSKAL – WALLIS

31

4.14 FRIEDMAN

32

4.15 WAERDEN

32

4.16 DURBIN

34

5. ANÁLISIS DE ESTABILIDAD

35

5.1

ESTABILIDAD PARAMÉTRICA

35

5.2

ESTABILIDAD NO PARAMÉTRICA

37

5.3

AMMI

38

6. FUNCIONES ESPECIALES

39

6.1

CONSENSO DE DENDROGRAMA

39

6.2

MONTECARLO

42

6.3

RE-MUESTREO EN MODELO LINEAL

43

6.4

SIMULACIÓN EN MODELO LINEAL

37

6.5

ANÁLISIS DE CAMINOS

37

6.6

LINEA POR PROBADOR

38

6.7

UNIFORMIDAD DEL SUELO

40

6.8

LÍMITES DE CONFIANZA EN ÍNDICES DE BIODIVERSIDAD

41

6.9

CORRELACIÓN

42

6.10 OTRAS FUNCIONES

43

PRESENTACIÓN
“Agricolae” es una librería de funciones para R. R es un sistema de programación
funcional exclusivo para el manejo de datos en estadística y ciencias afines como
las matemáticas, en ambientes como Windows, Linux y Mac.
“Agricolae” ofrece una amplia funcionalidad en el diseño de experimentos,
especialmente para experimentos en la agricultura y mejoramientos de plantas, los
cuales pueden también ser usados para otros propósitos. Soporta la planificación de
diseños latice, alfa, cíclico, bloques incompletos balanceado, bloques completos
aleatorios, latino y Greco latino. También hay varios procedimientos de análisis de
datos experimentales, tales como las comparaciones de tratamientos de WallerDuncan, Bonferroni, Duncan, Student-Newman-Keuls o los clásicos como LSD y
Tukey, y comparaciones no-paramétricas como Kruskal-Wallis, Friedman, Durbin, y
Waerden, análisis de estabilidad y otros procedimientos aplicados en genética, así
como tambien procedimientos en biodiversidad y estadística descriptiva.
Para más detalles del uso de “agricolae” está el manual de referencia y el sistema
de ayudas del sistema en html, que puede ser invocado desde el menú de R.
1

INSTALACIÓN DE AGRICOLAE Y USO EN R

1.1

INSTALACIÓN

El programa principal de R debe ser instalado en la plataforma de su computadora
(Windows, Linux o Mac). Si aún no está instalado, este debe ser descargado del
proyecto R (www.r-project.org) del CRAN de un repositorio (R Development Core
Team, 2009). Como es libre, no se requiere ninguna identificación. Las librerías
pueden ser incorporadas mediante un proceso de instalación, directamente desde la
plataforma de R.
“Agricolae” es una librería para R; como tal, su instalación es igual que cualquier
otra librería de R.
Para Windows se requiere el programa R versión 2.10.1 o superior.
Si el programa R está instalado en Windows o en otra plataforma, la instalación de
“agricolae” puede hacerse directamente desde la consola de R en conexión con
Internet, así:
install.packages("agricolae")
Se selecciona un repositorio y el sistema instala automáticamente.
Si no se tiene conexión a Internet, es necesario el archivo agricolae_1.0-9. zip para
Windows, el cual debe ser obtenido de Internet y almacenarse en un medio de
computación.

1

El archivo agricolae_1.0-9.zip (De Mendiburu, 2009) puede ser descargado del
repositorio de R en la siguientes direcciones: www.r-project.org y
http://cran.at.r-project.org/web/packages/agricolae/index.html
El archivo puede ser incorporado directamente a R instalando desde la consola
ejecutando la siguiente instrucción si el archivo esta en la dirección E:
install.packages("E:/agricolae_1.0-9.zip")
También puede ser instalado desde el menú de R:
Packages, Install package(s) from local zip files … , y seleccionar el archivo zip. No
require desempaquetar.
“Agricolae” para su completa funcionalidad requiere otras librerías.
MASS: para la inversa generalizada utilizada en la función PBIB.test()
klaR: para la función triplot() utilizada en la función AMMI()
akima: para el uso de la función interpp( ) utilizada en grid3p() para interpolación.
Cluster: para el uso de la funcion consensos()
1.2

USO EN R

Como “agricolae” es una librería de funciones, éstas pueden ser invocadas para ser
integradas a R y a todas las funciones de Base.
Las siguientes órdenes son frecuentes:
Cargar la librería a la memoria: library(agricolae)
Descargar: detach(package:agricolae)
Una vez cargada la librería, ésta puede ser usada así:
Listar la base de datos: data(package="agricolae")
Cargar los datos de camote: data(sweetpotato)
Ver su estructura: str(sweetpotato)
Editar su contenido: fix(sweetpotato)
Para continuar con la línea de comandos, siempre debe cerrar las ventanas abiertas
con alguna orden de R.
Para ayudas: help(sweetpotato); ? sweetpotato
Para la búsqueda de alguna función: apropos("design")
[1] "design.ab"
"design.alpha" "design.bib" "design.crd"
[5] "design.cyclic" "design.dau" "design.graeco" "design.lattice"
[9] "design.lsd" "design.rcbd" "design.split" "design.strip"
Para uso de simbolos que no esta en el teclado en español, por ejempo: ~, [, ], &, ^,
|. <, >, {, }, \, % y otros, utilice la tabla 6.10.
2

ESTADÍSTICA DESCRIPTIVA

La librería agricolae proporciona algunas funciones complementarias al programa R,
específicamente con el manejo del histograma.

2

freq. density=4) normal.1 Histogramas.freq Ejemplo 1.freq() y esta asociada a otras funciones: polygon. 63. col="brown".5.5.freq(peso.5. frequency =3 .00 0. lwd=2. lty=4.freq.graph. 59. 65. 73. col="yellow". stat.04 50 55 60 65 70 75 80 85 0.5.freq(h4. 72. 75. 71. 67. 56. 69. main="densidad normal\nh4".freq y normal.1 Datos generados en R.5. frequency=3) polígono de frecuencia h2 0 0.freq(h2.graph.5.graph. 59. 70. main="polígono de frecuencia\nh2") polygon.2.graph.5.3 10 frecuencia absoluta h1 peso peso densidad h3 densidad normal h4 0. frequency =3 . col="red".freq(peso. 71.00 0. col="blue".5. Figura 2.1 4 6 0. main="frecuencia absoluta\nh1") h2<. intervals. 76. 69. 63) -> peso cargar la librería agricolae: library(agricolae) par(mfrow=c(2. poligono y densidad de su normal 3 . 74. 61. 57.0 2 0.2 8 0. 71.freq(peso. La función es graph. main="densidad\nh3") h4<. 61.5. ojiva. 69. 53.1 c( 68. sturges.freq.freq. frequency =2 .freq. 59.5. col="blue". join.lwd=2. table. frequency =1. 56.04 50 55 60 65 70 75 80 85 50 55 60 65 70 75 80 85 50 55 60 65 70 75 80 85 peso peso Figura 2. 68.2)) h1<.5.freq(peso. 81.freq. frequency =2) h3<. (peso de estudiantes). 76.1 HISTOGRAMA El histograma es la representación de datos agrupados en clases contínuas.5.5. 55.

col="blue".6 58.8 77.0 81.8 62.col="brown". main="densidad\nh7") lines(density(peso).6 peso 0.lwd=2) h8<. Figura 2. density=6.2 MANEJANDO ESCALAS Se refiere a los cambios de escala en los ejes.2 70.h5$count) h6<.graph. nclass=5. main="polígono y densidad\nh8") polygon. main="frecuencia absoluta\nh5") axis(1.2. axes=FALSE.freq(peso. frequency =3 .col="red") h7<. Cambio de la escala de los ejes de coordenadas 4 .graph.freq(h6.0 0 1 2 3 4 5 6 8 10 10 frecuencia absoluta h5 50 55 60 65 70 75 80 85 50 55 60 65 70 75 80 85 peso peso Figura 2.8 53.2 h5<.graph.seq(0.0 72.col="brown".00 0.4 peso densidad h7 polígono y densidad h8 0.0 76.graph.4 64.freq(peso.04 53.lwd=2) frecuencia con 5 clases h6 82.freq(peso.h5$breaks. border=0.freq(peso.00 0. main="frecuencia con 5 clases\nh6") axis(1. frequency =3 .10)) normal.04 57.2 67. frequency =3) lines(density(peso).2.las=2) axis(2. frequency =1.freq(h8. col="blue". axes=FALSE.h6$breaks.las=2) axis(2.

5 7 0.4 76.col="red") summary(h6) Inf 53.nclass=4) # Reporta 4 clases Para recuperar a frecuencias relativas se puede usar graph.6 70.23333333 12 0. col="red") axis(2.axes=FALSE.h11$breaks. y en algunos casos.8 64. axes=FALSE.hist(peso.1).63 73. 5 .3 9 0.7 7 67.72667 $median [1] 67.07 30 1.main="relativa\nh11" .9333333 1.42133 $mean [1] 66.h9<-ojiva.3 9 79.las=2) axis(2.round(h9[.2 82.las=2) 2.2 71.23333333 19 0.16666667 5 0.6 70.17 5 0.las=2) axis(2.6333333 0.30000000 28 0.freq(h6).2 82.las=2) axis(1.type="b".h6$breaks.1].3 Reproduciendo el histograma 6 (5 clases) h10<-plot(h6.0 MC fi 55.68889 REPRODUCIENDO HISTOGRAMAS Y EL USO DE HIST() La clase de graph.3 TABLAS DE FRECUENCIA Y ESTADÍSTICAS Redondeado a dos decimales: round(table.seq(0.4 76.freq(h5. main="ojiva de h5\nh9".0000000 La clase de la funcion hist() de R es histogram.freq al objeto hh. el número de frecuencia no es el solicitado.93 79. hh <.2 Sup 58.40 67.0 58. es posible establecer una compatibilidad restringida a la escala de frecuencia relativa.4 76.2).1 2 0.9 5 61.freq(hh. sin embargo.8 64. Figura 2.freq() es graph.08571 $mode [-] mode [1.30 28 0.freq(h6.] 70.round(h9[. col=colors()[367] .10)) normal.06666667 30 Fri 0.00 stat.las=2) Las funciones del histograma de agricolae funcionan bien sobre el objeto creado por hist() de R.23 19 0.4 76.round(h11$relative.6 70.8 64.0 58.1666667 0.2 2. plot=FALSE) # Reporta 7 clases # hist(peso.axes=F) axis(1.5 7 73.0 MC fi fri Fi Fri 55.17 61.4 Sup 58.1).4000000 0. frequency=2.7 7 0. main="frecuencia con 5 clases\nh10") axis(1.freq.23 12 0. h11<-graph.9 5 0.8 64. pero las clases no pueden ser modificadas.4 76. 2) Inf 53.1 2 fri Fi 0.freq(h6) $variance [1] 50.6 70.2].nclass=5.

0 81.22 0. 6) h12 <.16 11 20 30 25 15 0.0 6 4 2 0.2. 40.4 64. 10.c(3.8 10 15 0.freq(clases. 18. 15.0 h6 40 50 20 x 76.12 50 Fri 0.2 70.8 77. 20.5 HISTOGRAMA A PARTIR DE DATOS AGRUPADOS Si se tiene la siguiente tabla de frecuencia para los intervalos indicados: 0-10 3 10-20 20-30 30-40 40-50 8 15 18 6 Organizando en R se tiene: clases <.0 58.6 53.8 53.2 67.23 0.xlab="Clases".0 0.4 0.88 1.03 0 10 20 30 Clases Figura 2.c(0.52 0. 30.06 0.3 Nuevas escalas para los histogramas Todas las funciones de agricolae pueden aplicarse.graph.13 hh 85 80 75 70 65 60 55 50 0 0.2 relativa h11 Clases h12 82.8 0 probability 0.counts=frec.27 0.36 44 40 50 45 6 0.0 72.06 3 10 20 15 8 0.30 26 30 40 35 18 0.07 0.4 62. 50) frec <.00 frecuencia con 5 clases h10 10 ojiva de h5 h9 8 1. incluyendo plot().20 5 0. 6 .6 57.3 0. main="Clases\nh12") summary(h12) Inf Sup MC fi fri Fi 0 10 5 3 0. 8.

4 [5.r=repeticion) 1 2 3 4 5 6 7 8 9 10 11 plots trt r 1 A 1 2 C 1 3 A 2 4 A 3 5 B 1 6 C 2 7 C 3 8 B 2 9 A 4 10 B 3 11 C 4 Para excel.6 72.2 BLOQUES COMPLETAMENTE AL AZAR trt <.4 77.csv".] 77.1 COMPLETAMENTE AL AZAR trt <.] 67.4))) [.4 77.2 82. 2002).8 67.row.] 77.] 58.6 [4.] 72.rcbd(trt.8 [3.0 h13 <.2 62. write.1] [.freq(nuevas) lower upper [1.] "A" "B" "C" [3.] "A" "C" "B" [2.1:2) intervals.2.4 plan2 <.freq(peso.8 [2.] "B" "C" "A" [4.3] [1.crd(trt. el número de repeticiones y otros parámetros según el tipo de diseño (Montgomery.2 [6.3].c("A". juntando por ejemplo: intervals.0 [2.c(4. 4) plan1 <. number=101) t(matrix(plan2[. breaks=nuevas) DISEÑO DE EXPERIMENTOS Para la generación de los diseños experimentales se requiere los nombres de tratamientos.] 62.2 82.freq(h5$breaks.6 [3.graph.] 67.4 [4."plan1.csv(plan1.2 [5.r=repeticion.c("A".2] [.0 3 nuevas<.] 62. "C") repeticion <. 3.6 JUNTANDO CLASES Con la información de los pesos de los estudiantes.] 53. 3.c(3.] 53.join.] "C" "A" "B" 7 . "B".8 67. los intervalos originales pueden ser cambiados. "B".design. seed=55.freq(h5$breaks) lower upper [1.0 62.] 72. "C") repeticion <.design.names=FALSE) 3.6 72.2 58.

plan4[.c(4.design.c("A".4 GRECO LATINO T1 <.] "B" "C" "E" "D" [4. siendo la matriz formada: t(matrix(plan5[.] "E" "B" "D" "A" 8 .9375 <<< Book >>> Según la información producida.] "C" "D" "A" "E" [5.] [. number=101) t(matrix(paste(plan4[.1] [.graeco(T1. son 5 bloques de tamaño 4.] "A" "B" "D" "C" [2.3].3 CUADRADO LATINO trt <.] [3.5 BLOQUES INCOMPLETOS BALANCEADOS trt <.] "D" "A" "C" "B" [4.3] "C 1" "B 3" "A 4" "D 2" [.bib(trt. "E" ) k <.1] [.] [4.3] [.4))) [1. "B".4] [1.5]).k.El plan puede ser enviado a excel como libro de campo.4] "B 2" "C 4" "D 3" "A 1" 3.c(4.4] [1.] "D" "A" "C" "B" [3.] "B" "E" "C" "A" [2.lsd(trt. number=101) t(matrix(plan3[.c("A".] "B" "C" "A" "D" [3.4 plan5 <. "C".4))) [.4]. "C". 3.4].2] [.5))) [. "D") plan3 <.1] "A 3" "D 1" "C 2" "B 4" [. number=101) Parameters BIB ============== Lambda : 3 treatmeans : 5 Block size : 4 Blocks : 5 Replication: 4 Efficiency factor 0.c("A". seed=55.] "C" "D" "B" "A" 3.c(4. "C". "D".1:4 plan4 <. "D") T2 <. seed=55. "B".2] [. "B".T2.3] [.2] "D 4" "A 2" "B 1" "C 3" [. seed=55.design.] [2.design.

number=101) 9 . r=6.] "B" "F" "A" Se han generado 12 bloques de 4 tratamientos cada uno. Puede generar simple (2 rep.] "B" "C" "D" [4. number=101) cyclic design Generator block basic: 1 2 4 1 3 2 Parameters =================== treatmeans : 6 Block size : 3 Replication: 6 > plan5$design[[1]] [. Las repeticiones es un múltiplo del tamaño del bloque.] "B" "E" "F" > plan5$design[[2]] [.cyclic(trt. seed=55. 3.] "D" "E" "C" [2.design.2] [.] "D" "F" "C" [5.Se puede observar que los tratamientos tienen 4 repeticiones. 12. "F" ) plan5 <. 3.] "A" "D" "B" [3. El parámetro lambda es 3. entonces las repeticiones pueden ser 6.3] [1. si son 6 tratamientos y el tamaño es 3. 49.] "C" "B" "A" [6. 16. por ejemplo 9.7 LATICE Se requiere un número de tratamientos de un cuadrado perfecto.) o triple (3 rep. III y V.1] [.] "E" "F" "D" [3. este significa que un par de tratamientos esta junto en 3 oportunidades> Por ejemplo. "B". seed=55. 25.) Generando triple para 9 tratamientos 3x3.] "A" "D" "E" [6.] "A" "F" "E" [5. plan6 <. "E". B y E se encuentran en el bloque I. etc. 9.1] [.2] [.k=3. trt <.6 CÍCLICO Se usa para 6 a 30 tratamientos. "C". etc. "D".] "F" "A" "C" [2.] "B" "C" "E" [4.lattice(k=3.c("A". y así sucesivamente.3] [1. 36.design.

] "8" "4" [2.3] [1.seed=55) alpha design (0.3] "10" "14" "15" "11" "5" 10 .2] [.2] [. Son similares a los diseños latices.] "6" "2" [4.. 27 127 3 9 5 3.] 1 4 8 [2.] 9 8 5 $plan plots sqr block trt 1 101 1 1 1 2 102 1 1 4 . plan7 <.] 3 8 6 $square3 [.] "7" "3" [5.] "13" "9" [.1] [.] 3 1 7 [3.2] [1.3] [1.2] [.1] [.3] [1.] 2 9 3 [3.] 2 1 5 [2.6363636 <<< Book >>> plan7$design $design$rep1 [.8 ALFA Son los diseños generados por los arreglos alpha (Patterson & Williams. 1976).r=2.] 5 7 6 $square2 [.Serie I Parameters Alpha design ======================= treatmeans : 15 Block size : 3 Blocks : 5 Replication: 2 Efficiency factor (E ) 0. El número de tratamientos debe ser igual a s*k y el total de unidades experimentales r*s*k.design.] "1" "12" [3.1] [. pero los cuadros son rectangulares de s bloques por k tratamientos por bloque.1) .print(plan6) $square1 [.1] [.] 2 4 6 [2..] 9 4 7 [3.alpha(1:15.k=3.

Se entiende que los comunes son de mayor interes. el error estandar de la diferencia es mucho menor que entre dos aumentados que estan en diferentes bloques. comun <.$design$rep2 [."w".otros.as.] "6" "3" [5. r=5.3] "1" "14" "15" "12" "9" BLOQUES AUMENTADOS Estos diseños se tiene dos tipos de tratamientos.block..] "10" "2" 3. "D") otros <.] "4" "11" [4.1] [.9 [."z") plan8 <. Los comunes son aplicados en bloques completos al azar y los aumentados aleantoriamente cada uno en algun bloque una slola vez.dau() logra este proposito.character) block: 1 [1] "A" "t" "B" "D" "r" "C" "s" -----------------------------------------------------------block: 2 [1] "D" "B" "p" "A" "x" "C" "v" -----------------------------------------------------------block: 3 [1] "C" "A" "D" "B" "u" "w" -----------------------------------------------------------block: 4 [1] "y" "o" "A" "C" "B" "D" -----------------------------------------------------------block: 5 [1] "C" "A" "B" "q" "z" "D" detach(plan8) print(plan8) plots block trt 1 101 1 A 2 102 1 t 3 103 1 B 4 104 1 D .] "8" "5" [3.2] [1.dau(comun. los de control (comunes) y aumentados. 11 .design.] "13" "7" [2. seed=55.crd()."u"."x". La funcion design.c("t"..c("A". "B"."y". 32 132 5 D Para el diseño complete al azar aumentado utilizar la function design."v". number=101) attach(plan8) by(trt. "C".

4] [1. un factor aplicado en parcelas definido como A en un diseño de bloques completos al azar y un segundo factor en las subparcelas de cada parcela aplicado aleatoriamente. en vertical y horizontal del bloque.seed=45) print(plan10) 1 2 plots block t1 t2 101 1 a C 102 1 b C 12 .2] [.] "c b a" "c a b" "a c b" [. 36 112 3 D c p<-plan9$t1[seq(1.strip(t1.split() permite hallar el plan experimental para este diseño.3)))) [.split(t1.3.3] [.] "a c b" "a c b" "b a c" [3.3)] q<-NULL for(i in 1:12) q<-c(q."B".3] [1.r=3.] "b a c" "c b a" "a b c" [2.10 PARCELAS DIVIDIDAS EN BLOQUES (SPLIT.1] [."C".2] [.] "B" "D" "C" "A" [3.number=101. llamadas franjas."b"..] "A" "B" "C" "D" En las subparcelas (division de cada parcela) print(t(matrix(q."B". obteniendose los bloque divididos."c") plan9 <-design.r=3..t2."D") t2<-c("a".paste(plan9$t2[3*(i-1)+1]. t1<-c("A".plan9$t2[3*(i1)+2].seed=45) print(plan9) plots block t1 t2 1 101 1 C b 2 101 1 C a 3 101 1 C c 4 102 1 B c 5 102 1 B b .3)))) [."D") t2<-c("a"."b".36.4] "b a c" "b a c" "a b c" 3.11 BLOQUES DIVIDIDOS (STRIP – PLOT) Este diseño se utiliza cuando se tiene dos tipos de tratamientos (factores) y se aplica separamente en parcelas grandes."c") plan10 <-design.plan9$t2[3*(i-1)+3])) En las parcelas print(t(matrix(p.c(4.] "C" "B" "D" "A" [2.PLOT) Estos diseños tienen dos factores.1] [.c(4. t1<-c("A".number=101. Cada bloque constituye una repetición. La funcion design."C".t2.

test (Conover. LSD.test().model(modelo) [1] 17.test().1999). duncan.3] "c C" "c B" "c D" "c A" print(B2) [. friedman() y waerden.] "a B" [4.3))) B2<-t(matrix(t3[13:24].] "a C" [4.625 Parametros del modelo: Grados de libertad y su variancia del error: 13 .test().test().test().] "a D" [3..test() (Steel.3] "c C" "c D" "c B" "c A" 4 ANÁLISIS DE DATOS DE DISEÑOS EXPERIMENTALES Las funciones de agricolae para los analisis son: BIB.3] "b A" "b D" "b C" "b B" print(B3) [. 1996) durbin..2] "c A" "c D" "c C" "c B" [.c(3. SNK.test().1] [1.] "a B" [.c(4.] "a C" [2.] "a A" [.] "a A" [2. kruskal(). 36 103 104 1 1 c a C B 136 3 c A t3<-paste(plan10$t1.4))) B3<-t(matrix(t3[25:36]. Los datos de “sweetpotato” corresponden a un experimento completamente aleatorio en campo con parcelas de 50 plantas de camote y sometidas al efecto de virus y un control sin virus (ver manual de referencia de la librería).2] "b C" "b D" "b B" "b A" [.1] [1. PBIB. Para la demostración se utilizará la base de datos de “agricolae”. Para todo análisis estadístico.2] "b C" "b B" "b D" "b A" [.] "a A" [.3 4 . data=sweetpotato) cv. HSD.16660 attach(sweetpotato) mean(yield) [1] 27.1] [1.] "a D" [3. los datos deben estar organizados por columna.4))) print(B1) [. data(sweetpotato) modelo<-aov(yield~virus.plan10$t2) B1<-t(matrix(t3[1:12].c(3.] "a C" [2.] "a B" [3.] "a D" [4.

86667 En la función LSD.err replication LCL UCL 2. virus.482606 3 31.test(yield. Para obtener las probabilidades de las comparaciones se debe indicar que no se requiere grupos.test(modelo.62490 alpha: 0. "virus".594134 29.test(modelo.233727 3 26.test(yield.175100 42.246774 3 9.084067 3 19.482606 3 31. Groups.df<-df.LSD. group=F) LSD.991602 15.570341 46.90000 std. MSerror. Df Error: 8 Critical Value of t: 2.40000 12.86667 36. group=F) LSD t Test for yield Mean Square Error: virus.33333 b cc 24.05 .05 .306004 Least Significant Difference 8.MSerror) LSD.40000 12.df. cc fc ff oo 22.20587 1. cc fc ff oo 22.err replication LCL UCL 2.233727 3 26. Treatments and means a oo 36.09633 2.991602 15.09633 2.LSD.33333 36.33333 36.48917 means and individual ( 95 %) CI yield 24.1 LSD # compara <. "virus") Study: LSD t Test for yield Mean Square Error: virus.20587 1.test() se realizó la comparación múltiple.570341 46.90000 std. virus.9 a ff 36.246774 3 9.74173 4. así: # compara <.74173 4.48917 means and individual ( 95 %) CI yield 24.594134 29.df.928965 Means with the same letter are not significantly different.084067 3 19.residual(model) MSerror<-deviance(model)/df 4.4 c fc 12.175100 42.86667 36.62490 alpha: 0. Df Error: 8 14 .

5000000 23. y para “waller-duncan” waller.9037305 UCL 25.9962695 0.93706 37.5000000 23.valor < 0.05 < p. El codigo de la significacion “sig” se interpreta como: p.017638.000000 -12. -1.962299 0.05 0. ": 4. “tukey”.test().362299 9.9333333 12.887267 -8.40373 25.test se puede hacer ajustes a las probabilidades encontradas como bonferroni LSD.105827 -1.adj= "bon") Comparison between treatments means cc ff oo ff oo oo - fc cc cc fc fc ff Difference 11. Los parámetros son los mismos.000257 *** 15.428965 0.015073 * 3. “Student-Newman-Keuls”.2 BONFERRONI Mediante LSD.valor < 0.004368 20.104368 32.001 0.test(modelo.4666667 24.001545 ** 10.test().090439 .072531 .5333333 11.0333333 0.valor es 0.5666667 pvalue sig LCL UCL 0.Critical Value of t: 2.5333333 11. “cc” .001814 ** 9. 4.537701 32.017638 * 2.10 "***": "** ": "* ": ". p.97040 36. requiere además el valor de Fcalculado de tratamientos del ANVA.0333333 0. la función HSD. Si se utiliza el modelo.9333333 12.5370638 0.5666667 pvalue sig LCL 0.571035 21.604368 20.“fc”.462299 0.395632 0.012088 * 3.01 < p.9703971 0.306004 Comparison between treatments means cc ff oo ff oo oo - fc cc cc fc fc ff Difference 11.001 <p.01 0. corresponde a la comparacion de ambos cc vs fc el p.495632 La diferencia corresponde al tratamiento de mayor valor menos el menor en cada caso.03706 Otras pruebas de comparación pueden ser aplicadas. “waller-duncan”. indicando que son diferentes significativamente y así se procede con los otros resultados.valor < 0.9370638 0. en el caso de Waller. group=F. "virus") Study: Duncan's new multiple range test for yield 15 .3 DUNCAN’ news duncan. tales como “duncan” . asi.000302 *** 14. Para “duncan” la funcion duncan.5629362 1.50373 14.test(modelo. ya no es necesario. “Student-Newman-Keuls” la funcion SNK.test(). -0.00373 25.4666667 24. "virus".862299 0. “tukey”.valor < 0.test().

group=FALSE) alpha: 0.804825 0.246774 3 4.86667 36.9 a ff 36.48917 means yield 24.004368 20.33333 b cc 24.4 c fc 12.233727 3 2.000387 *** 14.9333333 12.084067 3 1.05 .5333333 11.5000000 23. cc fc ff oo 22.err replication 2.86667 36.604368 20.482606 3 alpha: 0.000388 *** 14.514910 Comparison between treatments means cc ff oo ff oo oo - fc cc cc fc fc ff 4. Df Error: 8 Critical Range 2 3 4 8.862299 0.4666667 24.40000 12.015073 * 3.362299 9.test(modelo.33333 36.5666667 pvalue sig LCL UCL 0.Mean Square Error: virus.928965 9. Df Error: 8 Critical Range 2 3 4 8.928965 9.246774 3 4. Groups.161842 32.33333 36.err replication 2. "virus") Mean Square Error: virus.4 Difference 11.195175 21.548244 0.90000 std.771492 0.495632 STUDENT-NEWMAN-KEULS SNK.017638 * 2.084067 3 1.233727 3 2.304825 9.514910 Means with the same letter are not significantly different.014544 * 3.90000 std.test(modelo.887267 -8. cc fc ff oo 22.86667 duncan.304825 9.40000 12.05 .518423 33.462299 0. "virus". Treatments and means a oo 36.05 .482606 3 alpha: 0. Df Error: 8 16 .48917 means yield 24.0333333 0.

52881 17 .000777 *** 12.029089 * 1.9333333 12.86667 36.0333333 0. group=FALSE) virus.004368 20.5333333 11. Df Error: 8 Critical Value of Studentized Range: 4.40000 12.HSD.233727 3 2.399670 Means with the same letter are not significantly different. cc fc ff oo 22.887267 -8.90000 std.err replication 2.495632 TUKEY compara1 <.5000000 23.86667 SNK.633664 36.604368 20.399670 Comparison between treatments means cc ff oo ff oo oo - fc cc cc fc fc ff 4. "virus") HSD Test for yield Mean Square Error: virus.err replication 2.433003 0.test(modelo.233727 3 2.928965 11.33333 36.017638 * 2.064170 12.Critical Range 2 3 4 8. "virus".246774 3 4.482606 3 alpha: 0.5666667 pvalue sig LCL UCL 0.86667 36.462299 0.402497 34.05 .928965 11.33333 36.084067 3 1. Df Error: 8 Critical Range 2 3 4 8.33333 b cc 24.9 a ff 36.530836 0. cc fc ff oo means yield 24.5 Difference 11.test(modelo.90000 std.862299 0.40000 12.4666667 24.482606 3 alpha: 0.064170 12. Groups.015073 * 3.362299 9.435830 23.48917 means yield 24.05 .564170 0. Treatments and means a oo 36.246774 3 4.084067 3 1.001162 ** 11.4 c fc 12.

err replication 2.657906 Comparison between treatments means Difference significant cc .waller..01 ‘*’ 0. codes: 0 ‘***’ 0. requiere que este activo sweetpotato.345.07 17.test(yield.cc 11..40000 12.39967 Means with the same letter are not significantly different. .6 WALLER DUNCAN # análisis de variancia: anova(modelo) Analysis of Variance Table Response: yield Df Sum Sq Mean Sq F value Pr(>F) virus 3 1170.34478 Critical Value of Waller 2.23600 virus.Fc= 17. Treatments and means a oo 36.MSerror. K ratio 100. group=F) Waller-Duncan K-ratio t Test for yield This test minimizes the Bayes risk under additive loss and certain other assumptions.084067 3 1.test(modelo.5333333 TRUE ff .00000 Error Mean Square 22. cc fc ff oo means yield 24.4 c fc 12.9333333 TRUE 18 . "virus".. Groups.86667 36.233727 3 2.fc 11.0007334 *** Residuals 8 179.waller.1 ‘ ’ 1 El valor de F calculado es 17.virus.21 390.33333 bc cc 24.00000 Error Degrees of Freedom 8.91 22.86667 4.9 ab ff 36.’ 0.Honestly Significant Difference: 12.33333 36. asi: attach(sweetpotato).49 --Signif.001 ‘**’ 0..df..48917 F value 17.345 0.246774 3 4. entonces: compara2 <. group=F) En otro caso con solo invocar el objeto modelo: compara2 <.90000 std.05 ‘.482606 3 Minimum Significant Difference 8.345.

Groups.oo ff oo oo - cc 12.066181 Minimum Significant Difference: 13. cc fc ff oo : 22.90000 std.52368 Means with the same letter are not significantly different.084067 4 fc 12.33333 ab 3 4.246774 3 ff 36.90000 3 2. Treatments and means a oo 36.40000 3 2. group=TRUE.5000000 fc 23.5666667 TRUE TRUE TRUE FALSE Se indica que el efecto del virus “ff” no es significativamente del control “oo”. main="Yield of sweetpotato\nDealt with different virus") Study: Yield of sweetpotato Dealt with different virus Scheffe Test for yield Mean Square Error virus.246774 4.33333 ab cc 24."virus".86667 3 1.48917 means yield 24.33333 3 4. data=sweetpotato) compara3 <.86667 36.9 a ff 36. compara2 trt means M N std.scheffe.233727 3 cc 24. El objeto encontrado “compara” y tiene información para hacer otros procedimientos.err 1 cc 24.084067 2 fc 12.233727 4 oo 36.40000 bc 3 2.33333 36.7 SCHEFFE # análisis de variancia: model<-aov(yield~virus.err replication 2.40000 12.test(model.482606 2 ff 36.482606 3 alpha: 0.90000 a 3 2.05 .86667 19 .86667 c 3 1.084067 3 1.233727 3 2.246774 3 4. compara1 trt means M N std. Df Error: 8 Critical Value of F: 4.0333333 ff 0.4666667 fc 24.err 1 oo 36.4 b fc 12.482606 En el caso de de agrupamiento.

col=c1) G2<-bar.main="Error estandar\nG4") 20 .999099 -12.097816 . cc fc ff oo : 22.990350 0.86667 36.err() par(mfrow=c(2. col=c3.scheffe.5666667 pvalue sig LCL 0.99035 37.246774 3 4.084067 3 1.45).col=c2) G3<-bar. Figura 4.8 - fc cc cc fc fc ff Difference 11. -1.05702 25. Df Error: 8 Critical Value of F: 4.err(compara2.02368 36. group=FALSE) Study: Scheffe Test for yield Mean Square Error virus. col=c4.001998 ** 10. xlim=c(0.4666667 24. ylim=c(0. Si se requiere las probabilidades aproximadas de comparación.5000000 23.05 .45702 26.90000 std.9333333 12. ylim=c(0.48917 means yield 24. xlim=c(0.09035 GRÁFICOS DE LA COMPARACIÓN MULTIPLE Ambos objetos pueden ser utilizados para obtener graficos de barra.509650 0. para la función bar.45).err() compara2.023684 0. std=F.45).0333333 0.33333 36. horiz=T.590350 0.070607 . main="Desviación estandar\nG3") G4<-bar.482606 3 alpha: 0. -1.085487 .El valor minimo de significación es muy alto.2)) c1<-colors()[480]."virus". c4=colors()[140] G1<-bar.group(compara1. main="Tukey\nG1". compara3 <.45).err replication 2.957017 UCL 25. c3=colors()[15].233727 3 2. compara1.err(compara2.066181 Comparison between treatments means cc ff oo ff oo oo 4. main="Tukey\nG2". -1.55702 14.1. para las funciones bar.test(model. c2=colors()[65].group(compara1. puede utilizar la opcion Group=FALSE.40000 12.5333333 11.942983 0.002331 ** 9.group() y bar. horiz=T.

1987) # Profesor de Estadistica.54.test().77.test(block=bloque.75.5.3.8 ANÁLISIS DE BLOQUES INCOMPLETOS BALANCEADO Éstos pueden provenir de diseños balanceados o parcialmente balanceados.67.3) variedad<-c(1.61.65.1 Comparacion entre tratamientos.6.2.5.3.2.2.57. bloque<-gl(10.6) y<-c(69.54. 4.5.3.5. se utilizarán los datos de “agricolae”.4.4. #Example linear estimation and design of experiments. 59.72.70.1.55. India # 6 variedades de trigo en 10 bloques de 3 parcelas cada una. Para el ejemplo.63. Institute of Social Sciences Agra.45.65.5. La función BIB.Tukey G2 fc ab cc ab a 0 10 c bc ff bc 20 c oo a 30 40 Tukey G1 oo ff cc fc 0 --- 30 40 Error estandar G4 [ ] --ff --- --- fc --- [ ] 30 40 [ ] cc ----- [ ] 0 10 20 30 40 --- 20 oo Desviación estandar G3 10 cc fc ff oo 0 10 20 Figura 4. y) 21 .50.65.1.60. para diseños parcialmente balanceados.2.56) BIB. (Joshi. 4.6.59.68.3.2.60.6.62.1.1.62.39.3.54.6.4. trt=variedad.38.65. y PBIB.4.test() es para diseños balanceados.63.

adj 75.0206 0.05 LSD : 11.55 b 4 54.ANALYSIS BIB: y Class level information Block: Trt : 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 Number of observations: 30 Analysis of Variance Table Response: y Df Sum Sq Mean Sq F value Pr(>F) block.diff : 5.44 231.89 57.4 55.13333 b 5 60.1 ‘ ’ 1 coefficient of variation: 12.0 59.0 61.05 ‘.13333 3.55000 3.8 statistics mean.728552 54.728552 58.289 4. Treatments and means a 1 75.43120 Parameters BIB Lambda : 2 treatmeans : 6 Block size : 3 Blocks : 10 Replication: 5 Efficiency factor 0.71667 b 3 58.526 --Signif. codes: 0 ‘***’ 0.96667 3.001 ‘**’ 0.2 60.728552 54.01 ‘*’ 0.54712 trt. Comparison of treatments Groups.3 variedad.96667 b 6 54.adj 5 1156.adj StdError.’ 0.6 % y Means: 60.728552 60.unadj 9 466.4 55.885 0.363111 Alpha : 0.97 51.728552 LSD test Std.71667 3.05000 3.728552 58.05 b 2 58. 1 2 3 4 5 6 means 70.38333 3.38333 22 .01629 * Residuals 15 862.8 <<< Book >>> Means with the same letter are not significantly different.9019 0.

890815 El objeto "modelo" encontrado puede ser utilizado para las funciones de bar.4 3. 1 . 4.puede ser utilizada para los diseños latice y alfa.3 16.982927 5 .979184 5 .test(block=bloque. SNK.6170213 <<< Book >>> El Plan generado es plan$book 23 .1) .5833333 0.k.10 BLOQUES INCOMPLETOS PARCIALMENTE BALANCEADO La función PBIB.seed=5) alpha design (0.070509 .1666667 0.1666667 0.4 5.7500000 0. y bar.6 4.3 0. method= "tukey") Comparison between treatments means Difference pvalue sig 1 . Considere el caso siguiente: Construir el diseño alfa con 30 tratamientos.5000000 0.5833333 0.4166667 0.000000 2 .6 20. trt=variedad.999715 3 . 1 .2 1.alpha(trt. 2 repeticiones y tamaño del bloque igual a 3.015510 * 2 . 1987).961588 3 .r.6666667 0.2 16.group().1666667 1.3333333 0. Tukey y Waller-Duncan.0833333 0.6 0.3333333 0.066649 .4 3. library(agricolae) library(MASS) # alpha design trt<-1:30 r<-2 k<-3 plan<-design.err() para las gráficos de barras.019092 * 1 .6 4. en la misma forma como se realizo anteriormente.109602 1 . así: BIB.6 5. También se puede obtener las probabilidades de la comparación.999840 2 .0833333 0.Se puede utilizar Duncan. y. group=F.999997 5 .967375 5 .4 20.Serie I Parameters Alpha design ======================= treatmeans : 30 Block size : 3 Blocks : 10 Replication: 2 Efficiency factor (E ) 0.927273 4 .test() (Joshi.5 15. Sólo se debe indicar group=FALSE.5833333 0.7500000 0.3 1.

886 6.1 ‘ ’ 1 coefficient of variation: 31.6.03125 * ‘.1.3.514 2.0468 --Signif.4.8. codes: 0 ‘***’ 0.2931 trt.4) Se construye la tabla de datos para el análisis.0641 Residuals 11 22.trt) El análisis: attach(tabla) modelo <.4.4.7.6 % rdto Means: 4.3.Suponga que la observación correspondiente a cada unidad experimental es: y<-c(5.4.7.6170213 Comparison between treatments means <<< to see the objects: comparison and means >>> Las medias ajustadas pueden ser extraídas del modelo 24 .’ 0. posteriormente observa a partir de cada unidad experimental las variables de estudio.9.7. En teoría.1.01 ‘*’ 0.adj 18 112.PBIB.unadj 29 188.7.6.9.1.6.5.4.5.001 ‘**’ 0.6.02334 * 0.6.7.2.7.05 Pr(>F) 0.2.933 6.6.test(block.4. se supone que uno aplica un diseño y realiza el experimento.2.59901 0.6. replication.1831 replication:block.8.6000 0.2.2.600 0.1.6. tabla<-data.6.rdto=y) rm(y.9.6.2.1.5.7.5.frame(plan$book.5. k=3) detach(tabla) ANALYSIS PBIB: rdto Class level information Blocks: Trts : 20 30 Number of observations: 60 Analysis of Variance Table Response: rdto Df Sum Sq Mean Sq F value replication 1 0.2.4.2714 3.1. 1.5149 3.2. trt.5.7.6.533333 Treatments Parameters PBIB treatmeans : 30 Block size : 3 Blocks/rep : 10 Replication: 2 Efficiency factor 0.3.2. rdto.5.1.

col=0.5)]. std=F) C3<-bar.4.669068 2. ylim=c(0. replication.28 30 . col=0.PBIB..5 2. 29 29 3.5)].3 1 . rdto. c(1.3.065448 0.320192 Las comparaciones modelo$comparison 1 .err 1 1 7.attach(tabla) modelo <.err(modelo$means[1:7. ylim=c(0.29 Difference stderr pvalue 3.862294 2 1.2.53471831 1..193700 0.0 5.2.2). std=F) C4<-bar.5)].. col=0. main="C2".649332 0.028477 2 1.6) C1<-bar.9).831020 0.2. ylim=c(0..320192 . k=3) detach(tabla) modelo$means trt means mean.4 .err(modelo$means[23:30.785288 0.78397461 1. trt. figura 4.cex=0.4. main="C1".adj N std. par(mfrow=c(2.97577182 1.591954 0.86957356 1. std=F) C2<-bar.2. ylim=c(0. main="C3".9).5 6.552378 Los datos sobre las medias ajustadas y su error estándar pueden ser graficados.514615 2 1.052705 2 1. c(1.test(block.4..2 1 .65232195 1.9).785288 0.5)].323025 30 30 3. main="C4".323025 2 2 4.3.3.3. 30 .5 6. c(1.2.err(modelo$means[16:22.860419 0.4. col=0. c(1.9). std=F) 25 .. dado que el objeto creado es muy similar a los objetos generados por las comparaciones múltiples.err(modelo$means[8:15.

4 repeticiones. header=T) attach(A) modelo2<-PBIB.43 3 7 2 27.00 4 11 4 42.00 24.00 42.28 50.07 2 5 2 22.76 1 2 8 10.00 15.00 23.54 2 4 5 11.46 30.00 2 6 9 47. 9 tratamientos.C2 8 8 C1 --- ----- ----- 4 4 --- --- --- --- 13 14 --- --- --- --- 28 29 --- --- --- 2 --- --- --- --2 --- --- ----- ----- --- --- --- --- 6 6 --- --- --0 0 --- 1 2 3 4 5 6 7 8 9 10 11 C3 12 15 C4 --8 8 ----- ----- 6 --- --- ----- --- --- --- --- --- 4 4 --- --- 6 --- --- ----- --- --- 2 2 ----- --- 0 0 --- 16 17 18 19 20 21 22 23 24 25 26 27 30 Figura 4.83 1 3 5 12.67 3 8 7 30.txt y leer con R: sqr block trt yield 1 1 1 48.78 4 10 6 37.00 12.00 20.2.00 45.00 23.sqr.k=3) ANALYSIS PBIB: yield Class level information Blocks: Trts : 12 9 Number of observations: 36 26 .68 31.00 24.69 42.trt.yield.00 41. Análisis de lattice balanceado 3x3.81 library(agricolae) library(MASS) A<-read.table("latice3x3.42 30.test(block.txt".80 1 1 1 2 2 2 3 3 3 4 4 4 1 2 3 4 5 6 7 8 9 10 11 12 3 7 2 1 3 4 6 4 9 5 8 1 19.00 18.80 28.95 25.x en un archivo de texto: latice3x3. Desviación estándar en cada tratamiento.37 4 12 9 39.00 43.00 3 9 3 13.01 22. Crear los datos de la tabla x.00 1 1 1 2 2 2 3 3 3 4 4 4 1 2 3 4 5 6 7 8 9 10 11 12 4 6 9 8 7 6 1 5 8 3 2 7 14.90 49.57 30.

9025 30.0 0.641342 3.003236 1 .641342 3.37476 31.641342 3.2887627 5.4 5...289807 0.2390 0.36090 26.332288 .7 --Signif.4 468.7 7.2 44. 9 ..07214 17.adj 44.’ 0.641342 modelo2$comparison Difference stderr pvalue 1 .289807 0.641342 3.57361 trt.1 ‘ ’ 1 coefficient of variation: 27.Analysis of Variance Table Response: yield Df Sum Sq Mean Sq F value Pr(>F) replication 3 133.641342 3.44343 N 4 4 4 4 4 4 4 4 4 std.82067 18. codes: 0 ‘***’ 0.3614257 5.4 0.08383 39.7075 39.7108 0.0875 16.2 46.8925 25.000046 1 .6675 15.6 % yield Means: 29.err 3.00042 *** replication:block.67917 Residuals 16 1035.2941444 5.000952 27 .641342 3.9 64.75 Comparison between treatments means <<< to see the objects: comparison and means >>> detach(A) modelo2$means 1 2 3 4 5 6 7 8 9 trt 1 2 3 4 5 6 7 8 9 means 45.15052 31.2770756 5.16167 Treatments Parameters PBIB treatmeans : 9 Block size : 3 Blocks/rep : 3 Replication: 4 Efficiency factor 0.8 21.08200 39.6100 mean.6859 0.289807 0.unadj 8 3749.adj 8 368.3 29.001 ‘**’ 0.06676 15.4450 38..289807 0.2425 31.2 18.01 ‘*’ 0.9000 18.05 ‘.641342 3.641342 3.

"B"."e"."B".rep("III"."h"."j") yield<-c(83."g".96."l".79. tratamientos y la respuesta.as.rep("II"."A".74."A".70."B"."D"."f". conteniendo los bloques.6).character) block: I [1] 83 77 78 78 70 75 74 --------------------------------block: II [1] 79 81 81 91 79 78 --------------------------------- 28 ."C".character) block: I [1] "A" "B" "C" "D" "g" "k" "l" --------------------------------block: II [1] "A" "B" "C" "D" "e" "i" --------------------------------block: III [1] "A" "B" "C" "D" "f" "h" "j" Con sus respectivas respuestas by(yield. trt.89.79.block.79.7).11 BLOQUES AUMENTADOS La función DAU.7)) trt<-c("A".block."D".as.75. block<-c(rep("I". 82) data.81.4. yield) block trt yield 1 I A 83 2 I B 77 3 I C 78 4 I D 78 5 I g 70 6 I k 75 7 I l 74 8 II A 79 9 II B 81 10 II C 81 11 II D 91 12 II e 79 13 II i 78 14 III A 92 15 III B 79 16 III C 87 17 III D 81 18 III f 89 19 III h 96 20 III j 82 En cada bloque estan los tratamientos: by(trt.77. "C"."C".78.81.87.78."i".81.test() puede ser utilizada para el analisis del diseño de bloques aumentados.91.78."k".frame(block. Los datos debes estar organizados en una tabla.92."D".

240458 7.4591 Residuals 6 161.6540 0.193479 29 .972 ANOVA.036 trt.18 29.method="lsd") ANALYSIS DAU: yield Class level information Block: Trt : I II III A B C D e f g h i j k l Number of observations: 20 ANOVA.6793 0.92 17.268 2.972 coefficient of variation: 6.aug.block: III [1] 92 79 87 81 89 96 82 model<.66667 79.unadj 11 575.333 block.9609 0.DAU.360687 <<< to see the objects: comparison and means >>> model$means A B C D e f means 84.639 0.211611 6.4779 Residuals 6 161.6540 0.adj 84.00000 mean.1253 Control vs augmented 1 16.6092 Control + control.00000 82.5499 Control 3 52. Block Adjusted Analysis of Variance Table Response: yield Df Sum Sq Mean Sq F value Pr(>F) trt.5 Critical Differences (Between) SEd Two Control Treatments Two Augmented Treatments (Same Block) Two Augmented Treatments(Different Blocks) A Augmented Treatment and A Control Treatment Comparison between treatments means 4.test(block.07 180. Treatment Adjusted Analysis of Variance Table Response: yield Df Sum Sq Mean Sq F value Pr(>F) block.00000 83.adj 2 69.VS.67 52.998456 3 2.83 26.998456 3 2.00000 89.998456 1 II 5.92 17.3424 Control 3 52.unadj 2 360.6092 Augmented 7 505.2884 0.66667 79.50 34.022 1.33333 79.00000 83.918 0.344688 8.83 26.00000 82.0760 0.6256 0.trt.193479 1 III 5.750 1. 8 232.998456 3 2.875 0.50000 N block std.33333 78.25000 86.88 16.4 % yield Means: 81.87 72.err 3 2.yield.adj 11 285.639 0.10 25.

88 0.79 0.38 0.64 g 0.30 0.16 0.35 0.06 0.90 0.35 0.79 0..05 0. Friedman() para evaluación de jueces.52 0.193479 e f g 0.71 0. 2002) Incluidos en la librería agricolae library(agricolae) data(corn) attach(corn) str(corn) 'data.29 0.12 0.193479 5. waerden.11 0..test() para bloques incompletos.10 1.00000 96.16 h 0..test().frame': $ method : $ observation: $ rx : 34 obs.12 0. muy utilizado para pruebas de degustación.00000 73. 30 .76 e 0.30 0.193479 5.76 0.5 23 26 19.38 I III II III I I 5. waerden.48 0.00000 74.50000 77.21 0.35 0.00 0.91 0.193479 5.56 0.90 4. 1999) Kruskal() para muestras de N poblaciones o datos provenientes de un experimento completamente aleatorio.12 COMPARACIONES NO-PARAMÉTRICAS Las funciones correspondientes son: kruskal().94 0.29 0.40 0. durbin.25000 93.58 0.2) A B C D B 0.48 0.23 C 0..64 0.28 0.35 0..45 0.58 0. of 3 variables: int 1 1 1 1 1 1 1 1 1 2 .5 23 .g h i j k l 70.45 l 0.193479 5.55 0. donde los jueces evaluan un número pequeño de tratamientos provenientes de un número grande.61 h i j k 0.38 0. int 83 91 94 89 89 96 91 92 90 91 .38 j 0.11 0.88 1.91 0..91 0.10 0. para un número completo de tratamientos o el diseño de bloques completos al azar.16 i 0.25000 79.00 0. utiliza score normal en vez de rangos como kruskal.test() (conover.45 f 0.51 0.35 0.00000 78.50000 78.5 17 17 31.79 0.25000 77.22 0.79 0.91 0.11 0.00000 75.193479 5. num 11 23 28.48 0.57 k 0. friedman() y durbin.test().51 D 0. similar a kruskal-wallis.25000 1 1 1 1 1 1 round(model$pvalue.78 0. Datos del libro de Montgomery (Montgomery.00000 82.

3.ylim=c(0.1.140573e-05 method.4. Comparación según Waller-Duncan.11 KRUSKAL . Std. 1 2 3 4 means of the ranks observation replication 21.57143 7 4.8.83333 9 15.83333 c 2 15.57143 b 1 21.0)) bar.351284 Means with the same letter are not significantly different Groups.ylim=c(0. main="corn") Study: corn Kruskal-Wallis test's Ties or no Ties Value: 25.col=colors()[45]) bar. main="Std.35).3.method.30000 10 29.81250 8 t-Student: 2.col=colors()[25].cex=0.2).3 d 4 4.mar=c(3.9175 Harmonic Mean of Cell Sizes 8.err(compara.042272 Alpha : 0. 31 .Err 35 35 par(mfrow=c(1.05 LSD : 4.std=F.group=TRUE.group(compara.3).35).62884 degrees of freedom: 3 Pvalue chisq : 1. Treatments and mean of the ranks a 3 29.WALLIS compara<-kruskal(observation.8125 El objeto “compara” tiene la misma estructura de las comparaciones (figura 4.Err") 30 30 a --- 25 25 ----- 20 20 b --- 15 ----- 10 10 15 c --- 5 5 d 0 0 --- 3 1 2 4 3 1 2 4 Figura 4.

5 4.group=TRUE) Study: Van der Waerden (Normal Scores) test's Value : 8.5 13.98 0.034515 Comparison between treatments Sum of the ranks t1 t1 t1 t3 t4 t4 - t2 t3 t4 t2 t2 t3 Difference 14.98 21.98 20.trt.192198 Pvalue F: 0.48 0.03621547 Alpha : 0.04404214 F value : 3.101742 -1. t1 t2 t3 t4 Sum of the ranks evaluation replication 38.0 12 Friedman's Test =============== Adjusted for ties Value: 8.test(yield.test() Con datos de camote en la base agricolae data(sweetpotato) attach(sweetpotato) compara<-waerden.860438 -10.01.02 25.11 WAERDEN Waerden. main="Data of the book of Conover") Study: Data of the book of Conover trt. -0.097345 Pvalue chisq : 0.alpha=0.03825667 32 .0 10.48 0.98 0. group=FALSE.4.0 1.0 12 23. evaluation.022602 * 2.5 12 24.48 12.alpha=0.48 15.5 pvalue sig LCL UCL 0.05.5 12 34.483434 -7.98 0.5 9.40998 Pvalue: 0.071736 .05 t-Student : 2.98 4.02 24.10 FRIEDMAN friedman() library(agricolae) data(grass) attach(grass) compara<-friedman(judge.virus.014896 * 3.

060176 Las probabilidades de comparacion se obtienen con el parámetro group=FALSE.9930097 33 .8302883 0.Degrees of freedom: virus. -0.03825667 of freedom: 3 means of the normal score yield replication cc -0.2328353 3 fc -1.355387 Alpha : 0.836322 -0.group=F) detach(sweetpotato) Study: Van der Waerden (Normal Scores) test's Value : Pvalue: Degrees virus.8273411 0.40998 0. 3 means of the normal score yield replication cc -0.6044433 3 t-Student: 3.0841251 pvalue sig LCL UCL 0.6576294 0. -0.322487 Means with the same letter are not significantly different Groups. 8.6044433 ab cc -0.0601764 3 ff 0.8372786 1.066376 .2328353 b fc -1.002902 ** 0.01251917 1.7461632 0.01 LSD : 1.83986026 2.07160593 1. compara<-waerden.08154345 1.6885684 3 oo 0.75573516 2.5735043 0.test(yield.0601764 3 ff 0.6044433 3 Comparison between treatments means mean of the normal score cc ff oo ff oo ff - fc cc cc fc fc oo Difference 0.6646197 0.069032 .6885684 3 oo 0.047582 * 0.virus.7362256 0.002176 ** 0. Treatments and means of the normal score a ff 0.6885684 a oo 0.7487448 1.82475944 0.9214037 0.2328353 3 fc -1.

"D"."D"."C".989.D ..0.609.423.000000 4 0.12 DURBIN durbin().0."A"."B".. Moore and C.000000 34 .875. Sum of ranks A B C D E F G sum 5 5 9 5 5 8 5 Durbin Test =========== Value : Df 1 : P-value : Alpha : Df 2 : t-Student : 7.group=F. Ejemplo: Myles Hollander (pag 311) Fuente: W.0..0.0. "B". 0."G".417.396.0.G Difference pvalue sig 0 1.0."F"."G".0.306004 Least Significant Difference between the sum of ranks: 5."A".602.0. (1942) dias <-gl(7.309.102688 0 1.652.873.I.000000 0 1."C".142.325.05 8 2."F".634. Bliss."E".536. 0."F") toxico<-c(0.4.0. D .343.1.714286 6 0.465. main="Logaritmo de la dosis tóxica") Study: Logaritmo de la dosis tóxica quimico.931) compara<-durbin.toxico.0.330.0.0. "B".987."D".2597916 0.426.0.B C .0.00689 Parameters BIB Lambda : 1 treatmeans : 7 Block size : 3 Blocks : 7 Replication: 3 Comparison between treatments sum of the ranks A .A A .409.test(dias.3) quimico<-c("A"."G".0.0."E"."C"."E".quimico.

8. 7.5.2945 RESIDUAL 48 128..5.5..3. 8. v4. 10. 8.. 7.4. se identifica por letras.. 6. Finalmente asigne un nombre a cada fila que representará al genotipo. 7. 9.Squares F .8.1 ESTABILIDAD PARAMETRICA Uso del modelo paramétrico función stability.78 <0. 7. 9.6. 7. 3.8.5.....5. 6..0. 7.. 7.8.4) v2 <. 4.2..6.. 7.. 5.6783 POOLED ERROR 240 2. 6.. Éstos son: un modelo paramétrico para una selección simultanea en rendimiento y estabilidad “SHUKLA'S STABILITY VARIANCE AND KANG'S”.9. 6.. 5. los ambientes. 4.- .5 ANÁLISIS DE ESTABILIDAD En “agricolae” se tiene dos métodos para el estudio de estabilidad y el modelo AMMI.1... 7. 7.9.3. 5..6. 10.42 0....2.8. 8.. 9..5055 ENVIRONMENTS 4 734...4.frame(v1.8. 5.8324 HETEROGENEITY 16 52.4) v5 <.. 7.1.0000 .8......9.5619 INTERACTION 64 181.stability. 5. 6.. 10.0875 7..3..6. v2.... v5) rownames(estudio) <.3.c(7.LETTERS[1:17] Se asume una variancia del error de 2 y 4 repeticiones.data. 6..par(estudio. 9.3. 8..0. 7.5597 2.3..4. 7. hallar un promedio armónico que representará al conjunto. Para el ejemplo se considera 5 ambientes: v1 <...9.9..1.7128 3.covariate Analysis of Variance . 8. v3. 6... 8.STABILITY (YSi) STATISTICS Environmental index .3.. Sum of Squares Mean p.. 8. y un método no paramétrico de Haynes. 5..c(9.1.8... 3.1. 7. 5..6075 GENOTYPES 16 120. 6.3.. 9.8..8... 5.9.2725 2.. MSerror=2) INTERACTIVE PROGRAM FOR CALCULATING SHUKLA'S STABILITY VARIANCE AND KANG'S YIELD .. 6..3....3.c(5. 5.7.5.001 1.3. 9.6.7) Para 17 genotipos. donde las filas sean los genotipos y las columnas.8. 8.003 91. 9.0.6.TOTAL 84 1035..4.65 0. 5. 4.Source d.081 .2....23 0. 7..2475 183.. 7.0.6. rep=4.9. 8.5.. 5.3.1. 4.. 5... 10.. 8. 4.2...8.. 8..par() Preparar un tabla de datos..6.7.9. estudio <. basado en el rango de los datos. 6. 7. Si las repeticiones son diferentes..4.3...8.... 6.8) v4 <. 5.1) v3 <.8.4.4. 9..2.. Determinar la variancia del error común para todos los ambientes y el número de repeticiones que fue evaluado cada genotipo.4. 7...4.4.34 0. 10.2. 9. 9..c(10.f.c(7. 4.033 1. Los datos deben corresponder a promedios de rendimiento u otra variable medida. 7.- 35 ..value . 9. 7.281 1. estabilidad <.. 9.

90 15 1 16 1..12 3 -1 2 3. 85:754-757.250796 12 7.161967 * 6.+ selected genotype ++ Reference: Kang...495300 -4 2 10 J 7..233967 0 10 + 4 D 7.68 1.rating YSi ..610982 ns 10.88 3..541149 17 5.30 17 2 19 1..108678 13 7... S..079567 -2 7 5 E 7..353030 ns 13..22 5 -1 4 1..66 3.028880 ns 6.848900 ns 4..759300 ns 1..097156 ns 3..44 9 1 10 0.. Estos genotipos tienen un rendimiento más alto y una variación más baja.492208 4 7.rank Adjusted Stab.1 7.90 1... 1993.977299 ns 7. la interacción es significativa..058092 ns 6.459578 ns 7. J.242796 11 7.875737 8 7. codes: 0 '**' 0....598500 0 -2 Yield Mean: 7.64 11 1 12 2.209084 ns 6.Stability statistics .7384513 ..161967 -4 -1 7 G 7..443859 ns 15.079567 ns 1.553384 16 6.22 1.. E.. 36 .951300 ns 1.822233 0 4 3 C 7.671833 0 15 + 2 B 7.42 8 1 9 4.68 13 1 14 1..134103 ns 1.125514 ns 15.924678 14 7.30 6 -1 5 2...34 7 -1 6 5. se puede agregar al modelo como una covariable...367031 Signif.757167 ns 2..868208 9 7. Agron.08 3.806233 ns 1..423680 ns 20.951300 0 19 + 16 P 6..var Stab. 1 A 7.647833 ns 4... Simultaneous selection for yield and stability: Consequences for growers. H. Así por ejemplo la altitud de las localidades. Si se tiene un índice ambiental..92 16 1 17 0. M.64 2.86 1....759300 0 16 + 8 H 7...763106 * 18.34 5.05): 0.....129967 ns 5...806233 0 17 + 15 O 8.Genotype MEANS Sigma-square s-square Ecovalence ..495300 * 0...647833 0 0 17 Q 5.44 0.064913 5 7.037967 0 12 + 6 F 7.42 4.757167 0 14 + 9 I 7..675300 0 5 13 M 7.352941 LSD (0..473167 0 13 + 14 N 7.859266 6 7..129967 -2 9 + 11 K 7..848900 0 2 12 L 7.30 1..037967 ns 2..360772 ns 14.198229 ns 12..92 0. C.88 1 -3 -2 3... Los genotipos seleccionados son: A..675300 ns 3..061619 10 7.822233 ns 1.08 2 -2 0 3. M... Según el ANVA. G.671833 ns 2.54 4.473167 ns 2.14 5..369090 ns 7..378824 YS Mean: 8. J.567031 2 7.12 3.....01 '*' 0. N y O..097855 3 7.05 'ns' 1 Simultaneous selection for yield and stability (++) Genotype Yield Rank Adj.598500 ns 4.233967 ns 0..54 10 1 11 4.919102 ns 13.30 2.14 4 -1 3 5.511972 15 8.86 14 1 15 1.885149 7 7..66 12 1 13 3..

14 4 7.0 7.5 1.5 P 1.0 3.08 2 6.0 10..0 F 2. ranking=TRUE) Nonparametric Method for Stability Analysis ------------------------------------------Estimation and test of nonparametric measures Variable: YIELD Ranking.0 14.5 14.0 10.0 4.0 G 6.34 7 8.5 9.05 0.6 N 7.0 L 5.0 15.92 16 4.5 25.73 1..0 C 7.42 8 7.82 0.7 27.0 2.5 8.43 0.0 17. datos <.83 1.30 6 7.20 0.55 0.2 18.0 10.5 4.2 O 8.0 2.8 J 7. "YIELD".MSerror=2.35 v5 8.02 0.08 0.6 F 7.09 37 .08 0.12 3.68 13 6.data.0 8.0 15.04 0.8 39.03 1.4 E 7.0 9.19 0. 2400) estabilidad <.0 17.stability.20 1.3 43.02 1.8 L 7.01 5.57 0.0 4.0 D 7.0 Q 3.5 12.0 1.0 D 9.0 B 7.22 5 6.12 3 7.2 K 7.5 12.0 5.5 Z1 0.0 10.0 8.0 v3 9 5 9 5 11 7 16 15 17 9 13 5 3 12 14 2 1 Statistics.2 I 7.cova=TRUE.0 6.0 1.0 E 12.40 0.2 ESTABILIDAD NO PARAMÉTRICA Para estabilidad no-paramétrica.5 6.5 8.names(estudio).0 11.0 P 6.66 12 7.3 51.0 17.7 7.44 9 3.5 21.frame(nombre=row.64 11 5.0 K 9.altitud<-c(1200. 1300. v1 v2 A 16.8 G 7.2 C 7.5 14.87 0.0 I 4.0 6.5 36.0 H 12. estudio) modelo<-stability.0 12.4 M 7.90 15 5.0 s2 21.0 34.00 1.86 14 5.par(estudio.94 1.0 2.0 10.0 16..5 34.0 16..0 5.5 M 15.8 31.54 10 7.12 2.81 0.36 0.0 2.4 B 7.81 1.71 2.rep=4.0 4.0 N 11.5 J 14.0 13.6 v4 14. cova=altitud) 5.5 O 17.7 25.71 0.2 14.77 1.2 H 7. la función es stability. 1600. 800.0 14.49 0.0 6.5 3. Esta función requiere que la primera columna contenga los nombres de los genotipos y las otras columnas de los ambientes.30 17 7.7 38.nonpar().nonpar(datos. Mean Rank s1 A 7.5 16.5 12.7 Z2 0.

ylim=c(-2.0 0.2).46 -----------------------Sum of Z1: 17. Se requiere homogeneidad de variancia del error.97158 Sum of Z2: 16. MEAN es1 es2 vs1 vs2 chi.58711 --expectation and variance: es1. este genera los graficos de BIPLOT.71 32.ind chi.Q 5. Y=rdto.rep(rownames(estudio).1]. repetición. GEN=genotipo.1. es2. para: ambiente. se considera los datos utilizados (objeto estudio): rdto <.sum. Los datos deben estar organizados en columnas. pero es necesario considerar un promedio armónico para las repeticiones y una variancia común del error. Los datos para AMMI deben provenir de experimentos similares conducidos en diferentes ambientes.88 1 7. variable Los datos también pueden ser los promedios de los genotipos en cada ambiente.2). variable Al ejecutar AMMI. Los datos pueden estar organizados por columna.5) modelo<-AMMI(ENV=ambiente.. estudio[.3 0.566667 148.sum 1 7. vs1.4].843605 27.59462 -----------------------Test..2]. ver figrua 5. individual Z1 or Z2 are compared to a Chi-square value of chi. vs2 5. genotipo. number=FALSE) REP=4.3].5]) ambiente <. ANALYSIS AMMI: rdto Class level information ENV: 1 2 3 4 5 GEN: A B C D E F G H I J K L M N O P Q REP: 4 Number of means: 85 38 .3 AMMI El modelo AMMI utiliza el biplot de las componentes principales generado por los ambientes y genotipos. The test for the significance of the sum of Z1 or Z2 are compared to a Chi-Square value of chi. genotipo.xlim=c(-2. Para la aplicación. MSE=2.8 8. estudio[. así: Ambiente.647059 24 2.gl(5.c(estudio[. estudio[. El análisis se realiza con el combinado de los experimentos. entonces el biplot es una buena alternativa para estudiar la estabilidad de los genotipos.ind. Si existe interacción genotipo-ambiente y el porcentaje de las dos componentes principales explica más del 50% de la variación total. The Z-statistics are measures of stability.17) genotipo <.378824 5. estudio[.

MSE=2.0000 GEN=genotipo.1.0000 2.629609 1.Sq 68.2725 2.416191 3.9 Df 19 17 15 13 11 Sum.7915 0.0 67.8 3 22.6 PC5 0. Los datos deben corresponder a una tabla.43370 0. La funcion a aplicar es consensus().178155 1. la interacción es significativa. Con el triplot.0875 7. % 1 1 38 2 29.0675 2.832382 1.505471 3.406054e-06 ENV:GEN 64 181.561882 REP(ENV) 15 GEN 16 120.0 PC2 29.number=F) PC Mean.81 0.000000 Coeff var 19.5 F P 5 2 L G 4 0 I PC 2 REP=4. 6 6.279630e-02 Residuals 240 480.02864 40.341054 0. D B M J K O A 2 F 3 Q CN P PC2 E H PC3 5 B G -1 I 3 K 4E L J C D M N H Q A O -2 1 1 -2 -1 0 1 2 PC1 PC 1 Figura 5.1680 1.8 90.752735 3. Las dos primeras componentes explican el 67.0 acum 38.000000 0. se explicaría el 90. 39 .00000 2 modelo<-AMMI(ENV=ambiente.67 0.1 FUNCIONES ESPECIALES CONSENSO DE DENDROGRAMA El consenso es el grado o semejanza de los vértices de un árbol respecto a sus ramas del dendrograma construido.36 0. % PC 1 38 2 29. de la base de “agricolae”. Para el ejemplo.16584 Mean rdto 7. los datos “pamCIP” corresponden a marcadores moleculares de 43 entradas (filas) y 107 marcadores (columnas).59 0.Sq F.378824 Analysis percent PC1 38.723170 1.96258 54.Dependent Variable: rdto Analysis of variance Df Sum Sq Mean Sq F value Pr(>F) ENV 4 734.F 3.84756 17. con nombre en las filas y en columna las variables.8%. entonces el biplot puede proporcionar información de la relación de genotipos y ambientes.3 99.0225 3.00 1.5 PC4 9.2475 183.8 Y=rdto. graph="triplot".value Pr.8 PC3 22. Biplot y Triplot En este caso.3%.9 99.

"complete") Figura 6.2.6) par(cex=0.cex. nboot=500) Cluster Dendrogram 75 38 50 99 702650 0.8 100 95 64 85 77 66 76 100 100 6765 41 40 4148 distancia hclust (*.type="t".4.text="blue".col.main="group 8" .0 Height 91 704232 719083 706776 702615 707132 705750 702619 703258 706260 701014 703973 706268 706777 704231 706272 702305 702443 704880 702078 702631 702445 705951 0.4 100 60 97 99 704229 704815 0. figura 6.8) output<-consensus( pamCIP. El resultado es un dendrograma. es conveniente extraer parte de éste con la funcion hcut(). method="complete". Dendrograma producion por consensus() Duplicates: 18 New data : 25 Records Consensus hclust Method distance: Method cluster : rows and cols : n-boostrap : Run time : binary complete 25 107 500 20.1.distance="binary".469 secs Cuando el dendrograma es complejo. hcut(output.1.edgePar = list(lty=1:2.El programa identifica duplicados en las filas y sólo utiliza 25 filas que no son diferentes. data(pamCIP) rownames(pamCIP)<-substr(rownames(pamCIP). figuar 6.1.group=8.h=0.text=1) 40 . col=2:1).

3].93617021 100. .type="r".02857143 64. col=2:1)) text(data[.500000 0.4]. 24 21 23 5.4 64.dend X1 X2 xaxis height percentage groups 1 -6 -24 7.500000 0.data[.2 3-4 . volver a construir el diagrama de árbol y tener las relaciones output$ table.4 39.dendrogram(output$dendrogram) plot(dend.data[.cex=1) 41 .data[.3 dend<-as.2 706272 0.5]) Construir un dendrograma clásico.15 0.05 0.10 0.group 8 40.data[.dend" "dendrogram" "duplicates" Esto significa que se puede conocer los duplicados.8 705951 702445 702078 704880 702443 702305 702631 47. figura 6.5].0 6-24 2 -3 -4 19.0 1-2-3-4-5-6-7-8-9-10-1112-13-14-15-16-17-18-19-20-21-22-23-24-25 Reproducir el dendrograma: dend<-output$dendrogram data<-output$table.3].03571429 64.099609 0.col="blue".2.dend plot(dend) text(data[. Dendrograma producion por hcut() El objeto “output” obtenido contiene información del proceso: names(output) [1] "table.8 41 66. .20 100 Figura 6.4].00 0.edgePar = list(lty=1:2.

8 705951 702631 702078 41 4 7 .montecarlo(soil$pH.2 706260 703258 707132 702615 706776 719083 704232 702619 85 7 6 .freq(simulado.2 9 8 .2 MONTECARLO Es un método para generar números aleatorios de una distribución desconocida y utilizarse para algun proceso de simulación.0.1)) plot(density(soil$pH).2 9 0 .2 96.2 3 7 ."Simulado").lwd=4) h<-graph.6 0.2 0.4 39.seed(9473) simulado <. Dendrograma clásico 6.col=c("black".4.6 7 5 . La densidad de probabilidad de los datos riginales y simulados pueden ser comparados.6 64 704815 704229 702650 0.2 702445 100 703973 701014 6 5 .1000) par(mar=c(3. figura 6.4 9 4 .c("Original". lwd=4) Densidad de pH del suelo con Ralstonia Original Simulado 1 2 3 4 5 6 7 8 9 10 11 Figura 6.8 7 4 . data(soil) set.xlab="".4 4 0 .axes=F.plot=F) axis(1.main="Densidad de pH del suelo\ncon Ralstonia".4).lwd=4) lines(density(simulado).6 50 5 9 . col="blue".8 6 4 .100 0.6 Figura 6. Distribución de los datos simulados y el original 42 .lty=c(1.4 9 8 .2.3. lty=4.4 704880 702443 702305 706272 704231 706777 706268 6 6 . "blue").0:12) legend("topright".0 100 100 705750 0.4.

factor(potato[..model) Resampling of the experiments .7020312 0.31 2.... Median 1. Los datos deben ser preparados en forma similar para un análisis de variancia.086806 7.45 3..17670768 0.2) Inf Sup MC 1.209 7.01952218 0.01 999 1.1]<-as..45 2. 10. 1st Qu.530 Residuals 12 41. 6.1]) potato[.698 6.456417 --- La funcion resampling.200 variety:date 2 4. 1st Qu.Proposed model: cutting~variety + date + variety:date --Resampling of the analysis of variancia for the proposed model Determination of the P-Value by Resampling Samples: 1000 Df Sum Sq Mean Sq F value Pr(>F) Resampling variety 1 25.14 10.600 Max. 6.154 7.086806 25.426513 0.03 .potato.04 46 0.100 Mean 3rd Qu.51483592 0. 2.400 summary(simulado) Min..Se han generado 1000 datos y la tabla de frecuencia es: round(table.762 Max.800 4.freq(h).443 4.0095604 0.57 fi fri 4 0.2]) model<-"cutting~variety + date + variety:date" analysis<-resampling.477005 3.022 Mean 3rd Qu. La función que se utilizará es: resampling..00 42 0.2580377 0.00 Fi Fri 4 0.025 date 2 13.950 6.2]<-as.model(1000.891758 6.model() puede ser utilizado cuando los errores no siguen una distribución normal. .99 10.700 6.. .00 Véanse algunas estadisticas: summary(soil$pH) Min. 8.853025 2.factor(potato[..945879 2. 43 .3 RE-MUESTREO EN MODELO LINEAL Utiliza el método de permutación para el cálculo de las probabilidades de las fuentes de variación del ANOVA según el modelo lineal de regresión o diseño.88 10.60 2.05 8 0..model() data(potato) potato[.. Median 3.

477 3.0.5% de resultados simulados sobre la interaccion variety*date dio el mismo resultado del ANOVA. la función genera errores seudo experimentales bajo el modelo propuesto y determina la proporción de resultados válidos según el análisis de variancia encontrado...matrix(c(1..rbind(0....7) names<-c("X1".7020312 67. 67.2580377 51.x..x)<-list(names.0095604 61. codes: 0 ‘***’ 0.corr.51484 Residuals 12 41. potato..5. Así.5 acceptable La validación es referido al porcentaje de resultados de decisión iguales al resultado de decisión del ANOVA.1 38."X2") dimnames(corr.6.model(1000.01 ‘*’ 0.simulation.427 0.087 7.5 ANALISIS DE CAMINOS Corresponde al metodo “path análisis”.6.9 acceptable 2 0.2580 0.1 ‘ ’ 1 --Validation of the analysis of variancia for the proposed model Simulations: 1000 variety date variety:date --- Df F value % Acceptance % Rejection Criterion 1 7.5.c(2.456 --Signif...y<.y) 44 .5 32.05 ‘. Para el ejemplo planteado en el procedimiento anterior: model <.y)<-list(names... en forma idéntica al de un análisis de variancia.Proposed model: cutting~variety + date + variety:date Analysis of Variance Table Response: cutting Df Sum Sq Mean Sq F value Pr(>F) variety 1 25. model) Simulation of experiments Under the normality assumption .0. corr. Los datos son preparados en una tabla.’ 0..0096 0.1). La función es: simulation.0.5 acceptable 2 2.5 48.853 2.model().analysis(corr.087 25. 6.2)) corr.946 2.x<.01952 * date 2 13.names) dimnames(corr.001 ‘**’ 0..7020 0.4 SIMULACIÓN EN MODELO LINEAL Bajo el supuesto de normalidad. los datos corresponden a matrices de correlacion de las independientes con la dependiente (XY) y entre las independientes (XX) Es necesario asignar nombres a las filas y columnas para identificar los efectos directos e indirectos.17671 variety:date 2 4."Y") path.892 6.

.0 ============ Y X1 0.7 Direct(Diagonal) and indirect effect path coefficients ====================================================== X1 X2 X1 0. Ejemplo con los datos de heterosis.3333333 0. Los datos deben estar organizados en una tabla.site2[. En el caso que corresponda a progenitores.91 1 Achirana 3 <NA> 3. Hembras.4]!="Control") 45 .6 X2 0. correspondientes a: 24 progenies (cruzas) 8 hembras 3 machos 3 repeticiones. sólo estara llenado el que corresponda.c(2.5 1. Sólo se necesitan 4 columnas: Repetición. Si es un progenitor. En este ejemplo se tiene datos de la localidad 2.2666667 X2 0..35 <NA> TPS-67 2.1]==2) site2<-subset(site2[..65 LT-8 TPS-13 2.Correlations ============ X1 X2 X1 1..1666667 0.0 0. data(heterosis) site2<-subset(heterosis.8)].26 1 Achirana TPS-13 3.5 X2 0. 8. Machos y la respuesta.6..5333333 Residual Effect^2 = 6.5.6 0. ésta proviene de un “Female” y “Male”. 215 Replication 1 1 Female Male v2 LT-8 TS-15 2. 3) aplicados en 3 bloques. 140 .55 1 Achirana TPS-67 3.heterosis[. el campo de Hembras o Machos. Si es una progenie.93 1 TPS-2 <NA> 2. Son 35 tratamientos (24. sólo tendrá “Female” o “Male”.91 <NA> es vacío.. 131 132 133 134 . 109 110 . Ver los datos heterosis.05 1 LT-8 <NA> 2. localidad 2.4266667 LINEA POR PROBADOR Corresponde a un análisis de cruzas de un diseño genético.

801142857 Total 104 18.059 -0.879 0. v2) detach(site2) ANALYSIS LINE x TESTER: v2 ANOVA with parents and crosses ============================== Df Sum Sq Replications 2 0.9755431 0.414 TPS-7 0.389 0.71079187 3.122 -0.773149091 29.087 0.0000 0.192 Crosses 23 8.632 0.081 46 .2256 0.0000 0.0000 Error 68 1.120 LT-8 -0.101605714 Parents 10 7.132 SCA Effects: =========== Testers Lines TPS-13 TPS-67 TS-15 Achirana 0.773149091 29.338 MF-I 0.0000 0.061 0.189 Parents vs.046 -0.659 Lines X Testers 14 2.731 Lines 7 4.6626 0. Female.101605714 0.192 0.0000 0.0191 Testers 2 0.421939048 GCA Effects: =========== Lines Effects: Achirana LT-8 0.632 Testers 2 0.005082861 0.32469306 1.026487395 Total 104 18.659 0.0000 0.649386111 0.6626 0.0002 0.113 0.187 MF-II -0.0191 0.005082861 Crosses 23 8.473576639 17.047 0.19572163 7.389 Error 68 1.801 0.259595238 9.026487395 ANOVA for line X tester analysis ================================ Df Sum Sq Mean Sq F value Pr(>F) Lines 7 4.047 Pr(>F) 0.519 -0.189 0.8011429 0.731490909 Parents vs.801142857 0.0002 0.259595238 9. Male.519190476 Treatments 34 16.141 Testers Effects: TPS-13 TPS-67 TS-15 0.148 Serrana 0.519190476 0.02648739 ANOVA for line X tester analysis including parents ================================================== Df Sum Sq Mean Sq F value Replications 2 0.032 -0.195721627 7.6493861 0.005082861 0.083 MF-I -0.731490909 0.0000 TPS-25 0.975543056 0.473576639 17.005082861 0.0000 0.449 Serrana 0.attach(site2) output1<-lineXtester(Replication.194 0.879 Parents 10 7. Crosses 1 0.710791865 3.365031944 Error 68 1.365031944 0.363697041 13.324693056 1. Crosses 1 0.022 -0.058 TPS-2 -0.731 0.2256 Lines X Testers 14 2.199 MF-II -0.7401028 0.435 0.065 0.363697041 13.740102778 0.421939048 Mean Sq F value Pr(>F) 0.801 Treatments 34 16.

01546921 0. testers and their interactions to total variance =========================================== Contributions of lines : 59.E.skl)tester: 0.975 11.2256456 0.5. (line) : Cov H.1328844 Genetic Components: ================== Cov H. (average): Cov F. (sij . (tester) : Cov H.S.frame(table$uniformity) uniformidad Size Width Length plots Vx CV 1 1 1 1 648 9044.S. 40 162 9 18 4 4009.1 4 3 1 3 216 7347.smith(rice.04698173 S. utilizado para determinar el tamaño de la parcela para fines de investigación.7 UNIFORMIDAD DEL SUELO El índice de smith es un indicador de la uniformidad. y un total de n*m unidades básicas. figura 6. main="Relacion entre el CV y el tamaño de la parcela" .09396346 S.232 12.gj)line : 0.162 Standard Errors for Combining Ability Effects: ============================================= S.00537381 0. 1. Para la prueba se utilizara el archivo de arroz.003867302 0.197 -0. (gca for tester) : 0.75663 6.data.TPS-2 TPS-25 TPS-7 0.6 47 .072 -0. Los datos corresponden a una matriz o tabla que contenga la respuesta por unidad básica. (gi .05424983 S.539 13.1279716 Aditive genetic Aditive genetic Variance due to Variance due to variance : variance : Dominance: Dominance: 0. (sca effect) : 0.068 12.124 0.7 5 3 3 1 216 7355. El gráfico es un resultado con el ajuste de un modelo para el tamaño de la parcela y el coeficiente de variación.S. type="l".216 11.. 0.336 -0.S.173 -0.765 8.126 -0. 0.E.7 .E.06187683 0..0332211 S. 1. (gi .col="red".05723003 0. (gca for line) : 0.1 3 2 2 1 324 7831.074 0.xlab="Tamaño") uniformidad <.E.05641141 Proportional contribution of lines.E.200 0.07672084 S. (average): F F F F = = = = 0.48026 Contributions of testers: 7.E. un número de n filas por m columnas.0 2 2 1 2 324 7816. data(rice) table<-index.763104 Contributions of lxt : 32.gj)tester : 0.

nboot=200) Method: Shannon The index: 3.bio() son: "Margalef". "McIntosh".5 11.0 12. "Simpson.of.method="Shannon". La evaluación se realizó el 17 de noviembre de 2005 en las parcelas sin aplicación de insecticidas.4:6] Orden Family Number. y "Shannon".52304 48 .0 9. cv 9. y la forma rectangular el tamaño del ancho y el largo.specimens 79 DIPTERA TIPULIDAE 3 80 LEPIDOPTERA NOCTUIDAE 1 81 NOCTUIDAE PYRALIDAE 3 82 HEMIPTERA ANTHOCORIDAE 1 83 DIPTERA TACHINIDAE 16 84 DIPTERA ANTHOCORIDAE 3 85 DIPTERA SCATOPHAGIDAE 5 86 DIPTERA SYRPHIDAE 1 87 DIPTERA MUSCIDAE 3 El indice de shanon es: output <index.Parker".Dom".level=95.paracsho[79:87.Div".5 10.5 Relacion entre el CV y el tamaño de la parcela 0 50 100 150 Tamaño Figura 6. Se contabilizó los especímenes.bio(especies[. "Berger.5.8 LÍMITES DE CONFIANZA EN ÍNDICES DE BIODIVERSIDAD Los intervalos de confianza son determinados por boostrap.3].El tamaño es el producto del ancho por el largo de la parcela.5 12.0 11. distrito de Huasahuasi.0 10. Curva de ajuste para el tamaño optimo de parcela 6. Los índices que se puede calcular con la función index. provincia de Tarma del departamento de Junin. Para el ejemplo se utilizará los datos de la localidad de Paracsho. Los datos deben estar organizados en una tabla conteniendo en una columna las especies y en otra columna la cantidad. especies <. "Simpson.

00 0.sided $correlation EC CaCO3 pH 0.088775 .32 1.9 CORRELACIÓN La función correlation() de “agricolae” realiza las correlaciones mediante los métodos de pearson.2:4].soil[.55 0.55 1.73 0.0048 $n. mayor o menor. data(soil) correlation(soil[.method="pearson") Correlation Analysis Method : pearson Alternative: two.286088 6. Si son 2 vectores. Para su aplicación.obs [1] 13 49 .95 percent confidence interval: 3.3:4].32 CaCO3 0. realiza la prueba para una o dos colas. si es matricial.294159813 CaCO3 0.004797027 EC 0.000000000 0. determina las probabilidades para una diferencia.004797027 0.55 0.0525330 0.sided $correlation pH EC CaCO3 pH 1. 4.000000000 $n.00 $pvalue pH EC CaCO3 pH 1. spearman y kendall para vectores y/o matrices.2941598 1.0525 0.method="pearson") Correlation Analysis Method : pearson Alternative: two.obs [1] 13 attach(soil) correlation(pH.0000000 0.00 0.73 EC 0.052532997 1. considere los datos de suelo data(soil).73 $pvalue EC CaCO3 pH 0.

stat(A[.CaCO3. A[.stat(A[. data=sweetpotato) 50 .4 8 Huatocay 19.5 2 Caballero 13.7278362 6.function(x) max(x)-min(x)) detach(RioChillon$babies) farmer yield 1 AugustoZambrano 7.520169 .function(x) mean(x.na.4 9 IgnacioPolinario 13.1 Corresponde al rango de variación en el rendimiento de los agricultores.1 7 Huarangal-3 9.1 4 FelixAndia 19.method="pearson") Pearson's product-moment correlation data: pH and CaCO3 t = 3. Si A es una tabla con columnas 1. df = 11 .model() calcula el coeficiente de variación data(sweetpotato) modelo <. La función tapply puede ser utilizada en forma directa o con función.stat(A[. A[.5:7].6 y 7 como variables.5:7]. Tabla de factores y variables Aplicación con datos de “agricolae”: data(RioChillon) attach(RioChillon$babies) tapply. p-value = 0.10 OTRAS FUNCIONES Funciones que facilitan el análisis y el manejo de datos: tapply.6)].004797027 alternative hypothesis: true rho is not equal to 0 sample estimates: cor 0.1:2].4 3 ChocasAlto 14.stat() Cálculo de estadistas y operaciones matemáticas en columnas de una tabla en función de factores agrupados.1:3]. entonces la funcion cv.correlation(pH.2 y 3 como factores y 5.c(7. A[.modelo<-aov(yield ~ virus.farmer.8 6 Huarangal-2 9.mean) tapply.function(x) sd(x)*100/mean(x)) Coeficiente de variación de un experimento Si “modelo” es el objeto resultado de un análisis de variancia de la funcion aov() o lm() de R.stat(yield. los siguientes procedimientos son válidos: tapply.rm=TRUE)) tapply.4 5 Huarangal-1 9.1:3].

y[.10 del error tipo I.lty=2.1000.title="Fc") title(main="Waller en función de K") 51 .type="l".7) la asimetría se encuentra con: skewness(x) [1] 0.2.q.5.4.20). y valores de Fc de 2.Fc=2) for(i in 1:n) y[i.type="l". los grados de libertad de la fuente de estudio y el error correspondiente.model(modelo) [1] 17.f.lwd=2."8").lty=c(1.100) n<-length(K) y<-rep(0.4.f.4.3].col="green"."4".Fc=8) plot(K. El valor K es la razón entre los dos errores.1].3.NA. Excel.q.lwd=2) lines(K.col="blue". grados de libertad de 5 y 15 para el numerador y denominador respectivamente. K puede tomar cualquier valor La grafica de la función para valores diferentes de K.col=c("blue". pero es necesario el valor de F calculado del ANOVA.cv.Fc=4) for(i in 1:n) y[i. K=50.6 q<-5 f<-15 K<-seq(10.6.ylab="waller") lines(K.c("2".16660 Asimetria y curtosis Los resultados de asimetrica y curtosis obtenidos por SAS.3]<-waller(K[i].y[.3) for(i in 1:n) y[i.01. K=100 a 0.lty=4. son similares a las obtenidad por las funciones de agricolae: Si x representa a un conjunto de datos: x<-c(3.3595431 y la curtosis con: kurtosis(x) [1] -0.lwd=2) legend("topleft".05 y K=500 a 0.2].f."green").q.3*n) dim(y)<-c(n.5. 4 y 8 se presenta en la figura 6.col="red".1517996 Valor tabular de waller-duncan La función waller determina el valor.type="l".y[.2]<-waller(K[i]."red".1]<-waller(K[i]. al nivel de 0. 8.

evaluacion.E4=70.42) evaluacion<-data."Audpc Relativo = 0. figura 6.4. ylab="Evaluacón") lines(dias."relative") text(15.7. 10 20 30 40 50 60 70 80 90 Audpc Absoluto = 2030 Audpc Relativo = 0.col="red") axis(1.xlab="D ías". función de waller a diferente Valor del parámetro K y Fc.58 0 Evaluacón dias<-c(7.dias) audpc(evaluacion.evaluacion.ylim=c(0.21.80.col="red".dias.lwd=2.7.lwd=2.5 waller 3. AUDPC: Área bajo la curva 52 .lty=4.5 1.col="blue") abline(v=42.28.type="h".6.lty=4."Audpc Absoluto = 2030") text(15.100).E5=80.58") 7 14 21 28 35 42 Días Figura 6.100.E3=50.10)) abline(v=7.35.dias) axis(2.axes=F.h=0. La función AUDPC calcula el absoluto y relativo del progreso de la enfermedad.col="blue") audpc(evaluacion.E2=40.70.frame(E1=10.5 2 4 8 0 200 400 600 800 K Figura 6. Se requiere medir la enfermedad en porcentaje durante varias fechas de preferencia equidistantes. AUDPC Área bajo la curva del progreso de la enfermedad.h=100.5 Waller en función de K Fc 2.seq(0. E6=90) plot(dias. 14.

Para el ejemplo se utilizará los datos de un experimento en papa de la librería “agricolae”. date. y otro.37166 Q : 77.309 Segun este resultado. data(potato ) potato[. Tabla 6.1]) model<-lm(cutting ~ date + variety. MSerror) detach(potato) Tukey's test of nonadditivity cutting P : 15. Esta prueba verifica tal supuesto.051 3.922 0. se espera que la noaditividad no sea significativa.NO ADITIVIDAD La prueba de noaditividad de un modelo es utilizada cuando el supuesto de aditividad del modelo experimental no se cumple. los cuales se pretende estudiar bajo un modelo lineal en los parámetros en un modelo de dos factores. Un factor son los bloques. las variedades.value es 0.35.residual(model) MSerror<-deviance(model)/df attach(potato) analysis<-nonadditivity(cutting. 64 94 35 36 37 38 39 @ ^ # $ % & ‘ 53 .051 0. es necesario tener datos experimentales.3532 Residuals 14 46.factor(potato[.potato) df<-df.1]<-as.330 3. variety.10. Para utilizar esta función. Referencia de codigos ascii para el uso de símbolos Tabla de códigos ASCII utilizados en R Código Símbolo Código Símbolo Código Símbolo 92 47 91 93 40 41 123 125 \ / [ ] ( ) { } 124 60 62 61 34 126 58 59 | < > = “ ~ : . el modelo es aditivo porque el p. df.4444 Analysis of Variance Table Response: residual Df Sum Sq Mean Sq F value Pr(>F) Nonadditivity 1 3.

New York. J. E. 6. New Delhi. S. Tesis. printed in Great Britain. Montgomery (2002) Diseño y Análisis de Experimentos (2ª Ed) WILEY. Biometrika (1976) A new class of resolvable incomplete block designs.R. 54 . Austria. Kang.R-project. URL http://www. H.J. R Foundation for Statistical Computing.D.org 8. (1999) Practical Nonparametrics Statistics. M. 85:754-757 5. R: A language and environment for statistical computing. (1993). (1987) Linear Estimation and Design of Experiments. John Wiley & Sons. WILEY EASTERN LIMITED.D. 7. W. 3. Steel & Torry & Dickey (1997) Principles and procedures of statistics a biometrical approach. 2. Conover. Felipe. ISBN 3900051-07-0.REFERENCIA BIBLIOGRAFICA 1. Simultaneous selection for yield and stability: Consequences for growers. De Mendiburu. Vienna. Una herramienta de analisis estadistico para la investigacion agricola. R Development Core Team (2009).. Universidad Nacional de Ingenieria (UNI). D. (2009). Third Edition. India 4. Patterson. INC. Joshi. and Williams. Agron.

Sign up to vote on this title
UsefulNot useful