Analisis factorial y polinomios ortogonales

CURSO DE MÉTODOS CUANTITATIVOS III
FACULTAD DE AGRONOMÍA
PROTOCOLO DE PRÁCTICO 4:
Análisis Factorial y Polinomios Ortogonales
25/27 DE ABRIL 2012
Se recomiendan leer las páginas 170-182 (diseño factorial) del libro Montgomery. Además, se
recomiendan leer las secciones de pruebas de comparación múltiples (106-109), diseños
factoriales (91-96) y contrastes ortogonales (109-113) del manualde ayuda de InfoStat.
Tarea
Se realizó un DBCA para evaluar la produción de materia orgánica (grs.) de una leguminosa
nativa Inga uruguensis .Los factores evaulados fueron: genotipos (G1 y G2), inoculación con o sin
micorrizas (SM y CM) y dósis de Nitrógeno (0,50 y 100 Kg.ha-1), resultando en 12 tratamientos
(2x2x3). Se realizaron 4 réplicas (Bloques).
Se quiere estudiar el efecto decada uno de los factores sobre la producción de materia orgánica,
asi como sus interacciones. Considerar para el estudio de las interacciones la utilización de
polinomios ortogonales.

Caso de estudio
Se estudió la respuesta del pasto Brachyaria a la aplicación de N bajo diferentes condiciones de
acidez. Se estudian simultáneamente dos factores, Nitrógeno y Cal, cada uno con tres niveles,por
lo tanto existen nueve combinaciones posibles, nueve tratamientos. Se realiza un diseño de
Bloques Completos al Azar, con tres bloques, (27 unidades experimentales en total). La variable
de respuesta es la oferta forrajera (tonha-1).
Comandos R
#MODELO
modelo.cal=lm(oferta ~ bloque + cal + nit + cal*nit, data=datos.cal)
# FIJAR EL DIRECTORIO DE TRABAJO
setwd("F:/MisDocumentos/Cursos/MMCC III/Curso LG 2012/PRACTICOS/practico 4")
# 1. INGRESAR LOS DATOS
datos.cal=read.table("4calynitrogeno.txt", header=T, sep="", dec=",")
head(datos.cal)
dim(datos.cal)

#Obs: dec indica como se identifican los decimales, en este caso con comas
# SE DEFINEN LAS CARACTERISTICAS DE LAS VARIABLES
datos.cal[,1]=factor(datos.cal[,1])
datos.cal[,2]=factor(datos.cal[,2])datos.cal[,3]=factor(datos.cal[,3])
datos.cal[,4]=factor(datos.cal[,4])
# OTRA FORMA DE DEFINIR LAS VARIABLES
for (i in 1:4){datos.cal[,i]=factor(datos.cal[,i])}
# 2. ESTADISTICA DESCRIPTIVA
# 2.a Medidas resumen de oferta
summary(datos.cal$oferta)
sd(datos.cal$oferta)
# 2.b Medidas resumen de oferta por tratamiento (por cal y por nitrogeno)
mediasT=round(tapply(datos.cal$oferta, datos.cal$trat,mean),2)
desvioT=round(tapply(datos.cal$oferta, datos.cal$trat, sd),2)
minT=tapply(datos.cal$oferta, datos.cal$trat, min)
maxT=tapply(datos.cal$oferta, datos.cal$trat, max)
resumenT=data.frame(mediasT, desvioT, minT, maxT)
resumenT
mediasC=round(tapply(datos.cal$oferta, datos.cal$cal, mean),2)
desvioC=round(tapply(datos.cal$oferta, datos.cal$cal, sd),2)
minC=tapply(datos.cal$oferta,datos.cal$cal, min)
maxC=tapply(datos.cal$oferta, datos.cal$cal, max)
resumenC=data.frame(mediasC, desvioC, minC, maxC)
resumenC
mediasN=round(tapply(datos.cal$oferta, datos.cal$nit, mean),2)
desvioN=round(tapply(datos.cal$oferta, datos.cal$nit, sd),2)
minN=tapply(datos.cal$oferta, datos.cal$nit, min)
maxN=tapply(datos.cal$oferta, datos.cal$nit, max)
resumenN=data.frame(mediasN, desvioN, minN,maxN)
resumenN
# 2.c Medidas resumen de oferta por bloque
mediasB=round(tapply(datos.cal$oferta, datos.cal$bloque, mean),2)
desvioB=round(tapply(datos.cal$oferta, datos.cal$bloque, sd),2)
minB=tapply(datos.cal$oferta, datos.cal$bloque, min)
maxB=tapply(datos.cal$oferta, datos.cal$bloque, max)
resumenB=data.frame(mediasB, desvioB, minB, maxB)
resumenB

# 2.d Graficos de cajas(Box-plot)
boxplot(datos.cal$oferta ~ datos.cal$trat, col="lavender", xlab="Tratamiento", ylab="Oferta")
xT=as.numeric(as.character(unique(datos.cal$trat)))
points(xT, mediasT, pch = 16)
arrows(xT, mediasT - desvioT, xT, mediasT + desvioT, code = 3, col = "blue", angle = 75, length
= .1, lwd=2)
boxplot(datos.cal$oferta ~ datos.cal$cal, col="palegreen", xlab="Nivel de Cal", ylab="Oferta")...