D
data.frame() {base}
Crea marcos de datos, de dos dimensiones (rectangulares) que pueden contener datos de diferentes tipos, por lo tanto, son heterogéneas
Cada columna en un marco de datos representa una variable y cada fila representa una observación. |
Indicar entre paréntesis () pares de variables y valores. Por ejemplo, si queremos crear un marco de datos con dos variables llamadas “edad” y “altura”, podemos proporcionar los nombres de las variables como argumentos separados por coma, seguidos de los valores correspondientes |
Para crear una base de datos que almacene información de dos variables (Departamento y pH) de las muestras de la Tabla 1: datos, se utiliza la función data.frame(). A esta nueva tabla se la denomina DATOS.
dep=c("Tumbaya","Tumbaya","Tumbaya","Tumbaya","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca","Humahuaca")
PH = c(2.97,3.72,3.70,3.59,3.38,3.40,4.71,4.86,3.17,4.79,3.94,3.42,3.28,3.49,3.74,4.73,3.95)
DATOS <- data.frame(DEPARTAMENTO = dep, PH=PH)
DATOS
## DEPARTAMENTO PH
## 1 Tumbaya 2.97
## 2 Tumbaya 3.72
## 3 Tumbaya 3.70
## 4 Tumbaya 3.59
## 5 Humahuaca 3.38
## 6 Humahuaca 3.40
## 7 Humahuaca 4.71
## 8 Humahuaca 4.86
## 9 Humahuaca 3.17
## 10 Humahuaca 4.79
## 11 Humahuaca 3.94
## 12 Humahuaca 3.42
## 13 Humahuaca 3.28
## 14 Humahuaca 3.49
## 15 Humahuaca 3.74
## 16 Humahuaca 4.73
## 17 Humahuaca 3.95
dbinom() {stats}
Calcula la función de probabilidad puntual en una distribución Binomial |
x= el valor de x para el cual se desea estimar la probabilidad puntual
size= el tamaño de la muestra
prob= la probabilidad de “éxito”
|
n = 5
p = 0.13
x = 2
dbinom(x = x,
size = n,
prob = p)
## [1] 0.111287
design.crd() {agricolae}
¡Atención!
Instalar el paquete agricolae para hacer uso de la función design.crd.
Para ello utilizar el siguiente código:
install.packages("agricolae")
Genera un diseño completamente aleatorio con repetición igual o diferente |
|
library(agricolae)
tratamientos = c("A","B","C")
diseño = design.crd(trt = tratamientos,
r = c(9,5,11),
serie = 0)
diseño$book
## plots r tratamientos
## 1 1 1 C
## 2 2 1 A
## 3 3 2 C
## 4 4 1 B
## 5 5 2 B
## 6 6 2 A
## 7 7 3 B
## 8 8 3 A
## 9 9 3 C
## 10 10 4 B
## 11 11 4 A
## 12 12 5 A
## 13 13 4 C
## 14 14 6 A
## 15 15 5 C
## 16 16 6 C
## 17 17 5 B
## 18 18 7 C
## 19 19 8 C
## 20 20 9 C
## 21 21 7 A
## 22 22 10 C
## 23 23 8 A
## 24 24 11 C
## 25 25 9 A
design.lsd() {agricolae}
¡Atención!
Instalar el paquete agricolae para hacer uso de la función design.lsd.
Para ello utilizar el siguiente código:
install.packages("agricolae")
Genera el diseño cuadrado latino |
|
kinds = "Wichmann-Hill","Marsaglia-Multicarry", "Super-Duper", "Mersenne-Twister", "Knuth-TAOCP", "user-supplied", "Knuth-TAOCP-2002", "default"
library(agricolae)
dcl = design.lsd(trt = c("A","B","C","D","E"),
serie = 0,
seed = 0,
kinds = "Super-Duper",
first = TRUE,
randomization = TRUE)
dcl$book
## plots row col c("A", "B", "C", "D", "E")
## 1 11 1 1 B
## 2 12 1 2 D
## 3 13 1 3 E
## 4 14 1 4 A
## 5 15 1 5 C
## 6 21 2 1 D
## 7 22 2 2 A
## 8 23 2 3 B
## 9 24 2 4 C
## 10 25 2 5 E
## 11 31 3 1 A
## 12 32 3 2 C
## 13 33 3 3 D
## 14 34 3 4 E
## 15 35 3 5 B
## 16 41 4 1 E
## 17 42 4 2 B
## 18 43 4 3 C
## 19 44 4 4 D
## 20 45 4 5 A
## 21 51 5 1 C
## 22 52 5 2 E
## 23 53 5 3 A
## 24 54 5 4 B
## 25 55 5 5 D
design.rcbd() {agricolae}
¡Atención!
Instalar el paquete agricolae para hacer uso de la función design.rcbd.
Para ello utilizar el siguiente código:
install.packages("agricolae")
Genera un diseño de bloques completamente aleatorizado |
|
library(agricolae)
Diseño = design.rcbd(trt = c("A", "B", "C"),
r = 5,
serie = 0)
Diseño$book
## plots block c("A", "B", "C")
## 1 11 1 A
## 2 12 1 C
## 3 13 1 B
## 4 21 2 A
## 5 22 2 B
## 6 23 2 C
## 7 31 3 A
## 8 32 3 C
## 9 33 3 B
## 10 41 4 C
## 11 42 4 B
## 12 43 4 A
## 13 51 5 A
## 14 52 5 B
## 15 53 5 C
detach() {base}
Permite eliminar un paquete o un conjunto de datos que se han adjuntado previamente al espacio de trabajo actual |
library(splines2) # Paquete splines2
## Warning: package 'splines2' was built under R version 4.2.3
detach(2)
# Base de datos
tabla=data.frame(vble.1=c(0:4),
vble.2=c(5:9))
attach(tabla) # Anclado
detach(tabla) # Desanclado
diff() {base}
Devuelve la diferencia entre los valores ingresados |
diff(range(pH)) #Diferencia entre el valor máximo y mínimo de pH (Tabla 1: datos) con range
## [1] 1.89
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.970 3.400 3.700 3.814 3.950 4.860
## [1] 1.89
dpois() {stats}
Calcula la función de probabilidad puntual en una distribución de Poisson |
|
X = 6
l = 4
dpois(x = X,lambda = l)
## [1] 0.1041956
duncan.test() {agricolae}
¡Atención!
Instalar el paquete agricolae para hacer uso de la función duncan.test.
Para ello utilizar el siguiente código:
install.packages("agricolae")
Realiza la prueba de Duncan |
y = modelo (aov o lm)
trt = tratamiento del modelo
alpha = nivel de significancia
group = TRUE o FALSE
console = TRUE (sí se quiere ver la salida en la consola) o FALSE
|
#Importación de datos
sturnella.d = data.frame(
Tratamiento = factor(
rep(
c("loyca","superciliaris","defilippii"),
each = 10
)
),
Duración = c(
0.97, 1.23, 1.45, 0.89, 1.43, 1.36, 1.38, 1.80, 0.86, 1.86,
1.12, 0.97, 1.26, 1.20, 1.41, 1.22, 0.82, 1.04, 1.46, 1.44,
0.69, 1.36, 0.56, 0.96, 1.45, 0.76, 0.80, 0.75, 0.85, 0.98)
)
#Construcción del modelo
modelo.d = lm(Duración ~ Tratamiento, data = sturnella.d)
library(agricolae)
duncan = duncan.test(
y = modelo.d,
trt = "Tratamiento",
alpha = 0.05,
group = TRUE,
console = TRUE)
##
## Study: modelo.d ~ "Tratamiento"
##
## Duncan's new multiple range test
## for Duración
##
## Mean Square Error: 0.08227
##
## Tratamiento, means
##
## Duración std r se Min Max Q25 Q50 Q75
## defilippii 0.916 0.2859371 10 0.09070281 0.56 1.45 0.7525 0.825 0.9750
## loyca 1.323 0.3469246 10 0.09070281 0.86 1.86 1.0350 1.370 1.4450
## superciliaris 1.194 0.2114080 10 0.09070281 0.82 1.46 1.0600 1.210 1.3725
##
## Alpha: 0.05 ; DF Error: 27
##
## Critical Range
## 2 3
## 0.2631948 0.2765222
##
## Means with the same letter are not significantly different.
##
## Duración groups
## loyca 1.323 a
## superciliaris 1.194 a
## defilippii 0.916 b