Publications by Carlos Sanchez
Modelos mixtos
library(tidyverse) ## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ── ## ✔ dplyr 1.1.2 ✔ readr 2.1.4 ## ✔ forcats 1.0.0 ✔ stringr 1.5.0 ## ✔ ggplot2 3.4.2 ✔ tibble 3.2.1 ## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0 ## ...
6393 sym R (9233 sym/43 pcs) 7 img
#DISEÑO EN MEDIDAS REPETIDAD Clase DE 0206
#DISEÑO EN MEDIDAS REPETIDAS #Primeros diseños tiempo juega un papel en el modelado, los anteriores no tomaban esta variable. #Factor - intrasujetos= Tiempo #Factor - entresuejetos = FSCA, FSBA, FCCA, FCBA. #Medidas repetidas en: una, dos y tres vías. #MEDIDAS REPETIDAS DE UNA VÍA Antes llamado #PREPARACIÓN DE LOS DATOS #UNA VIA: Cuado hay un ...
543 sym R (8345 sym/53 pcs) 5 img
Cuadrado latino 28-04
##Diseño Cuadrado Latino ###factorial simple en bloques al azar (FSBA) Un solo un factor Dos razones de bloqueo lote <- c(rep("Lote1",1), rep("Lote2",1), rep("Lote3",1), rep("Lote4",1), rep("Lote5",1)) genotipo <- c(rep("genA",5), rep("genB",5), rep("genC",5), rep("genD",5), rep("genE",5)) prov <- c("A","E","C","B","D", "C","B","A","D","E", "B",...
394 sym R (2171 sym/16 pcs) 5 img
Diseño factorial completo en arreglo completamente al azar 0905
#Cultivo de tomate set.seed(123) #Factor1 aporque <- gl(2,60.,120, c("con_A", "sin_A")) # Factor2 variedad <- gl(3,20,120, c('v1','v2','v3')) #Rta peso_fresco <- rnorm(n=120,mean=3,sd=0.3 ) df=data.frame(aporque, variedad, peso_fresco) df$peso_fresco[1]=3.5 df$peso_fresco[81]=2.5 library(collapsibleTree) collapsibleTreeSummary(df=df,hierarc...
1397 sym R (3432 sym/17 pcs) 5 img
Regresion lineal y covarianza
set.seed(123) data = expand.grid(x=1:10, y=1:10) data$rto = rnorm(100, 3, 0.3) data$rto = sort(data$rto) + runif(100, 0, 0.1) data$mo = rnorm(100, 2.5, 0.1) data$mo = sort(data$mo) + runif(100, 0, 0.1) library(ggplot2) g1 = ggplot(data)+ aes(x,y, fill=rto)+ geom_tile() g2 = ggplot(data)+ aes(x,y, fill=mo)+ geom_tile() gridExtra::grid.arra...
854 sym R (4878 sym/36 pcs) 10 img
CONDUCTANCIA ESTOMÁTICA 0504
set.seed(123) # Variable respuesta: CONDUCTANCIA ESTOMÁTICA ce = c( rnorm(n = 15, mean = 100, sd = 10), rnorm(n = 15, mean = 120, sd = 12)) # Factor 1: HORA DE EVALUACIÓN hora = gl(2, 15, 30, labels = c(6, 12)) # Factor 2: ILUMINACIÓN ilum = gl(3, 5, 30, c('IB', 'IM', 'IA')) # Bloqueo: PARCELA parc = gl(5, 1, 30, paste0('B', 1:5)) d...
104 sym R (993 sym/8 pcs) 6 img
CLASE 2104 DE
set.seed(123) # Respuesta diam_geom = c( rnorm(4, 1.8, 0.1), rnorm(4, 2.0, 0.12), rnorm(4, 1.9, 0.09) ) # Factor gen = gl(3, 4, 12, paste0('g_', 1:3)) # Bloqueo procedencia = gl(4, 1, 12, paste0('l_',1:4)) data = data.frame(gen, procedencia, diam_geom) head(data) ## gen procedencia diam_geom ## 1 g_1 l_1 1.743952 ## 2 g_1 ...
867 sym R (2802 sym/16 pcs) 3 img
clase 1104 DE
set.seed(123) datos = data.frame( gen = gl(3,4,12, c('g1','g2','g3')), rep = gl(4,1,12, c('r1','r2','r3','r4')), rto= c(3.5, 3.8, 3.6, 3.5, 3.6, 3.9, 4.1, 3.8, 4.2, 3.9, 4.3, 4.3) ) datos ## gen rep rto ## 1 g1 r1 3.5 ## 2 g1 r2 3.8 ## 3 g1 r3 3.6 ## 4 g1 r4 3.5 ## 5 g2 r1 3.6 ## 6 g2 r2 3.9 ## 7 g2...
15 sym 3 img
Diseño Clase 2
#Pruebas de Hipotesis Problema 1 Se desea comparar 2 tipos de papa con base al rendimiento (Biomasa de tuberculos), un ensayo utilizó 2 variades (criolla y pastodsa) involucrando 180 plantas de la primera variedad y 200 de la segunda. Los datos de rendimiento en la cosecha se presenta en los siguientes vectores options(digits=3) criolla= rno...
1268 sym R (1887 sym/33 pcs) 2 img