options(max.print = 1000000)
library(car)
#########################################################################################
# Lectura de los datos
#setwd(<aquí ponen el nombre de la carpeta donde tienen sus datos)
Iris<-read.csv("Iris.csv",row.names=1) # lectura del archivo eventualmente read.table con sus opciones
attach(Iris)                               # archivo en uso
lab <- rownames(Iris)                      # etiquetas de las unidades en lab 
nom <- colnames(Iris)                      # etiquetas de las variables en nom    
n = dim(Iris)[1]                           # número de unidades 
p = dim(Iris)[2]                           # número de variables     
plot(Iris)
#########################################################################################
# Tablas de promedios
n_t = length(iris[,3])                     # numerosidad total
m_t = mean(iris[,3])                       # promedio total
v_t = var(iris[,3])*(n_t-1)/n_t            # varianza total
s_t = sqrt(v_t)                            # desvío estándar total   
cvt = s_t/m_t                              # coeficiente de variación total
total=rbind(n_t,m_t,v_t,s_t,cvt)           # tabla total
total

n_unit=table(iris[,5])                     # numerosidad clases
mean=tapply(iris[,3],iris[,5],mean)        # promedios clases
var=tapply(iris[,3],iris[,5],var)          # varianzas clases
#  var=var*(n_unit-1)/n_unit                  # ajuste  
stdev=sqrt(var)                            # desvío estándar clases
cv=stdev/mean                              # coeficiente de variación clases  
brk=rbind(n_unit,mean,var,stdev,cv)        # tabla clases
brk
brtot=cbind(brk,total)                     # unión tablas
colnames(brtot) = c(colnames(brk),"total")
brtot

boxplot(Petal.length~Species)              # diagrama caja y bigotes
dev.copy(pdf,"lenpetiris.pdf")
dev.off()
##############################################################################  
# covarianzas y correlación
cov(iris[,1:4])                            # estimación de la covarianza       
cor(iris[,1:4])                            # correlación 
plot(iris[,1:4])                           # ploteo general
dev.copy(pdf,"coriris.pdf")
dev.off()
##############################################################################
# modelos  

lm1=lm(Petal.length~Species, data=Iris); anova(lm1); summary(lm1) # estimación de desvíos por especies   
lm1b=lm(Petal.length~Species-1, data=Iris); anova(lm1); summary(lm1) # estimación de promedios sin 1

#########################################################################################
# Lectura de los datos
#setwd(<aquí ponen el nombre de la carpeta donde tienen sus datos)
Crop = read.csv("Crop.csv")
lab <- rownames(Crop)          # etiquetas de las unidades en lab 
nom <- colnames(Crop)          # etiquetas de las variables en nom    
n = dim(Crop)[1]               # número de unidades 
p = dim(Crop)[2]               # número de variables     
Crop[,1] = factor(Crop[,1])    # necesários porque R le ha puestos enteros
Crop[,2] = factor(Crop[,2]) 
Crop[,3] = factor(Crop[,3]) 
attach(Crop)                    # archivo en uso
#########################################################################################
mean(Yield)                     # promedio general    
tapply(Yield,Density,mean)      # promedios densidad
tapply(Yield,Fertilizer,mean)   # promedios fertilizantes
tapply(Yield,Block,mean)        # promedios blocos
leveneTest(Yield~Density*Fertilizer, Crop)
#########################################################################################
# modelos
# antes averiguamos los blocos
lm0 = lm(Yield~Block);anova(lm0);summary(lm0);anova(lm0)
# luego la interacción triple
lm1 = lm(Yield~Density*Fertilizer*Block);anova(lm1);summary(lm1);anova(lm1)
# se resulta que hay singularidades: Density 1,2,1,2 Block 1,2,3,4 
lm2 = lm(Yield~Density+Block);anova(lm2);summary(lm2);anova(lm2)
# efectivamente también sin interacción hay una singularidad
# estudiamos el resto
lm3 = lm(Yield~Density*Fertilizer);anova(lm3);summary(lm3)
# no hay interacción
lm4 = lm(Yield~Density+Fertilizer);anova(lm4);summary(lm4)
##########################################################################
# test post hoc

library(agricolae)
ph <- read.csv("PostHocTests.csv");ph
attach(ph)
tapply(Strength,Material,mean)
ph.lm = lm(Strength~Material); summary(ph.lm); anova(ph.lm); summary(anova(ph.lm))
# ph.av = aov(Strength~Material); summary(ph.av)
lsd=LSD.test(ph.lm,"Material",console=TRUE)
plot(lsd)
dev.copy(pdf,"LSD.pdf")
dev.off()
snk=SNK.test(ph.lm,"Material",console=TRUE)
plot(snk)
dev.copy(pdf,"SNK.pdf")
dev.off()
hsd=HSD.test(ph.lm,"Material",console=TRUE)
plot(hsd)
dev.copy(pdf,"HSDScheffe.pdf")
dev.off()
sch=scheffe.test(ph.lm,"Material",console=TRUE)
plot(sch)
###########################################################################
  # Lectura de los datos
  #setwd(<aquí ponen el nombre de la carpeta donde tienen sus datos)
  Iris<-read.csv("Iris.csv",row.names=1) # lectura del archivo eventualmente read.table con sus opciones
  attach(Iris)                               # archivo en uso
  lab <- rownames(Iris)                      # etiquetas de las unidades en lab 
  nom <- colnames(Iris)                      # etiquetas de las variables en nom    
  n = dim(Iris)[1]                           # número de unidades 
  p = dim(Iris)[2]                           # número de variables     

Ir.lm = lm(Petal.length~Species); summary(Ir.lm)

Ilsd=LSD.test(Ir.lm,"Species",console=TRUE)
plot(Ilsd)
Isnk=SNK.test(Ir.lm,"Species",console=TRUE)
Ihsd=HSD.test(Ir.lm,"Species",console=TRUE)
Isch=scheffe.test(Ir.lm,"Species",console=TRUE)
##########################################################################
