Resumen

1 Introducción

2 Materiales y métodos

2.1 La base de datos

Las variables disponibles en la base de datos, considerando el objetivo de evaluar el efecto de diferentes tipos de injertos sobre la calidad de mudas de tomate en el contexto del distrito de Santa Rosa de Lima, departamento de Misiones, Paraguay:

Tratamiento: Esta variable indica los diferentes tipos de injertos aplicados a las mudas de tomate. Cada tratamiento representa una técnica específica de injerto que se ha aplicado para evaluar su efecto en la calidad de las mudas.

Muestra: Cada muestra corresponde a una unidad individual de observación en el estudio. En este caso, cada muestra representa una muda de tomate que ha sido sometida a uno de los tratamientos de injerto.

Número de Plantas Prendidas: Esta variable registra el número de plantas que lograron germinar y desarrollarse exitosamente después de la aplicación de cada tratamiento de injerto. Indica la tasa de supervivencia y éxito en la germinación.

Número de Plantas Muertas: Representa el número de plantas que no lograron germinar o sobrevivir después de la aplicación de cada tratamiento de injerto. Es una medida de la tasa de mortalidad en las mudas de tomate.

Número de Réplica: Indica el número de veces que se repitió cada tratamiento experimental. Puede ayudar a evaluar la consistencia y la replicabilidad de los resultados.

Altura de la Planta: Registra la altura alcanzada por cada planta después de la aplicación de un tratamiento específico. Puede proporcionar información sobre el crecimiento vertical y el desarrollo de las mudas.

Número de Hojas Observado/Anotado: Estas variables representan el número de hojas presentes en cada planta, observado o anotado después de la aplicación de los tratamientos. Puede indicar la salud y el vigor de las mudas.

Grosor del Tallo: Esta variable mide el grosor del tallo de las mudas de tomate, lo que puede estar relacionado con la resistencia y la estructura de la planta.

Grosor del Callo: Representa el grosor del callo de la planta, que podría estar relacionado con el proceso de injerto y la formación de tejido cicatricial.

Largo de Hojas (Largo de Hoja 1, Largo de Hoja 2, …, Largo de Hoja 9): Estas variables registran el largo de cada hoja individual en las mudas de tomate. Pueden ofrecer información detallada sobre el tamaño y la morfología de las hojas.

Largo de Hoja Promedio: Esta variable calcula el promedio del largo de todas las hojas presentes en cada planta, proporcionando una medida general del tamaño promedio de las hojas.

En conjunto, estas variables permiten evaluar cómo diferentes tipos de injertos afectan la calidad y características de las mudas de tomate, como su supervivencia, crecimiento, desarrollo foliar y características físicas como grosor de tallo y largo de hojas. Estos datos son fundamentales para comprender el impacto de los injertos en el cultivo de tomates y pueden proporcionar información valiosa para la toma de decisiones en la agricultura.

2.2 El sofware R

Descripción de R y sus ventajas para el análisis de efectos de injertos en mudas de tomate:

R es un lenguaje de programación y entorno de software de código abierto ampliamente utilizado en estadísticas y análisis de datos. Es especialmente adecuado para realizar análisis detallados y personalizados, lo que lo convierte en una herramienta poderosa para evaluar el efecto de diferentes tipos de injertos en la calidad de las mudas de tomate. A continuación, se detallan algunas de las ventajas clave de utilizar R para este tipo de análisis:

Flexibilidad y Personalización: R permite realizar análisis personalizados y específicos para tu investigación. Puedes programar y adaptar cada etapa del análisis según tus necesidades, lo que resulta ideal para estudios agrícolas donde se deben considerar múltiples variables y tratamientos.
Análisis Estadístico Avanzado: R cuenta con una amplia gama de paquetes y funciones estadísticas que te permiten realizar análisis descriptivos, pruebas de hipótesis, modelos de regresión, análisis de varianza (ANOVA), análisis multivariados y más. Estas capacidades son esenciales para evaluar la significancia estadística de los efectos de los injertos en las mudas de tomate.
Visualización de Datos: R ofrece paquetes como ggplot2 y lattice que permiten crear visualizaciones gráficas de alta calidad. Estos gráficos facilitan la presentación de los resultados de manera efectiva y ayudan a identificar patrones y tendencias en los datos.
Reproducibilidad y Documentación: R fomenta la práctica de la ciencia reproducible. Puedes documentar tu análisis paso a paso en forma de secuencias de comandos, lo que facilita la verificación y reproducción de tus resultados por parte de otros investigadores.
Comunidad Activa: R cuenta con una comunidad global activa de usuarios y desarrolladores que ofrecen soporte, tutoriales y soluciones a través de foros en línea y recursos gratuitos.
Gratuito y de Código Abierto: R es gratuito y de código abierto, lo que significa que no tienes que preocuparte por costos de licencia. También tienes acceso al código fuente, lo que te brinda total transparencia y control sobre tus análisis.
Análisis Espacial y Geoespacial: Si tu investigación incluye la ubicación geográfica de las muestras de tomate, R ofrece paquetes como sp y raster para realizar análisis espaciales y geoespaciales.
Interacción con Bases de Datos: R puede conectarse a diversas bases de datos, lo que facilita la importación y manipulación de datos, así como la realización de análisis en tiempo real.

3 Análisis y discusión

3.1 Largo de hojas promedio por tratamiento

## TableGrob (1 x 3) "arrange": 3 grobs
##   z     cells    name           grob
## 1 1 (1-1,1-1) arrange gtable[layout]
## 2 2 (1-1,2-2) arrange gtable[layout]
## 3 3 (1-1,3-3) arrange gtable[layout]

Interpretación de los Resultados para las gráficas de cajas

Grosor del Tallo por Tratamiento: El gráfico de cajas muestra la variabilidad en el “Grosor del Tallo” de las mudas de tomate para cada uno de los tres tratamientos. Observamos que el Tratamiento 2 presenta una mayor dispersión en los datos en comparación con los otros tratamientos. El Tratamiento 3 parece tener una mediana ligeramente más alta en comparación con los otros dos tratamientos. Esto podría sugerir que el Tratamiento 3 podría estar influyendo en un mayor grosor del tallo en las mudas de tomate.
Número de Hojas por Tratamiento: En este gráfico de cajas, se compara el “Número de Hojas” de las mudas de tomate entre los tres tratamientos. El Tratamiento 2 muestra una mayor dispersión en los datos, con algunos valores atípicos que presentan un mayor número de hojas. Los tratamientos 1 y 3 tienden a tener medianas similares y rangos intercuartílicos comparables. Esto podría indicar que el Tratamiento 2 tiene una variabilidad más alta en términos del número de hojas en comparación con los otros tratamientos.
Largo de Hoja Promedio por Tratamiento: En el tercer gráfico de cajas, se analiza el “Largo de Hoja Promedio” de las mudas de tomate para cada tratamiento. El Tratamiento 2 muestra una mediana más alta en comparación con los otros tratamientos, y su rango intercuartílico es más amplio. Esto sugiere que el Tratamiento 2 podría estar favoreciendo el desarrollo de hojas más largas en las mudas de tomate. Los tratamientos 1 y 3 presentan medianas y rangos intercuartílicos similares.

Estos gráficos de cajas proporcionan una visualización efectiva de las diferencias en las variables de calidad entre los tres tratamientos. Pueden ofrecer pistas importantes sobre cómo cada tratamiento afecta el crecimiento y desarrollo de las mudas de tomate. Sin embargo, es fundamental complementar estas observaciones con análisis estadísticos adecuados para validar cualquier tendencia o diferencia significativa entre los tratamientos.

3.2 Análisis descriptivo del Número de Réplica

3.3 Análisis de las correlaciones

## El método de injerto sugerido para el cultivo de tomate es el tratamiento: 1

## 
## Attaching package: 'dplyr'

## The following object is masked from 'package:gridExtra':
## 
##     combine

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

##    Var1               Var2            Freq   tratamiento
## 1        nro_hojas_anotado Min.   :1.000   Tratamiento 1
## 2        nro_hojas_anotado 1st Qu.:5.000   Tratamiento 1
## 3        nro_hojas_anotado Median :6.000   Tratamiento 1
## 4        nro_hojas_anotado Mean   :5.701   Tratamiento 1
## 5        nro_hojas_anotado 3rd Qu.:7.000   Tratamiento 1
## 6        nro_hojas_anotado Max.   :9.000   Tratamiento 1
## 7             grosor_tallo Min.   :2.000   Tratamiento 1
## 8             grosor_tallo 1st Qu.:3.000   Tratamiento 1
## 9             grosor_tallo Median :3.000   Tratamiento 1
## 10            grosor_tallo Mean   :3.231   Tratamiento 1
## 11            grosor_tallo 3rd Qu.:3.500   Tratamiento 1
## 12            grosor_tallo Max.   :5.000   Tratamiento 1
## 13      largo.de.hoja.prom Min.   :3.080   Tratamiento 1
## 14      largo.de.hoja.prom 1st Qu.:6.200   Tratamiento 1
## 15      largo.de.hoja.prom Median :6.840   Tratamiento 1
## 16      largo.de.hoja.prom Mean   :6.792   Tratamiento 1
## 17      largo.de.hoja.prom 3rd Qu.:7.680   Tratamiento 1
## 18      largo.de.hoja.prom Max.   :9.433   Tratamiento 1

## [1] "Na"          "Factor"      "Estadística" "Tratamiento"

Table 3.1: Análisis Descriptivo de Variables por Tratamiento
Factor	Estadística	Tratamiento
nro_hojas_anotado	Min. :1.000	Tratamiento 1
nro_hojas_anotado	1st Qu.:5.000	Tratamiento 1
nro_hojas_anotado	Median :6.000	Tratamiento 1
nro_hojas_anotado	Mean :5.701	Tratamiento 1
nro_hojas_anotado	3rd Qu.:7.000	Tratamiento 1
nro_hojas_anotado	Max. :9.000	Tratamiento 1
grosor_tallo	Min. :2.000	Tratamiento 1
grosor_tallo	1st Qu.:3.000	Tratamiento 1
grosor_tallo	Median :3.000	Tratamiento 1
grosor_tallo	Mean :3.231	Tratamiento 1
grosor_tallo	3rd Qu.:3.500	Tratamiento 1
grosor_tallo	Max. :5.000	Tratamiento 1
largo.de.hoja.prom	Min. :3.080	Tratamiento 1
largo.de.hoja.prom	1st Qu.:6.200	Tratamiento 1
largo.de.hoja.prom	Median :6.840	Tratamiento 1
largo.de.hoja.prom	Mean :6.792	Tratamiento 1
largo.de.hoja.prom	3rd Qu.:7.680	Tratamiento 1
largo.de.hoja.prom	Max. :9.433	Tratamiento 1
nro_hojas_anotado	Min. :2.000	Tratamiento 2
nro_hojas_anotado	1st Qu.:4.000	Tratamiento 2
nro_hojas_anotado	Median :5.000	Tratamiento 2
nro_hojas_anotado	Mean :5.076	Tratamiento 2
nro_hojas_anotado	3rd Qu.:6.000	Tratamiento 2
nro_hojas_anotado	Max. :8.000	Tratamiento 2
grosor_tallo	Min. :2.000	Tratamiento 2
grosor_tallo	1st Qu.:3.000	Tratamiento 2
grosor_tallo	Median :3.500	Tratamiento 2
grosor_tallo	Mean :3.357	Tratamiento 2
grosor_tallo	3rd Qu.:3.500	Tratamiento 2
grosor_tallo	Max. :4.500	Tratamiento 2
largo.de.hoja.prom	Min. :2.850	Tratamiento 2
largo.de.hoja.prom	1st Qu.:6.425	Tratamiento 2
largo.de.hoja.prom	Median :7.220	Tratamiento 2
largo.de.hoja.prom	Mean :7.033	Tratamiento 2
largo.de.hoja.prom	3rd Qu.:7.850	Tratamiento 2
largo.de.hoja.prom	Max. :9.620	Tratamiento 2
nro_hojas_anotado	Min. :3.000	Tratamiento 3
nro_hojas_anotado	1st Qu.:5.000	Tratamiento 3
nro_hojas_anotado	Median :6.000	Tratamiento 3
nro_hojas_anotado	Mean :5.595	Tratamiento 3
nro_hojas_anotado	3rd Qu.:6.000	Tratamiento 3
nro_hojas_anotado	Max. :9.000	Tratamiento 3
grosor_tallo	Min. :2.00	Tratamiento 3
grosor_tallo	1st Qu.:3.50	Tratamiento 3
grosor_tallo	Median :3.50	Tratamiento 3
grosor_tallo	Mean :3.61	Tratamiento 3
grosor_tallo	3rd Qu.:4.00	Tratamiento 3
grosor_tallo	Max. :5.00	Tratamiento 3
largo.de.hoja.prom	Min. :4.125	Tratamiento 3
largo.de.hoja.prom	1st Qu.:6.693	Tratamiento 3
largo.de.hoja.prom	Median :7.300	Tratamiento 3
largo.de.hoja.prom	Mean :7.242	Tratamiento 3
largo.de.hoja.prom	3rd Qu.:8.000	Tratamiento 3
largo.de.hoja.prom	Max. :9.567	Tratamiento 3

## [1] "Na"          "Factor"      "Estadística" "Tratamiento"

## Warning in `[<-.data.frame`(`*tmp*`, , isn, value = structure(list(Tratamiento
## = structure(c("1", : provided 10 variables to replace 4 variables

Table 3.2: Resultados de Correlación por Tratamiento
Tratamiento	Número de Hojas	Grosor del Tallo	Largo de Hoja Promedio
1	1.0000000	0.4352004	0.5635706
2	0.4352004	1.0000000	0.6157613
3	0.5635706	0.6157613	1.0000000

## Loading required package: spam

## Spam version 2.9-1 (2022-08-07) is loaded.
## Type 'help( Spam)' or 'demo( spam)' for a short introduction 
## and overview of this package.
## Help for individual functions is also obtained by adding the
## suffix '.spam' to the function name, e.g. 'help( chol.spam)'.

## 
## Attaching package: 'spam'

## The following objects are masked from 'package:base':
## 
##     backsolve, forwardsolve

## Loading required package: viridis

## Loading required package: viridisLite

## 
## Try help(fields) to get started.

Interpretación de los Resultados de Correlación por Tratamiento

Se llevó a cabo un análisis de correlación para examinar las relaciones entre las variables de calidad de las mudas de tomate en función de tres tratamientos diferentes: Tratamiento 1, Tratamiento 2 y Tratamiento 3.

Para cada tratamiento, se investigaron tres variables de calidad: “Número de Hojas”, “Grosor del Tallo” y “Largo de Hoja Promedio”. Los valores de correlación obtenidos son los siguientes:

Tratamiento 1: - Entre el “Número de Hojas” y el “Grosor del Tallo” se encontró una correlación positiva moderada (r = 0.44). Esto sugiere que a medida que el número de hojas aumenta, tiende a haber un aumento en el grosor del tallo. - Se observó una correlación positiva moderada entre el “Número de Hojas” y el “Largo de Hoja Promedio” (r = 0.56), indicando que las mudas con un mayor número de hojas tienden a tener hojas más largas. - El “Grosor del Tallo” y el “Largo de Hoja Promedio” también presentaron una correlación positiva moderada (r = 0.56).

Tratamiento 2: - Se encontró una correlación positiva fuerte entre el “Número de Hojas” y el “Largo de Hoja Promedio” (r = 0.62), lo que sugiere que las mudas con un mayor número de hojas tienden a tener hojas más largas. - Entre el “Número de Hojas” y el “Grosor del Tallo” se observó una correlación positiva moderada (r = 0.44). - También se encontró una correlación positiva moderada entre el “Grosor del Tallo” y el “Largo de Hoja Promedio” (r = 0.62).

Tratamiento 3: - Se identificó una correlación positiva fuerte entre el “Grosor del Tallo” y el “Largo de Hoja Promedio” (r = 0.62), lo que sugiere que las mudas con un tallo más grueso tienden a tener hojas más largas. - Entre el “Número de Hojas” y el “Largo de Hoja Promedio” se observó una correlación positiva moderada (r = 0.56). - También se encontró una correlación positiva moderada entre el “Número de Hojas” y el “Grosor del Tallo” (r = 0.56).

Los resultados de correlación muestran patrones consistentes y significativos entre las variables de calidad de las mudas de tomate en función de los diferentes tratamientos. Estas relaciones pueden proporcionar información valiosa para la selección y optimización de tratamientos específicos, con el objetivo de mejorar la calidad de las mudas de tomate en cada contexto de cultivo.

3.4 Análisis ANOVA

# Realizar el análisis de varianza multivariado (MANOVA)
library(stats)
# Realizar el análisis de ANOVA para "Número de Hojas Anotado"
anova_hojas <- aov(nro_hojas_anotado ~ tratamiento, data = db)

# Resumen del ANOVA para "Número de Hojas Anotado"
summary(anova_hojas)

##              Df Sum Sq Mean Sq F value Pr(>F)
## tratamiento   1    0.4  0.4312   0.258  0.612
## Residuals   408  682.1  1.6717

Interpretación El valor p representa la probabilidad de obtener un valor F igual o más extremo que el observado, si la hipótesis nula (que no hay efecto del tratamiento) fuera verdadera. En este caso, el valor p es 0.612, lo que indica que no hay evidencia suficiente para rechazar la hipótesis nula. Esto sugiere que no hay diferencias significativas en el “Número de Hojas Anotado” entre los diferentes tratamientos.

Según los resultados del análisis de ANOVA, no se encontraron diferencias significativas en el “Número de Hojas Anotado” entre los tratamientos evaluados. El valor p alto (0.612) sugiere que las diferencias observadas podrían haber ocurrido debido al azar y no se puede concluir que exista un efecto significativo del tratamiento en esta variable.

# Realizar el análisis de ANOVA para "Grosor del Tallo"
anova_grosor <- aov(grosor_tallo ~ tratamiento, data = db)

# Resumen del ANOVA para "Grosor del Tallo"
summary(anova_grosor)

##              Df Sum Sq Mean Sq F value   Pr(>F)    
## tratamiento   1  11.09  11.086   41.44 3.42e-10 ***
## Residuals   408 109.15   0.268                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Interpretación En este caso, el valor p es muy cercano a cero (3.42e-10), lo que indica que hay evidencia significativa para rechazar la hipótesis nula. Los asteriscos (***), indican que el valor p es muy pequeño, lo que sugiere que las diferencias observadas son altamente significativas.

En resumen, según los resultados del análisis de ANOVA, se encontraron diferencias altamente significativas en el “Grosor del Tallo” entre los tratamientos evaluados. El valor p extremadamente pequeño (3.42e-10) y los asteriscos indican que hay un efecto significativo del tratamiento en esta variable.

# Realizar el análisis de ANOVA para "Largo de Hoja Promedio"
anova_largo <- aov(largo.de.hoja.prom ~ tratamiento, data = db)

# Resumen del ANOVA para "Largo de Hoja Promedio"
summary(anova_largo)

##              Df Sum Sq Mean Sq F value  Pr(>F)   
## tratamiento   1   15.3  15.258   10.78 0.00112 **
## Residuals   408  577.6   1.416                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Interpretación En este caso, el valor p es 0.00112, lo que indica que hay evidencia significativa para rechazar la hipótesis nula. Los asteriscos (**) indican que el valor p es menor que 0.01, lo que sugiere que las diferencias observadas son significativas.

En resumen, según los resultados del análisis de ANOVA, se encontraron diferencias significativas en el “Largo de Hoja Promedio” entre los tratamientos evaluados. El valor p pequeño (0.00112) y los asteriscos indican que hay un efecto significativo del tratamiento en esta variable.

4 Conclusiones

En resumen, los resultados del análisis de ANOVA indican que no se encontraron diferencias significativas en el “Número de Hojas Anotado” entre los tratamientos. Se encontraron diferencias altamente significativas en el “Grosor del Tallo” entre los tratamientos. Se encontraron diferencias significativas en el “Largo de Hoja Promedio” entre los tratamientos. Estos resultados sugieren que el tipo de tratamiento tiene un impacto significativo en el grosor del tallo y el largo de hoja promedio de las mudas de tomate, pero no en el número de hojas anotado. La interpretación detallada de los resultados y su relevancia para la investigación dependerá de los objetivos y contexto específicos de tu estudio.

5 Anexos

5.1 Códigos en r utilizados


db=read.csv("D:/OneDrive/FACEN_LIETA/estudio_tomates/basefinal_plantas.csv",sep=";")
names(db)


## Largo de hojas promedio por tratamiento

library(ggplot2)
library(gridExtra)

y_range <- c(0, 10)  # Cambia estos valores según tu preferencia

# Boxplot para comparar el Grosor del Tallo por tratamiento en una única línea sin superposición
boxplot_grosor <- ggplot(db, aes(x = factor(tratamiento), y = grosor_tallo, fill = factor(tratamiento))) +
  geom_boxplot(width = 0.8, position = position_dodge(width = 1.5)) +
  labs(title = "Grosor del Tallo por Trat.",
       x = "Tratamiento", y = "Grosor del Tallo") +
  scale_fill_manual(values = c("1" = "lightblue", "2" = "lightgreen", "3" = "lightpink")) +
  theme_minimal() +
  theme(legend.position = "none")+
    coord_cartesian(ylim = y_range)  # Fija el rango del eje y


# Boxplot para comparar el Número de Hojas por tratamiento en una única línea sin superposición
boxplot_hojas <- ggplot(db, aes(x = factor(tratamiento), y = nro_hojas_anotado, fill = factor(tratamiento))) +
  geom_boxplot(width = 0.8, position = position_dodge(width = 1.5)) +
  labs(title = "Nro de Hojas por Trat.",
       x = "Tratamiento", y = "Número de Hojas") +
  scale_fill_manual(values = c("1" = "lightblue", "2" = "lightgreen", "3" = "lightpink")) +
  theme_minimal() +
  theme(legend.position = "none")+
  coord_cartesian(ylim = y_range)  # Fija el rango del eje y

# Boxplot para comparar el Largo de Hoja Promedio por tratamiento en una única línea sin superposición
boxplot_largo <- ggplot(db, aes(x = factor(tratamiento), y = largo.de.hoja.prom, fill = factor(tratamiento))) +
  geom_boxplot(width = 0.8, position = position_dodge(width = 1.5)) +
  labs(title = "Largo de Hoja Promedio por Trat.",
       x = "Tratamiento", y = "Largo de Hoja Promedio") +
  scale_fill_manual(values = c("1" = "lightblue", "2" = "lightgreen", "3" = "lightpink")) +
  theme_minimal() +
  theme(legend.position = "none") +
  coord_cartesian(ylim = y_range)  # Fija el rango del eje y

# Combinar los tres gráficos en una sola figura con una columna y tres filas
combined_plots <- grid.arrange(boxplot_grosor, boxplot_hojas, boxplot_largo, ncol = 3)

# Mostrar la figura combinada
print(combined_plots)


## Análisis descriptivo del Número de Réplica
library(ggplot2)

# Carga de la base de datos (ajusta la ruta según tu ubicación)
db <- read.csv("D:/OneDrive/FACEN_LIETA/estudio_tomates/basefinal_plantas.csv", sep = ";")

# Gráfico de barras para Número de Hojas Anotado
ggplot(db, aes(x = factor(enuemera_replica), y = nro_hojas_anotado, fill = factor(enuemera_replica))) +
  geom_bar(stat = "summary", fun = "mean", position = position_dodge(width = 0.8)) +
  geom_errorbar(stat = "summary", fun.data = "mean_se", position = position_dodge(width = 0.8), width = 0.25) +
  facet_wrap(~ tratamiento, ncol = 1) +
  labs(title = "Estadísticas por Réplica y Tratamiento",
       x = "Réplica", y = "Número de Hojas Anotado") +
  theme_minimal()

# Gráfico de barras para Grosor del Tallo
ggplot(db, aes(x = factor(enuemera_replica), y = grosor_tallo, fill = factor(enuemera_replica))) +
  geom_bar(stat = "summary", fun = "mean", position = position_dodge(width = 0.8)) +
  geom_errorbar(stat = "summary", fun.data = "mean_se", position = position_dodge(width = 0.8), width = 0.25) +
  facet_wrap(~ tratamiento, ncol = 1) +
  labs(title = "Estadísticas por Réplica y Tratamiento",
       x = "Réplica", y = "Grosor del Tallo") +
  theme_minimal()

# Gráfico de barras para Largo de Hoja Promedio
ggplot(db, aes(x = factor(enuemera_replica), y = largo.de.hoja.prom, fill = factor(enuemera_replica))) +
  geom_bar(stat = "summary", fun = "mean", position = position_dodge(width = 0.8)) +
  geom_errorbar(stat = "summary", fun.data = "mean_se", position = position_dodge(width = 0.8), width = 0.25) +
  facet_wrap(~ tratamiento, ncol = 1) +
  labs(title = "Estadísticas por Réplica y Tratamiento",
       x = "Réplica", y = "Largo de Hoja Promedio") +
  theme_minimal()


## Análisis de las correlaciones


# Calcular promedios por tratamiento
promedios_por_tratamiento <- aggregate(cbind(nro_hojas_anotado, grosor_tallo, largo.de.hoja.prom) ~ tratamiento, data = db, FUN = mean)

# Identificar el tratamiento con los mejores resultados
mejor_tratamiento <- promedios_por_tratamiento[which.max(promedios_por_tratamiento$nro_hojas_anotado), "tratamiento"]

# Mostrar el tratamiento sugerido
cat("El método de injerto sugerido para el cultivo de tomate es el tratamiento:", mejor_tratamiento, "\n")

# Instala y carga las librerías necesarias
#install.packages(c("dplyr", "knitr"))

library(dplyr)
library(knitr)

# Filtrar la base de datos por tratamiento y seleccionar las variables relevantes
tratamiento_1 <- db %>%
  filter(tratamiento == 1) %>%
  select(nro_hojas_anotado, grosor_tallo, largo.de.hoja.prom)

tratamiento_2 <- db %>%
  filter(tratamiento == 2) %>%
  select(nro_hojas_anotado, grosor_tallo, largo.de.hoja.prom)

tratamiento_3 <- db %>%
  filter(tratamiento == 3) %>%
  select(nro_hojas_anotado, grosor_tallo, largo.de.hoja.prom)

# Función para realizar el análisis descriptivo y generar una tabla
descriptive_table <- function(data, tratamiento) {
  desc_stats <- data %>%
    summary() %>%
    as.data.frame()
  desc_stats$tratamiento <- tratamiento
  return(desc_stats)
}

# Realizar el análisis descriptivo para cada tratamiento
tratamiento_1_desc <- descriptive_table(tratamiento_1, "Tratamiento 1")
tratamiento_2_desc <- descriptive_table(tratamiento_2, "Tratamiento 2")
tratamiento_3_desc <- descriptive_table(tratamiento_3, "Tratamiento 3")

# Unir las tablas de análisis descriptivo
descriptive_summary <- rbind(tratamiento_1_desc, tratamiento_2_desc, tratamiento_3_desc)

# Mostrar la tabla usando knitr
kable(descriptive_summary, caption = "Análisis Descriptivo de Variables por Tratamiento")


names(descriptive_summary)

# Instala y carga las librerías necesarias
#install.packages(c("dplyr", "knitr"))
library(dplyr)
library(knitr)

# Matriz de correlación para cada tratamiento
correlation_matrix <- by(db[, c("nro_hojas_anotado", "grosor_tallo", "largo.de.hoja.prom")], db$tratamiento, cor)

# Nombres de variables
variables <- c("Número de Hojas", "Grosor del Tallo", "Largo de Hoja Promedio")

# Crear una tabla con los resultados de correlación por tratamiento
correlation_results <- data.frame(Tratamiento = 1:3)
for (i in 1:3) {
  correlation_results[[paste("Variable", i)]] <- correlation_matrix[[i]]
}

# Mostrar la tabla usando knitr
kable(correlation_results, 
      col.names = c("Tratamiento", variables[1], variables[2], variables[3]), 
      caption = "Resultados de Correlación por Tratamiento")

# Instala y carga la librería fields
# Instala y carga la librería fields
#install.packages("fields")

library(fields)

# Matriz de correlación para cada tratamiento
correlation_matrix <- by(db[, c("nro_hojas_anotado", "grosor_tallo", "largo.de.hoja.prom")], db$tratamiento, cor)

# Etiquetas de variables
variables <- c("Número de Hojas", "Grosor del Tallo", "Largo de Hoja Promedio")

# Crear gráficos de matriz de correlación con image.plot en figuras separadas por tratamiento
for (i in 1:3) {
  image.plot(correlation_matrix[[i]], main = paste("Matriz de Correlación - Tratamiento", i),
             xlab = variables, ylab = variables)
}



## Análisis ANOVA


# Realizar el análisis de varianza multivariado (MANOVA)
library(stats)
# Realizar el análisis de ANOVA para "Número de Hojas Anotado"
anova_hojas <- aov(nro_hojas_anotado ~ tratamiento, data = db)

# Resumen del ANOVA para "Número de Hojas Anotado"
summary(anova_hojas)

# Realizar el análisis de ANOVA para "Grosor del Tallo"
anova_grosor <- aov(grosor_tallo ~ tratamiento, data = db)

# Resumen del ANOVA para "Grosor del Tallo"
summary(anova_grosor)


# Realizar el análisis de ANOVA para "Largo de Hoja Promedio"
anova_largo <- aov(largo.de.hoja.prom ~ tratamiento, data = db)

# Resumen del ANOVA para "Largo de Hoja Promedio"
summary(anova_largo)

Medición del efecto de diferentes tipos de injertos sobre la calidad de mudas de tomate (Solanum lycopersicum L.) híbrido Policarpo, en el distrito de Santa Rosa de Lima, departamento de Misiones, Paraguay.

Rosa Dengean\(^1\)

13 agosto 2023