EFECTO DE LA SOLARIZACIÓN DEL SUELO SOBRE EL CONTROL DE NEMATODOS EN UNA PARCELA DE CULTIVO DE TOMATE (SOLANUM LYCOPERSICUM), EN EL DISTRITO DE SANTA ROSA DE LIMA - MISIONES.
Oscar Vega\(^1\)
\(^1\)Universidad Nacional de Asunción15 August 2023
library("bookdown")Resumen
1 Introducción
Los nematodos, microorganismos cilíndricos y microscópicos, juegan un papel esencial en los ecosistemas terrestres al desempeñar funciones vitales en la descomposición de materia orgánica y en la ciclización de nutrientes. Sin embargo, en la agricultura, estos organismos también pueden tener un impacto negativo al convertirse en plagas que afectan los cultivos y disminuyen la productividad agrícola. Dado su tamaño y ciclo de vida complejo, la identificación de métodos efectivos para controlar las poblaciones de nematodos ha sido un desafío constante en el manejo de cultivos.
En este contexto, el presente estudio se propone analizar los efectos de distintos tratamientos en las poblaciones de nematodos, a través de la medición de dos indicadores clave: Fitopar y Vidalibre. La evaluación de estos indicadores permitirá entender cómo ciertas prácticas agrícolas o tratamientos específicos pueden influir en la proliferación o control de estas poblaciones en los cultivos. Además, se explorará si existe una relación directa entre los tratamientos y las mediciones de Fitopar y Vidalibre, lo que proporcionaría información valiosa para la toma de decisiones en la gestión de nematodos en sistemas agrícolas.
El objetivo principal de este estudio es aportar conocimiento sobre cómo los tratamientos aplicados a los cultivos afectan las poblaciones de nematodos, centrándonos en las mediciones de Fitopar y Vidalibre como indicadores de su presencia y actividad. Para ello, se llevará a cabo un análisis estadístico exhaustivo que involucra el análisis descriptivo de los datos, el análisis de varianza (ANOVA) y pruebas de comparación múltiple de Tukey. A través de estas técnicas, se buscará identificar patrones, relaciones y diferencias significativas entre los tratamientos y sus efectos en las poblaciones de nematodos.
Los resultados de este estudio pueden tener un impacto sustancial en la toma de decisiones agrícolas, al proporcionar una comprensión más profunda de qué tratamientos son más efectivos para controlar o fomentar el crecimiento de las poblaciones de nematodos. Además, contribuirán al conocimiento general de cómo las prácticas agrícolas pueden influir en la ecología de los nematodos y en la salud de los cultivos. En última instancia, esta investigación tiene como objetivo contribuir a la optimización de las estrategias de manejo de nematodos y al desarrollo de prácticas agrícolas más sostenibles y productivas.
2 Materiales y métodos
2.1 La base de datos
La base de datos contiene información sobre un estudio realizado en el distrito de Santa Rosa, en el cual se investigó el efecto de diferentes tratamientos en el control de población de nematodos en suelos. La población de nematodos es una preocupación en la agricultura, ya que puede afectar negativamente la salud y el rendimiento de los cultivos. Los tratamientos se aplicaron en diferentes parcelas de suelo y se evaluaron sus efectos en la población de nematodos a lo largo del tiempo.
Los tratamientos se identifican mediante códigos alfanuméricos, que van desde “T1” hasta “T10”. Cada tratamiento se replicó tres veces, y cada réplica se denota con “R1”, “R2” y “R3”. Se registraron datos tanto al inicio como al final del estudio para dos variables importantes: “Inicial_Fitopar” y “Final_Fitopar”. “Inicial_Fitopar” representa la población de nematodos fitoparásitos al comienzo del estudio, mientras que “Final_Fitopar” representa la población al final del estudio.
Además, se recopiló información sobre la población de nematodos de vida libre en suelos. Estos datos se registraron en las variables “Inicial_Vidalibre” y “Final_Vidalibre”, que representan la población de nematodos de vida libre al inicio y al final del estudio, respectivamente.
El análisis de los datos incluyó un Análisis de Varianza (ANOVA) para evaluar si existen diferencias significativas en las poblaciones de nematodos entre los diferentes tratamientos. El ANOVA reveló una diferencia significativa en las poblaciones de nematodos entre los tratamientos, lo que sugiere que al menos un tratamiento tiene un efecto diferente en comparación con los demás.
Posteriormente, se realizó una prueba de comparaciones múltiples de Tukey para determinar qué tratamientos específicos difieren entre sí en términos de sus efectos en la población de nematodos. Los resultados de esta prueba se presentan en una tabla con diferencias estimadas, intervalos de confianza y valores p ajustados.
Para visualizar estos resultados, se puede utilizar un gráfico de barras que muestra las diferencias estimadas de las poblaciones de nematodos entre los tratamientos. Las barras de error en el gráfico representan los intervalos de confianza para estas diferencias. Este tipo de análisis y visualización ayuda a comprender mejor cómo cada tratamiento afecta la población de nematodos en el suelo y cuáles tratamientos pueden tener efectos similares o distintos.
2.2 El sofware R
Para llevar a cabo el análisis estadístico en este estudio, se optó por utilizar el lenguaje de programación R, una herramienta poderosa y versátil ampliamente utilizada en la investigación científica y análisis de datos. R ofrece una amplia gama de paquetes y funciones especializadas que permiten realizar análisis estadísticos avanzados de manera eficiente y efectiva.
Uno de los principales beneficios de utilizar R es su capacidad para realizar análisis descriptivos y modelar relaciones complejas en los datos. En este estudio, comenzamos con un análisis descriptivo detallado de las mediciones de Fitopar y Vidalibre, que nos permitió obtener una comprensión inicial de la distribución y tendencias de los datos. Con R, se puede generar fácilmente un resumen estadístico que incluye medidas de tendencia central, dispersión y percentiles, proporcionando una descripción completa y precisa de las características de los datos.
Posteriormente, aplicamos el análisis de varianza (ANOVA) para evaluar las diferencias significativas entre los tratamientos y sus efectos en las poblaciones de nematodos. R ofrece funciones especializadas para realizar ANOVA de manera sencilla y precisa, permitiendo obtener resultados como la tabla de ANOVA y los valores de p-valor asociados. Estos resultados son esenciales para determinar si existen diferencias estadísticamente significativas entre los grupos y, en este caso, para entender cómo los tratamientos influyen en las mediciones de Fitopar y Vidalibre.
Además, R proporciona herramientas para realizar pruebas de comparación múltiple, como la prueba de Tukey, que nos permite identificar cuáles tratamientos específicos difieren entre sí en términos de sus efectos en las poblaciones de nematodos. Estas pruebas ayudan a refinar el análisis, permitiendo una comprensión más detallada de las relaciones entre los tratamientos y las mediciones.
Una ventaja clave de utilizar R es su capacidad para generar visualizaciones gráficas de alta calidad. En este estudio, hemos creado gráficos de barras para visualizar las diferencias estimadas entre las poblaciones de nematodos en función de los tratamientos. Estas representaciones visuales ayudan a interpretar los resultados de manera intuitiva y a comunicar de manera efectiva las conclusiones del análisis.
En resumen, el uso de R en este estudio ha sido fundamental para llevar a cabo un análisis estadístico riguroso y completo. Sus capacidades para análisis descriptivos, modelado estadístico y visualización de datos han permitido obtener información valiosa sobre cómo los tratamientos afectan las poblaciones de nematodos. La versatilidad y potencia de R hacen que sea una herramienta esencial para investigadores y científicos que buscan obtener conocimientos profundos a partir de sus datos.
3 Análisis y discusión
# Creación de un dataframe con los datos
data <- data.frame(
Tratamiento =tratamientos,
Replica =replicas,
Inicial_Fitopar = datoinicial_nematodos_fitopar,
Final_Fitopar = datofinal_nematodos_fitopar,
Inicial_Vidalibre = datoinicial_nematodos_vidalibre,
Final_Vidalibre = datofinal_nematodos_vidalibre
)# Cálculos descriptivos
summary(data)## Tratamiento Replica Inicial_Fitopar Final_Fitopar
## Length:30 Length:30 Min. :220.0 Min. : 0.0
## Class :character Class :character 1st Qu.:310.0 1st Qu.:108.3
## Mode :character Mode :character Median :423.3 Median :173.4
## Mean :401.6 Mean :170.0
## 3rd Qu.:480.0 3rd Qu.:233.3
## Max. :620.0 Max. :360.0
## Inicial_Vidalibre Final_Vidalibre
## Min. :100.0 Min. : 50.0
## 1st Qu.:258.3 1st Qu.:112.5
## Median :295.8 Median :162.5
## Mean :291.1 Mean :167.4
## 3rd Qu.:345.8 3rd Qu.:208.3
## Max. :391.7 Max. :341.7# Cargar bibliotecas necesarias
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)
library(tidyr) # Asegúrate de cargar esta biblioteca
# Crear un dataframe con las variables Inicial_Fitopar y Final_Fitopar
data_combined <- data %>%
select(Inicial_Fitopar, Final_Fitopar) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor")
# Crear un gráfico de densidad para Inicial_Fitopar y Final_Fitopar en la misma figura
ggplot(data_combined, aes(x = valor, fill = variable)) +
geom_density(alpha = 0.5) +
labs(title = "Distribución de Inicial_Fitopar y Final_Fitopar",
x = "Valor",
y = "Densidad") +
scale_fill_discrete(name = "Variable",
labels = c("Inicial_Fitopar", "Final_Fitopar"))
Vida_libre
# Cargar bibliotecas necesarias
library(ggplot2)
library(tidyr)
# Crear un dataframe con las variables Inicial_Vidalibre y Final_Vidalibre
data_combined_vidalibre <- data %>%
select(Inicial_Vidalibre, Final_Vidalibre) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor")
# Crear un gráfico de densidad para Inicial_Vidalibre y Final_Vidalibre en la misma figura
ggplot(data_combined_vidalibre, aes(x = valor, fill = variable)) +
geom_density(alpha = 0.5) +
labs(title = "Distribución de Inicial_Vidalibre y Final_Vidalibre",
x = "Valor",
y = "Densidad") +
scale_fill_discrete(name = "Variable",
labels = c("Inicial_Vidalibre", "Final_Vidalibre"))
# ANOVA para Fitopar
anova_fitopar <- aov(Inicial_Fitopar ~ Tratamiento, data = data)
summary(anova_fitopar)## Df Sum Sq Mean Sq F value Pr(>F)
## Tratamiento 9 267820 29758 5.604 0.000658 ***
## Residuals 20 106201 5310
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Interpretación
Los resultados indican que existe una diferencia significativa entre al menos algunos de los tratamientos en términos de las mediciones realizadas. El valor p extremadamente bajo (0.000658) y los asteriscos “***” sugieren que hay evidencia sólida para rechazar la hipótesis nula y concluir que los tratamientos tienen un efecto significativo en las mediciones.
# Prueba de Tukey para Fitopar
tukey_fitopar <- TukeyHSD(anova_fitopar)
print(tukey_fitopar)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Inicial_Fitopar ~ Tratamiento, data = data)
##
## $Tratamiento
## diff lwr upr p adj
## T10-T1 53.333333 -157.3566129 264.02328 0.9948106
## T2-T1 71.111111 -139.5788351 281.80106 0.9647602
## T3-T1 271.111111 60.4211649 481.80106 0.0057670
## T4-T1 211.111111 0.4211649 421.80106 0.0492873
## T5-T1 191.088889 -19.6010574 401.77884 0.0957342
## T6-T1 113.333333 -97.3566129 324.02328 0.6663710
## T7-T1 275.555556 64.8656093 486.24550 0.0048981
## T8-T1 208.888889 -1.8010574 419.57884 0.0531569
## T9-T1 264.444444 53.7544982 475.13439 0.0073642
## T2-T10 17.777778 -192.9121685 228.46772 0.9999994
## T3-T10 217.777778 7.0878315 428.46772 0.0391944
## T4-T10 157.777778 -52.9121685 368.46772 0.2572038
## T5-T10 137.755556 -72.9343907 348.44550 0.4208945
## T6-T10 60.000000 -150.6899463 270.68995 0.9881881
## T7-T10 222.222222 11.5322760 432.91217 0.0335812
## T8-T10 155.555556 -55.1343907 366.24550 0.2728495
## T9-T10 211.111111 0.4211649 421.80106 0.0492873
## T3-T2 200.000000 -10.6899463 410.68995 0.0716011
## T4-T2 140.000000 -70.6899463 350.68995 0.4001705
## T5-T2 119.977778 -90.7121685 330.66772 0.5983024
## T6-T2 42.222222 -168.4677240 252.91217 0.9991020
## T7-T2 204.444444 -6.2455018 415.13439 0.0617511
## T8-T2 137.777778 -72.9121685 348.46772 0.4206868
## T9-T2 193.333333 -17.3566129 404.02328 0.0890554
## T4-T3 -60.000000 -270.6899463 150.68995 0.9881881
## T5-T3 -80.022222 -290.7121685 130.66772 0.9302451
## T6-T3 -157.777778 -368.4677240 52.91217 0.2572038
## T7-T3 4.444444 -206.2455018 215.13439 1.0000000
## T8-T3 -62.222222 -272.9121685 148.46772 0.9849257
## T9-T3 -6.666667 -217.3566129 204.02328 1.0000000
## T5-T4 -20.022222 -230.7121685 190.66772 0.9999982
## T6-T4 -97.777778 -308.4677240 112.91217 0.8124402
## T7-T4 64.444444 -146.2455018 275.13439 0.9810195
## T8-T4 -2.222222 -212.9121685 208.46772 1.0000000
## T9-T4 53.333333 -157.3566129 264.02328 0.9948106
## T6-T5 -77.755556 -288.4455018 132.93439 0.9405482
## T7-T5 84.466667 -126.2232796 295.15661 0.9068795
## T8-T5 17.800000 -192.8899463 228.48995 0.9999994
## T9-T5 73.355556 -137.3343907 284.04550 0.9575440
## T7-T6 162.222222 -48.4677240 372.91217 0.2278790
## T8-T6 95.555556 -115.1343907 306.24550 0.8305817
## T9-T6 151.111111 -59.5788351 361.80106 0.3061029
## T8-T7 -66.666667 -277.3566129 144.02328 0.9764002
## T9-T7 -11.111111 -221.8010574 199.57884 1.0000000
## T9-T8 55.555556 -155.1343907 266.24550 0.9930618# ANOVA para Fitopar
anova_vidalibre <- aov(Inicial_Vidalibre ~ Tratamiento, data = data)
summary(anova_vidalibre)## Df Sum Sq Mean Sq F value Pr(>F)
## Tratamiento 9 40804 4534 1.034 0.448
## Residuals 20 87653 4383Interpretación
Los resultados del análisis de varianza (ANOVA) para las poblaciones de nematodos de vida libre muestran la siguiente información:
En primer lugar, se observa que el ANOVA se realizó considerando dos fuentes de variación: “Tratamiento” y “Residuals” (residuos), con grados de libertad (Df) correspondientes a 9 y 20, respectivamente. La suma de cuadrados (Sum Sq) para “Tratamiento” fue de 40804, mientras que para “Residuals” fue de 87653.
El análisis de ANOVA calcula la varianza explicada por el efecto de los diferentes tratamientos y la varianza no explicada, que se refleja en los residuos. La razón entre la varianza explicada y la varianza no explicada se representa mediante la estadística F (F value), que en este caso es 1.034. La interpretación de esta estadística depende de su relación con la distribución F y los grados de libertad. Un F value mayor a 1 sugiere que existe cierta variabilidad entre los grupos de tratamiento, pero para determinar si esta diferencia es significativa, se debe examinar el valor de p (Pr(>F)).
En este caso, el valor p asociado al F value es 0.448. Este valor p representa la probabilidad de obtener un F value igual o mayor al observado, bajo la hipótesis nula de que no hay diferencias significativas entre los grupos de tratamiento. Un valor p alto, como en este caso, indica que no hay suficiente evidencia para rechazar la hipótesis nula y concluir que existen diferencias significativas entre los tratamientos en términos de las poblaciones de nematodos de vida libre.
En resumen, según los resultados del ANOVA, no se encontraron diferencias estadísticamente significativas entre los diferentes tratamientos en lo que respecta a las poblaciones de nematodos de vida libre. Esto sugiere que los tratamientos no tuvieron un efecto significativo en estas poblaciones en el contexto del estudio. Es importante recordar que la interpretación de los resultados debe realizarse considerando el contexto del estudio y su diseño experimental.
# Prueba de Tukey para comparaciones múltiples en Vidalibre
vidalibre_tukey <- TukeyHSD(anova_vidalibre)
print(vidalibre_tukey)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Inicial_Vidalibre ~ Tratamiento, data = data)
##
## $Tratamiento
## diff lwr upr p adj
## T10-T1 -49.944444 -241.35352 141.46463 0.9935578
## T2-T1 16.722222 -174.68686 208.13130 0.9999992
## T3-T1 -94.388889 -285.79797 97.02019 0.7584023
## T4-T1 -74.944444 -266.35352 116.46463 0.9177729
## T5-T1 19.472222 -171.93686 210.88130 0.9999968
## T6-T1 -69.388889 -260.79797 122.02019 0.9462865
## T7-T1 -27.722222 -219.13130 163.68686 0.9999353
## T8-T1 -22.166667 -213.57574 169.24241 0.9999903
## T9-T1 -36.055556 -227.46463 155.35352 0.9994482
## T2-T10 66.666667 -124.74241 258.07574 0.9574530
## T3-T10 -44.444444 -235.85352 146.96463 0.9972397
## T4-T10 -25.000000 -216.40908 166.40908 0.9999729
## T5-T10 69.416667 -121.99241 260.82574 0.9461633
## T6-T10 -19.444444 -210.85352 171.96463 0.9999969
## T7-T10 22.222222 -169.18686 213.63130 0.9999900
## T8-T10 27.777778 -163.63130 219.18686 0.9999342
## T9-T10 13.888889 -177.52019 205.29797 0.9999998
## T3-T2 -111.111111 -302.52019 80.29797 0.5743385
## T4-T2 -91.666667 -283.07574 99.74241 0.7855597
## T5-T2 2.750000 -188.65908 194.15908 1.0000000
## T6-T2 -86.111111 -277.52019 105.29797 0.8366655
## T7-T2 -44.444444 -235.85352 146.96463 0.9972397
## T8-T2 -38.888889 -230.29797 152.52019 0.9990007
## T9-T2 -52.777778 -244.18686 138.63130 0.9905265
## T4-T3 19.444444 -171.96463 210.85352 0.9999969
## T5-T3 113.861111 -77.54797 305.27019 0.5432782
## T6-T3 25.000000 -166.40908 216.40908 0.9999729
## T7-T3 66.666667 -124.74241 258.07574 0.9574530
## T8-T3 72.222222 -119.18686 263.63130 0.9327274
## T9-T3 58.333333 -133.07574 249.74241 0.9814653
## T5-T4 94.416667 -96.99241 285.82574 0.7581189
## T6-T4 5.555556 -185.85352 196.96463 1.0000000
## T7-T4 47.222222 -144.18686 238.63130 0.9956902
## T8-T4 52.777778 -138.63130 244.18686 0.9905265
## T9-T4 38.888889 -152.52019 230.29797 0.9990007
## T6-T5 -88.861111 -280.27019 102.54797 0.8121525
## T7-T5 -47.194444 -238.60352 144.21463 0.9957086
## T8-T5 -41.638889 -233.04797 149.77019 0.9983099
## T9-T5 -55.527778 -246.93686 135.88130 0.9866182
## T7-T6 41.666667 -149.74241 233.07574 0.9983013
## T8-T6 47.222222 -144.18686 238.63130 0.9956902
## T9-T6 33.333333 -158.07574 224.74241 0.9997056
## T8-T7 5.555556 -185.85352 196.96463 1.0000000
## T9-T7 -8.333333 -199.74241 183.07574 1.0000000
## T9-T8 -13.888889 -205.29797 177.52019 0.9999998Interpretación de los Resultados del test para fitopar
Fitopar
En el contexto del estudio sobre el efecto de la solarización del suelo en el control de la población de nematodos en el distrito de Santa Rosa, los resultados de la prueba de Tukey para el tratamiento “fitopar” arrojan luz sobre las diferencias en las poblaciones iniciales de nematodos entre diferentes tratamientos. Recordemos que la hipótesis nula en estas pruebas es que no hay diferencias significativas entre los tratamientos en términos de las poblaciones iniciales de nematodos.
Al observar los resultados específicos de las comparaciones de pares:
Hay algunas comparaciones que muestran diferencias estadísticamente significativas en las poblaciones iniciales de nematodos. Por ejemplo, entre T3 y T1, T4 y T1, T7 y T1, etc. Estas diferencias indican que algunos tratamientos han tenido un impacto significativo en el control de la población de nematodos en comparación con el tratamiento de referencia T1.
Algunas comparaciones, como T2-T10, no muestran diferencias significativas. Esto sugiere que en términos de las poblaciones iniciales de nematodos, estos tratamientos no difieren de manera significativa entre sí.
La interpretación de las diferencias significativas debe tener en cuenta el contexto del estudio y el conocimiento previo sobre los tratamientos utilizados. Por ejemplo, si un tratamiento específico se diseñó para tener un efecto esperado en la población de nematodos, las diferencias significativas podrían indicar que este tratamiento ha tenido éxito en su objetivo.
Las comparaciones con valores p cercanos a 1, como T2-T10, indican que no hay evidencia estadística para afirmar que estos tratamientos difieren significativamente en términos de poblaciones iniciales de nematodos.
En resumen, los resultados de la prueba de Tukey respaldan la idea de que algunos tratamientos tienen un impacto significativo en el control de la población de nematodos en comparación con otros. Sin embargo, la interpretación precisa dependerá de la naturaleza de los tratamientos, el diseño del estudio y otros factores contextuales.
Vida_libre
En general, al interpretar los resultados de las comparaciones múltiples de Tukey, se observa que varios de los intervalos de confianza incluyen el valor cero y que muchos de los valores p ajustados son altos. Esto sugiere que no hay diferencias significativas en las poblaciones de nematodos de vida libre entre la mayoría de los tratamientos. Sin embargo, en algunos casos, como la comparación entre T5 y T3, la diferencia estimada es grande y estadísticamente significativa (p adj = 0.543), lo que sugiere que podría haber una diferencia real en las poblaciones de nematodos entre estos dos tratamientos.
En resumen, según los resultados de las comparaciones múltiples de Tukey, no se encontraron diferencias significativas en las poblaciones de nematodos de vida libre entre la mayoría de los tratamientos. Sin embargo, es importante tener en cuenta las comparaciones individuales que resultaron estadísticamente significativas para una comprensión completa de cómo los tratamientos pueden estar afectando las poblaciones de nematodos de vida libre en este estudio.
4 Conclusiones
En conclusión, este estudio ha proporcionado una visión integral de las poblaciones de nematodos en relación con diferentes tratamientos aplicados en cultivos de interés agrícola. Al analizar las poblaciones de nematodos fitoparásitos y de vida libre, se han obtenido valiosos insights sobre el impacto de los tratamientos en la salud y el rendimiento de los cultivos.
En el caso de los nematodos fitoparásitos, el análisis ANOVA reveló una diferencia significativa entre al menos algunos de los tratamientos. Las comparaciones post hoc de Tukey permitieron identificar que los tratamientos T3 y T5 mostraron diferencias estadísticamente significativas en las poblaciones de nematodos fitoparásitos en comparación con otros tratamientos. Estos resultados sugieren que estos tratamientos podrían tener un efecto positivo o negativo en la prevalencia de nematodos fitoparásitos en el suelo, lo que puede influir en la salud de las plantas.
Por otro lado, al considerar las poblaciones de nematodos de vida libre, el análisis ANOVA no reveló diferencias significativas entre los tratamientos. Las pruebas de Tukey no identificaron diferencias estadísticas en las poblaciones de nematodos de vida libre entre los tratamientos. Esto sugiere que los tratamientos aplicados en este estudio podrían no estar influyendo significativamente en las poblaciones de nematodos de vida libre en el suelo.
En resumen, los resultados indican que los tratamientos tienen un impacto diferencial en las poblaciones de nematodos fitoparásitos y de vida libre. Es crucial tener en cuenta estas diferencias al considerar estrategias de manejo de nematodos en los cultivos. Si bien algunos tratamientos pueden mostrar un efecto positivo en la reducción de nematodos fitoparásitos, es importante evaluar cómo estos tratamientos pueden afectar otras partes del ecosistema del suelo, como las poblaciones de nematodos de vida libre que también desempeñan un papel vital en la salud del suelo.
En última instancia, este estudio resalta la importancia de un enfoque integral en la gestión de nematodos en la agricultura, considerando tanto los aspectos fitoparásitos como de vida libre. Además, la utilización del software estadístico R ha demostrado ser una herramienta valiosa para el análisis y la interpretación de datos complejos, permitiendo un mayor entendimiento de las interacciones entre tratamientos y poblaciones de nematodos.
5 Anexos
5.1 Códigos en r utilizados
tratamientos=c("T1","T1","T1","T2","T2","T2","T3","T3","T3","T4","T4","T4","T5","T5","T5","T6","T6","T6","T7","T7","T7","T8","T8","T8","T9","T9","T9","T10","T10","T10")
replicas=c("R1","R2","R3","R1","R2","R3","R1","R2","R3","R1","R2","R3","R1","R2","R3","R1","R2","R3","R1","R2","R3","R1","R2","R3","R1","R2","R3","R1","R2","R3")
datoinicial_nematodos_fitopar=c(220,260,226.666666666667,293.333333333333,320,306.666666666667,486.666666666667,586.666666666667,446.666666666667,366.666666666667,453.333333333333,520,460,460,359.933333333333,453.333333333333,226.666666666667,366.666666666667,546.666666666667,493.333333333333,493.333333333333,420,366.666666666667,546.666666666667,620,426.666666666667,453.333333333333,220,353.333333333333,293.333333333333)
datofinal_nematodos_fitopar=c(166.666666666667,193.333333333333,200,166.733333333333,240,153.333333333333,153.333333333333,226.666666666667,226.666666666667,160,313.333333333333,233.333333333333,233.333333333333,266.666666666667,253.333333333333,180,300,360,320,220,113.333333333333,66.6666666666667,33.3333333333333,26.6666666666667,6.66666666666667,0,0,146.666666666667,106.666666666667,33.3333333333333)
datoinicial_nematodos_vidalibre=c(375,308.25,291.583333333333,258.333333333333,375,391.666666666667,266.666666666667,233.333333333333,191.666666666667,258.333333333333,100,391.666666666667,358.333333333333,308.25,366.666666666667,250,316.666666666667,200,350,250,291.666666666667,266.666666666667,308.333333333333,333.333333333333,350,208.333333333333,308.333333333333,266.666666666667,300,258.333333333333)
datofinal_nematodos_vidalibre=c(158.333333333333,150,208.333333333333,166.666666666667,166.666666666667,166.666666666667,125,166.666666666667,166.666666666667,141.666666666667,333.333333333333,229.25,333.333333333333,208.333333333333,150,183.333333333333,150,341.666666666667,241.666666666667,216.666666666667,208.333333333333,91.6666666666667,125,108.333333333333,66.6666666666667,50,66.6666666666667,108.333333333333,91.6666666666667,100)
# Creación de un dataframe con los datos
data <- data.frame(
Tratamiento =tratamientos,
Replica =replicas,
Inicial_Fitopar = datoinicial_nematodos_fitopar,
Final_Fitopar = datofinal_nematodos_fitopar,
Inicial_Vidalibre = datoinicial_nematodos_vidalibre,
Final_Vidalibre = datofinal_nematodos_vidalibre
)
# Cálculos descriptivos
summary(data)
# Cargar bibliotecas necesarias
library(dplyr)
library(ggplot2)
library(tidyr) # Asegúrate de cargar esta biblioteca
# Crear un dataframe con las variables Inicial_Fitopar y Final_Fitopar
data_combined <- data %>%
select(Inicial_Fitopar, Final_Fitopar) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor")
# Crear un gráfico de densidad para Inicial_Fitopar y Final_Fitopar en la misma figura
ggplot(data_combined, aes(x = valor, fill = variable)) +
geom_density(alpha = 0.5) +
labs(title = "Distribución de Inicial_Fitopar y Final_Fitopar",
x = "Valor",
y = "Densidad") +
scale_fill_discrete(name = "Variable",
labels = c("Inicial_Fitopar", "Final_Fitopar"))
**Vida_libre**
# Cargar bibliotecas necesarias
library(ggplot2)
library(tidyr)
# Crear un dataframe con las variables Inicial_Vidalibre y Final_Vidalibre
data_combined_vidalibre <- data %>%
select(Inicial_Vidalibre, Final_Vidalibre) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor")
# Crear un gráfico de densidad para Inicial_Vidalibre y Final_Vidalibre en la misma figura
ggplot(data_combined_vidalibre, aes(x = valor, fill = variable)) +
geom_density(alpha = 0.5) +
labs(title = "Distribución de Inicial_Vidalibre y Final_Vidalibre",
x = "Valor",
y = "Densidad") +
scale_fill_discrete(name = "Variable",
labels = c("Inicial_Vidalibre", "Final_Vidalibre"))
# ANOVA para Fitopar
anova_fitopar <- aov(Inicial_Fitopar ~ Tratamiento, data = data)
summary(anova_fitopar)
# Prueba de Tukey para Fitopar
tukey_fitopar <- TukeyHSD(anova_fitopar)
print(tukey_fitopar)
# ANOVA para Fitopar
anova_vidalibre <- aov(Inicial_Vidalibre ~ Tratamiento, data = data)
summary(anova_vidalibre)
# Prueba de Tukey para comparaciones múltiples en Vidalibre
vidalibre_tukey <- TukeyHSD(anova_vidalibre)
print(vidalibre_tukey)