Análisis variables biestimulantes vegetales
Isabel Lozano
2023-11-27
Análisis de las variables medidas en maíz
SPAD
Datos
# Factor niveles del tratamiento
NT<-gl(4,4,16, c('Control','Subdosis','Dosis','Sobredosis'))
# Número de repeticiones
rep<-gl(4,1,16,c('I','II','III','IV'))
# Resultados
SPAD<-c(40.8, 41.1, 42.9, 46.7,
43.3, 39.8, 37.6, 43.8,
37.5, 42.3, 36.3, 44.5,
43.3, 50.1, 43.4, 44.7)
# Tabla de resumen
set.seed(123)
datos_1<-data.frame(NT, rep, SPAD)
datos_1## NT rep SPAD
## 1 Control I 40.8
## 2 Control II 41.1
## 3 Control III 42.9
## 4 Control IV 46.7
## 5 Subdosis I 43.3
## 6 Subdosis II 39.8
## 7 Subdosis III 37.6
## 8 Subdosis IV 43.8
## 9 Dosis I 37.5
## 10 Dosis II 42.3
## 11 Dosis III 36.3
## 12 Dosis IV 44.5
## 13 Sobredosis I 43.3
## 14 Sobredosis II 50.1
## 15 Sobredosis III 43.4
## 16 Sobredosis IV 44.7Análisis descriptivo
library(ggplot2)
# Histograma
ggplot(datos_1, aes(x = NT, y = SPAD)) +
theme(axis.text.x = element_text(size = 14,
face = "bold"),
axis.text.y = element_text(size = 12,
face = "bold")) +
geom_col() 
# Subplot
ggplot(datos_1)+
aes(NT,SPAD)+
theme(axis.text.x = element_text(size = 14,
face = "bold"),
axis.text.y = element_text(size = 12,
face = "bold")) +
geom_boxplot()
Análisis inferencial
Hipótesis
Es importante identificar si el nivel de aplicación del bioestimulante afecta la variable SPAD en el maíz
\[H_0:\mu_{Control}=\mu_{Subdosis}=\mu_{Dosis}=\mu_{Sobredosis}\\ H_a:H_0\text{ es falsa}\] En este caso se quiere decir que la media de los tratamientos es igual. De lo contrario, lo anterior es falso y se rechaza la hipótesis nula.
Con el fin de comprobar esto, se lleva a cabo una tabla de análisis anova
# Modelo
anav1<-aov(SPAD ~ NT, data = datos_1)
summary(anav1)## Df Sum Sq Mean Sq F value Pr(>F)
## NT 3 63.05 21.02 2.025 0.164
## Residuals 12 124.53 10.38Conductancia estomática
Datos
# Resultados
gs<-c(70.7, 65.3, 29.2, 41.0,
21.2, 32.3, 15.5, 44.5,
12.6, 9.4, 14.1, 37.7,
46.8, 46.1, 35.7, 41.6)
# Tabla de resumen
set.seed(123)
datos_2<-data.frame(NT, rep, gs)
datos_2## NT rep gs
## 1 Control I 70.7
## 2 Control II 65.3
## 3 Control III 29.2
## 4 Control IV 41.0
## 5 Subdosis I 21.2
## 6 Subdosis II 32.3
## 7 Subdosis III 15.5
## 8 Subdosis IV 44.5
## 9 Dosis I 12.6
## 10 Dosis II 9.4
## 11 Dosis III 14.1
## 12 Dosis IV 37.7
## 13 Sobredosis I 46.8
## 14 Sobredosis II 46.1
## 15 Sobredosis III 35.7
## 16 Sobredosis IV 41.6Análisis descriptivo
# Histograma
ggplot(datos_2, aes(x = NT, y = gs)) +
theme(axis.text.x = element_text(size = 14,
face = "bold"),
axis.text.y = element_text(size = 12,
face = "bold")) +
geom_col() 
# Boxplot
ggplot(datos_2)+
aes(NT,gs)+
theme(axis.text.x = element_text(size = 14,
face = "bold"),
axis.text.y = element_text(size = 12,
face = "bold")) +
geom_boxplot()
### Análisis inferencial
Hipótesis
Es importante identificar si el nivel de aplicación del bioestimulante afecta la variable de conductancia estomática en el maíz
\[H_0:\mu_{Control}=\mu_{Subdosis}=\mu_{Dosis}=\mu_{Sobredosis}\\ H_a:H_0\text{ es falsa}\] En este caso se quiere decir que la media de los tratamientos es igual. De lo contrario, lo anterior es falso y se rechaza la hipótesis nula.
Con el fin de comprobar esto, se lleva a cabo una tabla de análisis anova
# Modelo
anav2<-aov(gs ~ NT, data = datos_2)
summary(anav2)## Df Sum Sq Mean Sq F value Pr(>F)
## NT 3 2594 864.6 4.625 0.0226 *
## Residuals 12 2243 186.9
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1Altura
Datos
# Resultados
height<-c(74.7, 67.5, 103.2, 80.3,
50.3, 68.7, 75.2, 76.8,
66.2, 74.5, 47.5, 70.4,
80.5, 60.4, 59, 74.5)
# Tabla de resumen
set.seed(123)
datos_3<-data.frame(NT, rep, height)
datos_3## NT rep height
## 1 Control I 74.7
## 2 Control II 67.5
## 3 Control III 103.2
## 4 Control IV 80.3
## 5 Subdosis I 50.3
## 6 Subdosis II 68.7
## 7 Subdosis III 75.2
## 8 Subdosis IV 76.8
## 9 Dosis I 66.2
## 10 Dosis II 74.5
## 11 Dosis III 47.5
## 12 Dosis IV 70.4
## 13 Sobredosis I 80.5
## 14 Sobredosis II 60.4
## 15 Sobredosis III 59.0
## 16 Sobredosis IV 74.5Análisis descriptivo
# Histograma
ggplot(datos_3, aes(x = NT, y = height)) +
theme(axis.text.x = element_text(size = 14,
face = "bold"),
axis.text.y = element_text(size = 12,
face = "bold")) +
geom_col() 
# Boxplot
ggplot(datos_3)+
aes(NT,height)+
theme(axis.text.x = element_text(size = 14,
face = "bold"),
axis.text.y = element_text(size = 12,
face = "bold")) +
geom_boxplot()
Análisis inferencial
Hipótesis
Es importante identificar si el nivel de aplicación del bioestimulante afecta la variable de altura en el maíz
\[H_0:\mu_{Control}=\mu_{Subdosis}=\mu_{Dosis}=\mu_{Sobredosis}\\ H_a:H_0\text{ es falsa}\] En este caso se quiere decir que la media de los tratamientos es igual. De lo contrario, lo anterior es falso y se rechaza la hipótesis nula.
Con el fin de comprobar esto, se lleva a cabo una tabla de análisis anova
# Modelo
anav3<-aov(height ~ NT, data = datos_3)
summary(anav3)## Df Sum Sq Mean Sq F value Pr(>F)
## NT 3 658.8 219.6 1.373 0.298
## Residuals 12 1919.8 160.0