B. Análisis descriptivo
Cargamos la base de datos
TRIGO <- read_excel("TRIGO.xlsx")
Filtramos la base de datos para la localidad de Rafaela, Prov. de
Santa Fé
TRIGO_RAF <- TRIGO %>%
filter(Localidad == "RAF") %>%
select(Tratamiento, Genotipo, Rendimiento)
TRIGO_RAF
## # A tibble: 366 × 3
## Tratamiento Genotipo Rendimiento
## <chr> <chr> <dbl>
## 1 ConFung KleinTauro 5010
## 2 SinFung KLEINCASTOR 4942
## 3 ConFung KLEINCASTOR 4836
## 4 ConFung KleinTauro 5977
## 5 SinFung KleinTauro 5607
## 6 SinFung KleinTauro 5630
## 7 ConFung KleinTauro 5720
## 8 ConFung BUCKPUELCHE 5259.
## 9 ConFung BUCKPUELCHE 5586.
## 10 SinFung BUCKPUELCHE 4986
## # ℹ 356 more rows
Medidas de resumen: Genotipos de trigo cultivados en Rafaela, Prov.
de Santa Fé (2007-2012)
Los genotipos de trigo cultivados pueden observarse en la siguiente
tabla acompañados con sus respectivas medidas descriptivas.
RAFAELA_X_GENOTIPO <- stby(data = TRIGO_RAF,
INDICES = TRIGO_RAF$Genotipo,
FUN = descr,
stats = "common",
transpose = TRUE)
RAFAELA_X_GENOTIPO
## Non-numerical variable(s) ignored: Tratamiento, Genotipo
## Descriptive Statistics
## Rendimiento by Genotipo
## Data Frame: TRIGO_RAF
## N: 6
##
## Mean Std.Dev Min Median Max N.Valid Pct.Valid
## -------------------- --------- --------- --------- --------- --------- --------- -----------
## ACA801 5190.81 169.00 4955.31 5181.00 5472.52 6.00 100.00
## ACA901 4655.86 1076.46 2703.00 5089.53 6176.00 21.00 100.00
## ACA903 3832.70 1391.14 1370.00 4083.00 5523.00 15.00 100.00
## ACA905 5532.00 487.89 4830.00 5578.50 6153.00 6.00 100.00
## ACA906 4096.91 856.86 3040.30 4016.00 5500.00 15.00 100.00
## ACA907 3320.15 535.16 2622.10 3415.45 3993.30 6.00 100.00
## AGPFast 4349.43 915.48 2312.00 4158.10 5994.00 15.00 100.00
## Arex 4412.68 1246.09 3213.60 3770.00 6929.00 15.00 100.00
## ATLAX 4395.33 1664.68 2059.00 4208.10 7014.00 15.00 100.00
## B75ANIVERSARIO 4655.68 943.13 2845.90 5013.50 5755.00 18.00 100.00
## Baguette9 3711.32 539.80 2803.20 3853.70 4218.20 6.00 100.00
## BIOINTA1001 5059.33 202.71 4798.00 5044.00 5392.00 6.00 100.00
## Biointa1005 4113.12 1471.28 1350.00 4325.20 6750.00 18.00 100.00
## Biointa1006 4082.88 1189.85 2647.00 3929.55 6564.00 18.00 100.00
## Biointa1007 2800.33 240.80 2590.00 2748.00 3063.00 3.00 100.00
## BuckPleno 4300.00 220.12 4071.00 4319.00 4510.00 3.00 100.00
## BUCKPUELCHE 4294.94 896.52 3217.50 3992.25 5586.09 12.00 100.00
## Cronox 4186.37 1189.81 2766.50 3896.90 6958.00 21.00 100.00
## Floripan100 4049.67 278.02 3793.00 4011.00 4345.00 3.00 100.00
## KLEINCASTOR 4928.17 68.30 4836.00 4927.00 5020.00 6.00 100.00
## KLEINCHAJA 5417.50 452.90 4851.00 5389.50 5958.00 6.00 100.00
## KleinLeon 3498.22 804.06 1935.00 3535.30 4346.00 9.00 100.00
## KleinNutria 4489.01 1027.16 2383.00 4753.00 5603.00 15.00 100.00
## KleinRayo 4277.93 1022.34 2831.90 4100.00 6011.00 15.00 100.00
## KleinTauro 4459.92 1195.31 2288.00 4349.50 5979.00 24.00 100.00
## KleinTIGRE 4013.16 1350.28 2313.00 3480.30 6035.00 15.00 100.00
## KleinZorro 4838.12 902.37 3595.50 5164.00 6367.00 21.00 100.00
## LE2331 3371.37 641.04 2629.00 3147.00 4249.00 9.00 100.00
## LE2357 3554.78 273.58 3143.00 3554.40 3893.90 6.00 100.00
## ONIX 5493.70 381.35 5055.64 5461.27 5948.63 6.00 100.00
## SY300 5206.61 1544.37 2968.50 5153.45 7455.00 12.00 100.00
Para observar la distribución del rendimiento se realizó un gráfico
de cajas de todos los genotipos de trigo.
# Reordenar Genotipo por rendimiento promedio
TRIGO_RAF$Genotipo <- reorder(TRIGO_RAF$Genotipo, TRIGO_RAF$Rendimiento, fun = mean)
# Crear el gráfico
ggplot(TRIGO_RAF, aes(x = Genotipo, y = Rendimiento, fill = Genotipo)) +
geom_boxplot() +
geom_hline(yintercept = 4500, color = "darkgreen", linetype = 1, size = 1) +
theme_get() +
stat_summary(fun = mean, color = "black", size = 0.1) +
labs(
title = "Distribucion de rendimientos por genotipos de trigo",
x = "Genotipo",
y = "Rendimiento (Kg/Ha)"
) +
theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "none") +
scale_y_continuous(breaks = seq(500, 10000, by = 1500))
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## Warning: Removed 31 rows containing missing values or values outside the scale range
## (`geom_segment()`).
De acuerdo a la bibliografía consultada, el rendimiento promedio de
trigo es de 4500 Kg/Ha bajo manejo convencional y con variedades
adaptadas a la región.
Para destacar aquellos genotipos cuyo rendimiento promedio es igual
o mayor a dicho valor, se realizó la línea de corte en el gráfico.
Se puede observar que los genotipos que cumplen con dicha condición
son: B75ANIVERSARIO, ACA901, KleinZorro, KLEINCASTOR, BIOINTA1001,
ACA801, SY300, KLEINCHAJA, ONIX y ACA905 sin tener en cuenta el
tratamiento aplicado.
Medidas de resumen de los genotipos con promedio de rendimiento
igual o superior a 4500 Kg/Ha
RAFAELA_X_GENOTIPO_4500 <- stby(data = TRIGO_RAF$Rendimiento,
INDICES = TRIGO_RAF$Genotipo,
FUN = descr,
stats = "common",
transpose = TRUE)
# Convertir el objeto a data frame y filtrar por media
RAFAELA_X_GENOTIPO_4500_DF <- do.call(rbind, RAFAELA_X_GENOTIPO_4500) %>%
as.data.frame()
# Filtrar genotipos con media > 4500
GENOTIPOS_FILTRADOS <- RAFAELA_X_GENOTIPO_4500_DF %>%
filter(Mean >= 4500) # Filtra donde la media sea mayor a 4500
GENOTIPOS_FILTRADOS
## Mean Std.Dev Min Median Max N.Valid Pct.Valid
## B75ANIVERSARIO 4655.679 943.12981 2845.90 5013.500 5755.00 18 100
## ACA901 4655.861 1076.45834 2703.00 5089.530 6176.00 21 100
## KleinZorro 4838.124 902.36766 3595.50 5164.000 6367.00 21 100
## KLEINCASTOR 4928.167 68.30056 4836.00 4927.000 5020.00 6 100
## BIOINTA1001 5059.333 202.71326 4798.00 5044.000 5392.00 6 100
## ACA801 5190.813 168.99934 4955.31 5181.000 5472.52 6 100
## SY300 5206.608 1544.36508 2968.50 5153.450 7455.00 12 100
## KLEINCHAJA 5417.500 452.89855 4851.00 5389.500 5958.00 6 100
## ONIX 5493.705 381.35396 5055.64 5461.275 5948.63 6 100
## ACA905 5532.000 487.88728 4830.00 5578.500 6153.00 6 100
Para una mejor apreciación de los datos y llegar a conclusiones
precisas, realizamos el siguiente gráfico de cajas.
# Filtrar solo los genotipos seleccionados
genotipos_seleccionados <- c("ACA905", "ONIX", "KLEINCHAJA", "BIOINTA1001", "ACA801", "SY300", "B75ANIVERSARIO", "ACA901", "KleinZorro", "KLEINCASTOR")
# Filtrar la base de datos original
TRIGO_FILTRADO <- TRIGO_RAF %>%
filter(Genotipo %in% genotipos_seleccionados)
# Crear el gráfico
ggplot(TRIGO_FILTRADO, aes(x = Genotipo, y = Rendimiento, fill = Genotipo)) +
geom_boxplot(outlier.color = "red", outlier.shape = 16) + # Agrega los puntos atípicos
stat_summary(fun = mean, geom = "point", shape = 18, size = 3, color = "black") + # Puntos de la media
labs(
title = "Distribución del rendimiento de genotipos seleccionados",
x = "Genotipo",
y = "Rendimiento (kg/ha)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.position = "none")# Ajustar texto del eje x
Analizando las medidas de resumen y el gráfico, concluimos que los
genotipos con mejor rendimiento sin tener en cuenta el tratamiento
son:
- ACA905 tiene una media de 5532 Kg/Ha debajo del 50% del
rendimiento (5578 Kg/Ha) lo que nos indica una leve asimetria hacia la
izquierda. Así mismo, los valores se encuentran concentrados y presentan
baja variabilidad.
- ONIX tiene una media de 5494 Kg/Ha por encima del 50% del
rendimiento (5461 Kg/Ha) lo que nos indica una leve asimetria hacia la
derecha presentando a su vez, una menor variabilidad con respecto al
genotipo antes mencionado.
KLEINCHAJA tiene una media de 5417 Kg/Ha por encima del 50% del
rendimiento (5389 Kg/Ha) lo que nos indica una leve asimetria hacia la
derecha. Presenta una variabilidad intermedia con respecto a los dos
genotipos antes mencionados.
Para finalizar, destacamos la consistencia y la baja variabilidad
que presentan los genotipos BIOINTA1001, ACA801 y KLEINCASTOR con
rendimientos promedio que oscilan entre 4900 y 5200 Kg/Ha.
Filtramos la base de datos en base a los 10 genotipos
preseleccionados por el tratamiento aplicado.
TRAT_TRIGO <- TRIGO_RAF %>%
select(Tratamiento, Genotipo, Rendimiento) %>%
filter(Genotipo %in% c("ACA905", "ONIX", "KLEINCHAJA", "BIOINTA1001", "ACA801", "SY300", "B75ANIVERSARIO", "ACA901", "KleinZorro", "KLEINCASTOR"))
TRAT_TRIGO
## # A tibble: 108 × 3
## Tratamiento Genotipo Rendimiento
## <chr> <fct> <dbl>
## 1 SinFung KLEINCASTOR 4942
## 2 ConFung KLEINCASTOR 4836
## 3 ConFung KLEINCASTOR 4875
## 4 SinFung KLEINCASTOR 4984
## 5 ConFung KLEINCASTOR 4912
## 6 SinFung KLEINCASTOR 5020
## 7 SinFung ONIX 5056.
## 8 SinFung ONIX 5203.
## 9 ConFung ONIX 5832.
## 10 SinFung ONIX 5209.
## # ℹ 98 more rows
Medidas de resumen de los genotipos seleccionados según el
tratamiento aplicado
RESUMEN_TRIGO_X_TRAT <- stby(data = TRAT_TRIGO$Rendimiento,
INDICES = interaction(TRAT_TRIGO$Genotipo, TRAT_TRIGO$Tratamiento),
FUN = descr,
stats = "common",
transpose = TRUE)
# Convertir el objeto a data frame y filtrar por media
RESUMEN_TRIGO_X_TRAT_DF <- do.call(rbind, RESUMEN_TRIGO_X_TRAT) %>%
as.data.frame() %>%
select(-Pct.Valid)
RESUMEN_TRIGO_X_TRAT_DF
## Mean Std.Dev Min Median Max N.Valid
## B75ANIVERSARIO.ConFung 4787.113 1125.47442 2845.90 5382.000 5755.00 9
## ACA901.ConFung 4378.149 1188.14300 2703.00 4634.515 5696.00 12
## KleinZorro.ConFung 4778.433 982.94643 3595.50 4684.500 6367.00 12
## KLEINCASTOR.ConFung 4874.333 38.00439 4836.00 4875.000 4912.00 3
## BIOINTA1001.ConFung 5156.667 227.45842 4938.00 5140.000 5392.00 3
## ACA801.ConFung 5185.627 263.20569 4955.31 5129.050 5472.52 3
## SY300.ConFung 5175.967 1616.50247 3397.40 5132.300 7455.00 6
## KLEINCHAJA.ConFung 5625.000 521.49497 5024.00 5893.000 5958.00 3
## ONIX.ConFung 5831.420 117.72838 5713.18 5832.450 5948.63 3
## ACA905.ConFung 5520.667 663.42621 4830.00 5579.000 6153.00 3
## B75ANIVERSARIO.SinFung 4524.244 764.59987 3289.40 4906.000 5258.00 9
## ACA901.SinFung 5026.144 828.19493 3743.50 5239.000 6176.00 9
## KleinZorro.SinFung 4917.711 833.48401 3683.70 5325.000 5681.00 9
## KLEINCASTOR.SinFung 4982.000 39.03844 4942.00 4984.000 5020.00 3
## BIOINTA1001.SinFung 4962.000 150.24314 4798.00 4995.000 5093.00 3
## ACA801.SinFung 5196.000 45.21062 5144.00 5218.000 5226.00 3
## SY300.SinFung 5237.250 1622.28421 2968.50 5430.450 6857.00 6
## KLEINCHAJA.SinFung 5210.000 334.16613 4851.00 5267.000 5512.00 3
## ONIX.SinFung 5155.990 86.96473 5055.64 5202.960 5209.37 3
## ACA905.SinFung 5543.333 393.14798 5134.00 5578.000 5918.00 3
Gráfico de barras apiladas: Rendimiento promedio por genotipo y
tratamiento
ggplot(RAF_TRIGO_TRAT, aes(x = Genotipo, y = Total_Rto, fill = Tratamiento)) +
geom_bar(stat = "identity", color = "black") +
scale_fill_manual(values = c("ConFung" = "green4", "SinFung" = "gray")) +
labs(
x = "Genotipo",
y = "Rendimiento Total",
title = "Rendimiento promedio por genotipo y tratamiento"
) +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_y_continuous(breaks = seq(0, 12000, by = 1500))
Como se observa en el gráfico, los genotipos no presentan una
diferencia en la media del rendimiento con y sin tratamiento.
El genotipo ACA905 presenta una leve diferencia respecto al
rendimiento promedio sin la aplicación de fungicida (5543 Kg/Ha) contra
los 5520 Kg/Ha con la aplicación de fungicida.
A su vez, los genotipos ONIX y KLEINCHAJA presentan un leve
incremento en el rendimiento con la aplicación de fungicida.
Conclusión Final
En cuanto al análisis estadístico realizado de los distintos
genotipos de trigo inferimos que el mejor genotipo es el ACA905 ya que
presenta elevados rendimientos promedios sin discriminar el tratamiento
aplicado.
Así mismo, hay que tener en cuenta distintos factores externos:
- La calidad de la semilla y el precio.
- La exigencia del mercado en cuanto a la calidad del grano.
- La finalidad del cultivo (alimentación del ganado, destino local,
exportación).
- Factores ambientales que pueden llegar a condicionar el normal
crecimiento y desarrollo del cultivo, por ende, afecta al rendimiento
final del mismo.