Experimento de Competencia Intraespecífica
D. S. Fernandez del Viso
2021-12-03
Datos
Los datos que se utilizan en este ejemplo fueron tomados en el 2015, con un diseño igual al usado en el 2021. En este documento pueden encontrarlos: Experimento Competencia Intraespecífica.
Lectura de los datos
Se usan los datos que están en la hoja germinacion del archivo rabanos2015.xlsx.
library(readxl)
## datos germinación
germina <- read_excel("data/rabanos2015.xlsx",
sheet = "germinacion")
head(germina)## # A tibble: 6 x 4
## tratamiento cup semana plantas
## <chr> <dbl> <dbl> <dbl>
## 1 03S 1 1 2
## 2 03S 2 1 0
## 3 03S 3 1 3
## 4 06S 4 1 6
## 5 06S 5 1 0
## 6 06S 6 1 6Las variables son:
- tratamiento: variable categórica que describe los tratamientos.
- cup: número del vaso o tiesto (variable “dummy” o de conveniencia).
- semana: número de semanas desde la siembra.
- plantas: número de plantas presentes en cada semana de medición.
Germinación y Supervivencia
Gráfica de la variación en germinación y supervivencia de las plantas en cada vaso o tiesto.
library(dplyr)
library(ggplot2)
# gráfica por vaso y tratamiento
germina %>%
ggplot( aes(x=semana, y=plantas, group=cup,
color=tratamiento)) +
geom_line()
Figura 1. Cantidad de plantas presentes en cada réplica (vaso) de los tratamiento, en cada semana de medición. Los tratamientos se refieren al número de semillas sembradas en cada vaso.
Biomasa
A continuación se visualiza y analiza la relación entre la densidad inicial de plantas (tratamientos) y la biomasa seca promedio por planta al final del experimento.
Lectura de los datos
# desde Excel
library(readxl)
rabanos <- read_excel("data/rabanos2015.xlsx",
sheet = "biomasa")
head(rabanos)## # A tibble: 6 x 5
## tratamiento inicial plantas biomasa biom_planta
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 3S 3 3 0.067 22.3
## 2 3S 3 3 0.069 23
## 3 3S 3 3 0.07 23.3
## 4 6S 6 6 0.11 18.3
## 5 6S 6 6 0.109 18.2
## 6 6S 6 5 0.065 13Las variables son:
- tratamiento: variable categórica que describe los tratamientos.
- inicial: cantidad inicial de semillas en los tratamientos.
- plantas: cantidad de plantas al momento de la cosecha.
- biomasa: biomasa seca (g) de la cosecha en cada tratamiento.
- biom_planta: biomasa por planta (biomasa/planta) en mg.
Gráfica y análisis en escala lineal
Gráfica de la biomasa por planta versus la densidad inicial de semillas de cada tratamiento y a continuación el análisis de regresión correspondiente.
library(ggplot2)
## biom_planta ~ inicial
# plot
ggplot(data = rabanos, aes(x = inicial, y = biom_planta)) +
geom_point(color='blue') +
geom_smooth(method = "lm", se = TRUE)## `geom_smooth()` using formula 'y ~ x'
Figura 2. Relación entre la biomasa promedio por planta (mg) y la cantidad de semillas sembradas en cada tratamiento.
Análisis de regresión para la figura 2
# regresión lineal
reg <- lm(biom_planta ~ inicial, data = rabanos)
summary(reg)##
## Call:
## lm(formula = biom_planta ~ inicial, data = rabanos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -14.8704 -3.1086 0.9647 4.5906 7.2897
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 17.8304 2.3190 7.689 3.44e-06 ***
## inicial -0.0800 0.0936 -0.855 0.408
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.933 on 13 degrees of freedom
## Multiple R-squared: 0.0532, Adjusted R-squared: -0.01963
## F-statistic: 0.7305 on 1 and 13 DF, p-value: 0.4082Gráfica y análisis en escala semi-logarítmica (semillas iniciales)
Análisis similar con la variable inicial (semillas sembradas) con una transformación logarítmica.
## biom_planta ~ log(inicial)
library(dplyr)
# log
rabanos <- rabanos %>%
mutate(log_ini = log(inicial))
# plot
ggplot(data = rabanos, aes(x = log_ini, y = biom_planta)) +
geom_point(color='blue') +
geom_smooth(method = "lm", se = TRUE)## `geom_smooth()` using formula 'y ~ x'
Figura 3. Relación entre la biomasa promedio por planta (mg) y la cantidad de semillas sembradas en cada tratamiento en escala logarítmica base 10.
Análisis de regresión para la figura 3
# reg2
reglog <- lm(biom_planta ~ log_ini, data = rabanos)
summary(reglog)##
## Call:
## lm(formula = biom_planta ~ log_ini, data = rabanos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -14.3424 -2.2005 0.4575 3.2574 8.3911
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 21.840 3.965 5.509 0.000101 ***
## log_ini -2.212 1.484 -1.491 0.159934
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.635 on 13 degrees of freedom
## Multiple R-squared: 0.146, Adjusted R-squared: 0.08027
## F-statistic: 2.222 on 1 and 13 DF, p-value: 0.1599Gráfica y análisis con escalas log-log
Análisis similar con la variable inicial (semillas sembradas) con una transformación logarítmica al igual que la biomasa por planta.
library(dplyr)
## log(biom_planta) ~ log(inicial)
rabanos <- rabanos %>%
mutate(log_biom = log(biom_planta))
# plot
ggplot(data = rabanos, aes(x = log_ini, y = log_biom)) +
geom_point(color='blue') +
geom_smooth(method = "lm", se = TRUE)## `geom_smooth()` using formula 'y ~ x'
Figura 4. Relación entre el logaritmo (base 10) de la biomasa promedio por planta (mg) y la cantidad de semillas sembradas en cada tratamiento en escala logarítmica base 10.
Análisis de regresión para la figura 4
# stats
regll <- lm(log_biom ~ log_ini, data = rabanos)
summary(regll)##
## Call:
## lm(formula = log_biom ~ log_ini, data = rabanos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.9858 -0.0829 0.1393 0.2608 0.5558
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.0035 0.4351 6.903 1.08e-05 ***
## log_ini -0.1306 0.1629 -0.802 0.437
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6184 on 13 degrees of freedom
## Multiple R-squared: 0.04713, Adjusted R-squared: -0.02616
## F-statistic: 0.6431 on 1 and 13 DF, p-value: 0.437