Proyecto: Enfermedades emergentes de importancia económica en frutales de pepita en los valles de Río Negro y Neuquén (II Parte)

Objetivo:

Comprender características epidémicas de enfermedades de postcosecha en fruta de pera, asociadas a infecciones latentes por B. cinerea y Alternaria sp., Diplodia seriata en diferentes períodos de la estación de crecimiento desde caída de pétalos hasta la maduración de la fruta en la Norpatagonia Argentina Proponer estrategias de manejo más sustentables e inocuas que incluyan el uso de microorganismos y sustancias con capacidad fungicida y/o de inducción de defensa en el/los momento/s oportuno/s frente a Phytophthora sp, B. cinérea, Alternaria sp. y Diplodia seriata

Primer Análisis Exploratorio: Test Chi Cuadrado para los conteos 90+150 días de Estado de la fruta vs Tratamiento

datos1<-read.csv2("Indep_Pod_Moho.csv")
library(abd) #para la funcion as.xtab

## Loading required package: nlme

## Loading required package: lattice

## Loading required package: grid

## Loading required package: mosaic

## Registered S3 method overwritten by 'mosaic':
##   method                           from   
##   fortify.SpatialPolygonsDataFrame ggplot2

## 
## The 'mosaic' package masks several functions from core packages in order to add 
## additional features.  The original behavior of these functions should not be affected by this.

## 
## Attaching package: 'mosaic'

## The following objects are masked from 'package:dplyr':
## 
##     count, do, tally

## The following object is masked from 'package:Matrix':
## 
##     mean

## The following object is masked from 'package:ggplot2':
## 
##     stat

## The following objects are masked from 'package:stats':
## 
##     binom.test, cor, cor.test, cov, fivenum, IQR, median, prop.test,
##     quantile, sd, t.test, var

## The following objects are masked from 'package:base':
## 
##     max, mean, min, prod, range, sample, sum

Variable de Respuesta: Estado de la fruta

Variable regresora: Tratamiento

Test de Pearson

XT<-as.xtabs(datos1);XT

##                   variable.2
## variable.1         Podredumbres Moho Sanos
##   Control                    47   55   648
##   Biofruit 500 ppm           10   78   662
##   Biofruit 100 ppm            9   93   648
##   Timorex                     9   64   677

Ho: El estado de la fruta es independiente del tratamiento

H1: El estado de la fruta depende del tratamiento

summary(XT)

## Number of cases in table: 3000 
## Number of factors: 2 
## Test for independence of all factors:
##  Chisq = 69.09, df = 6, p-value = 6.272e-13

###Se RHO ###
# dotchart(XT)

A un nivel de significación del 5% existe evidencia suficiente para decir que el estado de la fruta depende del tratamiento.

mosaicplot(XT,color = T,main= "Estado vs Tratamiento")

Analisis de correspondencia

datos11<-read.csv2("Indep_Pod_Moho.csv",header = T,row.names = 1)
head(datos11)

##                  Podredumbres Moho Sanos
## Control                    47   55   648
## Biofruit 500 ppm           10   78   662
## Biofruit 100 ppm            9   93   648
## Timorex                     9   64   677

library(FactoMineR)
library("factoextra")

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

res.ca <- CA (datos11, graph = TRUE, axes = c(1,2))

res.ca

## **Results of the Correspondence Analysis (CA)**
## The row variable has  4  categories; the column variable has 3 categories
## The chi square of independence between the two variables is equal to 69.09364 (p-value =  6.272242e-13 ).
## *The results are available in the following objects:
## 
##    name              description                   
## 1  "$eig"            "eigenvalues"                 
## 2  "$col"            "results for the columns"     
## 3  "$col$coord"      "coord. for the columns"      
## 4  "$col$cos2"       "cos2 for the columns"        
## 5  "$col$contrib"    "contributions of the columns"
## 6  "$row"            "results for the rows"        
## 7  "$row$coord"      "coord. for the rows"         
## 8  "$row$cos2"       "cos2 for the rows"           
## 9  "$row$contrib"    "contributions of the rows"   
## 10 "$call"           "summary called parameters"   
## 11 "$call$marge.col" "weights of the columns"      
## 12 "$call$marge.row" "weights of the rows"

Modelo: Multinomial con categoría de referencia

Datos (Unidad de estadística, el fruto)

Trat<-rep(c("1control", "3BioF500", "2BioF100", "4Timorex"),c(750,750,750,750))
Estado<-c(rep(c("Podredumbres","Moho","Sano"),c(47,55,648)),
rep(c("Podredumbres","Moho","Sano"),c(10,78,662)),
rep(c("Podredumbres","Moho","Sano"),c(9,93,648)),
    rep(c("Podredumbres","Moho","Sano"),c(9,64,677)))
datos_wide<-data.frame(Trat, Estado)
### Tabla
head(datos_wide)

##       Trat       Estado
## 1 1control Podredumbres
## 2 1control Podredumbres
## 3 1control Podredumbres
## 4 1control Podredumbres
## 5 1control Podredumbres
## 6 1control Podredumbres

Comportamiento de las Proporciones

library(dplyr)
library(ggplot2)
Tratgroup <- group_by(datos_wide, Trat, Estado) %>% summarise(count=n()) %>%
group_by(Trat) %>% mutate(etotal=sum(count), proportion= count/etotal)

## `summarise()` regrouping output by 'Trat' (override with `.groups` argument)

ggplot(Tratgroup, aes(x=Trat, y=proportion, group=Estado, linetype=Estado,))+geom_line()

Como categoría de referencia: Sano

library(nnet)
##
datos_wide$Estado <- ordered(datos_wide$Estado, 
                                   levels = c("Sano","Moho","Podredumbres"))
##
datos_wide$Trat <- factor(datos_wide$Trat , ordered =F)
##
##
mmod <- multinom(Estado~ Trat, datos_wide)

## # weights:  15 (8 variable)
## initial  value 3295.836866 
## iter  10 value 1506.959396
## iter  20 value 1266.743017
## final  value 1266.268313 
## converged

summary(mmod)

## Call:
## multinom(formula = Estado ~ Trat, data = datos_wide)
## 
## Coefficients:
##              (Intercept) Trat2BioF100 Trat3BioF500 Trat4Timorex
## Moho           -2.466558    0.5252672    0.3280019    0.1077704
## Podredumbres   -2.623743   -1.6529224   -1.5689369   -1.6967015
## 
## Std. Errors:
##              (Intercept) Trat2BioF100 Trat3BioF500 Trat4Timorex
## Moho           0.1404459     0.178944    0.1845430     0.191904
## Podredumbres   0.1510622     0.368068    0.3526051     0.367978
## 
## Residual Deviance: 2532.537 
## AIC: 2548.537

Test Chi Cuadrado para los conteos 90+150 días de Estado de la fruta vs Tratamiento

A pedido de la investigadora el factor Estado quedó establecido para 2 categorias: Sanos (San) y Podridos (Podr)

Ho: El estado de la fruta es independiente del tratamiento

H1: El estado de la fruta depende del tratamiento

conting<-read.csv2("contingencia.csv")
library(abd) #para la función as.xtab
conting<-as.xtabs(conting);conting

##           variable.2
## variable.1 Control Biofruit.500.ppm Biofruit.100.ppm Timorex
##       Podr      47               10               14      15
##       San      703              740              736     735

summary(conting)

## Number of cases in table: 3000 
## Number of factors: 2 
## Test for independence of all factors:
##  Chisq = 42.19, df = 3, p-value = 3.663e-09

A un nivel de significación del 5% existe evidencia suficiente para decir que el estado de la fruta depende del tratamiento.

mosaicplot(t(conting),color = T,main = "Estado vs Tratamiento")

Test Chi Cuadrado para los conteos 90+150 días para la fruta discriminada la Especie de hongo vs Tratamiento

Ho: El estado de la fruta es independiente del tratamiento

H1: El estado de la fruta depende del tratamiento

conting2<-read.csv2("ContingEsp.csv")
library(abd) #para la función as.xtab
conting2<-as.xtabs(conting2); conting2

##                   variable.2
## variable.1         Botrytis Penicillium Alternaria Sanos
##   Control                23           2         22   726
##   Biofruit 500 ppm        6           0          4   746
##   Biofruit 100 ppm        5           2          7   741
##   Timorex                 7           2          6   742

summary(conting2)

## Number of cases in table: 3041 
## Number of factors: 2 
## Test for independence of all factors:
##  Chisq = 43.92, df = 9, p-value = 1.459e-06
##  Chi-squared approximation may be incorrect

A un nivel de significación del 5% existe evidencia suficiente para decir que el estado de la fruta depende del tratamiento.

mosaicplot(conting2,color = T,main = "Estado por especie vs Tratamiento",cex.axis = 0.5)

##################################################
mosaicplot(conting2[,-4],color = T,main = "Especie vs Tratamiento",cex.axis = 0.5)

Analisis de correspondencia simple

library(FactoMineR)
library("factoextra")
res2.ca <- CA (conting2, graph = TRUE, axes = c(1:2))

Modelo: Logit

Variable de respuesta: Proporción de podridos por bin

Regresora: Tratamiento

Unidad estadística: cada bin

bines<-read.csv2("FreBin.csv")
head(bines)

##   Podredumbres Sanos Yprop  Tratamiento Botrytis Penicillium Alternaria Resto
## 1           15   235 0.060     1Control        8           1          6   242
## 2           14   236 0.056     1Control        6           0          8   244
## 3           18   232 0.072     1Control        9           1          8   241
## 4            5   245 0.020 2Biofruit500        3           0          2   247
## 5            1   249 0.004 2Biofruit500        1           0          0   249
## 6            4   246 0.016 2Biofruit500        2           0          2   248

str(bines)

## 'data.frame':    12 obs. of  8 variables:
##  $ Podredumbres: int  15 14 18 5 1 4 5 4 5 6 ...
##  $ Sanos       : int  235 236 232 245 249 246 245 246 245 244 ...
##  $ Yprop       : num  0.06 0.056 0.072 0.02 0.004 0.016 0.02 0.016 0.02 0.024 ...
##  $ Tratamiento : Factor w/ 4 levels "1Control","2Biofruit500",..: 1 1 1 2 2 2 3 3 3 4 ...
##  $ Botrytis    : int  8 6 9 3 1 2 2 1 2 2 ...
##  $ Penicillium : int  1 0 1 0 0 0 0 2 0 1 ...
##  $ Alternaria  : int  6 8 8 2 0 2 3 1 3 3 ...
##  $ Resto       : int  242 244 241 247 249 248 248 249 248 248 ...

summary(bines)

##   Podredumbres        Sanos           Yprop               Tratamiento
##  Min.   : 1.000   Min.   :232.0   Min.   :0.00400   1Control    :3   
##  1st Qu.: 4.000   1st Qu.:242.0   1st Qu.:0.01600   2Biofruit500:3   
##  Median : 5.000   Median :245.0   Median :0.02000   3Biofruit100:3   
##  Mean   : 7.167   Mean   :242.8   Mean   :0.02867   4Timorex    :3   
##  3rd Qu.: 8.000   3rd Qu.:246.0   3rd Qu.:0.03200                    
##  Max.   :18.000   Max.   :249.0   Max.   :0.07200                    
##     Botrytis      Penicillium    Alternaria       Resto      
##  Min.   :1.000   Min.   :0.0   Min.   :0.00   Min.   :241.0  
##  1st Qu.:2.000   1st Qu.:0.0   1st Qu.:1.75   1st Qu.:246.2  
##  Median :2.000   Median :0.0   Median :2.50   Median :248.0  
##  Mean   :3.417   Mean   :0.5   Mean   :3.25   Mean   :246.6  
##  3rd Qu.:3.750   3rd Qu.:1.0   3rd Qu.:3.75   3rd Qu.:248.0  
##  Max.   :9.000   Max.   :2.0   Max.   :8.00   Max.   :249.0

plot(Podredumbres/250~Tratamiento,bines,main="Proporción de Podridos por tratamiento", xlab="Tratamiento", ylab = "Prob Podr")

Mod_logit<-glm(cbind(Podredumbres,Sanos)~Tratamiento,data = bines,family = binomial(link = logit))
summary(Mod_logit)

## 
## Call:
## glm(formula = cbind(Podredumbres, Sanos) ~ Tratamiento, family = binomial(link = logit), 
##     data = bines)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -1.5102  -0.3501   0.0770   0.3769   0.8559  
## 
## Coefficients:
##                         Estimate Std. Error z value Pr(>|z|)    
## (Intercept)              -2.7052     0.1507 -17.955  < 2e-16 ***
## Tratamiento2Biofruit500  -1.5989     0.3522  -4.540 5.64e-06 ***
## Tratamiento3Biofruit100  -1.2570     0.3090  -4.068 4.75e-05 ***
## Tratamiento4Timorex      -1.1866     0.3012  -3.940 8.16e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 40.8960  on 11  degrees of freedom
## Residual deviance:  4.2818  on  8  degrees of freedom
## AIC: 55.091
## 
## Number of Fisher Scoring iterations: 4

deviance(Mod_logit)

## [1] 4.28182

anova(Mod_logit, test = "Chisq")

## Analysis of Deviance Table
## 
## Model: binomial, link: logit
## 
## Response: cbind(Podredumbres, Sanos)
## 
## Terms added sequentially (first to last)
## 
## 
##             Df Deviance Resid. Df Resid. Dev  Pr(>Chi)    
## NULL                           11     40.896              
## Tratamiento  3   36.614         8      4.282 5.553e-08 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

round(exp(coef(Mod_logit)),3)

##             (Intercept) Tratamiento2Biofruit500 Tratamiento3Biofruit100 
##                   0.067                   0.202                   0.285 
##     Tratamiento4Timorex 
##                   0.305

Conclusiones:

1. Como \(\hat\beta_i<0\), con la aplicación de cualquiera de los tratamientos, distinto de Control, la probabilidad de Podridos disminuye.

2. Las chances de observar podredumbres, disminuye un 20,2% si se emplea el tratamiento Biofrut500

3. Las chances de observar podredumbres, disminuye un 28,5% si se emplea el tratamiento Biofrut100

4. Las chances de observar podredumbres, disminuye un 30,5% si se emplea el tratamiento Timorex

Modelo para Botrytis:

plot(Botrytis/250~Tratamiento,bines,main="Proporción de Botrytis por tratamiento", xlab="Tratamiento", ylab = "Prob Botrytis")

ModB_logit<-glm(cbind(Botrytis,Resto)~Tratamiento,data = bines,family = binomial(link = logit))
summary(ModB_logit)

## 
## Call:
## glm(formula = cbind(Botrytis, Resto) ~ Tratamiento, family = binomial(link = logit), 
##     data = bines)
## 
## Deviance Residuals: 
##      Min        1Q    Median        3Q       Max  
## -0.78596  -0.30853   0.06072   0.29333   0.66093  
## 
## Coefficients:
##                         Estimate Std. Error z value Pr(>|z|)    
## (Intercept)              -3.4534     0.2118 -16.306  < 2e-16 ***
## Tratamiento2Biofruit500  -1.3668     0.4614  -2.963  0.00305 ** 
## Tratamiento3Biofruit100  -1.5505     0.4962  -3.125  0.00178 ** 
## Tratamiento4Timorex      -1.2114     0.4348  -2.786  0.00534 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 20.9475  on 11  degrees of freedom
## Residual deviance:  2.4164  on  8  degrees of freedom
## AIC: 44.952
## 
## Number of Fisher Scoring iterations: 4

anova(ModB_logit, test = "Chisq")

## Analysis of Deviance Table
## 
## Model: binomial, link: logit
## 
## Response: cbind(Botrytis, Resto)
## 
## Terms added sequentially (first to last)
## 
## 
##             Df Deviance Resid. Df Resid. Dev  Pr(>Chi)    
## NULL                           11    20.9475              
## Tratamiento  3   18.531         8     2.4164 0.0003418 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

round(exp(coef(ModB_logit)),3)

##             (Intercept) Tratamiento2Biofruit500 Tratamiento3Biofruit100 
##                   0.032                   0.255                   0.212 
##     Tratamiento4Timorex 
##                   0.298

Conclusiones:

1. Como \(\hat\beta_i<0\), con la aplicación de cualquiera de los tratamientos, distinto de Control, la probabilidad de Podridos por especie Botrytis disminuye.

2. Las chances de observar podredumbres por Botrytis, disminuye un 25,5% si se emplea el tratamiento Biofrut500

3. Las chances de observar podredumbres por Botrytis, disminuye un 21,2% si se emplea el tratamiento Biofrut100

4. Las chances de observar podredumbres por Botrytis, disminuye un 29,8% si se emplea el tratamiento Timorex

Recomendaciones y sugerencias

Con el propósito de cruzar la información de las variables de calidad que se miden a los 90 y 150 días con los conteos, se recomienda la identificacion de los bines de donde procede la fruta para el control de calidad.

Unificar el formato de las tablas donde se registran los conteos en los distintos momentos del tiempo (no agregar subtotales). Se le ofrecerá una plantilla de excel con el formato que a nuestro parecer resulta más adecuado.

Como los conteos a los noveta días son menores, se recomendará realizar una tercer lectura entre los 90 y 150 días, a los 120 días, para ver como evoluciona la podredumbre en un paso intermedio.

Previo a Cosecha: Se podría registrar variables climáticas: Temp, Hum, etc, observadas en momentos previos a la cosecha. Esto será muy útil sobre todo si el experimento se repite en otras campañas.

Informe Final

Ana Haique, Diego Ulloa

11/12/2020

Proyecto: Enfermedades emergentes de importancia económica en frutales de pepita en los valles de Río Negro y Neuquén (II Parte)

Objetivo:

Primer Análisis Exploratorio: Test Chi Cuadrado para los conteos 90+150 días de Estado de la fruta vs Tratamiento

Variable de Respuesta: Estado de la fruta

Variable regresora: Tratamiento

Test de Pearson

Ho: El estado de la fruta es independiente del tratamiento

H1: El estado de la fruta depende del tratamiento

A un nivel de significación del 5% existe evidencia suficiente para decir que el estado de la fruta depende del tratamiento.

Analisis de correspondencia

Modelo: Multinomial con categoría de referencia

Datos (Unidad de estadística, el fruto)

Comportamiento de las Proporciones

Como categoría de referencia: Sano

Test Chi Cuadrado para los conteos 90+150 días de Estado de la fruta vs Tratamiento

A pedido de la investigadora el factor Estado quedó establecido para 2 categorias: Sanos (San) y Podridos (Podr)

Ho: El estado de la fruta es independiente del tratamiento

H1: El estado de la fruta depende del tratamiento

A un nivel de significación del 5% existe evidencia suficiente para decir que el estado de la fruta depende del tratamiento.

Test Chi Cuadrado para los conteos 90+150 días para la fruta discriminada la Especie de hongo vs Tratamiento

Ho: El estado de la fruta es independiente del tratamiento

H1: El estado de la fruta depende del tratamiento

A un nivel de significación del 5% existe evidencia suficiente para decir que el estado de la fruta depende del tratamiento.

Analisis de correspondencia simple

Modelo: Logit

Variable de respuesta: Proporción de podridos por bin

Regresora: Tratamiento

Unidad estadística: cada bin

Conclusiones:

1. Como \(\hat\beta_i<0\), con la aplicación de cualquiera de los tratamientos, distinto de Control, la probabilidad de Podridos disminuye.

2. Las chances de observar podredumbres, disminuye un 20,2% si se emplea el tratamiento Biofrut500

3. Las chances de observar podredumbres, disminuye un 28,5% si se emplea el tratamiento Biofrut100

4. Las chances de observar podredumbres, disminuye un 30,5% si se emplea el tratamiento Timorex

Modelo para Botrytis:

Conclusiones:

1. Como \(\hat\beta_i<0\), con la aplicación de cualquiera de los tratamientos, distinto de Control, la probabilidad de Podridos por especie Botrytis disminuye.

2. Las chances de observar podredumbres por Botrytis, disminuye un 25,5% si se emplea el tratamiento Biofrut500

3. Las chances de observar podredumbres por Botrytis, disminuye un 21,2% si se emplea el tratamiento Biofrut100

4. Las chances de observar podredumbres por Botrytis, disminuye un 29,8% si se emplea el tratamiento Timorex

Recomendaciones y sugerencias

Con el propósito de cruzar la información de las variables de calidad que se miden a los 90 y 150 días con los conteos, se recomienda la identificacion de los bines de donde procede la fruta para el control de calidad.

Unificar el formato de las tablas donde se registran los conteos en los distintos momentos del tiempo (no agregar subtotales). Se le ofrecerá una plantilla de excel con el formato que a nuestro parecer resulta más adecuado.

Como los conteos a los noveta días son menores, se recomendará realizar una tercer lectura entre los 90 y 150 días, a los 120 días, para ver como evoluciona la podredumbre en un paso intermedio.

Previo a Cosecha: Se podría registrar variables climáticas: Temp, Hum, etc, observadas en momentos previos a la cosecha. Esto será muy útil sobre todo si el experimento se repite en otras campañas.