Estudio de Caso 1
Juan Pérez, Pablo Rojas, Esteban Sibaja, Isaac Vargas
16/5/2021
Universidad Nacional de Costa Rica
Licenciatura en Biotecnología
Bioestadística Aplicada
ESTUDIO CASO 1. Multiplicación in vitro de un genotipo seleccionado de Tectona grandis en Sistemas de Inmersión Temporal. Basado en Jiménez, 2018
Descripción del caso:
La Tectona grandis es una especie forestal conocida por su importancia económica; posee un extenso ciclo de vida de 20 años para que se produzcan sus primeras semillas. La optimización para la multiplicación in vitro es de gran importancia. Se espera que la aplicación de técnicas biotecnológicas permita generar explantes para un rejuvenecimiento fisiológico del material reproductivo y a su vez, una alternativa a la reproducción in vitro vegetal de especies de interés como la Tectona grandis para el país. A continuación, se explica la descripción metodológica para el estudio de la eficacia del trabajo en laboratorio con algunos explantes:
Descripción metodológica:
Se trabajará con dos reguladores de crecimiento (RC), Zeatina y 6-bencilaminopurina (BAP), en concentraciones de 0.1, 0,5, 1, 1,5 y un control con 0 mg/L para ambos RC . Se compararán dos sistemas de multiplicación, el medio convencional Semisólido y el Sistema de Inmersión Temporal (SIT), se trabajará con un tamaño muestreal de 30 para cada tratamiento. Las variables cuantificadas son: tamaño hojas (mm); tamaño brotes (mm); longitud tallo (mm) y tamaño raíces (mm). Las muestras para realizar los estudios se tomaron de una zona control (Laboratorio Forestal) y de una zona experimental (parcelas en la zona Norte del país)
Preguntas de investigación:
#1. Elabore un resumen de los principales parámetros de tendencia central y dispersión de la totalidad de variables. Entregue sus resultados en formato de cuadro:
Detalles de la tabla:
datos = read.csv("C:/Users/GOLLO/Desktop/tectona.csv", sep = ";", dec = ".",header = T) #llamar los datos con los argumentos correctos
is.data.frame(datos)## [1] TRUE#Zona control/zeatina/semi/concentración 0:
concentracion_0 <- datos %>% filter(trat.tecgrandis=="zona_control") %>% filter(regulador=="zeatina") %>% filter(medio=="semi") %>% filter(conc=="0") #filtrar los datos#
summary(concentracion_0)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :0
## Class :character Class :character Class :character 1st Qu.:0
## Mode :character Mode :character Mode :character Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.52 Min. : 0.30 Min. :1.28 Min. :1.14
## 1st Qu.:3.43 1st Qu.: 6.49 1st Qu.:1.51 1st Qu.:1.53
## Median :4.58 Median :17.90 Median :1.60 Median :1.95
## Mean :4.51 Mean :14.41 Mean :1.63 Mean :2.07
## 3rd Qu.:5.54 3rd Qu.:23.20 3rd Qu.:1.80 3rd Qu.:2.62
## Max. :5.99 Max. :26.40 Max. :1.92 Max. :2.99Desviación estandar
sd(concentracion_0$tam_hojas) ## [1] 1.08sd(concentracion_0$tam_brotes)## [1] 8.86sd(concentracion_0$long_tallo)## [1] 0.182sd(concentracion_0$tam_raices)## [1] 0.561Error estándar
sd(concentracion_0$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.14sd(concentracion_0$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 1.14sd(concentracion_0$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0234sd(concentracion_0$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0725Varianza
var(concentracion_0$tam_hojas)## [1] 1.17var(concentracion_0$tam_brotes)## [1] 78.5var(concentracion_0$long_tallo)## [1] 0.033var(concentracion_0$tam_raices)## [1] 0.315#Zona control/zeatina/semi/concentración 0.1:
concentracion_0.1 <- datos %>% filter(trat.tecgrandis=="zona_control") %>% filter(regulador=="zeatina") %>% filter(medio=="semi") %>% filter(conc=="0.1")
summary(concentracion_0.1)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :0.1
## Class :character Class :character Class :character 1st Qu.:0.1
## Mode :character Mode :character Mode :character Median :0.1
## Mean :0.1
## 3rd Qu.:0.1
## Max. :0.1
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.20 Min. : 0.73 Min. :1.25 Min. :1.07
## 1st Qu.:3.11 1st Qu.: 6.31 1st Qu.:1.34 1st Qu.:1.45
## Median :4.06 Median :13.30 Median :1.50 Median :1.97
## Mean :3.98 Mean :13.72 Mean :1.56 Mean :1.97
## 3rd Qu.:5.01 3rd Qu.:20.80 3rd Qu.:1.78 3rd Qu.:2.54
## Max. :5.79 Max. :26.80 Max. :1.89 Max. :2.95Desviación estándar
sd(concentracion_0.1$tam_hojas)## [1] 1.11sd(concentracion_0.1$tam_brotes)## [1] 7.78sd(concentracion_0.1$long_tallo)## [1] 0.225sd(concentracion_0.1$tam_raices)## [1] 0.609Error estándar
sd(concentracion_0.1$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.143sd(concentracion_0.1$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 1sd(concentracion_0.1$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0291sd(concentracion_0.1$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0786Varianza
var(concentracion_0.1$tam_hojas) ## [1] 1.23var(concentracion_0.1$tam_brotes)## [1] 60.5var(concentracion_0.1$long_tallo)## [1] 0.0507var(concentracion_0.1$tam_raices)## [1] 0.371#Zona control/zeatina/semi/concentración 0.5:
concentracion_0.5 <- datos %>% filter(trat.tecgrandis=="zona_control") %>% filter(regulador=="zeatina") %>% filter(medio=="semi") %>% filter(conc=="0.5")
summary(concentracion_0.5)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :0.5
## Class :character Class :character Class :character 1st Qu.:0.5
## Mode :character Mode :character Mode :character Median :0.5
## Mean :0.5
## 3rd Qu.:0.5
## Max. :0.5
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.00 Min. : 6.58 Min. :1.25 Min. :1.03
## 1st Qu.:3.29 1st Qu.:14.30 1st Qu.:1.37 1st Qu.:1.45
## Median :3.92 Median :18.35 Median :1.52 Median :1.72
## Mean :4.06 Mean :18.01 Mean :1.55 Mean :1.83
## 3rd Qu.:5.43 3rd Qu.:22.00 3rd Qu.:1.74 3rd Qu.:2.24
## Max. :5.92 Max. :26.60 Max. :1.91 Max. :2.86Desviación estándar
sd(concentracion_0.5$tam_hojas)## [1] 1.35sd(concentracion_0.5$tam_brotes)## [1] 5.86sd(concentracion_0.5$long_tallo)## [1] 0.209sd(concentracion_0.5$tam_raices)## [1] 0.538Error estándar
sd(concentracion_0.5$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.174sd(concentracion_0.5$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 0.757sd(concentracion_0.5$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.027sd(concentracion_0.5$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0694Varianza
var(concentracion_0.5$tam_hojas) ## [1] 1.82var(concentracion_0.5$tam_brotes)## [1] 34.4var(concentracion_0.5$long_tallo)## [1] 0.0437var(concentracion_0.5$tam_raices)## [1] 0.289#Zona control/zeatina/semi/concentración 1:
concentracion_1 <- datos %>% filter(trat.tecgrandis=="zona_control") %>% filter(regulador=="zeatina") %>% filter(medio=="semi") %>% filter(conc=="1")
summary(concentracion_1)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :1
## Class :character Class :character Class :character 1st Qu.:1
## Mode :character Mode :character Mode :character Median :1
## Mean :1
## 3rd Qu.:1
## Max. :1
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.07 Min. : 0.62 Min. :1.30 Min. :1.05
## 1st Qu.:2.42 1st Qu.: 8.78 1st Qu.:1.54 1st Qu.:1.42
## Median :3.52 Median :18.90 Median :1.67 Median :2.17
## Mean :3.64 Mean :15.93 Mean :1.66 Mean :2.02
## 3rd Qu.:4.82 3rd Qu.:21.80 3rd Qu.:1.77 3rd Qu.:2.68
## Max. :5.38 Max. :26.90 Max. :1.92 Max. :2.98Desviación estándar
sd(concentracion_1$tam_hojas)## [1] 1.13sd(concentracion_1$tam_brotes)## [1] 8.12sd(concentracion_1$long_tallo)## [1] 0.182sd(concentracion_1$tam_raices)## [1] 0.65Error estándar
sd(concentracion_1$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.145sd(concentracion_1$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 1.05sd(concentracion_1$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0235sd(concentracion_1$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0839Varianza
var(concentracion_1$tam_hojas) ## [1] 1.27var(concentracion_1$tam_brotes)## [1] 66var(concentracion_1$long_tallo)## [1] 0.0332var(concentracion_1$tam_raices)## [1] 0.423#Zona control/zeatina/semi/concentración 1.5:
concentracion_1.5 <- datos %>% filter(trat.tecgrandis=="zona_control") %>% filter(regulador=="zeatina") %>% filter(medio=="semi") %>% filter(conc=="1.5")
summary(concentracion_1.5)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :1.5
## Class :character Class :character Class :character 1st Qu.:1.5
## Mode :character Mode :character Mode :character Median :1.5
## Mean :1.5
## 3rd Qu.:1.5
## Max. :1.5
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.10 Min. : 0.95 Min. :1.25 Min. :1.14
## 1st Qu.:3.45 1st Qu.: 7.47 1st Qu.:1.47 1st Qu.:1.51
## Median :4.35 Median :14.05 Median :1.55 Median :1.84
## Mean :4.34 Mean :13.56 Mean :1.59 Mean :1.91
## 3rd Qu.:5.40 3rd Qu.:20.30 3rd Qu.:1.76 3rd Qu.:2.31
## Max. :5.92 Max. :25.40 Max. :1.90 Max. :2.73Desviación estándar
sd(concentracion_1.5$tam_hojas)## [1] 1.25sd(concentracion_1.5$tam_brotes)## [1] 7.49sd(concentracion_1.5$long_tallo)## [1] 0.183sd(concentracion_1.5$tam_raices)## [1] 0.499Error estándar
sd(concentracion_1.5$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.161sd(concentracion_1.5$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 0.967sd(concentracion_1.5$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0236sd(concentracion_1.5$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0645Varianza
var(concentracion_1.5$tam_hojas) ## [1] 1.56var(concentracion_1.5$tam_brotes)## [1] 56.1var(concentracion_1.5$long_tallo)## [1] 0.0335var(concentracion_1.5$tam_raices)## [1] 0.249#Zona experimental/BAP/inmersión/concentración 0:
CONCENTRACION_0 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="0")
summary(CONCENTRACION_0)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :0
## Class :character Class :character Class :character 1st Qu.:0
## Mode :character Mode :character Mode :character Median :0
## Mean :0
## 3rd Qu.:0
## Max. :0
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.05 Min. : 1.18 Min. :1.27 Min. :1.00
## 1st Qu.:2.88 1st Qu.: 5.93 1st Qu.:1.47 1st Qu.:1.28
## Median :3.91 Median : 9.98 Median :1.57 Median :2.06
## Mean :3.87 Mean :11.43 Mean :1.59 Mean :1.95
## 3rd Qu.:4.81 3rd Qu.:16.80 3rd Qu.:1.73 3rd Qu.:2.48
## Max. :5.93 Max. :24.30 Max. :1.89 Max. :2.95Desviación estándar
sd(CONCENTRACION_0$tam_hojas)## [1] 1.14sd(CONCENTRACION_0$tam_brotes)## [1] 7.11sd(CONCENTRACION_0$long_tallo)## [1] 0.173sd(CONCENTRACION_0$tam_raices)## [1] 0.634Error estándar
sd(CONCENTRACION_0$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.148sd(CONCENTRACION_0$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 0.917sd(CONCENTRACION_0$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0223sd(CONCENTRACION_0$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0818var(CONCENTRACION_0$tam_hojas) ## [1] 1.31var(CONCENTRACION_0$tam_brotes)## [1] 50.5var(CONCENTRACION_0$long_tallo)## [1] 0.0298var(CONCENTRACION_0$tam_raices)## [1] 0.401#Zona experimental/BAP/inmersión/concentración 0.1:
CONCENTRACION_0.1 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="0.1")
summary(CONCENTRACION_0.1)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :0.1
## Class :character Class :character Class :character 1st Qu.:0.1
## Mode :character Mode :character Mode :character Median :0.1
## Mean :0.1
## 3rd Qu.:0.1
## Max. :0.1
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.26 Min. : 1.53 Min. :1.25 Min. :1.05
## 1st Qu.:3.20 1st Qu.: 7.35 1st Qu.:1.40 1st Qu.:1.42
## Median :4.25 Median :13.90 Median :1.57 Median :2.12
## Mean :4.07 Mean :13.96 Mean :1.58 Mean :1.99
## 3rd Qu.:4.93 3rd Qu.:18.40 3rd Qu.:1.74 3rd Qu.:2.54
## Max. :5.61 Max. :25.30 Max. :1.92 Max. :2.85Desviación estándar
sd(CONCENTRACION_0.1$tam_hojas)## [1] 1.03sd(CONCENTRACION_0.1$tam_brotes)## [1] 6.81sd(CONCENTRACION_0.1$long_tallo)## [1] 0.195sd(CONCENTRACION_0.1$tam_raices)## [1] 0.632Error estándar
sd(CONCENTRACION_0.1$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.133sd(CONCENTRACION_0.1$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 0.879sd(CONCENTRACION_0.1$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0251sd(CONCENTRACION_0.1$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0815Varianza
var(CONCENTRACION_0.1$tam_hojas) ## [1] 1.06var(CONCENTRACION_0.1$tam_brotes)## [1] 46.4var(CONCENTRACION_0.1$long_tallo)## [1] 0.0379var(CONCENTRACION_0.1$tam_raices)## [1] 0.399#Zona experimental/BAP/inmersión/concentración 0.5:
CONCENTRACION_0.5 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="0.5")
summary(CONCENTRACION_0.5)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :0.5
## Class :character Class :character Class :character 1st Qu.:0.5
## Mode :character Mode :character Mode :character Median :0.5
## Mean :0.5
## 3rd Qu.:0.5
## Max. :0.5
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.03 Min. : 0.32 Min. :1.33 Min. :1.03
## 1st Qu.:2.80 1st Qu.: 6.34 1st Qu.:1.50 1st Qu.:1.43
## Median :3.38 Median :13.20 Median :1.68 Median :1.95
## Mean :3.61 Mean :14.52 Mean :1.65 Mean :1.93
## 3rd Qu.:4.47 3rd Qu.:23.60 3rd Qu.:1.79 3rd Qu.:2.27
## Max. :5.74 Max. :26.60 Max. :1.91 Max. :2.77Desviación estándar
sd(CONCENTRACION_0.5$tam_hojas)## [1] 0.956sd(CONCENTRACION_0.5$tam_brotes)## [1] 8.98sd(CONCENTRACION_0.5$long_tallo)## [1] 0.172sd(CONCENTRACION_0.5$tam_raices)## [1] 0.492Error estándar
sd(CONCENTRACION_0.5$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.123sd(CONCENTRACION_0.5$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 1.16sd(CONCENTRACION_0.5$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0222sd(CONCENTRACION_0.5$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0636Varianza
var(CONCENTRACION_0.5$tam_hojas) ## [1] 0.914var(CONCENTRACION_0.5$tam_brotes)## [1] 80.6var(CONCENTRACION_0.5$long_tallo)## [1] 0.0296var(CONCENTRACION_0.5$tam_raices)## [1] 0.242#Zona experimental/BAP/inmersión/concentración 1:
CONCENTRACION_1 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="1")
summary(CONCENTRACION_1)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :1
## Class :character Class :character Class :character 1st Qu.:1
## Mode :character Mode :character Mode :character Median :1
## Mean :1
## 3rd Qu.:1
## Max. :1
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.00 Min. : 0.61 Min. :1.30 Min. :1.00
## 1st Qu.:2.93 1st Qu.: 6.67 1st Qu.:1.40 1st Qu.:1.49
## Median :4.39 Median :14.95 Median :1.50 Median :2.01
## Mean :4.14 Mean :14.27 Mean :1.56 Mean :2.02
## 3rd Qu.:5.32 3rd Qu.:21.30 3rd Qu.:1.73 3rd Qu.:2.44
## Max. :5.91 Max. :25.40 Max. :1.88 Max. :2.99Desviación estándar
sd(CONCENTRACION_1$tam_hojas)## [1] 1.25sd(CONCENTRACION_1$tam_brotes)## [1] 7.89sd(CONCENTRACION_1$long_tallo)## [1] 0.183sd(CONCENTRACION_1$tam_raices)## [1] 0.583Error estándar
sd(CONCENTRACION_1$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.162sd(CONCENTRACION_1$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 1.02sd(CONCENTRACION_1$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0237sd(CONCENTRACION_1$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0752Varianza
var(CONCENTRACION_1$tam_hojas) ## [1] 1.57var(CONCENTRACION_1$tam_brotes)## [1] 62.2var(CONCENTRACION_1$long_tallo)## [1] 0.0337var(CONCENTRACION_1$tam_raices)## [1] 0.34#Zona experimental/BAP/inmersión/concentración 1.5:
CONCENTRACION_1.5 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="1.5")
summary(concentracion_1.5)## trat.tecgrandis regulador medio conc
## Length:60 Length:60 Length:60 Min. :1.5
## Class :character Class :character Class :character 1st Qu.:1.5
## Mode :character Mode :character Mode :character Median :1.5
## Mean :1.5
## 3rd Qu.:1.5
## Max. :1.5
## tam_hojas tam_brotes long_tallo tam_raices
## Min. :2.10 Min. : 0.95 Min. :1.25 Min. :1.14
## 1st Qu.:3.45 1st Qu.: 7.47 1st Qu.:1.47 1st Qu.:1.51
## Median :4.35 Median :14.05 Median :1.55 Median :1.84
## Mean :4.34 Mean :13.56 Mean :1.59 Mean :1.91
## 3rd Qu.:5.40 3rd Qu.:20.30 3rd Qu.:1.76 3rd Qu.:2.31
## Max. :5.92 Max. :25.40 Max. :1.90 Max. :2.73Desviación estándar
sd(CONCENTRACION_1.5$tam_hojas)## [1] 1.15sd(CONCENTRACION_1.5$tam_brotes)## [1] 9.31sd(CONCENTRACION_1.5$long_tallo)## [1] 0.196sd(CONCENTRACION_1.5$tam_raices)## [1] 0.551Error estándar
sd(CONCENTRACION_1.5$tam_hojas)/sqrt(length(concentracion_0$tam_hojas)) ## [1] 0.149sd(CONCENTRACION_1.5$tam_brotes)/sqrt(length(concentracion_0$tam_brotes))## [1] 1.2sd(CONCENTRACION_1.5$long_tallo)/sqrt(length(concentracion_0$long_tallo))## [1] 0.0253sd(CONCENTRACION_1.5$tam_raices)/sqrt(length(concentracion_0$tam_raices))## [1] 0.0711var(CONCENTRACION_1.5$tam_hojas) ## [1] 1.33var(CONCENTRACION_1.5$tam_brotes)## [1] 86.7var(CONCENTRACION_1.5$long_tallo)## [1] 0.0383var(CONCENTRACION_1.5$tam_raices)## [1] 0.303Resultado:
#Tratamiento control de T. grandis en medio semi con regulador zeatina:
resultadoszeatina = read.csv("C:/Users/GOLLO/Desktop/resultadoszeatina.csv", sep = ";", dec = ",")
resultadoszeatina## Con X0 X X.1 X.2 X0.1 X.3 X.4 X.5
## 1 estadístico/Variable Th Tb Lt Tr Th Tb Lt Tr
## 2 Media 4.51 14.41 1.63 2.07 3.98 13.72 1.56 1.97
## 3 Mediana 4.58 17.90 1.60 1.95 4.06 13.30 1.50 1.97
## 4 SD 1.08 8.86 0.182 0.561 1.11 7.78 0.225 0.609
## 5 Error estándar 0.14 1.14 0.0234 0.0725 0.143 1 0.0291 0.0786
## 6 Varianza 1.17 78.5 0.033 0.315 1.23 60.5 0.0507 0.371
## X0.5 X.6 X.7 X.8 X1 X.9 X.10 X.11 X1.5 X.12 X.13
## 1 Th Tb Lt Tr Th Tb Lt Tr Th Tb Lt
## 2 4.06 18.01 1.55 1.83 3.64 15.93 1.66 2.02 4.34 13.56 1.59
## 3 3.92 18.35 1.52 1.72 3.52 18.90 1.67 2.17 4.35 14.05 1.55
## 4 1.35 5.86 0.209 0.538 1.13 8.12 0.182 0.65 1.25 7.49 0.183
## 5 0.174 0.757 0.027 0.0694 0.145 1.05 0.0235 0.0839 0.161 0.967 0.0236
## 6 1.82 34.4 0.0437 0.289 1.27 66 0.0332 0.423 1.56 56.1 0.0335
## X.14
## 1 Tr
## 2 1.91
## 3 1.84
## 4 0.499
## 5 0.0645
## 6 0.249#Tratamiento experimental de T. grandis medio inmersión con regulador BAP:
resultadosbap = read.csv("C:/Users/GOLLO/Desktop/resultadosbap.csv", sep = ";", dec = ",")
resultadosbap## Con X0 X X.1 X.2 X0.1 X.3 X.4 X.5
## 1 Estadístico/Variables Th Tb Lt Tr Th Tb Lt Tr
## 2 Media 3.87 11.43 1.59 1.95 4.07 13.96 1.58 1.99
## 3 Mediana 3.91 9.98 1.57 2.06 4.25 13.90 1.57 2.12
## 4 SD 1.14 7.11 0.173 0.634 1.03 6.81 0.195 0.632
## 5 Error estándar 0.148 0.917 0.0223 0.0818 0.133 0.879 0.0251 0.0815
## 6 Varianza 1.31 50.5 0.0298 0.401 1.06 46.4 0.0379 0.399
## X0.5 X.6 X.7 X.8 X1 X.9 X.10 X.11 X1.5 X.12 X.13
## 1 Th Tb Lt Tr Th Tb Lt Tr Th Tb Lt
## 2 3.61 14.52 1.65 1.93 4.14 14.27 1.50 2.02 3.91 13.36 1.52
## 3 3.38 13.20 1.68 1.95 4.39 14.95 1.56 2.01 3.65 14.55 1.55
## 4 0.956 8.98 0.172 0.492 1.25 7.89 0.183 0.583 1.15 9.31 0.196
## 5 0.123 1.16 0.0222 0.0636 0.162 1.02 0.0237 0.0752 0.149 1.2 0.0253
## 6 0.914 80.6 0.0296 0.242 1.57 62.2 0.0337 0.34 1.33 86.7 0.0383
## X.14
## 1 Tr
## 2 2.16
## 3 2.18
## 4 0.551
## 5 0.0711
## 6 0.303#2. Elabore un histograma de frecuencias para las variables de la base datos utilizando la Regla de Sturges:
is.data.frame(datos)## [1] TRUElibrary(data.table)
data.table(datos)## trat.tecgrandis regulador medio conc tam_hojas tam_brotes long_tallo
## 1: zona_control zeatina semi 0.0 3.43 25.80 1.80
## 2: zona_control zeatina semi 0.0 5.99 17.90 1.34
## 3: zona_control zeatina semi 0.0 4.12 20.80 1.59
## 4: zona_control zeatina semi 0.0 3.13 5.53 1.36
## 5: zona_control zeatina semi 0.0 5.54 1.49 1.65
## ---
## 596: zona_experimental BAP inmersión 1.5 3.38 0.12 1.58
## 597: zona_experimental BAP inmersión 1.5 3.24 13.30 1.45
## 598: zona_experimental BAP inmersión 1.5 5.19 15.80 1.63
## 599: zona_experimental BAP inmersión 1.5 3.99 2.24 1.41
## 600: zona_experimental BAP inmersión 1.5 5.47 4.89 1.50
## tam_raices
## 1: 1.91
## 2: 2.58
## 3: 1.92
## 4: 1.80
## 5: 1.36
## ---
## 596: 1.35
## 597: 2.33
## 598: 2.53
## 599: 2.82
## 600: 1.24library(fdth)
par(mfrow=c(2,2)) # particiona mi ventana grafica en 3x2.
#Histogramas:
hist(x = datos$tam_hojas, main = "Histograma de tamaño de hojas",
xlab = "Tamaño de hojas", ylab = "Frecuencia",
col = "ivory", breaks = "Sturges")
hist(x = datos$tam_raices, main = "Histograma de tamaño de raíces",
xlab = "Tamaño de raíces", ylab = "Frecuencia",
col = "ivory", breaks = "Sturges")
hist(x = datos$tam_brotes, main = "Histograma de tamaño de brotes",
xlab = "Tamaño de brotes", ylab = "Frecuencia",
col = "ivory", breaks = "Sturges")
hist(x = datos$long_tallo, main = "Histograma de longitud de tallo",
xlab = "Longitud de tallo", ylab = "Frecuencia",
col = "ivory", breaks = "Sturges")
# Tabla de distribución de frecuencias:
dist <- fdt(datos,breaks="Sturges")#¿Cuál es la importancia de utilizar estas técnicas estadísticas? Comente y entregue ejemplos del uso de estas técnicas en la biotecnología:
# La importancia de emplear histogramas de frecuencias es que permite visualizar de forma ordenada y comprensible todos los datos numéricos estadísticos que pueden tornarse difíciles de entender cuando se tiene un amplio número de datos que es preciso organizar, para analizar y/o comparar más detalladamente o tomar decisiones sobre la base de ellos.
# Un ejemplo en la biotecnología es la aplicación de histogramas de frecuencias para comparar la aparición de polimorfismos de un solo nucleótido (SNP), en distintas especies que presentan estas mutaciones en su genoma, con respecto a sus proporciones en las lecturas de secuencias. Asimismo, el uso de histogramas de frecuencia es útil para el desarrollo de software para el análisis bioinformático, sobre todo cuando se trabaja con una gran cantidad de datos, como en genómica y proteómica.
# Autores como Bundock et al., (2009), aplicaron esta técnica para comparar la frecuencia de alelos con SNPs en lecturas de secuenciación 454 en especies poliploides de caña de azúcar.
# Otros autores como Smoly et al., (2017), desarrollaron un software llamado MotifNet para el análisis de secuencias de genes que se asocian a una función en la proteína que codifica, llamados "motifs".
# Referencias:
# Bundock, P. C., Eliott, F. G., Ablett, G., Benson, A. D., Casu, R. E., Aitken, K. S., & Henry, R. J. (2009). Targeted single nucleotide polymorphism (SNP) discovery in a highly polyploid plant species using 454 sequencing. Plant Biotechnology Journal, 7(4), 347-354.
# Smoly, I. Y., Lerman, E., Ziv-Ukelson, M., & Yeger-Lotem, E. (2017). MotifNet: a web-server for network motif analysis. Bioinformatics, 33(12), 1907-1909.#2a.¿Cuántos intervalos de clase se formaron en cada variable?:
dist <- fdt(datos,breaks="Sturges")
dist## conc
## Class limits f rf rf(%) cf cf(%)
## [0,0.1377) 240 0.4 40 240 40
## [0.1377,0.2755) 0 0.0 0 240 40
## [0.2755,0.4132) 0 0.0 0 240 40
## [0.4132,0.5509) 120 0.2 20 360 60
## [0.5509,0.6886) 0 0.0 0 360 60
## [0.6886,0.8264) 0 0.0 0 360 60
## [0.8264,0.9641) 0 0.0 0 360 60
## [0.9641,1.102) 120 0.2 20 480 80
## [1.102,1.24) 0 0.0 0 480 80
## [1.24,1.377) 0 0.0 0 480 80
## [1.377,1.515) 120 0.2 20 600 100
##
## tam_hojas
## Class limits f rf rf(%) cf cf(%)
## [1.98,2.35) 60 0.10 10.00 60 10.0
## [2.35,2.72) 54 0.09 9.00 114 19.0
## [2.72,3.09) 40 0.07 6.67 154 25.7
## [3.09,3.46) 66 0.11 11.00 220 36.7
## [3.46,3.83) 56 0.09 9.33 276 46.0
## [3.83,4.2) 54 0.09 9.00 330 55.0
## [4.2,4.57) 44 0.07 7.33 374 62.3
## [4.57,4.94) 54 0.09 9.00 428 71.3
## [4.94,5.31) 62 0.10 10.33 490 81.7
## [5.31,5.68) 62 0.10 10.33 552 92.0
## [5.68,6.05) 48 0.08 8.00 600 100.0
##
## tam_brotes
## Class limits f rf rf(%) cf cf(%)
## [0.0594,2.5239) 58 0.10 9.67 58 9.67
## [2.5239,4.9884) 38 0.06 6.33 96 16.00
## [4.9884,7.4529) 60 0.10 10.00 156 26.00
## [7.4529,9.9174) 46 0.08 7.67 202 33.67
## [9.9174,12.382) 46 0.08 7.67 248 41.33
## [12.382,14.846) 58 0.10 9.67 306 51.00
## [14.846,17.311) 40 0.07 6.67 346 57.67
## [17.311,19.775) 60 0.10 10.00 406 67.67
## [19.775,22.24) 68 0.11 11.33 474 79.00
## [22.24,24.704) 66 0.11 11.00 540 90.00
## [24.704,27.169) 60 0.10 10.00 600 100.00
##
## long_tallo
## Class limits f rf rf(%) cf cf(%)
## [1.238,1.301) 50 0.08 8.33 50 8.33
## [1.301,1.365) 36 0.06 6.00 86 14.33
## [1.365,1.429) 52 0.09 8.67 138 23.00
## [1.429,1.493) 70 0.12 11.67 208 34.67
## [1.493,1.556) 74 0.12 12.33 282 47.00
## [1.556,1.62) 52 0.09 8.67 334 55.67
## [1.62,1.684) 48 0.08 8.00 382 63.67
## [1.684,1.748) 50 0.08 8.33 432 72.00
## [1.748,1.812) 70 0.12 11.67 502 83.67
## [1.812,1.875) 46 0.08 7.67 548 91.33
## [1.875,1.939) 52 0.09 8.67 600 100.00
##
## tam_raices
## Class limits f rf rf(%) cf cf(%)
## [0.99,1.175) 56 0.09 9.33 56 9.33
## [1.175,1.359) 50 0.08 8.33 106 17.67
## [1.359,1.544) 80 0.13 13.33 186 31.00
## [1.544,1.728) 36 0.06 6.00 222 37.00
## [1.728,1.913) 52 0.09 8.67 274 45.67
## [1.913,2.097) 52 0.09 8.67 326 54.33
## [2.097,2.282) 62 0.10 10.33 388 64.67
## [2.282,2.466) 56 0.09 9.33 444 74.00
## [2.466,2.651) 52 0.09 8.67 496 82.67
## [2.651,2.835) 62 0.10 10.33 558 93.00
## [2.835,3.02) 42 0.07 7.00 600 100.00#En cada variable hay 11 intervalos de clase.#2b.¿En cuál intervalo de clase se encuentra el valor de la mediana de cada variable?:
median(datos$tam_hojas)## [1] 4.02median(datos$tam_brotes)## [1] 14.4median(datos$long_tallo)## [1] 1.58median(datos$tam_raices)## [1] 1.99#El valor de la mediana se encuentra en el sexto intervalo de clase para cada una de las variables.#2c.¿Cuál intervalo de clase tiene la mayor frecuencia relativa porcentual? Además entregue el valor:
#El intervalo de clase 4 tiene la mayor frecuencia relativa porcentual para la variable tamaño de hojas, con un valor de 11.
#El intervalo de clase 9 tiene la mayor frecuencia relativa porcentual para la variable tamaño de brotes, con un valor de 11.33.
#El intervalo de clase 5 tiene la mayor frecuencia relativa porcentual para la variable longitud de tallo, con un valor de 12.33.
#El intervalo de clase 3 tiene la mayor frecuencia relativa porcentual para la variable tamaño de raíces, con un valor de 13.33, el cual representa el valor más alto de todas las variables.#2d. ¿Cuál intervalo tiene la menor frecuencia de datos? Además, entregue el valor:
#El intervalo de clase 3 tiene la menor frecuencia para la variable tamaño de hojas, con un valor de 40.
#El intervalo de clase 2 tiene la menor frecuencia para la variable tamaño de brotes, con un valor de 38.
#El intervalo de clase 2 tiene la menor frecuencia para la variable longitud de tallo, con un valor de 36.
#El intervalo de clase 4 tiene la menor frecuencia para la variable tamaño de raíces, con un valor de 36, el cual representa el menor valor de todas las variables.#3. Determine si existen diferencias estadísticamente significativas entre los niveles “BAP” y “Zeatinina” para cada una de las variables. Realice sus pruebas considerando un H0: μ(BAP) = μ(Zeatinina). Entregue sus respuestas utilizando la notación estadística propia de las publicaciones científicas (Estadístico=??; gl=??; p=??). Los datos que usaremos no son precisamente adecuados para esta prueba, sin embargo, los estaremos utilizando para este ejercicio.
#Filtrado:
resultado1 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="0")
resultado2 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="0.1")
resultado3 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="0.5")
resultado4 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="1")
resultado5 <- datos %>% filter(trat.tecgrandis=="zona_experimental") %>% filter(regulador=="BAP") %>% filter(medio=="inmersión") %>% filter(conc=="1.5")
resultado1_1 <- datos %>% filter(regulador=="zeatina") %>% filter(conc=="0")
resultado2_2 <- datos %>% filter(regulador=="zeatina") %>% filter(conc=="0.1")
resultado3_3 <- datos %>% filter(regulador=="zeatina") %>% filter(conc=="0.5")
resultado4_4 <- datos %>% filter(regulador=="zeatina") %>% filter(conc=="1")
resultado5_5 <- datos %>% filter(regulador=="zeatina") %>% filter(conc=="1.5")##Diferencias signitficativas en cada variable:
#Tamaño de hojas:
wilcox.test(resultado1$tam_hojas,resultado1_1$tam_hojas)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_hojas and resultado1_1$tam_hojas
## W = 1212, p-value = 0.002
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1212; gl=58; p=0.002042).
wilcox.test(resultado2$tam_hojas,resultado2_2$tam_hojas)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado2$tam_hojas and resultado2_2$tam_hojas
## W = 1898, p-value = 0.6
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1898; gl=58; p=0.6088).
wilcox.test(resultado3$tam_hojas,resultado3_3$tam_hojas)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado3$tam_hojas and resultado3_3$tam_hojas
## W = 1384, p-value = 0.03
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1384; gl=58; p=0.02918).
wilcox.test(resultado4$tam_hojas,resultado4_4$tam_hojas)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado4$tam_hojas and resultado4_4$tam_hojas
## W = 2248, p-value = 0.02
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=2248; gl=58; p=0.01882).
wilcox.test(resultado5$tam_hojas,resultado5_5$tam_hojas)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado5$tam_hojas and resultado5_5$tam_hojas
## W = 1392, p-value = 0.03
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1392; gl=58; p=0.03242). #Tamaño de brotes:
wilcox.test(resultado1$tam_brotes,resultado1_1$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_brotes and resultado1_1$tam_brotes
## W = 1458, p-value = 0.07
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1458; gl=58; p=0.07301).
wilcox.test(resultado2$tam_brotes,resultado2_2$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado2$tam_brotes and resultado2_2$tam_brotes
## W = 1852, p-value = 0.8
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1852; gl=58; p=0.7869).
wilcox.test(resultado3$tam_brotes,resultado3_3$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado3$tam_brotes and resultado3_3$tam_brotes
## W = 1420, p-value = 0.05
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1420; gl=58; p=0.04633).
wilcox.test(resultado4$tam_brotes,resultado4_4$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado4$tam_brotes and resultado4_4$tam_brotes
## W = 1572, p-value = 0.2
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1572; gl=58; p=0.2324).
wilcox.test(resultado5$tam_brotes,resultado5_5$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado5$tam_brotes and resultado5_5$tam_brotes
## W = 1790, p-value = 1
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1790; gl=58; p=0.9602).#Longitud de tallo:
wilcox.test(resultado1$long_tallo,resultado1_1$long_tallo)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$long_tallo and resultado1_1$long_tallo
## W = 1554, p-value = 0.2
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1554; gl=58; p=0.1974).
wilcox.test(resultado2$tam_brotes,resultado2_2$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado2$tam_brotes and resultado2_2$tam_brotes
## W = 1852, p-value = 0.8
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1852; gl=58; p=0.7869).
wilcox.test(resultado3$tam_brotes,resultado3_3$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado3$tam_brotes and resultado3_3$tam_brotes
## W = 1420, p-value = 0.05
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1420; gl=58; p=0.04633).
wilcox.test(resultado4$tam_brotes,resultado4_4$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado4$tam_brotes and resultado4_4$tam_brotes
## W = 1572, p-value = 0.2
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1572; gl=58; p=0.2324).
wilcox.test(resultado5$tam_brotes,resultado5_5$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado5$tam_brotes and resultado5_5$tam_brotes
## W = 1790, p-value = 1
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1790; gl=58; p=0.9602). #Tamaño de raíces:
wilcox.test(resultado1$tam_raices,resultado1_1$tam_raices)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_raices and resultado1_1$tam_raices
## W = 1596, p-value = 0.3
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1596; gl=58; p=0.2854).
wilcox.test(resultado2$tam_raices,resultado2_2$tam_raices)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado2$tam_raices and resultado2_2$tam_raices
## W = 1802, p-value = 1
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1802; gl=58; p=0.9937).
wilcox.test(resultado3$tam_raices,resultado3_3$tam_raices)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado3$tam_raices and resultado3_3$tam_raices
## W = 2022, p-value = 0.2
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=2022; gl=58; p=0.2449).
wilcox.test(resultado4$tam_raices,resultado4_4$tam_raices)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado4$tam_raices and resultado4_4$tam_raices
## W = 1768, p-value = 0.9
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=1768; gl=58; p=0.8687).
wilcox.test(resultado5$tam_raices,resultado5_5$tam_raices)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado5$tam_raices and resultado5_5$tam_raices
## W = 2264, p-value = 0.01
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=2264; gl=58; p=0.01496). #4. Determine si existen diferencias estadísticamente significativas entre los niveles “Zona control” y “Zona experimental” para cada una de las variables. Realice sus pruebas considerando un H0: μ(BAP) = μ(Zeatinina). Entregue sus respuestas utilizando la notación estadística propia de las publicaciones científicas (Estadístico=??; gl=??; p=??). Los datos que usaremos no son precisamente adecuados para esta prueba, sin embargo, los estaremos utilizando para este ejercicio:
resultado1 <- datos %>% filter(trat.tecgrandis=="zona_experimental")
resultado2 <- datos %>% filter(trat.tecgrandis=="zona_control")
wilcox.test(resultado1$tam_hojas,resultado2$tam_hojas)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_hojas and resultado2$tam_hojas
## W = 40588, p-value = 0.04
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=40588; gl=298; p=0.03772).
wilcox.test(resultado1$tam_brotes,resultado2$tam_brotes)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_brotes and resultado2$tam_brotes
## W = 39898, p-value = 0.02
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=39898; gl=298; p=0.01626).
wilcox.test(resultado1$long_tallo,resultado2$long_tallo)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$long_tallo and resultado2$long_tallo
## W = 43608, p-value = 0.5
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=43608; gl=298; p=0.5121).
wilcox.test(resultado1$tam_raices,resultado2$tam_raices)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_raices and resultado2$tam_raices
## W = 47072, p-value = 0.3
## alternative hypothesis: true location shift is not equal to 0#(Estadístico=47072; gl=298; p=0.3292). #5. Elabore un gráfico de Boxplot para las variables. Compare las diferencias que existen en el gráfico de boxtplot respecto a los tratamientos “BAP” y “Zeatinina” en cada una de las variables. Utilice GGPLOT para la construcción del gráfico:
#Tamaño de hojas:
tamhojas <- datos$tam_hojas
tratamiento <- datos$regulador
grafico <- ggplot(datos,aes(tratamiento, tamhojas, colour = tratamiento ))+ geom_boxplot(color="black", fill="lightblue")+
scale_fill_manual(guide = guide_legend(title = "Tamaño de hojas")) +
theme_classic(base_size = 14) +
xlab("Tratamiento") +
ylab("Tamaño de hojas")
#Tamaño de brotes:
tambrotes <- datos$tam_brotes
tratamiento <- datos$regulador
grafico1 <- ggplot(datos,aes(tratamiento, tambrotes, colour = tratamiento ))+ geom_boxplot(color="black", fill="lightgreen")+
scale_fill_manual(guide = guide_legend(title = "Tamaño de brotes")) +
theme_classic(base_size = 14) +
xlab("Tratamiento") +
ylab("Tamaño de brotes")
#Longitud de tallo:
longitudtallo <- datos$long_tallo
tratamiento <- datos$regulador
grafico2 <- ggplot(datos,aes(tratamiento, longitudtallo, colour = tratamiento ))+ geom_boxplot(color="black", fill="lightyellow")+
scale_fill_manual(guide = guide_legend(title = "Longitud de tallo")) +
theme_classic(base_size = 14) +
xlab("Tratamiento") +
ylab("Longitud de tallo")
#Tamaño de raíz:
tamraices <- datos$tam_raices
tratamiento <- datos$regulador
grafico3 <- ggplot(datos,aes(tratamiento, tamraices, colour = tratamiento ))+ geom_boxplot(color="black", fill="pink")+ scale_fill_manual(guide = guide_legend(title = "Tamaño de raíz")) +
theme_classic(base_size = 14) +
xlab("Tratamiento") +
ylab("Tamaño de raíz")
#Gráficos:
grafico
grafico1
grafico2
grafico3
#6. Asumiendo que la totalidad de los registros de la zona control y de zona experimental pertenecen a dos poblaciones distintas, elabore un intervalo de confianza al 97% para cada una. Debe considerar la totalidad de registros sin importar el tratamiento. Discuta la importancia de los intervalos de confianza para la estimación en virtud del estudio:
resultado1 <- datos %>% filter(trat.tecgrandis=="zona_experimental")
resultado2 <- datos %>% filter(trat.tecgrandis=="zona_control")
wilcox.test(resultado1$tam_hojas,resultado2$tam_hojas, alternative = "two.sided", conf.int = 0.97)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_hojas and resultado2$tam_hojas
## W = 40588, p-value = 0.04
## alternative hypothesis: true location shift is not equal to 0
## 95 percent confidence interval:
## -0.4099 -0.0101
## sample estimates:
## difference in location
## -0.2wilcox.test(resultado1$tam_brotes,resultado2$tam_brotes, alternative = "two.sided", conf.int = 0.97)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_brotes and resultado2$tam_brotes
## W = 39898, p-value = 0.02
## alternative hypothesis: true location shift is not equal to 0
## 95 percent confidence interval:
## -2.95 -0.26
## sample estimates:
## difference in location
## -1.59wilcox.test(resultado1$long_tallo,resultado2$long_tallo, alternative = "two.sided", conf.int = 0.97)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$long_tallo and resultado2$long_tallo
## W = 43608, p-value = 0.5
## alternative hypothesis: true location shift is not equal to 0
## 95 percent confidence interval:
## -0.0401 0.0200
## sample estimates:
## difference in location
## -0.01wilcox.test(resultado1$tam_raices,resultado2$tam_raices, alternative = "two.sided", conf.int = 0.97)##
## Wilcoxon rank sum test with continuity correction
##
## data: resultado1$tam_raices and resultado2$tam_raices
## W = 47072, p-value = 0.3
## alternative hypothesis: true location shift is not equal to 0
## 95 percent confidence interval:
## -0.04 0.15
## sample estimates:
## difference in location
## 0.0501# Es importante porque permite determinar en donde se encuentra nuestro valor “verdadero” en un conjunto de valores en la población, bajo un nivel de confianza. Estos intervalos de confianza se pueden determinar por diferentes métodos y cada uno de estos presentan diferentes supuestos. Estos métodos tienen una alta confiabilidad, sin embargo, el método de Fisher parece ser el mejor, dada su alta eficiencia (Domínguez y Merino, 2015).
# Referencia:
# Domínguez-Lara, S. A., & Merino-Soto, C. (2015). ¿Por qué es importante reportar los intervalos de confianza del coeficiente alfa de Cronbach?. Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 13(2).