La agricultura es un sector crucial para el desarrollo económico y social de muchos países, y su rendimiento depende de múltiples factores que afectan el crecimiento de los cultivos. Aspectos como el clima, la disponibilidad de agua y los tratamientos aplicados a las plantas son determinantes para optimizar la producción agrícola (Gómez et al., 2021). En particular, la producción de papa (Solanum tuberosum) ha cobrado importancia debido a su valor nutricional y su adaptabilidad a diversas condiciones ambientales (Martínez & Pérez, 2020). Sin embargo, las variaciones en las condiciones de cultivo, como el riego y el manejo de nutrientes, pueden tener un impacto significativo en los parámetros de crecimiento de las plantas y en su productividad.
Este estudio se centra en el análisis de datos experimentales de cultivos de papa, con especial atención al peso seco de las hojas (leafdw), una medida importante que refleja la eficiencia en el uso del agua y el proceso de fotosíntesis. El peso seco de las hojas se ha empleado como un indicador en numerosos estudios para evaluar la respuesta de los cultivos a condiciones de estrés y para mejorar las prácticas de manejo agrícola (Sánchez & Rodríguez, 2019). Para el análisis de estos datos, se han utilizado herramientas estadísticas avanzadas, incluyendo el uso de la biblioteca de R googlesheets4 para importar datos desde Google Sheets, facilitando así la manipulación y el análisis directo de la información en un entorno de programación (Wickham & Grolemund, 2017).
Además, se emplean modelos lineales y técnicas de análisis multivariado para explorar las relaciones entre diversas variables de crecimiento y los efectos de distintos tratamientos. Este enfoque estadístico es esencial para identificar diferencias significativas y patrones de crecimiento en los cultivos bajo diferentes condiciones, permitiendo tomar decisiones basadas en evidencia que puedan optimizar la producción y promover prácticas agrícolas sostenibles (Aguilar et al., 2022). La aplicación de estas técnicas tiene el potencial de contribuir al desarrollo de estrategias de cultivo más eficientes y resilientes ante condiciones adversas (Brown, 2018).
2 Pasos para crear una página web
Tener mi proyecto
Conectar mi proyecto a GitHub
Tener un archivo en html llamado “index.html”
Hacer push al repositorio
Activar GitHub pages
source(‘https://inkaverse.com/setup.r’)
3 Importar datos
library(googlesheets4)library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.1.4 ✔ readr 2.1.5
✔ forcats 1.0.0 ✔ stringr 1.5.1
✔ ggplot2 3.5.1 ✔ tibble 3.2.1
✔ lubridate 1.9.3 ✔ tidyr 1.3.1
✔ purrr 1.0.2
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
! Using an auto-discovered, cached token.
To suppress this message, modify your code or options to clearly consent to
the use of a cached token.
See gargle's "Non-interactive auth" vignette for more details:
<https://gargle.r-lib.org/articles/non-interactive-auth.html>
ℹ The googlesheets4 package is using a cached token for
'7576425921@untrm.edu.pe'.
Auto-refreshing stale OAuth token.
✔ Reading from "LA MOLINA 2014 POTATO WUE (FB)".
✔ Range ''fb''.
'data.frame': 30 obs. of 4 variables:
$ riego : chr "G06" "G13" "G14" "G09" ...
$ variedad: chr "irrigado" "irrigado" "irrigado" "irrigado" ...
$ leafdw : num 23.4 22.9 21.5 21.3 19.4 ...
$ groups : chr "a" "a" "ab" "ab" ...
6.1 Gráfico de barras
library(ggplot2)ggplot(mc, aes(x = riego, y = leafdw, fill = variedad)) +geom_bar(stat ="identity", position =position_dodge(width =0.9)) +# Barras agrupadas por variedadgeom_text(aes(label = groups), position =position_dodge(0.9), vjust =-0.5, size =3) +# Etiquetas sobre las barraslabs(title ="Producción de LEAFDW por Riego y Variedad", x ="variedad", y ="LEAFDW", fill ="riego") +# Etiquetas de los ejes y títuloscale_fill_manual(values =c("irrigado"="tomato", "sequia"="turquoise3")) +# Colores personalizados para las variedadestheme_minimal() +# Tema minimalistatheme(axis.text.x =element_text(angle =45, hjust =1))
7 comparacion de medias: emmeans
library(emmeans)
Welcome to emmeans.
Caution: You lose important information if you filter this package's results.
See '? untidy'
library(multcomp)
Cargando paquete requerido: mvtnorm
Cargando paquete requerido: survival
Cargando paquete requerido: TH.data
Cargando paquete requerido: MASS
Adjuntando el paquete: 'MASS'
The following object is masked from 'package:dplyr':
select
Adjuntando el paquete: 'TH.data'
The following object is masked from 'package:MASS':
geyser
riego geno emmean SE df lower.CL upper.CL .group
irrigado G06 23.39 1.05 116 21.30 25.47 a
irrigado G13 22.95 1.05 116 20.86 25.03 a
irrigado G14 21.53 1.05 116 19.44 23.61 ab
irrigado G09 21.29 1.05 116 19.20 23.37 ab
irrigado G04 19.36 1.05 116 17.28 21.45 abc
irrigado G12 18.57 1.05 116 16.48 20.65 abc
irrigado G05 18.49 1.05 116 16.41 20.58 abcd
irrigado G08 18.45 1.05 116 16.37 20.53 abcde
irrigado G11 17.86 1.05 116 15.78 19.94 abcde
sequia G14 17.15 1.05 116 15.07 19.24 bcdef
irrigado G01 16.92 1.05 116 14.84 19.01 bcdef
sequia G06 16.67 1.05 116 14.58 18.75 bcdef
irrigado G15 16.33 1.05 116 14.25 18.42 bcdef
sequia G09 16.05 1.05 116 13.97 18.14 bcdef
irrigado G02 15.11 1.05 116 13.03 17.20 cdefg
sequia G13 14.01 1.05 116 11.93 16.09 cdefgh
irrigado G03 13.94 1.05 116 11.86 16.03 cdefgh
sequia G04 12.82 1.05 116 10.74 14.90 defgh
sequia G01 12.79 1.05 116 10.70 14.87 defgh
sequia G12 12.73 1.05 116 10.65 14.82 efgh
sequia G15 11.98 1.05 116 9.90 14.06 fgh
irrigado G10 11.66 1.05 116 9.57 13.74 fgh
sequia G05 11.61 1.05 116 9.53 13.69 fgh
sequia G08 11.58 1.05 116 9.49 13.66 fgh
sequia G03 10.13 1.05 116 8.04 12.21 gh
sequia G11 9.91 1.05 116 7.82 11.99 gh
sequia G02 9.59 1.05 116 7.50 11.67 gh
sequia G10 8.81 1.05 116 6.73 10.89 hi
sequia G07 3.45 1.05 116 1.36 5.53 i
irrigado G07 3.39 1.05 116 1.31 5.47 i
Results are averaged over the levels of: bloque
Confidence level used: 0.95
P value adjustment: tukey method for comparing a family of 30 estimates
significance level used: alpha = 0.05
NOTE: If two or more means share the same grouping symbol,
then we cannot show them to be different.
But we also did not show them to be the same.
7.1 Gráfico
dtcm <-as.data.frame(cm2) %>%rename(sig =".group")ggplot(dtcm, aes(x = geno, y = emmean, fill = riego)) +geom_bar(stat ="identity", position ="dodge", color ="black") +geom_text(aes(label = sig, y = emmean*1.05),position =position_dodge(width =0.9),vjust =0) +labs(x ="Genotipo", y ="leafdw", fill ="Riego") +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1)) +ggtitle("Gráfico de barras: leafdw por genotipo y riego")
Aguilar, M., López, D., & Rivera, J. (2022). Estadística aplicada a la agronomía. Editorial Científica. Brown, T. (2018). Sustainable agriculture: Challenges and opportunities. Journal of Agricultural Science, 10(3), 245–260. Gómez, R., Hernández, S., & Silva, L. (2021). Impacto del cambio climático en la producción de cultivos de papa. Revista de Investigación Agrícola, 5(2), 132–148. Martínez, P., & Pérez, M. (2020). La papa como alimento básico: Importancia nutricional y adaptabilidad. Revista Andina de Agricultura, 12(1), 45–56. Sánchez, J., & Rodríguez, A. (2019). Fisiología vegetal aplicada a la agricultura. Ediciones AgroCiencia. Wickham, H., & Grolemund, G. (2017). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media.
