Trabajo practico 1 y 2 - Modulo 4

install.packages("tidyverse")
install.packages("readxl")

# Instalamos y/o cargamos paquetes
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

library("readxl")

IMPORTACIÓN DE DATOS

Función read_excel()

TRIGO <- read_excel("TRIGO.xlsx")

glimpse(TRIGO)

## Rows: 4,170
## Columns: 5
## $ Año         <dbl> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…
## $ Localidad   <chr> "CHA", "CHA", "CHA", "CHA", "CHA", "CHA", "CHA", "CHA", "C…
## $ Tratamiento <chr> "ConFung", "ConFung", "ConFung", "SinFung", "SinFung", "Si…
## $ Genotipo    <chr> "KleinTauro", "KleinTauro", "KLEINCASTOR", "KleinTauro", "…
## $ Rendimiento <dbl> 5604.40, 4945.05, 6106.75, 4992.15, 5086.34, 6342.23, 5949…

VISUALIZACIÓN DE DATOS

Ordenamos la base de datos

Seleccionar solo las observaciones o filas de la Localidad “RAF”

RAF <- TRIGO %>%
  filter(Localidad == "RAF")
RAF

## # A tibble: 366 × 5
##      Año Localidad Tratamiento Genotipo    Rendimiento
##    <dbl> <chr>     <chr>       <chr>             <dbl>
##  1  2007 RAF       ConFung     KleinTauro        5010 
##  2  2007 RAF       SinFung     KLEINCASTOR       4942 
##  3  2007 RAF       ConFung     KLEINCASTOR       4836 
##  4  2007 RAF       ConFung     KleinTauro        5977 
##  5  2007 RAF       SinFung     KleinTauro        5607 
##  6  2007 RAF       SinFung     KleinTauro        5630 
##  7  2007 RAF       ConFung     KleinTauro        5720 
##  8  2007 RAF       ConFung     BUCKPUELCHE       5259.
##  9  2007 RAF       ConFung     BUCKPUELCHE       5586.
## 10  2007 RAF       SinFung     BUCKPUELCHE       4986 
## # ℹ 356 more rows

## Rows: 366
## Columns: 5
## $ Año         <dbl> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…
## $ Localidad   <chr> "RAF", "RAF", "RAF", "RAF", "RAF", "RAF", "RAF", "RAF", "R…
## $ Tratamiento <chr> "ConFung", "SinFung", "ConFung", "ConFung", "SinFung", "Si…
## $ Genotipo    <chr> "KleinTauro", "KLEINCASTOR", "KLEINCASTOR", "KleinTauro", …
## $ Rendimiento <dbl> 5010.00, 4942.00, 4836.00, 5977.00, 5607.00, 5630.00, 5720…

Histogramas

ggplot(TRIGO, aes(Rendimiento)) +
  geom_histogram(color="blue")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Cambiamos color de los contenedores.

ggplot(RAF, aes(Rendimiento)) +
  geom_histogram(color = "yellow")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Modificamos color y relleno de los contenedores.

ggplot(RAF, aes(Rendimiento)) +
  geom_histogram(color = "red", fill = "black")

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

## Ajuste de los contenedores

ggplot(RAF, aes(Rendimiento)) +
  geom_histogram(bins = 13, color = "gray", fill = "lightblue") +
  theme_classic()

#Paso 1: calculamos la media

kg_promedio <- mean(RAF$Rendimiento)
kg_promedio

## [1] 4361.214

ggplot(RAF, aes(Rendimiento)) +
  geom_histogram(binwidth = 500, color = "green")+
  geom_vline(xintercept = 4361.214, color = "red")

# Polígono de frecuencias

ggplot(RAF, aes(Rendimiento)) + 
  geom_freqpoly(binwidth = 500)

# Combinamos un histograma con un polígono de frecuencias

ggplot(RAF, aes(Rendimiento)) +
  geom_histogram(binwidth = 500, color = "yellow") +
  geom_freqpoly(binwidth = 500, color = "blue", linewidth = 1) + geom_vline(xintercept = 4361.214, color = "red")

ggplot(RAF, aes(Tratamiento, Rendimiento, color = Tratamiento)) +
  geom_boxplot() +
  stat_summary(fun = mean, color = "black", size = 0.8, shape = 4) +
  labs(title = "Distribución del rendimiento por tratamiento",
       x = "Tratamiento",
       y = "Rendimiento (Kg/ha)") +
    theme_classic() +
   theme(plot.title = element_text(size = 12, hjust = 0.5),
        axis.title.x = element_text(size = 10, color = "black"),  # Tamaño de letra del título del eje x
        axis.title.y = element_text(size = 10, color = "black"),  # Tamaño de letra del título del eje y
        axis.text.x = element_text(size = 10, color = "black"),   # Tamaño de letra de las categorías del eje x
        axis.text.y = element_text(size = 10, color = "black"),
        legend.position = ("right"),
        legend.text = element_text(size = 12),  # Tamaño del texto de la leyenda
        legend.title = element_text(size = 12)) +  # Tamaño del título de la leyenda
    scale_y_continuous(limits = c(500, 10000),breaks = seq(500, 10000, by = 1000)) + # Ajusta los límites del eje y
    scale_color_manual(values = c("SinFung" = "blue", "ConFung" = "red"))

## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_segment()`).

ggplot(RAF, aes(Rendimiento, group = Tratamiento, colour = Tratamiento)) +
  geom_freqpoly(binwidth = 500)

install.packages("summarytools")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)

library(summarytools) 

## Warning in fun(libname, pkgname): couldn't connect to display ":0"

## system might not have X11 capabilities; in case of errors when using dfSummary(), set st_options(use.x11 = FALSE)

## 
## Attaching package: 'summarytools'

## The following object is masked from 'package:tibble':
## 
##     view

install.packages("dplyr")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)

install.packages("leaflet")

## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)

library("dplyr")
library ("leaflet")

leaflet() %>%
  addProviderTiles(providers$Esri.WorldImagery) %>%
  setView(lng = -61.42194444, lat = -31.2236111, zoom = 17) %>% 
  addMarkers(lng = -61.42194444, lat = -31.2236111)

Tablas de frecuencias

Tablas para variables cuantitativas continuas

Paso 1: Crear intervalos de clase

TF_Rendimiento_RAF<- cut(RAF$Rendimiento, 
                             breaks = seq(min(RAF$Rendimiento), max(RAF$Rendimiento), by = 500), # Ajustar el rango de los intervalos
                             right = FALSE, # Definir si el intervalo incluye el límite superior
                             include.lowest = TRUE)

Paso 2: Crear la tabla de frecuencias con los intervalos de clase

freq(TF_Rendimiento_RAF, 
     report.nas = FALSE, 
     justify = "center" )

## Frequencies  
## TF_Rendimiento_RAF  
## Type: Factor  
## 
##                            Freq     %      % Cum. 
## ------------------------- ------ -------- --------
##    [1.35e+03,1.85e+03)      6      1.64     1.64  
##    [1.85e+03,2.35e+03)      5      1.37     3.01  
##    [2.35e+03,2.85e+03)      27     7.40    10.41  
##    [2.85e+03,3.35e+03)      37    10.14    20.55  
##    [3.35e+03,3.85e+03)      60    16.44    36.99  
##    [3.85e+03,4.35e+03)      59    16.16    53.15  
##    [4.35e+03,4.85e+03)      25     6.85    60.00  
##    [4.85e+03,5.35e+03)      62    16.99    76.99  
##    [5.35e+03,5.85e+03)      55    15.07    92.05  
##    [5.85e+03,6.35e+03)      18     4.93    96.99  
##    [6.35e+03,6.85e+03)      7      1.92    98.90  
##    [6.85e+03,7.35e+03]      4      1.10    100.00 
##           Total            365    100.00   100.00

Medidas de resumen

Paquete R base

# Calcular medidas de resumen
mean(RAF$Rendimiento)

## [1] 4361.214

Otro camino… crear el vector “Rendimiento”

Rendimiento <- RAF$Rendimiento
Rendimiento

##   [1] 5010.00 4942.00 4836.00 5977.00 5607.00 5630.00 5720.00 5258.68 5586.09
##  [10] 4986.00 4875.00 4984.00 4912.00 5020.00 5055.64 5202.96 5832.45 5209.37
##  [19] 5948.63 5713.18 5238.00 5881.00 5658.00 5528.00 5325.00 6031.00 5224.00
##  [28] 5066.84 5414.00 5631.70 4955.31 5239.00 5089.53 5273.86 5439.00 5144.00
##  [37] 5129.05 5218.00 5472.52 5226.00 5093.00 4798.00 5392.00 4995.00 3434.00
##  [46] 5410.00 4938.00 5533.16 5092.00 5505.46 4768.00 5140.00 5700.60 4906.00
##  [55] 2647.00 2986.00 2740.00 3187.00 1935.00 2994.00 2059.00 2356.00 4307.00
##  [64] 3122.00 2753.00 2635.00 2822.00 3412.00 2629.00 4249.00 2313.00 3696.00
##  [73] 2288.00 2651.00 2717.00 4208.10 4109.60 2735.90 4358.60 3277.70 3039.00
##  [82] 4014.10 3600.60 3363.70 2845.90 4085.60 4287.00 3867.30 4158.10 2622.10
##  [91] 2771.90 3300.40 3749.20 3416.10 4009.70 3213.60 3769.20 4770.20 3673.70
## [100] 3217.90 3535.30 4166.50 4139.50 4791.50 4725.60 4343.40 3111.90 3892.60
## [109] 3367.50 4317.90 3966.50 4325.40 4156.70 3734.90 3382.40 3289.40 4218.20
## [118] 4281.70 3972.50 2803.20 3813.30 4083.00 3040.30 4275.70 3626.00 3763.60
## [127] 3302.90 3404.70 3530.50 3702.70 3993.30 4267.40 4418.00 3092.40 3195.80
## [136] 3725.90 4547.50 4179.50 3743.50 3860.30 3542.30 2968.50 3397.40 4090.10
## [145] 3645.80 3893.90 3385.70 4385.60 4427.90 3794.10 4008.20 3147.00 3098.10
## [154] 3715.90 3683.70 3595.50 3687.80 3520.80 3143.00 3797.30 3588.00 2835.10
## [163] 2733.00 4230.90 3658.70 3896.90 3928.80 3397.30 4343.80 3802.80 3378.60
## [172] 4346.00 4215.50 3535.30 3500.80 3880.70 3734.90 4103.80 3360.00 3217.50
## [181] 2766.50 4051.50 3932.60 3913.00 3307.70 3385.70 2996.70 3060.30 3360.00
## [190] 3538.80 3471.50 3650.60 2738.60 4287.00 4000.60 3480.30 2367.40 3266.60
## [199] 4343.80 5077.40 3195.40 2831.90 4370.90 4472.40 4561.90 4937.80 3757.20
## [208] 3523.50 3210.00 2999.10 4154.30 3282.00 4492.30 4753.00 5843.00 5512.00
## [217] 5516.00 4851.00 5441.00 5540.00 5255.00 5979.00 5328.00 6011.00 5556.00
## [226] 5465.00 3766.00 5751.00 5235.00 4889.00 5603.00 5430.00 5226.00 4989.00
## [235] 5026.00 7455.00 6293.00 5879.00 6433.00 5001.00 5226.00 5258.00 5382.00
## [244] 6857.00 6647.00 5755.00 6487.00 6038.00 5765.00 5597.00 7014.00 5252.00
## [253] 5202.00 5198.00 6929.00 6178.00 5407.00 5755.00 5681.00 5653.00 5121.00
## [262] 5164.00 4657.00 6367.00 6564.00 5276.00 5602.00 5736.00 5160.00 5045.00
## [271] 4389.00 5523.00 6750.00 5389.00 5574.00 5523.00 4739.00 4840.00 4441.00
## [280] 5169.00 6153.00 4830.00 5134.00 5595.00 5918.00 5514.00 5578.00 5579.00
## [289] 5696.00 5958.00 5024.00 5267.00 5893.00 4962.00 6176.00 5533.00 5415.00
## [298] 5823.00 5038.00 5778.00 2312.00 5174.00 5635.00 6402.00 6203.00 5208.00
## [307] 4829.00 5609.00 4987.00 4294.00 6958.00 5591.00 5500.00 4964.00 4016.00
## [316] 5767.00 4597.00 5994.00 5289.00 5329.00 6035.00 4071.00 4319.00 3267.00
## [325] 3659.00 3043.00 2992.00 1612.00 1774.00 4510.00 2590.00 3063.00 2748.00
## [334] 2841.00 4100.00 3889.00 2973.00 3408.00 3810.00 3864.00 3793.00 4345.00
## [343] 4011.00 3382.00 2663.00 2383.00 2940.00 2703.00 2808.00 3511.00 1370.00
## [352] 1409.00 1621.00 1350.00 3903.00 3680.00 3910.00 3809.00 3323.00 3770.00
## [361] 3289.00 3229.00 4116.00 3412.00 4209.00 4190.00

Medidas de resumen

TRIGO <- TRIGO %>%
  mutate(Tratamiento_Rafaela = case_when(  
    Tratamiento == "SinFung" ~ "Sin Funguicida",  
    Tratamiento == "ConFung" ~ "Con Funguicida"))  
TRIGO

## # A tibble: 4,170 × 6
##      Año Localidad Tratamiento Genotipo    Rendimiento Tratamiento_Rafaela
##    <dbl> <chr>     <chr>       <chr>             <dbl> <chr>              
##  1  2007 CHA       ConFung     KleinTauro        5604. Con Funguicida     
##  2  2007 CHA       ConFung     KleinTauro        4945. Con Funguicida     
##  3  2007 CHA       ConFung     KLEINCASTOR       6107. Con Funguicida     
##  4  2007 CHA       SinFung     KleinTauro        4992. Sin Funguicida     
##  5  2007 CHA       SinFung     KleinTauro        5086. Sin Funguicida     
##  6  2007 CHA       SinFung     KleinTauro        6342. Sin Funguicida     
##  7  2007 CHA       ConFung     KleinTauro        5950. Con Funguicida     
##  8  2007 CHA       ConFung     KLEINCASTOR       5447. Con Funguicida     
##  9  2007 CHA       SinFung     BUCKPUELCHE       4898. Sin Funguicida     
## 10  2007 CHA       ConFung     BUCKPUELCHE       5557. Con Funguicida     
## # ℹ 4,160 more rows

TRIGO %>% 
  group_by(Tratamiento_Rafaela) %>% 
  descr(Rendimiento, 
        headings = FALSE,
        justify = "center")

## 
##                    Con Funguicida   Sin Funguicida 
## ----------------- ---------------- ----------------
##       Mean            5051.55          4641.55     
##      Std.Dev          1545.28          1454.22     
##        Min             832.00           432.00     
##        Q1             4010.00          3635.00     
##      Median           5076.32          4716.50     
##        Q3             6071.00          5692.00     
##        Max            9036.00          8400.00     
##        MAD            1544.13          1517.44     
##        IQR            2060.00          2053.00     
##        CV               0.31             0.31      
##     Skewness           -0.12            -0.17      
##    SE.Skewness          0.06             0.05      
##     Kurtosis           -0.16            -0.40      
##      N.Valid          1754.00          2416.00     
##     Pct.Valid          100.00           100.00

summary(Rendimiento)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1350    3443    4287    4361    5265    7455

Resumen_tidy <- RAF %>%
  summarise(Media = mean(Rendimiento),
    Mediana = median(Rendimiento),
    Rango = paste(range(Rendimiento), collapse = " - "),
    Std = sd(Rendimiento))
Resumen_tidy

## # A tibble: 1 × 4
##   Media Mediana Rango         Std
##   <dbl>   <dbl> <chr>       <dbl>
## 1 4361.    4287 1350 - 7455 1155.

Calcular el rendimiento promedio por genotipo y tratamiento

Rendimiento_promedio <- RAF %>%
  group_by(Genotipo, Tratamiento) %>%
  summarise(Rendimiento_promedio = mean(Rendimiento, na.rm = TRUE)) %>%
  arrange(desc(Rendimiento_promedio))  # Ordenar de mayor a menor rendimiento

## `summarise()` has grouped output by 'Genotipo'. You can override using the
## `.groups` argument.

Mejor_genotipo <- Rendimiento_promedio %>%
  group_by(Tratamiento) %>%
  slice(1)  # Tomar el genotipo con mayor rendimiento por tratamiento

Mejor_genotipo

## # A tibble: 2 × 3
## # Groups:   Tratamiento [2]
##   Genotipo Tratamiento Rendimiento_promedio
##   <chr>    <chr>                      <dbl>
## 1 ONIX     ConFung                    5831.
## 2 ACA905   SinFung                    5543.

Análisis exploratorio y descriptivo

A. ¿Cuántos casos (o filas) tiene en total la base de datos?

La base de datos TRIGO contiene 4170 observaciones o filas.

B. ¿Cúantos casos (o filas) tiene la base de datos de su localidad?

La localidad de análisis, RAF (Rafaela) contiene 366 observaciones o filas.

C. ¿Cómo se distribuye el rendimiento de trigo en su localidad? Saque conlusiones del gráfico.

La variable rendimiento de trigo en la localidad de Rafaela, presenta valores que van desde 1350 a 7455 kg/ha cosechados, siendo el rendimiento medio de 4361 kg/ha, la variable rendimiento tiene una distribución aproximadamente simétrica con dos picos marcados. La mayor cantidad de datos estan entre los 3850 y 5850 kg/ha concentrando el 92% de los datos. Se observa rendimientos extremos de 1850 kg/ha y de 7350 kg/ha, que registran una baja frecuencia. La distribución sugiere que los rendimientos en la localidad de Rafaela son dispares, la presencia de rendimientos bajos y altos sugiere que existen factores externos (climáticos, de manejo o genéticos) que afectan el rendimiento en estos casos.

D. ¿Cómo varía el rendimiento promedio entre localidades para los diferentes tratamientos? ¿Qué tratamiento recomendaría (Con fungicida o Sin fungicida).

Los resultados obtenidos en el ensayo de trigo con y sin fungicida indican una mejora en el rendimiento cuando se aplica el fungicida, en la mayoría de los casos. El tratamiento con fungicida alcanzó un rendimiento promedio de 5051 kg por hectárea, lo que sugiere que el uso de este producto favorece el desarrollo saludable del cultivo, protegiéndolo de enfermedades y optimizando su crecimiento. Sin embargo, se observó que sin uso de fungicidas se obtienen valores de rendimiento de 4641 (cercanos a la media), analizando otros aspectos no se observa un gran diferencia en los rendimientos entre ambos tratamientos, y además los rendimientos registrados en el tratamiento con fungicida son más variables, debido a que posee un mayor rango intercuartílico y presencia de datos atípicos, lo que indicaría mayor dispersión de los datos. Ante estos hallazgos se refuerza la necesidad de analizar la relacion costo-beneficio al momento de planificar un tratamiento fungicida, además de considerar si el sitio posee condiciones donde la presión de enfermedades pueda afectar negativamente el rendimiento. Sin embargo, es fundamental evaluar otra variable, como el genotipo, para verificar los resultados obtenidos y considerar su integración con otras prácticas agrícolas para asegurar la rentabilidad.

H. ¿Qué genotipo recomendaría sembrar en la localidad? justifique la respuesta.

En la localidad de Rafaela se recomienda utilizar el genotipo ONIX si se aplica tratamiento con fungicida, obteniendo un valor de rendimiento de 5831 kg/ha, y en caso de decidir no aplicar el tratamiento fúngico se debería emplear el genotipo ACA 905, que alcanza valores de rendimiento 5543 kg/ha.