Parcial 1

Pregunta #1

Tabla #1, Oxigeno y agua

La tabla muestra que la media del consumo de oxígeno es más alta en la concentración de 50 (12.3), seguida de la de 100 (8.67) y la de 75 (6.99). Los valores de la mediana siguen una tendencia similar: 50 (11.5), 100 (8.60) y 75 (6.43).

library(readxl)
Parcial <- read_excel("C:/Users/mperd/OneDrive/Desktop/Bioestadistica/Parcial.xlsx", 
                      col_types = c("numeric", "text", "text", 
    
                                                                    "numeric"))
View(Parcial)
#Agua mar
require(table1)
require(ggplot2)
Parcial$agua_mar=factor(Parcial$agua_mar, levels = c(50,75,100))

table1(~oxigeno|agua_mar, data=Parcial)

	50 (N=16)	75 (N=16)	100 (N=16)	Overall (N=48)
oxigeno
Mean (SD)	12.3 (3.20)	6.99 (2.80)	8.67 (3.00)	9.30 (3.68)
Median [Min, Max]	11.5 [6.38, 18.8]	6.43 [1.80, 13.2]	8.60 [3.68, 14.0]	9.70 [1.80, 18.8]

Boxplot #1, Oxigeno y Agua

Los gráficos de caja también reflejan esta tendencia, mostrando que el consumo de oxígeno disminuye a medida que aumenta la concentración de agua de mar.

g1=ggplot(Parcial,aes(y=oxigeno, x=agua_mar, fill=agua_mar))+geom_boxplot()+theme_classic()
g1

require(plotly)
ggplotly(g1)

Tabla #2, Oxigeno y moluscos

#Comparar moluscos

Parcial$agua_mar=factor(Parcial$agua_mar, levels = c(50,75,100))

table1(~oxigeno|molusco, data=Parcial)

	A (N=24)	B (N=24)	Overall (N=48)
oxigeno
Mean (SD)	10.0 (3.27)	8.61 (4.00)	9.30 (3.68)
Median [Min, Max]	9.74 [5.20, 18.8]	8.06 [1.80, 17.7]	9.70 [1.80, 18.8]

Boxplot #2, Oxigeno y Moluscos

En el gráfico que diferencia por tipo de molusco, parece que ambos tienen distribuciones similares en términos de consumo de oxígeno. Se observa que el molusco A tiene un ligero sesgo hacia valores más altos en algunas concentraciones, pero no parece haber una diferencia drástica en comparación con el molusco B.

g2=ggplot(Parcial,aes(y=oxigeno, x=molusco, fill=molusco))+geom_boxplot()+theme_bw()
g2

require(plotly)
ggplotly(g2)

Analisis combinado, Boxplot

el consumo de oxígeno en los moluscos A y B sigue el mismo patrón de disminución con el aumento de la concentración de agua de mar.

#combinado
g1=ggplot(Parcial,aes(y=oxigeno, x=agua_mar, fill=agua_mar))+geom_boxplot()+theme_classic()+facet_grid(~molusco)
g1

Pregunta #2

Tabla, Pesos y Dietas

library(readxl)
Pesos_cerdos <- read_excel("C:/Users/mperd/OneDrive/Desktop/Bioestadistica/Pesos cerdos.xlsx", 
                           col_types = c("text", "numeric"))

View(Pesos_cerdos)

View(Pesos_cerdos)
require(table1)



table1(~Pesos|Dietas,data = Pesos_cerdos)

	A (N=5)	B (N=5)	C (N=5)	D (N=5)	Overall (N=20)
Pesos
Mean (SD)	64.6 (3.35)	71.3 (3.07)	73.5 (2.99)	63.2 (2.42)	68.2 (5.23)
Median [Min, Max]	65.0 [60.8, 68.6]	71.8 [67.7, 75.0]	74.3 [69.6, 77.1]	63.1 [60.3, 66.7]	68.2 [60.3, 77.1]

La tabla presenta un análisis de los pesos de cerdos distribuidos en cuatro grupos. Se observa que los grupos C y B presentan los mayores pesos promedio (73.5 y 71.3 Kg respectivamente), mientras que los grupos A y D muestran pesos promedios más bajos (64.4 y 63.2 Kg respectivamente). La desviación estándar es relativamente baja en todos los grupos, lo que indica que los datos están agrupados alrededor de la media, siendo el grupo D el que presenta menor variabilidad. Las medianas son muy cercanas a las medias, sugiriendo distribuciones simétricas. El rango de pesos muestra variabilidad dentro de cada grupo. Los datos sugieren que las dietas B y C tienen un mayor impacto en el aumento de pesos de los cerdos, siendo la dieta C la que muestra el mayor promedio.

Boxplot, Pesos y Dietas

g1=ggplot(Pesos_cerdos,aes(y=Pesos, x=Dietas, fill=Dietas))+geom_boxplot()+theme_bw()
    
require(ggplot2)
require(plotly)
ggplotly(g1)

El gráfico confirma que la dieta tiene un efecto sobre el peso de los cerdos, siendo la dieta C la que muestra el mayor impacto positivo.

Pregunta #3

Tabla #1, Riqueza y numero especies

library(readxl)
Cantos <- read_excel("C:/Users/mperd/OneDrive/Desktop/Bioestadistica/Cantos.xlsx", 
    col_types = c("text", "text", "numeric"))
View(Cantos)

View(Cantos)
require(table1)
require(plotly)


table1(~numeroespecies|T,data= Cantos)

	1 (N=16)	2 (N=16)	3 (N=16)	4 (N=16)	Overall (N=64)
numeroespecies
Mean (SD)	4.56 (2.90)	5.00 (2.48)	4.94 (3.80)	4.38 (2.66)	4.72 (2.94)
Median [Min, Max]	3.00 [1.00, 11.0]	4.50 [1.00, 9.00]	6.00 [0, 11.0]	4.00 [1.00, 11.0]	4.00 [0, 11.0]

La tabla compara el número de especies en cuatro épocas del año, mostrando una variación en la diversidad a lo largo del tiempo. El número promedio de especies es relativamente similar entre las épocas, con ligeras fluctuaciones, siendo el promedio más alto en las épocas 2 y 3. La variabilidad en el número de especies es considerable en todas las épocas, siendo mayor en la época 3. Las medianas son cercanas a las medias, sugiriendo distribuciones aproximadamente simétricas, aunque con excepciones como la época 3. El rango de valores revela una amplia variación en el número de especies, con valores que van de 1 a 11, y la época 3 presentando un valor atípico de 0 especies. En conjunto, los datos indican que las épocas del año influyen en el número de especies, aunque la relación no es lineal y existe una considerable variabilidad que sugiere la influencia de otros factores.

Boxplot #1, Riqueza y Numero especies

g1=ggplot(Cantos,aes(y=numeroespecies,x=T,fill = T))+geom_boxplot()+theme_classic()
require(ggplot2)
require(plotly)
ggplotly(g1)

El gráfico de cajas muestra la distribución del número de especies en cuatro épocas del año distintas. La época del año 1 presenta una distribución con mayor variabilidad y un número de especies relativamente alta. La época del año 2 muestra una distribución con menor variabilidad y un número de especies ligeramente superior a las épocas 3 y 4. Las épocas 3 y 4 presentan distribuciones con menor número de especies y mayor variabilidad, siendo la época 4 la que muestra el número de especies más bajo. En general, se confirma que la época del año influye en el número de especies, con una tendencia a mayor diversidad en las épocas 1 y 2.

Tabla #2, Tamaño canto y Numero especies

table1(~numeroespecies|S,data = Cantos)

	1 (N=16)	2 (N=16)	3 (N=16)	4 (N=16)	Overall (N=64)
numeroespecies
Mean (SD)	7.31 (1.92)	5.88 (2.96)	3.38 (2.28)	2.31 (1.40)	4.72 (2.94)
Median [Min, Max]	7.00 [4.00, 11.0]	6.00 [0, 11.0]	3.00 [0, 9.00]	2.00 [0, 5.00]	4.00 [0, 11.0]

La tabla revela una clara tendencia decreciente en la riqueza de especies a medida que disminuye el tamaño del canto. El canto más grande corresponde al grupo 1, el cual presenta mayor promedio de especies (7.31), seguido por el canto de tamaño intermedio que corresponde al grupo 2, con un promedio de 5.88. Los cantos más pequeños corresponden a los grupos 3 y 4, los cuales muestran una reducción significativa en el promedio de especies con 3.38 y 2.31 respectivamente. La variabilidad en el número de especies, medida por la desviación estándar, es mayor en los cabros de tamaño intermedio, es decir los grupos 2 y 3. En conjunto los datos sugieren que el tamaño del canto influye directamente en la riqueza de especies, con una mayor diversidad observada en los cantos de mayor tamaño.

Boxplot #2, Tamaño Canto y Numero especies

g2=ggplot(Cantos,aes(y=numeroespecies,x=S,fill = S))+geom_boxplot()+theme_classic()
require(ggplot2)
require(plotly)
ggplotly(g2)

El gráfico de cajas muestra la distribución del número de especies en cuatro tamaños de canto diferentes. Se observa que el tamaño de canto 1 tiende a presentar el mayor número de especies, con una mediana alta y presencia de valores atípicos. El tamaño de canto 2 también muestra un número de especies relativamente alto, aunque con una mayor variabilidad. Los tamaños de canto 3 y 4, presentan un número de especies notablemente menor, con medianas bajas. En general, el gráfico confirma que el tamaño del canto influye en el número de especies, siendo mayor en los cantos de mayor tamaño.

Respuesta a la pregunta: Se observa una tendencia decreciente en el número de especies a medida que disminuye el tamaño del canto, con los cantos de mayor tamaño (grupos 1 y 2) albergando una mayor cantidad de especies en promedio, destacando el grupo 1 por su mayor promedio de especies y mediana. Por otro lado, los cantos de menor tamaño (grupos 3 y 4) muestran una notable disminución en el número de especies. En cuanto a la época del año, se evidencia una variación, con las épocas 1 y 2 mostrando mayor diversidad en comparación con las épocas 3 y 4, siendo la época 1 particularmente notable.

Pregunta 4

Tabla, Temperatura y consumo de Oxigeno

Se observa que la temperatura tiene un efecto notable en el consumo de oxígeno: los cangrejos en temperatura alta tienen un consumo mayor, mientras que en baja temperatura el consumo es mucho menor.

library(readxl)
cangrejos <- read_excel("C:/Users/mperd/OneDrive/Desktop/Bioestadistica/cangrejos.xlsx", 
    col_types = c("text", "text", "numeric"))

View(cangrejos)

table1(~oxigen|temperatura, data=cangrejos)

	Alta (N=8)	Baja (N=8)	Media (N=8)	Overall (N=24)
oxigen
Mean (SD)	3.01 (0.223)	1.64 (0.192)	2.39 (0.247)	2.35 (0.612)
Median [Min, Max]	3.00 [2.70, 3.40]	1.65 [1.40, 1.90]	2.40 [2.00, 2.70]	2.40 [1.40, 3.40]

table1(~oxigen|sexo, data=cangrejos)

	Hembra (N=12)	Macho (N=12)	Overall (N=24)
oxigen
Mean (SD)	2.36 (0.608)	2.33 (0.643)	2.35 (0.612)
Median [Min, Max]	2.50 [1.40, 3.10]	2.20 [1.40, 3.40]	2.40 [1.40, 3.40]

El sexo no parece tener mayor diferencia en los valores medidos.

Boxplot, Temperatura y consumo de oxigeno

Muestra diferencias claras en el consumo de oxígeno entre los tres niveles de temperatura. La distribución es más compacta en baja y alta temperatura, mientras que en temperatura media hay más variabilidad.

g5=ggplot(cangrejos,aes(y=oxigen, x=temperatura, fill=temperatura))+geom_boxplot()+theme_classic()
g5