Caso 1: Floración de Azaleas

Introducción

En este estudio de caso se analiza la proporción de yemas abiertas en azaleas bajo diferentes condiciones experimentales. Con el fin de evaluar cómo aquellos factores como lo son la época del año y el tratamiento aplicado influyen en la floración. Asi mismo se mira como la capacidad de una planta para abrir sus yemas es un indicador de su desarrollo y adaptación a cambios ambientales, lo cual presenta implicaciones en la fisiología vegetal y la horticultura.

# 1. Cargar datos
library(readxl)
Data_parcial2 <- read_excel("~/Documents/Data_parcial2.xlsx", 
    sheet = "Caso_azaleas", skip = 1)


# 2. Crear variable de proporción de yemas abiertas
Data_parcial2$y = Data_parcial2$abiertas / (Data_parcial2$abiertas + Data_parcial2$cerradas)

# 3. Resumen descriptivo por tratamiento
library(table1)
table1(~ y | trat, data = Data_parcial2)
frio
(N=9)		 nofrio
(N=9)		 Overall
(N=18)
y
Mean (SD) 0.658 (0.228) 0.717 (0.191) 0.687 (0.206)
Median [Min, Max] 0.518 [0.489, 0.983] 0.678 [0.509, 0.974] 0.592 [0.489, 0.983] 
# 4. Gráfico de cajas para visualizar diferencias
library(ggplot2)
ggplot(Data_parcial2, aes(x = factor(epoca), y = y, fill = factor(trat))) +
  geom_boxplot() +
  scale_fill_manual(values = c("blue", "red")) +
  labs(x = "Época del año", y = "Proporción de yemas abiertas", fill = "Tratamiento") +
  theme_minimal()

# 5. Modelo logístico explicativo
modelo_azaleas <- glm(cbind(abiertas, cerradas) ~ trat * epoca, data = Data_parcial2, family = binomial)

# 6. Resumen del modelo
summary(modelo_azaleas)
## 
## Call:
## glm(formula = cbind(abiertas, cerradas) ~ trat * epoca, family = binomial, 
##     data = Data_parcial2)
## 
## Coefficients:
##                   Estimate Std. Error z value Pr(>|z|)    
## (Intercept)      -1.329767   0.138803  -9.580   <2e-16 ***
## tratnofrio        0.004041   0.207595   0.019    0.984    
## epoca             1.086385   0.075021  14.481   <2e-16 ***
## tratnofrio:epoca  0.159317   0.112224   1.420    0.156    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 730.16  on 17  degrees of freedom
## Residual deviance: 185.95  on 14  degrees of freedom
## AIC: 282.95
## 
## Number of Fisher Scoring iterations: 5
# 7. Prueba de significancia del modelo
anova(modelo_azaleas, test = "Chisq")
Df Deviance Resid. Df Resid. Dev Pr(>Chi)
NULL NA NA 17 730.1644 NA
trat 1 22.524811 16 707.6396 0.0000021
epoca 1 519.672567 15 187.9670 0.0000000
trat:epoca 1 2.021592 14 185.9454 0.1550765

Interpretacón

Al observar los resultados junto con el grafico se evidencia que la epoca del año es el principal factor que influye en la apertura de las yemas, pues a medida que avanza el tiempo estas se abren. Por otra parte, nos enconramos con que el tratamiento sin frio no presenta un efecto significativo por si solo sugiriendo asi que la apertura de yemas ocurre principalmente debido a la epoca del año y no el tratamiento.

Caso 2: Producción de Metano en Humedales

Introducción

Para este estudio de caso, se tomo en cuenta la tasa de producción de metano en diferentes tipos de humedales, con el objetivo de determinar si existen diferencias significativas entre ellos. Pues como bien se ha evidenciado el metano es un gas de efecto invernadero con un impacto relevante en el cambio climático, por lo que comprender su emisión en ecosistemas acuáticos es de suma importancia para estudios ambientales.

# 1. Cargar datos
Data_parcial2 <- read_excel("~/Documents/Data_parcial2.xlsx", 
                            sheet = "Caso_humedales")

# 2. Resumen descriptivo por tipo de humedal
table1(~ Metano | Humedal, data = Data_parcial2)
1
(N=3)		 2
(N=3)		 3
(N=3)		 4
(N=3)		 5
(N=3)		 6
(N=3)		 Overall
(N=18)
Metano
5.64 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
6.63 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
6.77 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
11.9 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
12.4 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
13.5 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
5.42 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
6.18 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
7.64 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 0 (0%) 1 (5.6%)
1.74 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 1 (5.6%)
2.09 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 1 (5.6%)
2.55 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 0 (0%) 1 (5.6%)
0.32 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 1 (5.6%)
0.59 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 1 (5.6%)
0.8 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 0 (0%) 1 (5.6%)
1.98 0 (0%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 1 (5.6%)
3.67 0 (0%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 1 (5.6%)
4.56 0 (0%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 1 (33.3%) 1 (5.6%) 
# Asegurar que Metano sea numérico
Data_parcial2$Metano <- as.numeric(Data_parcial2$Metano)

# 3. Gráfico de cajas para visualizar diferencias
ggplot(Data_parcial2, aes(x = factor(Humedal), y = Metano, fill = factor(Humedal))) +
  geom_boxplot() +
  labs(x = "Tipo de humedal", y = "Tasa de producción de metano", fill = "Humedal") +
  theme_minimal()

# 4. Modelo lineal explicativo
modelo_humedales <- lm(Metano ~ Humedal, data = Data_parcial2)

# 5. Resumen del modelo
summary(modelo_humedales)
## 
## Call:
## lm(formula = Metano ~ Humedal, data = Data_parcial2)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -3.539 -2.398 -1.258  2.174  5.896 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  10.7527     1.6641   6.461 7.86e-06 ***
## Humedal      -1.5741     0.4273  -3.684  0.00201 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.096 on 16 degrees of freedom
## Multiple R-squared:  0.4589, Adjusted R-squared:  0.4251 
## F-statistic: 13.57 on 1 and 16 DF,  p-value: 0.00201
# 6. Prueba de significancia del modelo
anova(modelo_humedales)
Df Sum Sq Mean Sq F value Pr(>F)
Humedal 1 130.0832 130.083231 13.56974 0.0020103
Residuals 16 153.3804 9.586273 NA NA

Interpretación

Al observar los resultados junto con el grafico se evidencia diferencias en los valores de metano entre los humedales, indicando asi que el tipo de humedal afecta de manera significativa la produciion de metano, encontrandonos con que el humedal 1 presenta la mayor tasa de produccion de metano y respecto a los humedales 4 y 5 estos tienen los valores mas bajos.