Ejercicio 1

Con el objetivo de determinar si el tipo de un humedal (dos tipos: alimentado con agua de precipitación o con agua subterránea) influía sobre las tasas de producción de metano, se muestrearon tres humedales de cada tipo de agua (precipitación o agua subterránea). En cada humedal seleccionado, se obtuvieron 3 muestras de suelo (en lugares aleatoriamente elegidos dentro de cada humedal). Estas muestras se transportaron al laboratorio y se incubaron a temperatura constante. Las tasas de producción de metano (m mol/l/hr).

library(readxl)
metano <- read_excel("C:/Users/sebas/OneDrive - PUJ Cali/Universidad/bioestadistica/metano.xlsx")
View(metano)
require(ggplot2)
require(plotly)
require(table1)

table1(~Metano|Tipo,data = metano)
P
(N=9)		 ST
(N=9)		 Overall
(N=18)
Metano
Mean (SD) 2.03 (1.41) 8.45 (3.20) 5.24 (4.08)
Median [Min, Max] 1.98 [0.320, 4.56] 6.77 [5.42, 13.5] 4.99 [0.320, 13.5]

En la tabla se muestra el promedio de metano para los dos tipos el alimentado con agua de precipitación (P) con un valor de 2.03 y el promedio para el agua subterránea con un valor de 8.45 indicando que en promedio hay más metano en los lugares con agua subterránea.

ggplotly(ggplot(metano,aes(y=Metano,x=Tipo,fill = Tipo))+geom_boxplot()+theme_classic())

En el boxplot se hacer una relación entre metano y los dos tipos de agua, se puede observar que para el agua por precipitación(0) hay menores valores de metano con una dispersión baja en comparación a los de agua subterránea que presentan valores mayores de metano y mayor dispersión entre sus datos.

table1(~Metano|Humedal,data = metano)
1
(N=3)		 2
(N=3)		 3
(N=3)		 4
(N=3)		 5
(N=3)		 6
(N=3)		 Overall
(N=18)
Metano
Mean (SD) 6.35 (0.616) 12.6 (0.819) 6.41 (1.13) 2.13 (0.406) 0.570 (0.241) 3.40 (1.31) 5.24 (4.08)
Median [Min, Max] 6.63 [5.64, 6.77] 12.4 [11.9, 13.5] 6.18 [5.42, 7.64] 2.09 [1.74, 2.55] 0.590 [0.320, 0.800] 3.67 [1.98, 4.56] 4.99 [0.320, 13.5]

En la tabla podemos ver el promedio de metano comporado con los seis humedales, donde podemos observar que el humedal con mayor promedio de metano fue el 2 con un valor de 12.6 y el humedal con menor promedio fue el número 5 con un valor de 0.570.

metano$Humedal=as.character(metano$Humedal)

ggplotly(ggplot(metano,aes(y=Metano,x=Humedal,fill = Humedal))+geom_boxplot()+theme_classic())

En el boxplot muestra que el humedal con mayor valores de metano es el número 2 y el que menor valor de metano es el humedal 5, la mayor dispersión entre los valores lo vemos en el humedal 6 y la menor dispersión la tiene el 5.

Por último, se realizó un modelo en el que se comparó los valores de metano contra el tipo y los humedales. Luego se hizo el summary y se determinó que el humedal 2 es el que mayor significancia presenta con respecto al humedal 1 y sus valores de metano y que tanto el tipo de agua subterranea como el humedal 2 y el humedal 3 son directamente proporcionales con respecto al metano. Tanto el humedal 4 y el humedal 5 son inversamente proporcionales con respecto al metano.

Conclusión

Los resultados nos permiten concluir que, si existe una influencia de los humedales sobre los niveles de metano, pero a su vez tambien el tipo de suministración de agua influye en estos niveles de metano para estos resultados.

Ejercicio 2

Este informe analiza el efecto de aplicar un tratamiento de enfriamiento a plantas de azalea antes de su venta, con el fin de evaluar si este procedimiento favorece una floración abundante y homogénea. Se trata de un experimento factorial 3x2 con tres repeticiones, en el cual se evaluó la proporción de yemas abiertas en función del tratamiento (frío vs. no frío) y de la época de evaluación (octubre, diciembre y febrero).

Los datos fueron importados desde un archivo Excel y se creó una variable y, que representa la proporción de yemas abiertas:

Para explorar la distribución de la proporción de yemas abiertas, se generaron tablas resumen y diagramas de caja y bigotes para cada nivel de los factores trat y epoca:

library(readxl)
azaleas <- read_excel("C:/Users/sebas/OneDrive - PUJ Cali/Universidad/bioestadistica/azaleas.xlsx")
View(azaleas)

azaleas$y=azaleas$abiertas/(azaleas$abiertas+azaleas$cerradas)
head(azaleas)
rep trat epoca abiertas cerradas y
1 nofrio 1 83 75 0.5253165
1 nofrio 2 115 53 0.6845238
1 nofrio 3 188 5 0.9740933
1 frio 1 103 99 0.5099010
1 frio 2 76 77 0.4967320
1 frio 3 176 3 0.9832402 
require(ggplot2)
require(plotly)
require(table1)
table1(~y|trat,data = azaleas)
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] 
ggplotly(ggplot(azaleas,aes(y=y,x=trat,fill = trat))+geom_boxplot()+theme_classic())

Los diagramas de caja muestran la variabilidad en la proporción de yemas abiertas para cada tratamiento y época, permitiendo visualizar diferencias preliminares entre grupos

table1(~y|epoca,data = azaleas)
1
(N=6)		 2
(N=6)		 3
(N=6)		 Overall
(N=18)
y
Mean (SD) 0.519 (0.0185) 0.584 (0.0927) 0.959 (0.0158) 0.687 (0.206)
Median [Min, Max] 0.518 [0.492, 0.545] 0.579 [0.489, 0.685] 0.954 [0.944, 0.983] 0.592 [0.489, 0.983] 
azaleas$epoca=as.character(azaleas$epoca)
ggplotly(ggplot(azaleas,aes(y=y,x=epoca,fill = epoca))+geom_boxplot()+theme_classic())

Se ajustó un modelo de regresión logística para evaluar la influencia del tratamiento y la época en la proporción de yemas abiertas:

El resumen del modelo logístico proporciona los coeficientes estimados y su significancia estadística. En particular se observa si el tratamiento de enfriamiento tiene un efecto significativo sobre la proporción de yemas abiertas, se evalúa si la época influye en la respuesta de las plantas. Además se pueden identificar, posibles interacciones entre ambos factores.

Los resultados sugieren que el tratamiento con frío podría tener un impacto positivo en la proporción de yemas abiertas, lo cual es consistente con las observaciones realizadas en los gráficos exploratorios.

Conclusiones

Los resultados obtenidos permiten concluir si el tratamiento de frío mejora la floración y si dicho efecto varía según la época del año. A partir de estos hallazgos, se podrían formular recomendaciones para optimizar el manejo de las azaleas antes de su venta. Además, el análisis gráfico y estadístico proporciona evidencia para respaldar decisiones sobre la implementación del tratamiento de frío en la producción de estas plantas.