Parcial #2
Santiago Perdomo, María Alejandra Millán
Caso #1: Humedales
Tabla #1: Tasas de produccion de metano en humedales
| 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] |
El análisis de las tasas de producción de metano en humedales alimentados por precipitación (P) y agua subterránea (ST) revela diferencias significativas. Los humedales ST muestran una tasa de producción de metano promedio considerablemente mayor (8.45 mmol/l/hr) en comparación con los humedales P (2.03 mmol/l/hr), lo que sugiere que el tipo de humedal influye notablemente en la producción de metano. Además, la variabilidad en las tasas de producción es mayor en los humedales ST. Estos hallazgos indican que los humedales alimentados por agua subterránea tienden a ser más productivos en términos de metano y presentan una mayor fluctuación en sus niveles de producción.
Boxplot #1: Diferentes humedales, diferentes producciones de metano
require(ggplot2)
require(plotly)
g1=ggplot(metano, aes(y=Metano, x=Tipo, fill= Tipo))+geom_boxplot()+theme_classic()
g1
ggplotly(g1)El análisis detallado de los boxplots revela diferencias significativas en las tasas de producción de metano entre humedales alimentados por precipitación (P) y agua subterránea (ST). Los humedales ST muestran una producción de metano considerablemente mayor, con una mediana de 6.77 mmol/l/hr, en comparación con los humedales P, cuya mediana es de 1.98 mmol/l/hr. Por otra parte, los humedales P presentan datos más concentrados y una distribución ligeramente asimétrica, los humedales ST exhiben una mayor dispersión y una distribución asimétrica con una cola más larga hacia valores altos. Estos hallazgos respaldan la conclusión de que el tipo de humedal influye notablemente en la producción de metano, siendo los humedales alimentados por agua subterránea más productivos y variables.
Tabla #2: Metano en los diferentes humedales.
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] |
El análisis de las tasas de producción de metano en seis humedales individuales revela una notable heterogeneidad entre ellos. Los humedales 2 y 3 destacan por tener tasas de producción significativamente más altas, con medias de 12.6 y 6.41 mmol/l/hr respectivamente, mientras que los humedales 4, 5 y 6 muestran tasas considerablemente más bajas, con medias de 2.13, 0.570 y 3.40 mmol/l/hr. Esta variación sugiere que factores específicos de cada humedal, más allá del tipo general (precipitación o agua subterránea), influyen en la producción de metano. La dispersión de los datos, reflejada en las desviaciones estándar, también varía entre los humedales, indicando diferencias en la estabilidad de las tasas de producción. El conjunto total de muestras muestra una variabilidad considerable, con una media de 5.24 mmol/l/hr y un rango amplio de 0.320 a 13.5 mmol/l/hr.
Modelo de Regresion Lineal
metano$Humedal=as.character(metano$Humedal)
modelo2=lm(Metano~Tipo+Humedal, data =metano, family= "binomial")
summary(modelo2)##
## Call:
## lm(formula = Metano ~ Tipo + Humedal, data = metano, family = "binomial")
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.42333 -0.35250 -0.00833 0.38833 1.22667
##
## Coefficients: (1 not defined because of singularities)
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.40333 0.48664 6.994 1.45e-05 ***
## TipoST 2.94333 0.68821 4.277 0.00108 **
## Humedal2 6.25333 0.68821 9.086 9.98e-07 ***
## Humedal3 0.06667 0.68821 0.097 0.92443
## Humedal4 -1.27667 0.68821 -1.855 0.08831 .
## Humedal5 -2.83333 0.68821 -4.117 0.00143 **
## Humedal6 NA NA NA NA
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8429 on 12 degrees of freedom
## Multiple R-squared: 0.9699, Adjusted R-squared: 0.9574
## F-statistic: 77.4 on 5 and 12 DF, p-value: 1.044e-08El modelo de regresión lineal revela que tanto el tipo de humedal como los humedales individuales influyen significativamente en las tasas de producción de metano. Los humedales de tipo ST (agua subterránea) muestran tasas de producción significativamente más altas en comparación con los humedales de tipo P (precipitación), lo que confirma la importancia del tipo de humedal. Además, se observa una variación considerable entre los humedales individuales: el humedal 2 destaca por tener tasas de producción significativamente más altas, mientras que el humedal 5 muestra tasas significativamente más bajas en comparación con el humedal 1 (utilizado como referencia). El humedal 4 sugiere una ligera disminución en la producción de metano, aunque con menor evidencia, y el humedal 3 no muestra diferencias significativas. El humedal 16 no pudo ser evaluado debido a singularidades en los datos
Boxplot #2: Tasas de produccion de metano en cada humedal
g2=ggplot(metano, aes(y=Metano, x=Humedal, fill=Humedal))+geom_boxplot()+theme_classic()
g2
ggplotly(g2)El gráfico de cajas revela una notable heterogeneidad en las tasas de producción de metano entre los seis humedales individuales. El humedal 2 se destaca por tener tasas de producción significativamente más altas, con una mediana considerablemente superior y una dispersión relativamente baja. En contraste, el humedal 5 muestra las tasas de producción más bajas, con una mediana mínima y una dispersión muy reducida. Los humedales 1, 3, 4 y 6 presentan tasas de producción intermedias, pero con variaciones en la dispersión de los datos. Esta variabilidad entre los humedales sugiere que factores específicos de cada uno, más allá del tipo general de humedal (precipitación o agua subterránea), influyen en la producción de metano. Los hallazgos confirman la necesidad de considerar las características individuales de cada humedal para comprender completamente las dinámicas del metano en estos ecosistemas.
Caso #2: Azaleas
Tabla #1: Diferentes tipos de tratamiento
library(readxl)
Azalea <- read_excel("C:/Users/malem/Downloads/Azalea.xlsx")
Azalea$y=Azalea$abiertas/(Azalea$abiertas+Azalea$cerradas)
head(Azalea)## # A tibble: 6 × 6
## rep trat epoca abiertas cerradas y
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 1 nofrio 1 83 75 0.525
## 2 1 nofrio 2 115 53 0.685
## 3 1 nofrio 3 188 5 0.974
## 4 1 frio 1 103 99 0.510
## 5 1 frio 2 76 77 0.497
## 6 1 frio 3 176 3 0.983require(table1)
table1(~y|trat, data=Azalea)| 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] |
En esta primera tabla se puede observar que las plantas sin tratamiento de frío muestran una mayor proporción de yemas abiertas en promedio que las que recibieron frío, aunque la variabilidad en ambas condiciones es bastante considerable. También se observa una mayor variabilidad en la condición de frío, lo que podría indicar que el efecto del tratamiento no es uniforme en todas las plantas.
Boxplot #1: Diferencias tratamiento frio y no frio
g1=ggplot(Azalea, aes(y=y, x=trat, fill=trat))+geom_boxplot()+theme_classic()
g1
ggplotly(g1)Se puede observar que el tratamiento de frío parece reducir la proporción de yemas abiertas, ya que la mediana es menor y los valores están más concentrados en la parte baja. La variabilidad en “nofrio” sugiere que algunas plantas tienen altas proporciones de yemas florales abiertas, mientras que otras no tanto. No se podría distinguir alguna diferencia significativa entre las dos.
Modelo de regresion lineal
Azalea$epoca=as.character(Azalea$epoca)
modelo2=glm(y~epoca+trat, data=Azalea, family="binomial")
summary(modelo2)##
## Call:
## glm(formula = y ~ epoca + trat, family = "binomial", data = Azalea)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -0.09278 0.99229 -0.094 0.926
## epoca2 0.26732 1.16763 0.229 0.819
## epoca3 3.10028 2.22788 1.392 0.164
## tratnofrio 0.33642 1.12483 0.299 0.765
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 4.08724 on 17 degrees of freedom
## Residual deviance: 0.13102 on 14 degrees of freedom
## AIC: 23.404
##
## Number of Fisher Scoring iterations: 6El analisis de regresión lineal nos refuerza el concepto que, mientras que el tratamiento “no frio” tiene mejores resultados, no hay realmente una diferencia clave, diferencia que tampoco es altamente visible en ninguna de las epocas. Esto puede ser debido a que la muestra de referencia es pequeña, con solo 18 registros.
Boxplot #2: Diferencias entre las épocas
g2=ggplot(Azalea, aes(y=y, x=epoca, fill=epoca))+geom_boxplot()+theme_classic()
g2
ggplotly(g2)Época 1:
La proporción de yemas abiertas es baja y está bastante concentrada alrededor de 0.5. Tiene poca variabilidad, lo que sugiere que las plantas en esta época tienen un comportamiento más uniforme.
Época 2:
Hay una mayor variabilidad en la proporción de yemas abiertas, desde valores cercanos a 0.5 hasta aproximadamente 0.7. Esto sugiere que algunas plantas florecieron más que otras.
Época 3:
La proporción de yemas abiertas es alta y muy consistente, con valores alrededor de 0.95-1.0. Esto indica que las plantas en esta época florecieron casi completamente.
Ahora, ¿porqué estos datos no se vieron reflejados en el modelo de regresion lineal? Primero, hay que recordar que el tamaño de muestra es pequeño, afectando los resultados. Segundo, la alta variabilidad en la segunda epoca puede afectar los intervalos de confianza y hacer que los resultados no sean significativos.