Instalamos paquetes y cargamos la libreria

install.packages("leaflet")

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

library(leaflet)

Ubicación del Campo Experimental FCA

leaflet() %>%
  addProviderTiles(providers$Esri.WorldImagery)%>%
  addMarkers(lng = -65.857474, lat = -28.653197
             , group = "Marcadores") %>%
  addLayersControl( baseGroups = c("Mapa Base"),
    overlayGroups = c("Marcadores")
  )

CULTIVOS A MUESTREAR:

Caracteristicas

LOTE CLEMENTINA Mandarina Clementina sobre Citrange Troyer Fecha de plantación: noviembre de 1994 Marco de Plantación: 6,5 x 4 N° de Plantas: 288 (12F*24P)

LOTE DE MANDARINAS CRIOLLA Mandarina Criolla sobre Citrange Troyer Marco de Plantación: 4 x 4 N° de Plantas: 108 (18F*6P) Orientación: N – S Superficie estimada: 0,25 has

LOTE 1 NARANJA ROBERTSON N Naranja Robertson N. sobre Citrange Troyer Marco de Plantación: 4 x 4 N° de Plantas: 108 (18F*6P) Orientación: N - S Superficie estimada: 0,25 has

LOTE NARANJA VALENCIA Cultivo:Naranja Valencia late sobre Citrange Troyer Superficie: 0,35 has Marco de Plantación: N° de Plantas: 168 (14 Filas x 12 Plantas) Orientación: N - S

SCRIPT DE MUESTREO

1. Muestreo Aleatorio Simple Sin Reemplazo

Usaremos la función “sample(){base}” que permite obtener una muestra del tamaño especificado de los elementos de x usando con o sin reemplazo.

MADARINAS:

CLEMENTINA <-46:285
MAS_CLEMENTINA <- sample(CLEMENTINA, size = 20, replace = FALSE)
MAS_CLEMENTINA

##  [1] 174  95 120  91 236 148 251 122 111 157 156 197  63 140  55  58 278 143  70
## [20] 162

lote de Mandarinas Clementinas

leaflet() %>%
 addProviderTiles(providers$Esri.WorldImagery)%>%
 ## addTiles() %>%
  addPolygons(lng = c(-65.855469, -65.854615, -65.854370, -65.855119), lat = c(-28.656388,-28.656100, -28.656811, -28.657347), color = "blue") %>% 
  addMarkers(lng = -65.857474, lat = -28.653197)

CRIOLLA <- 7:102
MAS_CRIOLLA <- sample(CRIOLLA, size = 20, replace = FALSE)
MAS_CRIOLLA

##  [1] 77 29 80 34 92 81 41 11 59 16  9 83 71 31 51 39 73 60 32 69

lote de Mandarinas Criolla

leaflet() %>%
 addProviderTiles(providers$Esri.WorldImagery)%>%
 ## addTiles() %>%
  addPolygons(lng = c(-65.857540, -65.856767, -65.856687, -65.857478), lat = c(-28.653443,-28.653225, -28.653436, -28.653661), color = "blue") %>% 
  addMarkers(lng = -65.857474, lat = -28.653197)

Ordenamos la muestra de menor a mayor con la función “sort()”

MAS_CLE_ORD <- sort(MAS_CLEMENTINA)
MAS_CRIOLLA_ORD <- sort(MAS_CRIOLLA)
MAS_CLE_ORD

##  [1]  55  58  63  70  91  95 111 120 122 140 143 148 156 157 162 174 197 236 251
## [20] 278

MAS_CRIOLLA_ORD

##  [1]  9 11 16 29 31 32 34 39 41 51 59 60 69 71 73 77 80 81 83 92

NARANJAS:

Robertson

ROBERTSON <- 7:102
MAS_ROBERTSON <- sample(ROBERTSON, size = 20, replace = FALSE)
MAS_ROBERTSON

##  [1] 64 71 11 60 50 22 10 18 35 54 99 89 74 40 16 95 47 91 93 58

#Lote maranja Robertson N

leaflet() %>%
 addProviderTiles(providers$Esri.WorldImagery)%>%
 ## addTiles() %>%
  addPolygons(lng = c(-65.857459, -65.856685, -65.856607, -65.857372), lat = c(-28.653692,-28.653465, -28.653689, -28.653919), color = "blue") %>% 
  addMarkers(lng = -65.857474, lat = -28.653197)

Valencia

VALENCIA <- 14:169
MAS_VALENCIA <- sample(VALENCIA, size = 20, replace = FALSE)
MAS_VALENCIA

##  [1]  22 137 115 138 131  26  47  53  69  24 119 145 126  89 151 143 123  52  76
## [20]  36

#lote

leaflet() %>%
 addProviderTiles(providers$Esri.WorldImagery)%>%
 ## addTiles() %>%
  addPolygons(lng = c(-65.857089, -65.856284, -65.856171, -65.856949), lat = c(-28.654772,-28.654550, -28.654900, -28.655125), color = "blue") %>% 
  addMarkers(lng = -65.857474, lat = -28.653197)

Ordenamos la muestra de menor a mayor con la función “sort()”

MAS_ROBER_ORD <- sort(MAS_ROBERTSON)
MAS_VALEN_ORD <- sort(MAS_VALENCIA)
MAS_ROBER_ORD

##  [1] 10 11 16 18 22 35 40 47 50 54 58 60 64 71 74 89 91 93 95 99

MAS_VALEN_ORD

##  [1]  22  24  26  36  47  52  53  69  76  89 115 119 123 126 131 137 138 143 145
## [20] 151

Muestreo Sistemático

Los pasos para obtener una muestra sistemática de tamaño n de una población N son:

Definir tamaño de la población (N) y tamaño muestral (n)
Calcular el intervalo de muestreo (K): se obtiene de dividir el número total de plantas del lote a muestrear (N) en el tamaño de la muestra (n).

K= N/n

Punto de partida: seleccionar un número aleatorio entre 1 y el intervalo de muestreo (K). Este valor determinará la primera planta a muestrear.
Seleccionar las plantas del lote a muestrear de acuerdo con el intervalo de muestreo, comenzando desde el punto de partida.

VARIEDAD CLEMENTINA

# 1. Definir el tamaño de la población y el tamaño muestral
LOTE_CLEMENTINA <- 309
TAMAÑO_MUESTRAL <- 20

# 2. Calcular el intervalo de muestreo

INTERVALO_MUESTREO <- ceiling(LOTE_CLEMENTINA / TAMAÑO_MUESTRAL)
INTERVALO_MUESTREO

## [1] 16

# 3. Determinar el punto de partida del muestreo.
PLANTA_INICIO_MUESTREO <- sample(61:INTERVALO_MUESTREO, 1) # 3 indica la primera planta a muestrear
PLANTA_INICIO_MUESTREO

## [1] 31

# 4. Seleccionar las plantas del lote de Clementina
MS_CLEMENTINA <- seq(from = PLANTA_INICIO_MUESTREO, to = LOTE_CLEMENTINA, by = INTERVALO_MUESTREO)

# Mostrar la muestra seleccionada
MS_CLEMENTINA

##  [1]  31  47  63  79  95 111 127 143 159 175 191 207 223 239 255 271 287 303

Argumentos…

ceiling(): redondea hacia arriba el intervalo de muestreo.
sample(): se utiliza para seleccionar un número aleatorio entre 1 y el intervalo de muestreo como punto de partida.
seq(): genera una secuencia de números que representan las plantas seleccionadas, comenzando desde el número aleatorio seleccionado y avanzando en incrementos del intervalo de muestreo hasta alcanzar el tamaño total de la plantación.

VARIEDAD CRIOLLA

# 1. Definir el tamaño de la población y el tamaño muestral
LOTE_CRIOLLA <- 102
TAMAÑO_MUESTRAL <- 20

# 2. Calcular el intervalo de muestreo

INTERVALO_MUESTREO_CRI <- ceiling(LOTE_CRIOLLA / TAMAÑO_MUESTRAL)
INTERVALO_MUESTREO_CRI

## [1] 6

# 3. Determinar el punto de partida del muestreo.
PLANTA_INICIO_MUESTREO_CRI <- sample(7:INTERVALO_MUESTREO_CRI, 1)
PLANTA_INICIO_MUESTREO_CRI

## [1] 6

# 4. Seleccionar las plantas del lote de Clementina
MS_CRIOLLA <- seq(from = PLANTA_INICIO_MUESTREO_CRI, to = LOTE_CRIOLLA, by = INTERVALO_MUESTREO_CRI)

# Mostrar la muestra seleccionada
MS_CRIOLLA

##  [1]   6  12  18  24  30  36  42  48  54  60  66  72  78  84  90  96 102

NARANJA:

# 1. Definir el tamaño de la población y el tamaño muestral
LOTE_ROBERTSON <- 102
TAMAÑO_MUESTRAL <- 20

# 2. Calcular el intervalo de muestreo

INTERVALO_MUESTREO_ROBERTSON <- ceiling(LOTE_ROBERTSON / TAMAÑO_MUESTRAL)
INTERVALO_MUESTREO_ROBERTSON

## [1] 6

# 3. Determinar el punto de partida del muestreo.
PLANTA_INICIO_MUESTREO_ROBERTOSON <- sample(7:INTERVALO_MUESTREO_CRI, 1)
PLANTA_INICIO_MUESTREO_CRI

## [1] 6

# 4. Seleccionar las plantas del lote de Clementina
MS_ROBERTSON <- seq(from = PLANTA_INICIO_MUESTREO_ROBERTOSON, to = LOTE_ROBERTSON, by = INTERVALO_MUESTREO_ROBERTSON)

# Mostrar la muestra seleccionada
MS_ROBERTSON

##  [1]  7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

VALENCIA

# 1. Definir el tamaño de la población y el tamaño muestral
LOTE_VALENCIA <- 102
TAMAÑO_MUESTRAL <- 20

# 2. Calcular el intervalo de muestreo

INTERVALO_MUESTREO_VALENCIA <- ceiling(LOTE_VALENCIA / TAMAÑO_MUESTRAL)
INTERVALO_MUESTREO_ROBERTSON

## [1] 6

# 3. Determinar el punto de partida del muestreo.
PLANTA_INICIO_MUESTREO_VALENCIA <- sample(14:INTERVALO_MUESTREO_VALENCIA, 1)
PLANTA_INICIO_MUESTREO_CRI

## [1] 6

# 4. Seleccionar las plantas del lote de Clementina
MS_VALENCIA <- seq(from = PLANTA_INICIO_MUESTREO_VALENCIA,to=LOTE_VALENCIA, by=INTERVALO_MUESTREO_VALENCIA)

# Mostrar la muestra seleccionada
MS_VALENCIA

##  [1] 14 20 26 32 38 44 50 56 62 68 74 80 86 92 98

MUESTREO LOTES TRABAJO INTEGRADOR II

ARNALDO ROMERO

2025-05-19

Instalamos paquetes y cargamos la libreria

Ubicación del Campo Experimental FCA

lote de Mandarinas Clementinas

lote de Mandarinas Criolla

Valencia