PROYECTO INTEGRADOR N°2

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

SCRIPT DE MUESTREO MADARINAS:

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.

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)

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

##  [1]  29  56 100  71  62  11  95  68  46  10  73  84  92  66  19 102  24  99  41
## [20]  15

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

MAS_CRIOLLA_ORD <- sort(MAS_CRIOLLA)
MAS_CRIOLLA_ORD

##  [1]  10  11  15  19  24  29  41  46  56  62  66  68  71  73  84  92  95  99 100
## [20] 102

Muestreo Sistemático

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

1. Definir tamaño de la población (N) y tamaño muestral (n)
2. 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

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

VARIEDAD CLEMENTINA

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)

# 1. Definir el tamaño de la población y el tamaño muestral
LOTE_CLEMENTINA <- 285
TAMAÑO_MUESTRAL <- 20

# 2. Calcular el intervalo de muestreo

INTERVALO_MUESTREO <- ceiling(LOTE_CLEMENTINA / TAMAÑO_MUESTRAL)
INTERVALO_MUESTREO

## [1] 15

# 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] 61

# 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]  61  76  91 106 121 136 151 166 181 196 211 226 241 256 271

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.