La estadística descriptiva en R aplicada a la ingeniería agrícola consiste en usar este lenguaje de programación para resumir, organizar y visualizar grandes conjuntos de datos del campo (suelos, clima, cosechas, riego) con el fin de entender su comportamiento general antes de hacer modelos complejos.
En la práctica, se usa para:
summary(), mean(), sd(),
quantile() para calcular promedios de rendimiento,
variabilidad de lluvias o pH del suelo.boxplot) o
histogramas.ggplot2:
evolución de humedad en el tiempo, relación entre dosis de fertilizante
y biomasa, o mapas de temperatura con geom_tile().dplyr (ej:
rendimiento promedio por parcela, por variedad de cultivo o por tipo de
riego).Ejemplo típico en R:
library(dplyr)
library(ggplot2)
# Datos de ensayo: rendimiento (t/ha) según dosis de nitrógeno
datos <- data.frame(
parcela = 1:30,
dosis_N = rep(c(0, 50, 100), each = 10),
rendimiento = c(rnorm(10, 2.5, 0.3), rnorm(10, 3.8, 0.4), rnorm(10, 4.2, 0.5))
)
# Descriptiva por grupo
resumen <- datos %>%
group_by(dosis_N) %>%
summarise(
media = mean(rendimiento),
desv = sd(rendimiento),
cv = (desv/media)*100
)
print(resumen)
# Gráfico para ver tendencia y variabilidad
ggplot(datos, aes(x = factor(dosis_N), y = rendimiento)) +
geom_boxplot(fill = "forestgreen") +
labs(title = "Rendimiento según dosis de N", x = "N (kg/ha)", y = "t/ha")Utilidad concreta en ingeniería agrícola: - Saber si un suelo es homogéneo o muy variable para decidir riego localizado. - Determinar umbrales críticos de humedad o temperatura. - Comparar tratamientos (ej: con/sin biofertilizante) de forma rápida y objetiva. - Generar reportes automáticos para técnicos de campo.
En resumen: es la primera radiografía de tus datos agrícolas en R, que te permite tomar decisiones informadas sin necesidad de estadística avanzada.