Para un ingeniero agrícola, R no es solo un programa de estadística, es una navaja suiza digital. La estadística descriptiva en R es el primer paso obligatorio para entender qué está pasando en tus cultivos, tu suelo o tu sistema de riego antes de hacer modelos complejos.

Aquí te explico qué es y cómo se aplica directamente a tu día a día, con ejemplos prácticos.

1. ¿Qué es la Estadística Descriptiva en R?

Es el conjunto de herramientas de R que te permiten resumir y organizar grandes volúmenes de datos brutos (ej. miles de mediciones de humedad) para convertirlos en información comprensible.

En R, esto se logra con funciones que calculan:

  • Medidas de Tendencia Central: ¿Cuál es el valor “normal”? (mean, median).
  • Medidas de Dispersión: ¿Cuánto varían mis datos? (sd, var, range, IQR).
  • Medidas de Posición: ¿Dónde está el dato que supera el 75% de los demás? (quantile).
  • Visualización: Gráficos que te permiten “ver” los datos de un vistazo (boxplot, histogram, ggplot2).

2. Aplicación Directa en Ingeniería Agrícola

Aquí es donde R brilla. No se trata de hacer cuentas por hacer, sino de tomar decisiones técnicas.

Área de aplicación Pregunta del ingeniero Solución en R con Estadística Descriptiva
Riegos y Drenaje “Mis tensiómetros marcan 30 cb, pero unos marcan 10 y otros 50. ¿Es fiable el promedio?” Calculas la Desviación Estándar y el Coeficiente de Variación. Si la desviación es alta, sabes que el suelo no es homogéneo y necesitas sectorizar el riego.
Fertilización “Apliqué 200 kg/ha de Nitrógeno, pero la clorofila en las hojas no sube.” Usas Boxplots (diagramas de caja) para comparar la lectura SPAD de plantas fertilizadas vs. no fertilizadas. Si las cajas se solapan, el fertilizante no tuvo efecto estadístico práctico.
Control de Malezas/Plagas “Conté 5 plagas por metro cuadrado, pero solo en 3 puntos.” Calculas la Mediana en lugar de la media. La mediana es robusta a valores atípicos (si una zona tiene 50 plagas, la media se dispara, pero la mediana te dice la realidad de la mayoría del campo).
Cosecha y Postcosecha “El calibre de la fruta es muy variable.” Calculas los Cuartiles (Q1, Q3) para saber que el 50% de tu cosecha central mide entre X e Y cm. Esto te permite ajustar las cribas de la cosechadora.
Climatología “Este año llovió menos.” Creas un Histograma de frecuencias de la precipitación histórica (30 años) y marcas con una línea la lluvia de este año. Ves visualmente en qué percentil se encuentra.

3. Ejemplo Práctico en Código R (Simulación)

Imagina que mides la Conductividad Eléctrica (CE) de la solución del suelo en 50 puntos de un invernadero para detectar salinidad.

# 1. Crear datos simulados (CE en dS/m)
ce_suelo <- c(1.2, 1.5, 1.8, 2.1, 1.3, 1.6, 5.2, 1.4, 1.7, 1.9, 
              2.0, 1.1, 1.5, 1.8, 2.2, 1.3, 1.6, 1.9, 2.3, 1.4)

# --- ESTADÍSTICA DESCRIPTIVA BÁSICA ---
media <- mean(ce_suelo)
mediana <- median(ce_suelo)
desviacion <- sd(ce_suelo)
rango_intercuartil <- IQR(ce_suelo)

# Resumen ejecutivo en 1 línea:
summary(ce_suelo) 
# Esto te devuelve: Mínimo, Q1, Mediana, Media, Q3, Máximo

# --- INTERPRETACIÓN INGENIERIL ---
# Si la Media (ej. 1.9) es mucho mayor que la Mediana (ej. 1.6), 
# significa que tienes un dato atípico muy alto (ej. 5.2) 
# que está elevando el promedio. 
# Conclusión: Tienes un "punto caliente" de salinidad localizado, 
# no todo el suelo está salino. Debes lavar esa zona específica.

4. La Joya de la Corona: Visualización (El “Ojo” del Ingeniero)

Un número no te dice dónde actuar, pero un mapa o un gráfico sí.

  • Mapa de calor (Heatmap) en R: Usas ggplot2 con geom_tile() para pintar un mapa del terreno. Las zonas rojas = alta salinidad, zonas azules = baja. La estadística descriptiva te dio el número, pero el gráfico te dice dónde poner el drenaje.
  • Gráfico de dispersión: Para ver si a mayor NDVI (índice de vegetación) mayor rendimiento. Calculas el Coeficiente de Correlación (cor()) para saber si ambas variables se mueven juntas.

5. ¿Por qué R y no Excel?

  1. Reproducibilidad: Si el agrónomo te da nuevos datos mañana, pegas el código y en 1 segundo tienes todos los cálculos actualizados. En Excel tendrías que repetir 50 fórmulas.
  2. Manejo de datos masivos: Un dron genera 10.000 lecturas por vuelo. R con dplyr procesa eso en milisegundos.
  3. Unión con SIG: R se conecta con paquetes como sf para hacer estadística descriptiva geoespacial (ej. “Calcula la humedad promedio solo en las parcelas de pendiente > 5%”).

En Resumen para tu día a día

La estadística descriptiva en R aplicada a agrícola te permite:

  • Pasar del “creo que…” al “sé que…” (el 75% de mi parcela tiene un pH entre 6.5 y 7.0).
  • Detectar errores de medición (sensores rotos dan valores que caen fuera del rango intercuartil).
  • Ajustar insumos (si la varianza es baja, puedo aplicar la misma dosis en toda la finca; si es alta, necesito agricultura de precisión).

Tu flujo de trabajo debería ser: Cargas datos en R -> summary() y plot() -> Tomas decisión técnica (regar, fertilizar, cosechar). Así de simple y poderoso.