EDA_Multivariable

# Instalar y cargar paquetes si es necesario
# install.packages("tidyverse")
library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.2.1     ✔ readr     2.2.0
## ✔ forcats   1.0.1     ✔ stringr   1.6.0
## ✔ ggplot2   4.0.3     ✔ tibble    3.3.1
## ✔ lubridate 1.9.5     ✔ tidyr     1.3.2
## ✔ purrr     1.2.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

# Establecer semilla para reproducibilidad
set.seed(42)

# Simular datos similares a los de Python
df_lotes_r <- tibble(
  ID_Parcela = 1:200,
  Zona = sample(c('Norte', 'Sur', 'Este', 'Oeste'), 200, replace = TRUE),
  Textura_Suelo = sample(c('Arcilloso', 'Franco', 'Arenoso'), 200, replace = TRUE, prob = c(0.3, 0.5, 0.2))
) %>%
  mutate(
    Humedad_base = case_when(
      Textura_Suelo == 'Arcilloso' ~ 30,
      Textura_Suelo == 'Franco' ~ 22,
      TRUE ~ 12
    ),
    Humedad_ = Humedad_base + rnorm(200, mean = 0, sd = 3),
    Rendimiento_ton_ha = 3 + (Humedad_ * 0.15) +
      if_else(Textura_Suelo == 'Franco', 2.5, 0) +
      rnorm(200, mean = 0, sd = 1.5)
  ) %>%
  select(-Humedad_base)

# Mostrar las primeras filas
print(head(df_lotes_r))

## # A tibble: 6 × 5
##   ID_Parcela Zona  Textura_Suelo Humedad_ Rendimiento_ton_ha
##        <int> <chr> <chr>            <dbl>              <dbl>
## 1          1 Norte Arenoso           6.00               5.90
## 2          2 Norte Arcilloso        31.0                6.35
## 3          3 Norte Arenoso          15.5                5.41
## 4          4 Norte Franco           28.2                9.80
## 5          5 Sur   Franco           17.9                7.31
## 6          6 Oeste Franco           18.5                6.78

# 1. Resúmenes Estadísticos Agrupados con dplyr
resumen_suelos_r <- df_lotes_r %>%
  group_by(Textura_Suelo) %>%
  summarise(
    Humedad_media = mean(Humedad_, na.rm = TRUE),
    Rendimiento_medio = mean(Rendimiento_ton_ha, na.rm = TRUE)
  )

print(resumen_suelos_r)

## # A tibble: 3 × 3
##   Textura_Suelo Humedad_media Rendimiento_medio
##   <chr>                 <dbl>             <dbl>
## 1 Arcilloso              30.2              7.35
## 2 Arenoso                11.4              4.78
## 3 Franco                 22.2              8.72

# 2. Comparación Visual de Grupos (Boxplots Categóricos)
df_lotes_r %>%
  ggplot(aes(x = Textura_Suelo, y = Rendimiento_ton_ha, fill = Textura_Suelo)) +
  geom_boxplot() +
  labs(title = 'Variabilidad del Rendimiento según el Tipo de Suelo',
       x = 'Textura del Suelo',
       y = 'Rendimiento (ton/ha)') +
  theme_minimal() +
  scale_fill_viridis_d(option = "A", begin = 0.5)

# 3. Análisis Multivariado con Facetas (ggplot2)
df_lotes_r %>%
  ggplot(aes(x = Humedad_, y = Rendimiento_ton_ha, color = Textura_Suelo)) +
  geom_point(alpha = 0.7) +
  geom_smooth(method = "lm", se = FALSE) +
  facet_wrap(~ Zona, ncol = 2) + # Facetas por Zona, 2 columnas
  labs(title = 'Relación Humedad-Rendimiento por Zona y Tipo de Suelo',
       x = 'Humedad (%)',
       y = 'Rendimiento (ton/ha)',
       color = 'Textura del Suelo') +
  theme_minimal() +
  scale_color_viridis_d(option = "D")

## `geom_smooth()` using formula = 'y ~ x'

Líneas 1–3 (comentarios y carga de paquetes)

# Instalar y cargar paquetes si es necesario
# install.packages("tidyverse")
library(tidyverse)

En R: # indica comentario. install.packages() instalaría el metapaquete tidyverse (colección de paquetes para ciencia de datos). library(tidyverse) carga los paquetes (ggplot2, dplyr, tidyr, etc.) en la sesión.
En estadística aplicada: El tidyverse es la navaja suiza para manipular datos y graficar. En ingeniería agrícola, se usa para limpiar datos de campo (humedad, rendimiento, textura) y generar visualizaciones que apoyen la toma de decisiones (riego, selección de cultivos).

Línea 5

set.seed(42)

En R: Fija la semilla del generador de números aleatorios en 42. Así, cada vez que ejecutes el script, los datos simulados serán idénticos (reproducibilidad).
En estadística aplicada: Esencial para que otros ingenieros puedan replicar exactamente el análisis o la simulación. En agricultura, usamos simulación para probar hipótesis sin tener que hacer costosos ensayos de campo repetidas veces.

Línea 7–14 (creación del `tibble` y simulación de datos)

df_lotes_r <- tibble(
  ID_Parcela = 1:200,
  Zona = sample(c('Norte', 'Sur', 'Este', 'Oeste'), 200, replace = TRUE),
  Textura_Suelo = sample(c('Arcilloso', 'Franco', 'Arenoso'), 200, replace = TRUE, prob = c(0.3, 0.5, 0.2))
)

En R: Crea un tibble (versión moderna de data.frame) con 200 filas.
- ID_Parcela: número secuencial del 1 al 200.
- Zona: muestrea aleatoriamente con reemplazo (replace=TRUE) entre 4 zonas, cada una con igual probabilidad (por defecto).
- Textura_Suelo: muestrea con reemplazo y con probabilidades específicas (30% arcilloso, 50% franco, 20% arenoso).
En estadística aplicada: Estamos simulando un diseño experimental con 200 parcelas. Las zonas representan bloques geográficos (ej. orientación al sol, viento). La textura es un factor clave que afecta la capacidad de retención de agua. Las probabilidades reflejan una distribución típica en muchos suelos agrícolas.

Líneas 15–21 (mutación de variables)

) %>%
  mutate(
    Humedad_base = case_when(
      Textura_Suelo == 'Arcilloso' ~ 30,
      Textura_Suelo == 'Franco' ~ 22,
      TRUE ~ 12
    ),
    Humedad_ = Humedad_base + rnorm(200, mean = 0, sd = 3),
    Rendimiento_ton_ha = 3 + (Humedad_ * 0.15) +
      if_else(Textura_Suelo == 'Franco', 2.5, 0) +
      rnorm(200, mean = 0, sd = 1.5)
  )

En R: El operador %>% (pipe) encadena operaciones. mutate() crea nuevas columnas.
- case_when() asigna Humedad_base según la textura (30% para arcilloso, 22% para franco, 12% para arenoso).
- Humedad_ = humedad base + ruido normal con desviación 3 (simula variación natural).
- Rendimiento_ton_ha = 3 + 0.15*humedad + 2.5 si es franco + ruido normal sd=1.5.
En estadística aplicada: Estamos construyendo un modelo conceptual de la realidad:
- La humedad base depende de la textura (los arcillosos retienen más agua).
- El rendimiento (toneladas por hectárea) tiene una relación lineal positiva con la humedad (0.15 ton/ha por cada % de humedad).
- El suelo franco tiene un “bonus” de 2.5 ton/ha por ser el más equilibrado (buena aireación y retención).
- Añadimos errores aleatorios para simular la variabilidad intrínseca del campo (microclimas, plagas, nutrientes). Esta es la base para hacer inferencia estadística.

Línea 22

  select(-Humedad_base)

En R: Elimina la columna Humedad_base del tibble (ya no la necesitamos, porque Humedad_ ya la incorpora).
En estadística aplicada: Limpieza de datos intermedios. En la práctica, descartamos variables auxiliares que ya no se usan en el análisis final para mantener el conjunto de datos ordenado.

Línea 24

print(head(df_lotes_r))

En R: Muestra las primeras 6 filas del dataframe.
En estadística aplicada: Control de calidad visual de los datos simulados. En campo, haríamos lo mismo con los primeros registros de una libreta de campo.

Líneas 27–33 (resumen estadístico agrupado)

resumen_suelos_r <- df_lotes_r %>%
  group_by(Textura_Suelo) %>%
  summarise(
    Humedad_media = mean(Humedad_, na.rm = TRUE),
    Rendimiento_medio = mean(Rendimiento_ton_ha, na.rm = TRUE)
  )

En R: group_by() agrupa filas por textura; summarise() calcula la media de humedad y rendimiento para cada grupo. na.rm=TRUE ignora valores faltantes (por si los hubiera).
En estadística aplicada: Esto es un análisis descriptivo comparativo. Calculamos las medias condicionales. En ingeniería agrícola, nos permite responder: ¿El rendimiento promedio difiere según el tipo de suelo? Es el preámbulo de un ANOVA o una prueba t. Vemos cuánto rinde en promedio cada textura, lo que ayuda a decidir qué zonas sembrar o qué enmiendas aplicar.

Línea 35

print(resumen_suelos_r)

En R: Imprime la tabla resumen.
En estadística aplicada: Presentación de resultados numéricos.

Líneas 37–44 (boxplot de rendimiento por textura)

df_lotes_r %>%
  ggplot(aes(x = Textura_Suelo, y = Rendimiento_ton_ha, fill = Textura_Suelo)) +
  geom_boxplot() +
  labs(title = 'Variabilidad del Rendimiento según el Tipo de Suelo',
       x = 'Textura del Suelo',
       y = 'Rendimiento (ton/ha)') +
  theme_minimal() +
  scale_fill_viridis_d(option = "A", begin = 0.5)

En R:
- ggplot() inicia el gráfico. aes() mapea: eje X = textura, eje Y = rendimiento, color de relleno = textura.
- geom_boxplot() dibuja cajas y bigotes (mediana, cuartiles, valores atípicos).
- labs() y theme_minimal() dan títulos y estilo.
- scale_fill_viridis_d() asigna colores con paleta amigable para daltónicos.
En estadística aplicada: El boxplot muestra la distribución completa del rendimiento dentro de cada textura. Vemos:
- La mediana (línea central) nos da un valor típico.
- El rango intercuartílico (caja) nos dice la variabilidad habitual.
- Los bigotes y puntos atípicos revelan parcelas con rendimientos extremos (por ejemplo, suelos arcillosos que pueden anegarse y bajar el rendimiento, o arenosos que se secan rápido).
- Esto permite identificar qué textura es más estable y cuál tiene mayor riesgo, información clave para el manejo de riego y selección de cultivos.

Líneas 46–56 (gráfico de dispersión con facetas)

df_lotes_r %>%
  ggplot(aes(x = Humedad_, y = Rendimiento_ton_ha, color = Textura_Suelo)) +
  geom_point(alpha = 0.7) +
  geom_smooth(method = "lm", se = FALSE) +
  facet_wrap(~ Zona, ncol = 2) +
  labs(title = 'Relación Humedad-Rendimiento por Zona y Tipo de Suelo',
       x = 'Humedad (%)',
       y = 'Rendimiento (ton/ha)',
       color = 'Textura del Suelo') +
  theme_minimal() +
  scale_color_viridis_d(option = "D")

En R:
- aes() con x=humedad, y=rendimiento, color=textura.
- geom_point(alpha=0.7) dibuja puntos semitransparentes (para ver solapamientos).
- geom_smooth(method="lm", se=FALSE) ajusta una recta de regresión lineal por cada grupo de color, sin mostrar la banda de confianza.
- facet_wrap(~ Zona, ncol=2) divide el gráfico en 4 paneles (uno por cada zona) ordenados en 2 columnas.
- Resto son etiquetas y estilos.
En estadística aplicada: Este es un análisis multivariado exploratorio con estratificación:
- La relación entre humedad y rendimiento se modela con regresión lineal. La pendiente de cada recta indica cuánto aumenta el rendimiento por cada punto de humedad, condicionado a la textura.
- Al hacer facet_wrap por zona, estamos controlando el efecto de bloque (zona). En agricultura, la zona puede incluir diferencias en temperatura, radiación o viento.
- Observamos si la relación humedad-rendimiento es consistente en todas las zonas o si hay interacciones (ej. en la zona Norte la pendiente es más pronunciada porque hace más calor y el agua es más limitante).
- También vemos si las texturas se agrupan (los puntos de colores) y si la recta para franco está siempre por encima de las otras (gracias al bonus de 2.5 que le pusimos).
- Esto ayuda a tomar decisiones localizadas: no es lo mismo recomendar riego en el Este que en el Oeste, y el tipo de suelo modifica esa recomendación.

Resumen de la lógica estadística global

El script simula un experimento factorial (textura × zona) con una covariable (humedad). Aplica: - Estadística descriptiva (medias y boxplots) para comparar texturas. - Regresión lineal para cuantificar la influencia de la humedad. - Estratificación (facetas) para evaluar si el efecto es homogéneo entre zonas.

En la práctica, un ingeniero agrícola usaría este flujo para: - Identificar suelos con mejor rendimiento potencial. - Detectar umbrales de humedad óptimos. - Planificar riego diferenciado por zona y tipo de suelo. - Comunicar resultados a agricultores con gráficos claros.

EDA_Multivariable

Diego Acosta

2026-09-03

Líneas 1–3 (comentarios y carga de paquetes)

Línea 5

Línea 7–14 (creación del `tibble` y simulación de datos)

Líneas 15–21 (mutación de variables)

Línea 22

Línea 24

Líneas 27–33 (resumen estadístico agrupado)

Línea 35

Líneas 37–44 (boxplot de rendimiento por textura)

Líneas 46–56 (gráfico de dispersión con facetas)

Resumen de la lógica estadística global

EDA_Multivariable

Diego Acosta

2026-09-03

Líneas 1–3 (comentarios y carga de paquetes)

Línea 5

Línea 7–14 (creación del tibble y simulación de datos)

Líneas 15–21 (mutación de variables)

Línea 22

Línea 24

Líneas 27–33 (resumen estadístico agrupado)

Línea 35

Líneas 37–44 (boxplot de rendimiento por textura)

Líneas 46–56 (gráfico de dispersión con facetas)

Resumen de la lógica estadística global

Línea 7–14 (creación del `tibble` y simulación de datos)