EDA_Multivariado

# 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'

¡Claro! Te explico cada línea del código R línea por línea, primero su significado en R (sintaxis y función) y luego su significado en estadística aplicada a la ingeniería agrícola.

1. Configuración inicial y carga de paquetes

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

En R:
- # es un comentario (no se ejecuta).
- install.packages("tidyverse") instala el paquete tidyverse (colección de paquetes para manipulación y visualización de datos). Está comentado, así que no se ejecuta.
- library(tidyverse) carga el paquete para usar sus funciones (como tibble, mutate, group_by, ggplot, etc.).
En estadística agrícola:
- tidyverse es la herramienta estándar para limpiar, transformar y graficar datos de lotes de cultivo. Permite trabajar de forma ordenada con variables como humedad, textura del suelo, rendimiento, etc.

2. Simulación de datos (creación del dataset)

set.seed(42)

En R: Fija la semilla del generador de números aleatorios para que los resultados sean reproducibles (siempre se generen los mismos datos).
En estadística agrícola: Asegura que cualquier análisis o simulación que hagamos (como esta muestra de 200 parcelas) pueda repetirse exactamente en otro momento o por otro investigador.

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:
- tibble() crea una tabla (similar a un data.frame).
- ID_Parcela = 1:200 asigna un número único a cada parcela (del 1 al 200).
- sample() elige aleatoriamente, con reemplazo (replace = TRUE), una zona entre 4 opciones para cada una de las 200 parcelas.
- sample() para Textura_Suelo elige entre 3 texturas con probabilidades: 30% arcilloso, 50% franco, 20% arenoso.
En estadística agrícola:
- Estamos simulando un diseño de muestreo con 200 parcelas distribuidas en 4 zonas geográficas.
- La textura del suelo es una variable categórica clave que afecta la retención de agua y el rendimiento.

%>%
  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:
- %>% (pipe) pasa el resultado anterior al siguiente paso.
- mutate() crea o modifica columnas.
- case_when() asigna un valor de humedad base según la textura: 30% para arcilloso, 22% para franco, 12% para arenoso.
- Humedad_ = humedad base + ruido aleatorio (rnorm) con media 0 y desviación 3.
- Rendimiento_ton_ha se calcula como:
  - 3 (base)
  - - 0.15 × humedad (relación lineal positiva)
  - - 2.5 si el suelo es franco (bonificación)
  - - ruido aleatorio con desviación 1.5.
En estadística agrícola:
- Estamos modelando una relación causal: la humedad del suelo depende de la textura (los arcillosos retienen más agua).
- El rendimiento depende de la humedad (más humedad → más rendimiento, hasta cierto punto) y de la textura (el suelo franco es más productivo).
- El ruido simula la variabilidad natural (clima, manejo, plagas, etc.).

%>%
  select(-Humedad_base)

En R: Elimina la columna Humedad_base (ya no la necesitamos, solo conservamos Humedad_ con ruido).
En estadística agrícola: Se queda con las variables observables o medidas en campo (humedad real, no la teórica).

print(head(df_lotes_r))

En R: Muestra las primeras 6 filas de la tabla para verificar que se creó bien.
En estadística agrícola: Revisión rápida de los datos simulados (IDs, zonas, texturas, humedad y rendimiento).

3. Resúmenes estadísticos agrupados

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(Textura_Suelo) agrupa los datos por tipo de suelo.
- summarise() calcula la media de humedad y rendimiento para cada grupo.
- na.rm = TRUE ignora valores faltantes (por si acaso).
En estadística agrícola:
- Esto produce un cuadro de medias que permite comparar el comportamiento promedio de cada tipo de suelo.
- Por ejemplo: ¿los suelos francos tienen mayor rendimiento medio que los arenosos? Esto es un análisis descriptivo por grupos.

print(resumen_suelos_r)

En R: Imprime el resumen en la consola.
En estadística agrícola: Presenta los resultados de manera tabular para informe o comparación inicial.

4. Boxplot (variabilidad por grupo)

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() define ejes: x = textura, y = rendimiento, color de relleno según textura.
- geom_boxplot() dibuja los boxplots (cajas y bigotes).
- labs() pone títulos y etiquetas.
- theme_minimal() da un estilo limpio.
- scale_fill_viridis_d() aplica una paleta de colores accesible.
En estadística agrícola:
- Un boxplot muestra: mediana, cuartiles, valores atípicos y rango de rendimiento para cada textura.
- Permite visualizar si hay diferencias significativas en la variabilidad y el centro de la distribución entre suelos.
- Útil para decidir si, por ejemplo, el suelo franco es más estable o más variable que el arcilloso.

5. Gráfico de dispersión con facetas (análisis multivariado)

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:
- geom_point(alpha = 0.7) dibuja puntos con transparencia (para ver superposición).
- geom_smooth(method = "lm", se = FALSE) añade una línea de regresión lineal sin intervalo de confianza.
- facet_wrap(~ Zona, ncol = 2) divide el gráfico en paneles separados por zona (Norte, Sur, Este, Oeste) en 2 columnas.
- El resto es similar al anterior (etiquetas, tema, colores).
En estadística agrícola:
- Este es un análisis multivariado porque combina 3 variables:
  - Humedad (continua)
  - Rendimiento (continua)
  - Textura (categórica, representada por colores)
  - Zona (categórica, representada por paneles)
- Permite ver:
  - La relación entre humedad y rendimiento (pendiente positiva).
  - Si esa relación cambia según la zona (por ejemplo, en el Norte puede ser más fuerte que en el Sur).
  - Si el color (textura) se agrupa de forma diferente en cada zona, indicando interacciones entre factores.
- Esto ayuda a detectar zonas con manejo diferenciado o suelos que responden mejor al riego en ciertas regiones.

Resumen general del script en términos agrícolas

Este código simula y analiza datos de 200 parcelas agrícolas para:

Entender cómo la textura del suelo influye en la humedad y el rendimiento.
Comparar visual y numéricamente el rendimiento entre tipos de suelo.
Explorar relaciones multivariadas (humedad + textura + zona) que podrían guiar decisiones de riego, selección de cultivos o manejo por zonas.

Es un ejemplo típico de EDA (Análisis Exploratorio de Datos) aplicado a la agricultura de precisión.