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'

¡Excelente! Has compartido un código R que es un equivalente directo al análisis que haríamos en Python con pandas, matplotlib y seaborn.

Vamos a desglosarlo línea por línea desde dos perspectivas:

Sintaxis y lógica en R (qué hace cada instrucción).
Interpretación estadística y aplicada (qué significa para un ingeniero agrícola).

📦 Paso 1: Instalación y carga de paquetes

# install.packages("tidyverse")
library(tidyverse)

En R: tidyverse es un meta-paquete que incluye dplyr (manipulación de datos), ggplot2 (visualización), tidyr, etc.
library() lo activa para usarlo. La línea comentada install.packages() solo se ejecuta una vez para instalar el paquete.
En estadística aplicada: Esto es equivalente a importar pandas, numpy, matplotlib y seaborn en Python. Es la base para cualquier análisis exploratorio y modelado.

set.seed(42)

En R: Fija la semilla del generador de números aleatorios para que los resultados sean reproducibles. Si no se pone, cada ejecución daría datos distintos.
En estadística aplicada: Fundamental en simulación y muestreo. Permite que otro investigador obtenga exactamente los mismos datos sintéticos, facilitando la validación de métodos.

🌾 Paso 2: Creación del dataset simulado

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 DataFrame en pandas).
- ID_Parcela: secuencia del 1 al 200 (identificador único).
- Zona: se asignan 4 zonas con reemplazo (puede repetirse).
- Textura_Suelo: se asigna con probabilidades 30% arcilloso, 50% franco, 20% arenoso.
En estadística aplicada:
Esto simula un diseño de muestreo estratificado en un estudio agrícola. Se generan 200 lotes con distintas características de suelo y ubicación geográfica, lo cual es común en agricultura de precisión para estudiar variabilidad espacial.

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:
- mutate() crea o modifica columnas.
- case_when() asigna humedad base según textura.
- rnorm() añade ruido aleatorio normal.
- El rendimiento se modela como:
  3 + 0.15*Humedad + 2.5 si es Franco + error N(0,1.5²).
En estadística aplicada:
Este es un modelo lineal con efectos fijos:
- La humedad base es conocimiento agronómico: arcillosos retienen más agua (30%), francos intermedios (22%), arenosos menos (12%).
- El rendimiento depende positivamente de la humedad (0.15 ton/ha por cada % de humedad).
- El suelo franco tiene un efecto adicional de 2.5 ton/ha (por su equilibrio entre drenaje y retención).
- El error simula la variabilidad natural no explicada por el modelo.

select(-Humedad_base)

En R: Elimina la columna Humedad_base (solo nos interesa la humedad con ruido).
En estadística aplicada: Se queda con la variable observada Humedad_ (la que realmente mediríamos en campo), no con el valor teórico.

print(head(df_lotes_r))

En R: Muestra las primeras 6 filas para inspeccionar.
En estadística aplicada: Verificación rápida de que los datos tienen sentido (rangos, categorías, etc.).

📊 Paso 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:
- %>% es el pipe (pasa el dato al siguiente paso).
- group_by() agrupa por textura.
- summarise() calcula medias por grupo.
En estadística aplicada:
Es un análisis descriptivo comparativo. Permite responder:
“¿Los suelos francos tienen mayor rendimiento promedio que los arcillosos o arenosos?”
Esto es el primer paso para un ANOVA o pruebas de hipótesis posteriores.

📈 Paso 4: Boxplots por textura de suelo

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 variables a ejes y colores.
- geom_boxplot() dibuja cajas y bigotes.
- scale_fill_viridis_d() aplica una paleta de colores amigable para daltónicos.
En estadística aplicada:
- Los boxplots muestran:
  - Mediana (línea central).
  - Rango intercuartílico (caja).
  - Valores atípicos (puntos).
- Para el ingeniero agrícola, esto revela:
  - Si hay diferencias claras en rendimiento entre texturas.
  - La variabilidad interna (importante para el manejo sitio-específico).
  - Si el suelo franco efectivamente supera a los demás (como se programó en el modelo).

🗺️ Paso 5: Análisis multivariado 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:
- geom_point(): nube de puntos con transparencia.
- geom_smooth(method = "lm"): recta de regresión lineal por grupo.
- facet_wrap(~ Zona): crea subgráficos separados por cada zona (Norte, Sur, Este, Oeste).
En estadística aplicada:
Este es un análisis de interacción y efectos espaciales:
- Se evalúa si la relación humedad-rendimiento es consistente entre zonas.
- Las rectas de regresión muestran la tendencia por textura dentro de cada zona.
- Para el ingeniero agrícola, esto responde preguntas como:
  - “¿En la zona Norte, el efecto de la humedad sobre el rendimiento es diferente al de la zona Sur?”
  - “¿El tipo de suelo interactúa con la ubicación geográfica?”
- Esto es clave para recomendaciones de riego diferenciado y zonificación de cultivos.

🧠 Resumen integrador para Ingeniería Agrícola

Componente R	Función técnica	Aplicación agrícola
Simulación de datos	Generación de escenarios controlados	Prueba de métodos sin datos reales costosos
Agrupación y resúmenes	Estadísticas descriptivas	Comparación de rendimientos por tipo de suelo
Boxplots	Visualización de distribución y outliers	Detección de lotes con comportamiento anómalo
Regresión + facetas	Modelado de relaciones y efectos espaciales	Identificación de zonas con respuesta diferencial al riego o fertilización

Si deseas, puedo: - Traducir este código a su equivalente en Python (pandas + seaborn). - Agregar pruebas estadísticas (ANOVA, comparación de pendientes). - Convertir esto en un informe técnico con interpretación agronómica.

¿Te gustaría alguna de esas opciones?