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! Vamos a desglosar este código de R línea por línea, explicando tanto su función en el lenguaje de programación como su interpretación estadística aplicada a la ingeniería agrícola.

1. Instalación y carga de paquetes

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

R: library(tidyverse) carga el ecosistema de paquetes tidyverse (dplyr, ggplot2, tidyr, etc.) para manipulación y visualización de datos.
Estadística agrícola: El tidyverse es la navaja suiza para el análisis exploratorio. Permite manejar grandes conjuntos de datos de parcelas, suelos, rendimientos, etc.

set.seed(42)

R: Fija la semilla del generador de números aleatorios para que los resultados sean reproducibles.
Estadística agrícola: Esencial en simulaciones y muestreos, ya que permite que otros investigadores reproduzcan exactamente los mismos datos aleatorios (por ejemplo, para validar modelos de rendimiento).

2. Simulación de datos agrícolas

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))
)

R: Crea un tibble (tabla moderna) con 200 parcelas, asignando zona y textura de suelo de forma aleatoria con probabilidades específicas (30% arcilloso, 50% franco, 20% arenoso).
Estadística agrícola: Simula un diseño de campo real donde las parcelas tienen diferentes texturas y ubicaciones geográficas. Esto permite estudiar cómo estos factores afectan 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)
  ) %>%
  select(-Humedad_base)

R:
- mutate crea nuevas columnas.
- case_when asigna humedad base según textura (arcilloso retiene más agua, arenoso menos).
- Humedad_ añade ruido normal (desviación 3) para simular variabilidad real.
- Rendimiento_ton_ha se calcula como:
  - Intercepto = 3
  - Efecto lineal positivo de la humedad (0.15 por unidad)
  - Bonus de 2.5 si el suelo es franco (el más productivo)
  - Error aleatorio con desviación 1.5
- select(-Humedad_base) elimina la columna base para que no quede redundante.
Estadística agrícola:
- La humedad base refleja la capacidad de retención de agua según textura.
- El rendimiento se modela con una relación positiva con la humedad (más agua → más rendimiento, hasta cierto límite).
- El suelo franco tiene un plus de rendimiento porque es ideal para cultivos.
- El ruido simula factores no medidos (plagas, nutrientes, microclima).

print(head(df_lotes_r))

R: Muestra las primeras 6 filas para inspeccionar los datos simulados.
Estadística agrícola: Verificación rápida de que los rangos de humedad y rendimiento sean realistas.

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)
  )

R:
- group_by agrupa por textura.
- summarise calcula la media de humedad y rendimiento para cada grupo.
Estadística agrícola:
- Permite comparar el rendimiento promedio entre tipos de suelo.
- Esperamos que el suelo franco tenga mayor rendimiento medio, y el arenoso menor.
- Esta tabla es el primer paso para un ANOVA o prueba de hipótesis.

print(resumen_suelos_r)

R: Imprime el resumen.
Estadística agrícola: Presenta evidencia numérica de que la textura influye en el rendimiento.

4. Comparación visual de grupos (boxplots)

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)

R:
- ggplot inicia el gráfico.
- aes mapea textura al eje X, rendimiento al Y, y color de relleno según textura.
- geom_boxplot() dibuja cajas y bigotes.
- scale_fill_viridis_d aplica una paleta de colores amigable para daltónicos.
Estadística agrícola:
- Los boxplots muestran la variabilidad del rendimiento dentro de cada tipo de suelo.
- La mediana (línea central) indica el rendimiento típico.
- Los bigotes y puntos atípicos revelan si hay parcelas con rendimientos muy diferentes (posibles problemas de drenaje, salinidad, etc.).
- Visualmente se confirma si el suelo franco supera a los demás.

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")

R:
- geom_point dibuja puntos semitransparentes.
- geom_smooth(method = "lm", se = FALSE) añade una línea de regresión lineal sin banda de confianza.
- facet_wrap(~ Zona, ncol = 2) crea subgráficos (paneles) separados por zona geográfica, en 2 columnas.
Estadística agrícola:
- Este gráfico es el más poderoso: analiza simultáneamente tres variables:
  - Humedad (continua, eje X)
  - Rendimiento (continua, eje Y)
  - Textura (categórica, color)
  - Zona (categórica, paneles)
- Permite ver si la relación humedad-rendimiento es consistente entre zonas o si hay interacciones (ej. en el Norte el efecto de la humedad es mayor que en el Sur).
- Las líneas de regresión muestran la tendencia; si son paralelas, la interacción es débil; si se cruzan, hay interacción.
- Esto ayuda a decidir si se deben aplicar prácticas de riego diferenciadas por zona o si la textura del suelo es el factor dominante.

Resumen del análisis estadístico aplicado

Paso	Objetivo agrícola
Simulación	Crear datos realistas para probar hipótesis sin necesidad de campo.
Resumen agrupado	Identificar qué textura da mejor rendimiento promedio.
Boxplots	Evaluar variabilidad y detectar parcelas atípicas.
Regresión con facetas	Explorar si la relación humedad-rendimiento cambia según la zona, lo que guía el manejo localizado.

Este flujo de trabajo es típico en agricultura de precisión, donde se usan sensores de humedad y mapas de textura para optimizar el riego y la fertilización.