EDAmultivariado

# 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 línea por línea este código de R, explicando tanto su función en el lenguaje como su significado en el contexto de la ingeniería agrícola y la estadística aplicada.

📦 1. Instalación y carga de paquetes

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

En R: library(tidyverse) carga el ecosistema de paquetes tidyverse (incluye dplyr, ggplot2, tibble, etc.) para manipulación y visualización de datos.
En ingeniería agrícola: El tidyverse es el equivalente a pandas + matplotlib/seaborn en Python. Se usa para manejar datos de campo (como rendimientos, humedad, texturas) de forma eficiente y reproducible.

🎲 2. Semilla para reproducibilidad

set.seed(42)

En R: Fija la semilla del generador de números aleatorios para que los resultados sean idénticos cada vez que se ejecute el código.
En ingeniería agrícola: Es crucial para que simulaciones (como estas de rendimiento) sean reproducibles en informes o tesis.

🌾 3. 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))
)

En R: Crea un tibble (tabla moderna) con 200 parcelas, asignando zona y textura de suelo aleatoriamente con probabilidades específicas.
En ingeniería agrícola: Simula un diseño experimental con parcelas distribuidas en zonas geográficas y con diferentes tipos de suelo, algo común en ensayos de campo.

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 añade columnas. case_when asigna humedad base según textura. Luego se añade ruido normal (rnorm) para simular variabilidad natural. El rendimiento se modela como:
- Base: 3 ton/ha
- Efecto de humedad: +0.15 ton/ha por cada % de humedad
- Bonificación por suelo franco: +2.5 ton/ha
- Error aleatorio con desviación típica 1.5
En estadística: Es un modelo lineal simple con términos aditivos y error normal. Refleja que el rendimiento depende positivamente de la humedad y que el suelo franco es más productivo.
En ingeniería agrícola: La humedad y la textura son factores críticos en la productividad. Este modelo captura relaciones esperadas en la realidad.

select(-Humedad_base)

En R: Elimina la columna Humedad_base (solo nos interesa la versión con ruido).

print(head(df_lotes_r))

En R: Muestra las primeras filas para inspección visual.

📊 4. 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: Agrupa por textura y calcula medias de humedad y rendimiento.
En estadística: Es un análisis descriptivo por categorías. Permite comparar si, en promedio, los suelos francos rinden más.
En ingeniería agrícola: Ayuda a decidir qué tipo de suelo es más rentable o requiere más manejo (riego, fertilización).

📈 5. Boxplots comparativos

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', ...) +
  theme_minimal() +
  scale_fill_viridis_d(option = "A", begin = 0.5)

En R: Crea un boxplot (diagrama de cajas) mostrando la distribución del rendimiento por textura.
En estadística: Los boxplots muestran mediana, cuartiles y valores atípicos. Permiten evaluar visualmente si hay diferencias significativas entre grupos (preámbulo de un ANOVA).
En ingeniería agrícola: Es útil para identificar qué textura tiene mayor variabilidad (menos predecible) y cuál es más estable para la producción.

🌍 6. Gráfico de facetas (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(...) +
  theme_minimal() +
  scale_color_viridis_d(option = "D")

En R:
- geom_point: nube de puntos con transparencia.
- geom_smooth(method = "lm"): añade una recta de regresión lineal por grupo.
- facet_wrap(~ Zona): divide el gráfico en subgráficos (uno por zona).
En estadística: Es un análisis de correlación y regresión estratificado por zona. Permite ver si la relación humedad-rendimiento es consistente entre zonas o si hay interacciones.
En ingeniería agrícola: Muestra que el efecto de la humedad sobre el rendimiento puede variar según la ubicación geográfica (clima, manejo, etc.). Es una herramienta poderosa para zonificación agrícola.

✅ Resumen conceptual para ingeniería agrícola

Elemento	Significado estadístico	Aplicación agrícola
Simulación de datos	Generación de datos con estructura conocida	Prueba de metodologías sin datos reales
Media por textura	Comparación de medias	Identificar suelos más productivos
Boxplot	Visualización de dispersión y atípicos	Detectar lotes con rendimiento anómalo
Regresión lineal	Relación entre variables continuas	Estimar cuánto aumenta el rendimiento por cada % de humedad
Facetas	Análisis estratificado	Evaluar si el efecto de la humedad depende de la zona

Si deseas, puedo: - Traducir este código a Python (pandas + seaborn) para comparar. - Explicar cómo interpretar los gráficos desde el punto de vista agronómico. - Mostrar cómo añadir intervalos de confianza o pruebas estadísticas (ANOVA, Tukey).

¿Qué te gustaría explorar a continuación?