Preguntas iniciales.

  1. ¿Tiene sentido en estudiar la relación de la biomasa y lo que se tarde en pesar lo tubérculos?

RTA: Ésta es una muy pregunta muy interesante, aunque a primera vista y según los planteamientos iniciales puede ser incorrecta, si la analizamos más a fondo puede ser correcta o incorrecta, todo depende según los planteamientos o los condicionamientos que pongamos para el desarrollo de la actividad. Primero, el planteamiento de la relación entre la biomasa y el tiempo que se utiliza para pesar los tubérculos es incorrecta, si asumimos que tenemos una cantidad específica de un tubérculo, ejemplo la papa (Solanum tuberosum) y para pesarla debemos colocar una papa a la vez en el instrumento de medida (báscula) hasta obtener cierta cantidad de biomasa específica, por lo tanto el tiempo del pesaje va a depender de dos factores como son el tamaño de cada unidad de papa y la velocidad del individuo para pesar la cantidad de papa. El tamaño va a influir en el tiempo del pesaje debido a que a mayor tamaño vamos a necesitar tomar menos papas para llegar a la cantidad establecida por lo tanto el individuo hará más rápido el pesado y tomará menos tiempo pesar toda la papa; caso contrario ocurre cuando las papas son pequeñas donde es necesario tomar más papas para llegar a la medida establecida y el sujeto va a necesitar más tiempo para pesar toda la papa, por lo tanto, el tiempo de pesado no va a estar relacionado con la biomasa de la papa sino con el tamaño.

El planteamiento sería correcto si asumimos que en cierta área tenemos cierta cantidad de plantas de papa todas en óptimas condiciones y todas tienen un buen potencial de producción de biomasa, ahora vamos a asumir que estas plantas están próximas al inicio de su producción y que sus tubérculos presentan un tamaño pequeño y que alcanzarán su tamaño máximo en treinta días; ahora supongamos que podemos contar la cantidad de papas en cada planta y que cada tercer día vamos pesar el 10% de la cantidad inicial de papas por planta, como es de esperar cada tercer día el diámetro de cada papa va a ir aumentando hasta alcanzar tu tamaño máximo, y al aumentar su diámetro también aumentará su biomasa; de esta manera al haber menor cantidad de biomasa el primer día que en el segundo y este es menor que el tercer día de pesado y así sucesivamente, se necesitará mayor tiempo para pesar la cantidad de papa obtenida cada día.

  1. Según Descartes, en el eje Y debe ir la variable dependiente y en el eje X la variable independiente.

RTA. Esta afirmación no es del todo cierta ya que como las variables están relacionadas si se intercambiaran de ejes la información seria la misma pero desde una perspectiva diferente a como se observa normalmente, pero debido a que esta afirmación es aceptada las fórmulas, operaciones y software de desarrollo están adecuados a esta condición y al intercambiar los ejes la información obtenida es errónea.

DATOS METEOROLÓGICOS DE UNA ESTACIÓN EN ACACÍAS META.

Se presenta a continuación el gráfico que relaciona la humedad relativa en función de la temperatura media.

library(readxl)
datos_acacias <- read_excel("datos_acacias.xlsx")
datos_aca<- as.data.frame (datos_acacias )
qa <- datos_aca[, c(5,6)]
qa$Tmed= as.numeric(qa$Tmed)
qa$RHUM= as.numeric(qa$RHUM)
class(qa$Tmed)
## [1] "numeric"
plot(y = qa$RHUM, x = qa$Tmed, col= "green", xlab = "Temperatura media", ylab= "H. relativa",)

plot(y = qa$RHUM, x = qa$Tmed, col= "green",  xlab = "Temperatura media", ylab= "H. relativa", xlim= c(0,100), cex=0.2 )

corr = cor    (qa$RHUM, qa$Tmed); corr
## [1] -0.6034923

Determinar si el grafico es realista o engañoso.

RTA: los dos gráficos anteriores presentan los mimos datos pero en diferente escala de medida; el primero presenta los datos de acuerdo a la escala dada por el software R y el segundo presenta los datos a una escala escogida en donde ambos ejes presentan la misma escala de medida. Podemos observar claramente que el gráfico inicial es engañoso y que la correlacion entre los datos es muy baja; la correlacion es de -0.6035

ESTANDARIZACION DE LA TEMPERATURA MEDIA Y LA HUMEDAD RELATIVA.

Se presenta a continuación los histogramas y los gráficos de dispersion que comparan la t. media y la H. relativa estandarizada y sin estandarizar.

# funcion para estandarizar
estand = function(x){
  media = mean(x)
  desv = sd(x)
  z = (x - media)/desv
  return(z) }
# estandarizar t_media
t_media = estand (qa$Tmed)
# estandarizar H. realtiva
h_relativa <-estand(qa$RHUM)

par(mfrow = c(2, 2))
hist(qa$Tmed, main = 'T_media no estandarizada')
hist(t_media, main = 'T_media estandarizada')
hist(qa$RHUM, main = 'H_relativa no estandarizada')
hist(h_relativa, main = 'H_relativa estandarizada')

par(mfrow = c(1, 2))

plot(y = qa$RHUM, x = qa$Tmed, col= "green", xlab = "Temperatura media", ylab= "H. relativa", cex=0.2, main = "sin estandarizar")
    
plot(y = h_relativa, x = t_media, col= "lightblue", xlab = "Temperatura media", ylab= "H. relativa", cex=0.2, xlim= c(-4,4),  ylim = c(-4, 4), main = "estandarizado")

MODELOS DE CRECIMIENTO (Growthmodels)

library(growthmodels)
growth <- blumberg(0:100, 10, 2, 0.5)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Blumberg', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- brody(0:100, 10, 5, 0.3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Brody', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- chapmanRichards(0:100, 10, 0.5, 0.3, 0.5)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Chapman-Richards', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- generalisedLogistic(0:100, 5, 10, 0.3, 0.5, 3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Generalised-Logistic', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- generalisedRichard(0:100, 5, 10, 0.3, 0.5, 1, 3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Generalised Richard', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- gompertz(0:100, 10, 0.5, 0.3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Gompertz', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- logistic(0:100, 10, 0.5, 0.3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Logistic', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- loglogistic(0:100, 10, 0.5, 0.3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Log-logistic', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- mitcherlich(0:100, 10, 0.5, 0.3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Mitcherlich', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- mmf(0:100, 10, 0.5, 4, 1)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Morgan-Mercer-Flodin', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- monomolecular(0:100, 10, 0.5, 0.3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Monomolecular', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- negativeExponential(0:100, 1, 0.3)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Negative exponential', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- richard(0:100, 10, 0.5, 0.3, 0.5)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Richard', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- schnute(0:100, 10, 5, .5, .5)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Schnute', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- stannard(0:100, 1, .2, .1, .5)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Stannard', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- vonBertalanffy(0:100, 10, 0.5, 0.3, 0.5)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento von Bertalanffy', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')

growth <- weibull(0:100, 10, 0.5, 0.3, 0.5)
par(bg = 'white', fg = 'darkred')
plot(growth, pch = 19, cex = 0.5, main = 'Modelo de crecimiento Weibull ', xlab = 'Time', col = 'red')
grid(nx = 10, ny = 10, lwd = 1,col = 'black')