Agricultura de sonora (papa blanca)

library(pacman)
library(readr)
library(readxl)
library(prettydoc) 
library(DT)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)
library(data.table)

## 
## Attaching package: 'data.table'

## The following objects are masked from 'package:dplyr':
## 
##     between, first, last

library(scales)

## 
## Attaching package: 'scales'

## The following object is masked from 'package:readr':
## 
##     col_factor

library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --

## v tibble  3.1.1     v stringr 1.4.0
## v tidyr   1.1.3     v forcats 0.5.1
## v purrr   0.3.4

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x data.table::between() masks dplyr::between()
## x scales::col_factor()  masks readr::col_factor()
## x purrr::discard()      masks scales::discard()
## x plotly::filter()      masks dplyr::filter(), stats::filter()
## x data.table::first()   masks dplyr::first()
## x dplyr::lag()          masks stats::lag()
## x data.table::last()    masks dplyr::last()
## x purrr::transpose()    masks data.table::transpose()

library(modelr)
library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:data.table':
## 
##     hour, isoweek, mday, minute, month, quarter, second, wday, week,
##     yday, year

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

library(datos)

setwd("~/R")
papablanca <- read_excel("papablanca.xlsx")
View(papablanca)

Año <- papablanca$Año
d1 <- papablanca$Superficie_sembrada
d2 <- papablanca$Superficie_cosechada
d3 <- papablanca$Produccion
d4 <- papablanca$Rendimiento_obtenido

datos <- data.table(d1, d2, d3, d4)
x <- ggplot(data = datos, aes(x=d3, y = d1)) +
  geom_point(colour="red4") +
  ggtitle("Diagrama de dispersion ") +
  theme_bw() +
 theme(plot.title = element_text(hjust = 0.5))
ggplotly(x)

par (mfrow = c(1,2))
hist(papablanca$Superficie_cosechada, breaks = 10, main = "Superficie cosechada", xlab = "superficie cosechada de papa blanca", border="darkred")
hist(papablanca$Produccion, breaks = 10, main = "Producción de papa blanca", xlab = "Producción (ton)", border="blue")

par(mfrow = c(1,1))
qqnorm(papablanca$Superficie_cosechada, main = "Superficie cosechada", col = "darkred")
qqline(papablanca$Superficie_cosechada)

qqnorm(papablanca$Produccion, main = "Producción (ton)", col = "darkred")
qqline(papablanca$Produccion)

# Test de Shapiro wilk para superficie Cosecha

shapiro.test(papablanca$Superficie_cosechada)

## 
##  Shapiro-Wilk normality test
## 
## data:  papablanca$Superficie_cosechada
## W = 0.9448, p-value = 0.5784

# Test de Shapiro wilk para producción

shapiro.test(papablanca$Produccion)

## 
##  Shapiro-Wilk normality test
## 
## data:  papablanca$Produccion
## W = 0.93836, p-value = 0.5014

Conclusión

En conclusión, se observó tanto que en la superficie cosechada y la producción, el valor de probabilidad (p) es muy superior a nuestro nivel elegido de 0.05 por lo que no rechazamos la hipótesis nula, y decimos que son datos normales. Se puede observar que los dos valores dados de superficie cosechada y producción son normales, por lo tanto no fue necesario usar base logaritmica ya que tuvimos un analisis de normalidad y por lo tanto pasa el test de normalidad.