Parcial 2
Andrés Felipe Pinchao Guerrero
9/10/2021
- Dos tipos de moluscos A y B fueron sometidos a tres concentraciones distintas de agua de mar (100%, 75% y 50%) y se observó el consumo de oxígeno midiendo la proporción de O2 por unidad de peso seco del molusco:
A. Realice un análisis exploratorio que permita conocer como es el consumo de oxígeno en las distintas concentraciones de agua de mar. y si estas conclusiones son las mismas para cada tipo de molusco:
load("C:/Users/Usuario/Downloads/YDRAY-moluscos (1).RData")
BD_moluscos## c_agua molusco cons_o
## 1 100 A 7.16
## 2 100 A 8.26
## 3 100 A 6.78
## 4 100 A 14.00
## 5 100 A 13.60
## 6 100 A 11.10
## 7 100 A 8.93
## 8 100 A 9.66
## 9 100 B 6.14
## 10 100 B 6.14
## 11 100 B 3.68
## 12 100 B 10.00
## 13 100 B 10.40
## 14 100 B 11.60
## 15 100 B 5.49
## 16 100 B 5.80
## 17 75 A 5.20
## 18 75 A 13.20
## 19 75 A 5.20
## 20 75 A 8.39
## 21 75 A 7.18
## 22 75 A 10.40
## 23 75 A 6.37
## 24 75 A 7.18
## 25 75 B 4.47
## 26 75 B 4.95
## 27 75 B 9.96
## 28 75 B 6.49
## 29 75 B 5.75
## 30 75 B 5.44
## 31 75 B 1.80
## 32 75 B 9.90
## 33 50 A 11.11
## 34 50 A 10.50
## 35 50 A 9.74
## 36 50 A 14.60
## 37 50 A 18.80
## 38 50 A 11.11
## 39 50 A 9.74
## 40 50 A 11.80
## 41 50 B 9.63
## 42 50 B 14.50
## 43 50 B 6.38
## 44 50 B 10.20
## 45 50 B 13.40
## 46 50 B 17.70
## 47 50 B 14.50
## 48 50 B 12.30library (ggplot2)BD_moluscos$c_agua= as.factor(BD_moluscos$c_agua)
ggplot(BD_moluscos,aes(x=c_agua,y=cons_o, fill=molusco))+geom_boxplot()+ labs(x="Concentración de agua de mar", y="Consumo de O2")+scale_fill_discrete(name = "Molusco")
Inicialmente, se observa que el consumo de oxígeno varía en las diferentes concentraciones de gua de mar, siendo la concentración de 50 en la que ocurre un mayor consumo de O2, seguido por una concentración de 100 y finalmente la concentración de 75.
Por su parte, se evidencia que el consumo de O2 entre las dos especies moluscos no es la misma aún bajo al estar en un medio con la misma concentración de agua de mar. Bajo una concentración de 50, el molusco B presenta un consumo promedio de O2 mayor al molusco A, sin embargo, se evidencia que los individuos pertenecientes a la especie B presentan un rango mayor de consumo y por ende más variable, contrario a la especie A.
Bajo una concentración de 75, la especie A presenta un consumo promedio de O2 mayor al de la especie B. Nuevamnete, se observa una mayor variación en la especie B.
Por su parte, en un medio cuya concentración de agua de mar es 100, el molusco A presenta un consumo promedio de O2 mayor que la especie B. No obstante, bajo esta concentración el gráfico revela que los datos son más variables.
B. Estime el modelo de diseño de experimentos el cual permita evaluar el efecto de la concentración de agua de mar y los tipos de molusco sobre el consumo de oxigeno. Interprete los coeficientes del modelo, el valor p y realice un post anova de considerarlo necesario para los factores:
ggplot(BD_moluscos, aes(y=cons_o, x=molusco, fill= molusco))+geom_boxplot()+theme_bw()+xlab("Tipo de molusco")+ylab("Consumo de oxígeno")+ggtitle("Consumo de oxígeno VS Tipo de molusco")
tapply(BD_moluscos$cons_o, BD_moluscos$molusco,mean)## A B
## 10.000417 8.609167análisis = lm(cons_o~molusco+c_agua,data=BD_moluscos)
anova(análisis)## Analysis of Variance Table
##
## Response: cons_o
## Df Sum Sq Mean Sq F value Pr(>F)
## molusco 1 23.23 23.227 2.6658 0.1097
## c_agua 2 230.82 115.408 13.2457 3.14e-05 ***
## Residuals 44 383.37 8.713
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
- Para estudiar la relación entre ciertas características del suelo y la producción de biomasa (gr) de una planta forrajera natural se obtuvieron 45 muestras en diferentes ambientes, y en cada muestra se estimó la biomasa (respuesta Y) y se registraron las características (covariables X) del suelo en el que crecía (pH, Salinidad, Zinc y Potasio):
A. Realice un análisis de correlaciones que permita identificar de manera bivariada las relaciones entre las covariables y la respuesta (incluir coeficiente de correlación e interpretaciones:
load("C:/Users/Usuario/Downloads/YDRAY-Salinidad (2).RData")
Salinidad## Biomasa pH Salinidad Zinc Potasio
## 1 765.280 5.00 33 16.4524 1441.67
## 2 954.017 4.70 35 13.9852 1299.19
## 3 827.686 4.20 32 15.3276 1154.27
## 4 755.072 4.40 30 17.3128 1045.15
## 5 896.176 5.55 33 22.3312 521.62
## 6 1422.836 5.50 33 12.2778 1273.02
## 7 821.069 4.25 36 17.8225 1346.35
## 8 1008.804 4.45 30 14.3516 1253.88
## 9 1306.494 4.75 38 13.6826 1242.65
## 10 1039.637 4.60 30 11.7566 1282.95
## 11 1193.223 4.10 30 9.8820 553.69
## 12 777.474 3.45 37 16.6752 494.74
## 13 818.127 3.45 33 12.3730 526.97
## 14 1203.568 4.10 36 9.4058 571.14
## 15 977.515 3.50 30 14.9302 408.64
## 16 369.823 3.25 30 31.2865 646.65
## 17 509.872 3.25 27 30.1652 514.03
## 18 448.315 3.20 29 28.5901 350.73
## 19 615.091 3.35 34 17.8795 496.29
## 20 545.538 3.30 36 18.5056 580.92
## 21 436.552 3.25 30 22.1344 535.82
## 22 465.907 3.25 28 28.6101 490.34
## 23 664.601 3.20 31 23.1908 552.39
## 24 502.466 3.20 31 24.6917 661.32
## 25 496.797 3.35 35 22.6758 672.12
## 26 2270.294 7.10 29 0.3729 525.65
## 27 2332.220 7.35 35 0.2703 563.13
## 28 2162.531 7.45 35 0.3205 497.96
## 29 2222.588 7.45 30 0.2648 458.38
## 30 2337.326 7.40 30 0.2105 498.25
## 31 1349.192 4.85 26 18.9875 936.26
## 32 1058.976 4.60 29 20.9687 894.79
## 33 1408.206 5.20 25 23.9841 941.36
## 34 1491.276 4.75 26 19.9727 1038.79
## 35 1254.872 5.20 26 21.3864 898.05
## 36 1152.341 4.55 25 23.7063 989.87
## 37 568.455 3.95 26 30.5589 951.28
## 38 612.447 3.70 26 26.8415 929.83
## 39 654.825 3.75 27 27.7292 925.42
## 40 991.829 4.15 27 21.5699 954.11
## 41 1895.942 5.60 24 19.6531 720.72
## 42 1346.880 5.35 27 20.3295 782.09
## 43 1482.793 5.50 26 19.5880 773.30
## 44 1145.643 5.50 28 20.1328 829.26
## 45 1137.193 5.40 28 19.2420 856.96summary(Salinidad$Biomasa)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 369.8 654.8 991.8 1082.2 1346.9 2337.3ggplot(Salinidad, aes(y=Biomasa, x=Salinidad)) + theme_bw() + geom_point(aes(color = Salinidad), alpha=1) + geom_smooth(method = "lm") + scale_color_gradientn(colors = c("#00AFBB", "#E7B800", "#FC4E07")) + labs(title = "Biomasa vs. Salinidad", y="Biomasa", x="Salinidad")## `geom_smooth()` using formula 'y ~ x'