Diseño Experimental
Datos empíricos y experimentales
Estefani Cardenas Ramirez, Daniela Palomino Sanchez
04/03/2022
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.6 v dplyr 1.0.7
## v tidyr 1.2.0 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(readxl)
library(janitor)##
## Attaching package: 'janitor'## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testlibrary(skimr)Actividad
Analizar evaluaciones agrícolas para el cultivo de Café en el departamento de Antioquia desde el año 1990 hasta 2020. Se pretende conocer si la variabilidad en el rendimiento en toneladas por hectárea está influenciada por la zona (subregión) y el período.
Exploratoria de Datos
datos <- read_csv("Agricola_Depurada.csv") %>%
clean_names()##
## -- Column specification --------------------------------------------------------
## cols(
## subregion = col_character(),
## periodo = col_double(),
## municipio = col_character(),
## area_total = col_double(),
## area_produccion = col_double(),
## volumen_produccion = col_double()
## )datos %>%
head()## # A tibble: 6 x 6
## subregion periodo municipio area_total area_produccion volumen_produccion
## <chr> <dbl> <chr> <dbl> <dbl> <dbl>
## 1 Oriente 1990 Alejandría 377 350 525
## 2 Suroeste 1990 Amagá 2296 2266 2298.
## 3 Nordeste 1990 Amalfi 2470 2247 5056.
## 4 Suroeste 1990 Andes 14360 12900 29025
## 5 Suroeste 1990 Angelópolis 967 967 772.
## 6 Norte 1990 Angostura 1267 1250 1625skim(datos)| Name | datos |
| Number of rows | 2610 |
| Number of columns | 6 |
| _______________________ | |
| Column type frequency: | |
| character | 2 |
| numeric | 4 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| subregion | 0 | 1 | 5 | 15 | 0 | 7 | 0 |
| municipio | 0 | 1 | 4 | 22 | 0 | 93 | 0 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| periodo | 0 | 1 | 2005.65 | 8.81 | 1990 | 1998.00 | 2006.00 | 2013.00 | 2020.0 | ▇▇▇▇▇ |
| area_total | 0 | 1 | 1678.95 | 2056.24 | 2 | 480.00 | 1078.00 | 1977.75 | 15136.5 | ▇▁▁▁▁ |
| area_produccion | 0 | 1 | 1488.08 | 1779.69 | 0 | 434.25 | 962.00 | 1803.75 | 14373.9 | ▇▁▁▁▁ |
| volumen_produccion | 0 | 1 | 1976.45 | 3037.95 | 0 | 425.00 | 1019.21 | 2114.80 | 29025.0 | ▇▁▁▁▁ |
datos %>%
names## [1] "subregion" "periodo" "municipio"
## [4] "area_total" "area_produccion" "volumen_produccion"datos %>%
glimpse()## Rows: 2,610
## Columns: 6
## $ subregion <chr> "Oriente", "Suroeste", "Nordeste", "Suroeste", "Sur~
## $ periodo <dbl> 1990, 1990, 1990, 1990, 1990, 1990, 1990, 1990, 199~
## $ municipio <chr> "Alejandría", "Amagá", "Amalfi", "Andes", "Angelópo~
## $ area_total <dbl> 377, 2296, 2470, 14360, 967, 1267, 300, 1430, 2450,~
## $ area_produccion <dbl> 350, 2266, 2247, 12900, 967, 1250, 260, 1406, 2350,~
## $ volumen_produccion <dbl> 525.00, 2297.72, 5055.75, 29025.00, 771.67, 1625.00~Crear Variable Respuesta:
datos_rendimiento <- datos %>%
select(subregion, periodo, area_produccion, volumen_produccion) %>%
mutate (rendimiento_t_h = volumen_produccion/area_produccion)
datos_rendimiento## # A tibble: 2,610 x 5
## subregion periodo area_produccion volumen_produccion rendimiento_t_h
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Oriente 1990 350 525 1.5
## 2 Suroeste 1990 2266 2298. 1.01
## 3 Nordeste 1990 2247 5056. 2.25
## 4 Suroeste 1990 12900 29025 2.25
## 5 Suroeste 1990 967 772. 0.798
## 6 Norte 1990 1250 1625 1.3
## 7 Nordeste 1990 260 520 2
## 8 Occidente 1990 1406 2250. 1.6
## 9 Oriente 1990 2350 2350 1
## 10 Occidente 1990 1887 1087. 0.576
## # ... with 2,600 more rowsGráfica 1 - Densidad de datos General:
datos_rendimiento %>%
ggplot(aes(x = rendimiento_t_h, fill = subregion)) +
geom_density(alpha = 0.5)## Warning: Removed 2 rows containing non-finite values (stat_density).
Gráfica 2 -Agrupación con relación a la variable rendimiento_t_h
promedio_rendimiento <- datos_rendimiento %>%
pull (rendimiento_t_h) %>%
mean (na.rm = TRUE)
promedio_rendimiento## [1] 1.187241datos_rendimiento %>%
group_by(subregion) %>%
summarise(
pro_rendimiento_t_h = mean(rendimiento_t_h),
des_rendimiento_t_h = sd(rendimiento_t_h)
) %>%
ungroup() %>%
ggplot (aes(
x = subregion,
y = pro_rendimiento_t_h,
ymin = pro_rendimiento_t_h - des_rendimiento_t_h,
ymax = pro_rendimiento_t_h + des_rendimiento_t_h
)) +
geom_point() +
geom_errorbar(width = 0.2) +
geom_hline (yintercept = promedio_rendimiento, lty = 2, color = "pink")## Warning: Removed 2 rows containing missing values (geom_point).
Promedio y desviación subregión:
datos_subregion <- datos_rendimiento %>%
select(c(subregion, periodo, rendimiento_t_h))
datos_subregion## # A tibble: 2,610 x 3
## subregion periodo rendimiento_t_h
## <chr> <dbl> <dbl>
## 1 Oriente 1990 1.5
## 2 Suroeste 1990 1.01
## 3 Nordeste 1990 2.25
## 4 Suroeste 1990 2.25
## 5 Suroeste 1990 0.798
## 6 Norte 1990 1.3
## 7 Nordeste 1990 2
## 8 Occidente 1990 1.6
## 9 Oriente 1990 1
## 10 Occidente 1990 0.576
## # ... with 2,600 more rowsSuroeste:
datos_suroeste <- filter(datos_subregion, subregion == "Suroeste")
datos_suroeste## # A tibble: 680 x 3
## subregion periodo rendimiento_t_h
## <chr> <dbl> <dbl>
## 1 Suroeste 1990 1.01
## 2 Suroeste 1990 2.25
## 3 Suroeste 1990 0.798
## 4 Suroeste 1990 1.5
## 5 Suroeste 1990 1.5
## 6 Suroeste 1990 1.25
## 7 Suroeste 1990 1.4
## 8 Suroeste 1990 2.5
## 9 Suroeste 1990 1.33
## 10 Suroeste 1990 1
## # ... with 670 more rowspromedio_suroeste <- datos_suroeste %>%
pull (rendimiento_t_h) %>%
mean()
promedio_suroeste## [1] 1.413393desviacion_suroeste <- datos_suroeste %>%
pull (rendimiento_t_h) %>%
sd()
desviacion_suroeste## [1] 0.4492108Magdalena Medio:
datos_MagdalenaMedio <- filter(datos_rendimiento, subregion == "Magdalena Medio")
datos_MagdalenaMedio## # A tibble: 62 x 5
## subregion periodo area_produccion volumen_produccion rendimiento_t_h
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Magdalena Medio 1990 200 180 0.9
## 2 Magdalena Medio 1990 1050 394. 0.375
## 3 Magdalena Medio 1991 200 150 0.75
## 4 Magdalena Medio 1991 886. 665. 0.750
## 5 Magdalena Medio 1992 293 58.6 0.2
## 6 Magdalena Medio 1992 472 236 0.5
## 7 Magdalena Medio 1993 200 80 0.4
## 8 Magdalena Medio 1993 450 225 0.5
## 9 Magdalena Medio 1994 220 110 0.5
## 10 Magdalena Medio 1994 310 225. 0.725
## # ... with 52 more rowspromedio_MagdalenaMedio <- datos_MagdalenaMedio %>%
pull (rendimiento_t_h) %>%
mean()
promedio_MagdalenaMedio## [1] 0.5472092desviacion_MagdalenaMedio <- datos_MagdalenaMedio %>%
pull (rendimiento_t_h) %>%
sd()
desviacion_MagdalenaMedio## [1] 0.2269963Occidente:
datos_Occidente <- filter(datos_rendimiento, subregion == "Occidente")
datos_Occidente## # A tibble: 579 x 5
## subregion periodo area_produccion volumen_produccion rendimiento_t_h
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Occidente 1990 1406 2250. 1.6
## 2 Occidente 1990 1887 1087. 0.576
## 3 Occidente 1990 1013 1418. 1.4
## 4 Occidente 1990 3814 3787. 0.993
## 5 Occidente 1990 2200 2750 1.25
## 6 Occidente 1990 3200 4640 1.45
## 7 Occidente 1990 870 2030. 2.33
## 8 Occidente 1990 643 1286 2
## 9 Occidente 1990 2314 2314 1
## 10 Occidente 1990 1474 1769. 1.2
## # ... with 569 more rowspromedio_Occidente <- datos_Occidente %>%
pull (rendimiento_t_h) %>%
mean()
promedio_Occidente## [1] 1.185922desviacion_Occidente <- datos_Occidente %>%
pull (rendimiento_t_h) %>%
sd()
desviacion_Occidente## [1] 0.5522866Gráfica 3 - Densidad datos Suroeste y Magdalena Medio:
datos_suroeste %>%
ggplot(aes(x = rendimiento_t_h, fill = subregion)) +
geom_density(alpha = 0.5)
datos_MagdalenaMedio %>%
ggplot(aes(x = rendimiento_t_h, fill = subregion)) +
geom_density(color = "red", alpha = 0.9)
Gráfica 4 - Agrupado variables volumen_producción y periodo:
datos_subregion %>%
group_by(subregion, periodo) %>%
summarise(promedio_rendimiento_t_h = mean(rendimiento_t_h, na.rm = TRUE)) %>%
ggplot(aes(x = periodo, y = promedio_rendimiento_t_h, color = subregion)) +
geom_point() +
geom_line(aes(group = subregion))## `summarise()` has grouped output by 'subregion'. You can override using the `.groups` argument.