EJERCICIO: GENERACION DE PROYECTO EN EL AREA PECUARIA CON PYTHON

PROYECTO

USO DEL TARHUI PARA ALIMENTACION DE PORCINOS EN CRECIMIENTO

 Hacer Click en la fotografía 👇 para ver el Proyecto generado con ChatGPT-4

Script en Python 👇

import matplotlib.pyplot as plt

# Datos

grupos = ['Control', 'Bajo Nivel', 'Alto Nivel']

eficiencia_alimentaria = [1.8, 2.1, 2.0]

# Crear gráfico de barras

plt.figure(figsize=(10, 6))

plt.barh(grupos, eficiencia_alimentaria, color='skyblue')

# Etiquetas y título

plt.xlabel('Eficiencia Alimentaria')

plt.ylabel('Grupos Experimentales')

plt.title('Eficiencia Alimentaria en Porcinos con Distintos Niveles de Tarhui en la Dieta')

# Mostrar valores en las barras

for index, value in enumerate(eficiencia_alimentaria):

    plt.text(value, index, str(value))

# Mostrar el gráfico

plt.show()

     

      Gráfica generada: 

Script en Python 👇

import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

# Datos de ejemplo

# Proporción de tarhui en la dieta como variable independiente (X)

X = np.array([0, 10, 20]).reshape(-1, 1)

# Eficiencia alimentaria como variable dependiente (y)

y = np.array([1.8, 2.1, 2.0])

# Crear el modelo de regresión lineal

modelo = LinearRegression()

# Ajustar el modelo a los datos

modelo.fit(X, y)

# Hacer predicciones

y_pred = modelo.predict(X)

# Gráfico

plt.scatter(X, y, color='blue', label='Datos Reales')

plt.plot(X, y_pred, color='red', label='Línea de Regresión')

plt.xlabel('Proporción de Tarhui en la Dieta (%)')

plt.ylabel('Eficiencia Alimentaria')

plt.title('Regresión Lineal de la Eficiencia Alimentaria en Función del Tarhui en la Dieta')

plt.legend()

plt.show()

# Imprimir la ecuación de la línea

print(f'La ecuación de la línea es y = {modelo.intercept_} + {modelo.coef_[0]}*X')

          Gráfica generada:

La ecuación de la línea es y = 1.866666666666667 + 0.009999999999999997*X

Tabla generada:

Análisis de Varianza (ANOVA) 👇 para evaluar los efectos del Tarhui en la eficiencia alimentaria de porcinos:

Fuente de variación	Grados de libertad (df)	Suma de cuadrados (SS)	Media cuadrada (MS)	Estadístico F	valor p
Tratamiento	2	0,08	0,04	8.00	0,02
Error	27	0,14	0.005
Total	29	0,22

Conclusiones: (relacionada al uso de Python)

 El uso de Python, a través de librerías especializadas como Pandas para la manipulación de datos, Matplotlib y Seaborn para la visualización de resultados, y SciPy o StatsModels para el análisis estadístico, ha demostrado ser extremadamente eficaz en el manejo y análisis de los datos generados en este proyecto.

 La programación en Python facilitó la automatización de los cálculos necesarios para el Análisis de Varianza (ANOVA), asegurando así una evaluación precisa y rápida de los efectos del tarhui en la eficiencia alimentaria de los porcinos. Además, permitió la creación de visualizaciones claras y comprensibles que ayudaron a interpretar los resultados de manera más efectiva.

 La capacidad de Python para manejar grandes volúmenes de datos, su sintaxis clara y su amplio ecosistema de librerías han sido fundamentales para el éxito de este proyecto. Además, el uso de entornos como Google Colab facilitó un acceso sencillo y eficiente a las herramientas de Python, promoviendo una colaboración efectiva entre los miembros del equipo de investigación.