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()
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.
