Ejercicio Pseudomonas fragi ANOVA

i) Variables
Variable Dependiente: Incremento celular
Variable Independiente: Nivel de Presión

ii) Hipótesis
H0: El crecimiento no se ve afectado
Ha: El crecimiento se ve afectado

iii) Análisis descriptivo

> aggregate(data=tabla.datos.ANOVA,
+ Incremento.celular~nivel.Presión,FUN=mean)
nivel.Presión Incremento.celular
1 0.0 59.14
2 0.083 46.04
3 0.29 36.45
4 0.50 25.47
5 0.86 16.44

Podemos Observar que la posición de la presión atmosférica que tiene mayor

incremento celular es 0.0 y la que tiene menor incremento celular es 0.86

> aggregate(data=tabla.datos.ANOVA,
+ Incremento.celular~nivel.Presión,FUN=sd)
nivel.Presión Incremento.celular
1 0.0 4.804674
2 0.083 5.052656
3 0.29 5.933942
4 0.50 4.483315
5 0.86 5.894480

Es importante notar que la desviación estándar de la posición de la presión atmosférica

0.0 que es 4.804674 y que puede variar hasta una desviacion hacia arriba y una desviación
hacia abajo, si se resta una desviación (59.14 - 4.804674) se obtendría 54.335326 siendo
el segundo resultado mayor incremento celular encontrada.
Lo mismo sucede con la menor posición que es 0.86, si le sumamos una desviación
estándar (16.44 + 5.894480) resultaría 22.33448 siendo el segundo resultado de menor
incremento celular.

Grafico:
> library(ggplot2)
> ggplot(tabla.datos.ANOVA,aes(x=nivel.Presión,
+ y=Incremento.celular,color=nivel.Presión))+
+ geom_boxplot()+theme_bw()
 Se puede observar claramente que la
posición de la presión atmosférica que
tiene mayor incremento celular es 0.0 y
la diferencia que tiene con otras
posiciones es grande, pero realizaremos
un ANOVA para validar el
comportamiento.

iv) Condiciones para realizar el ANOVA

Normalidad:
H0: La distribución es Normal
Ha: La distribución no es normal

> lillie.test(X[F=="0.0"])
Lilliefors (Kolmogorov-Smirnov) normality test
data: X[F == "0.0"]
D = 0.16428, p-value = 0.6225

> lillie.test(X[F=="0.083"])
Lilliefors (Kolmogorov-Smirnov) normality test
data: X[F == "0.083"]
D = 0.21369, p-value = 0.219

> lillie.test(X[F=="0.29"])
Lilliefors (Kolmogorov-Smirnov) normality test
data: X[F == "0.29"]
D = 0.22239, p-value = 0.1733

> lillie.test(X[F=="0.50"])
Lilliefors (Kolmogorov-Smirnov) normality test
data: X[F == "0.50"]
D = 0.19729, p-value = 0.329
 > lillie.test(X[F=="0.86"])
Lilliefors (Kolmogorov-Smirnov) normality test
data: X[F == "0.86"]
D = 0.1635, p-value = 0.6299

Se observa que, al hacer la prueba de normalidad a las 5 muestras, en todos los casos el p valor
es mayor que el nivel de significancia de 0.05, concluyendo que las muestras tienen
comportamiento normal y se puede realizar el ANOVA.

Homogeneidad de varianzas:
H0: Las varianzas de las muestras son homogéneas
Ha: Las varianzas de las muestras no son homogéneas

> bartlett.test(X ~ F)
Bartlett test of homogeneity of variances
data: X by F
Bartlett's K-squared = 1.0701, df = 4, p-value = 0.899

Como el p valor es 0.899 mayor que 0.05, existe evidencia estadística para no rechazar la
hipótesis nula y se concluye que las varianzas de las muestras son homogéneas, entonces
podemos proceder con el ANOVA.

v) ANOVA

H0: El crecimiento celular no se ve afectado

Ha: El crecimiento celular se ve afectado

> summary(aov(X~F))
Df Sum Sq Mean Sq F value Pr(>F)
F 4 11274 2818.6 101.6 <2e-16
Residuals 45 1248 27.7

Como el p valor es 0, y es menor que 0.05 existe evidencia estadística para rechazar la
hipótesis nula, y se concluye que las medias no son iguales a nivel poblacional. Por lo
tanto, se concluye que todas las posiciones no tienen el mismo impacto, además podemos
decir que la posición de la presión atmosférica influye en el crecimiento celular.

vi) Comparaciones multiples

> TukeyHSD(aov(X~F))
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = X ~ F)
$F
diff lwr upr p adj
0.083-0.0 -13.10 -19.7921 -6.407896 0.0000133
0.29-0.0 -22.69 -29.3821 -15.997896 0.0000000
0.50-0.0 -33.67 -40.3621 -26.977896 0.0000000
0.86-0.0 -42.70 -49.3921 -36.007896 0.0000000
 0.29-0.083 -9.59 -16.2821 -2.897896 0.0016698
0.50-0.083 -20.57 -27.2621 -13.877896 0.0000000
0.86-0.083 -29.60 -36.2921 -22.907896 0.0000000
0.50-0.29 -10.98 -17.6721 -4.287896 0.0002615
0.86-0.29 -20.01 -26.7021 -13.317896 0.0000000
0.86-0.50 -9.03 - 15.7221 -2.337896 0.0034105

Gráfico Tukey:

vii) Validación del modelo:

Homocedasticidad de los residuales:
H0: Los residuales son homocedasticos
Ha: Los residuales no son homocedasticos
Se observa que aparentemente los residuos no son homocedásticos debido a que hay
tendencia, podemos verificar este resultado con la prueba de hipótesis realizada en el paso 4
donde se concluyo que hay homogeneidad de varianzas.

Normalidad de los residuales:

Se observa que los residuos

tienen un comportamiento
desigual a excepción de los datos
3,38 y 32 que son los que
seguramente generan la falta de
Homocedasticidad en las
muestras.