Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INDICACIONES
PREGUNTA 1
La tabla siguiente contiene datos sobre medidas de glucosa en la sangre para 55 mujeres
(O’Sullivan & Mahon 1966). Las Ys representan medidas de glucosa en ayunas en tres
ocasiones y las Xs son medidas de glucosa una hora después de ingerir azúcar. Investigue la
relación entre los dos conjuntos de variables usando análisis de correlación canónica.
Hipótesis
Nivel de significancia
α = 0.05
PRUEBA DE HZ
PRUEBA DE ROYSTON
<0.05, entonces rechazamos la H0, por lo tanto, los datos no siguen una distribución normal
det(R)= 0.5634761
det(R11)= 0.8592284
det(R22)= 0.897227
Hipótesis
H 0 : 12 0, H1 : 12 0
α = 0.05
Estadístico de contraste
|R|
Λ= =0.7309111 Λ ( 3 ,51 , 3 )
|R 11||R 22|
n=55
p=3
q=3
α = 0.05. es de 0.2693523.
independencia
R=
Rxx=
Ryy=
Rxy=
e. Presente los autovalores y los coeficientes de las correlaciones canónicas.
Λ1=1.8860920
Λ2=1.0976501
Λ3=1.0466798
Λ4=0.8495651
Λ5=0.6467529
Λ6=0.4732600
Correlaciones canonicas
r1=1.373351
r2=1.047688
r3=1.023074
r4=0.9217186
r5=0.8042095
r6=0.687939
f. Presente los vectores canónicos a y b; así como las variables canónicas, de las cuales
presente una interpretación breve.
Las Ys representan medidas de glucosa en ayunas en tres ocasiones y las Xs son medidas de
glucosa una hora después de ingerir azúcar. Investigue la relación entre los dos conjuntos de
variables usando análisis de correlación canónica.
La dependencia entre (X1, X2, X3) y (Y1, Y2, Y3) está dada principalmente por la relación entre
(U1, V1) con correlación 0.3747013, más alta que cualquier correlación entre una variable Xi y
una variable Yj. Se observa que presentan una relación inversa U1 con las variables X1, X2, X3;
mientras que V1 también presenta una relación inversa con las variables Y1, Y2, Y3
PREGUNTA 2
A 8 personas se les administró el medicamento AX23 y a otros 8, de manera independiente, el
medicamento BWW9. Se midió la frecuencia cardiaca de cada individuo cada 5 minutos,
durante 20 minutos. Los datos se muestran en la tabla siguiente:
Matriz F A :
Matriz W :
Matriz T :
Se rechaza H 0 puesto que p-valor = 0.0000 < ∝ = 0.05. Hay efecto principal del factor A.
Existen diferencias en las frecuencias cardiacas en los grupos de personas.
Código (Pregunta 1):
datos <- read.delim("clipboard")
summary(datos)
cor(datos)
library(CCA)
X<-datos[,1:3]
Y<-datos[,-(1:3)]
# Realizamos el analisis con la funcion cc()
res<-cc(X,Y)
res$cor # da las correlaciones canónicas
res
###Gráfico de matriz de correlaciones:
chkc<-matcor(X,Y)
img.matcor(chkc,type=2)
library(CCA)
X<-datos[,1:3]
Y<-datos[,-(1:3)]
# Realizamos el analisis con la funcion cc()
res<-cc(X,Y)
res$cor # da las correlaciones canónicas
res
###Gráfico de matriz de correlaciones:
chkc<-matcor(X,Y)
img.matcor(chkc,type=2)
t1 <- c(85,82,71,83,86,85,79,83,72,78,71,72,66,74,62,69)
t2 <- c(86,86,78,88,85,82,83,84,86,83,82,83,79,83,73,75)
t3 <- c(83,80,70,79,76,83,80,78,81,88,81,83,77,84,78,76)
t4 <- c(80,84,75,81,76,80,81,81,77,81,75,69,66,77,70,70)
persona <- c(rep(1,8),rep(2,8))
tipmed <- c(rep("BWW9",8),rep("AX23",8))
datos <- data.frame(t1,t2,t3,t4,persona,tipmed)
datos$persona <- factor(datos$persona)
datos$tipmed <- factor(datos$tipmed)
datos
####ESTIMANDO EL MODELO
modelo <- manova(cbind(t1,t2,t3,t4)~persona*tipmed,data=datos)
summary.manova(modelo,intercept=T)
d. ####Obteniendo las matrices T, F y W
e. summary.manova(modelo,intercept=T)$SS
f. #Matriz suma de cuadrados y productos cruzados del factor A
g. matFA <- summary(modelo)$SS[[1]]
h. #Matriz suma de cuadrados y productos cruzados del factor B
i. matFB <- summary(modelo)$SS[[2]]
j. #Matriz suma de cuadrados y productos cruzados del total
k. matT <- matFA + matFB
l. matT
m. #Calculando FAB + W
n.
o. suma <- matAB + matW
p.
q. ###Desagregando la base por grupos: tipo de medicamento
r. grupoBWW9 <- datos[1:8,1:4]
s. grupoAX23 <- datos[9:16,1:4]
t.
u. ###Transponiendo
v. grupoBWW9 <- t(grupoBWW9)
w. grupoAX23 <- t(grupoAX23)
x.
y. ###Desagregando la base por grupos: Personas
z. ###ordenamos la base por persona
aa. datos <- datos[order(datos$persona),]
bb. datos
cc. grupoPersona1 <- datos[1:8,1:4]
dd. grupoPersona2 <- datos[9:16,1:4]
ee. ###Transponiendo
ff. grupoPersona1 <- t(grupoPersona1)
gg. grupoPersona2 <- t(grupoPersona2)
hh.
ii. ###Prueba de normalidad multivariante
jj. library(mvnormtest)
kk. mshapiro.test(grupoBWW9)
ll. mshapiro.test(grupoAX23)
mm. mshapiro.test(grupoPersona1)
nn. mshapiro.test(grupoPersona2)