UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA

DEPARTAMENTO DE CIENCIAS DE LA SALUD

TITULACIÓN DE MEDICINA

Integrantes del grupo:

● Diego Herrera

● Camila Monroy

● Carlos Sigüensa

Nombre del profesor: Pablo Ramón

Asignatura: Bioestadística

Fecha: 13/01/2023
1. Ejercicio Nro. 1 (tomado de Bioestadística Métodos y Aplicaciones de Barón-Lopez
2005)

Para comprobar si la tolerancia a la glucosa en sujetos sanos tiende a decrecer con la edad, se
realizó un test oral de glucosa a dos muestras de pacientes sanos (jóvenes y adultos). El test
consistió en medir la glucosa en sangre en el momento de la ingesta (basal) de 100gr. de
glucosa y luego de 60 minuto de la toma. Los datos son:

1. ¿Se detecta una variación significativa del nivel de glucosa en sangre en cada
grupo?

En los resultados obtenidos de p-valor: jóvenes (1.359e-11) y adultos (1.394e.11)

podemos observar que hay una variación de glucosa basal y posprandial en
adultos y en jóvenes. La concentración de glucosa basal y posprandial es mayor
en adultos que en jóvenes, obtenido los resultados mostrados de valor p (al estar
debajo de 0,05% se rechaza la hipótesis nula y se opta por la otra hipótesis).

2. ¿Es mayor la concentración de glucosa en sangre a los 60 minutos, en adultos o

en jóvenes?

Si, la concentración de glucosa en sangre en adultos es mayor que en jóvenes.

HO: No existe variación significativa de glucosa basal y posprandial en 60

minutos

H1: Si existe variación significativa de glucosa basal y posprandial en 60 minutos

En el ejercicio planteamos la hipótesis nula, resalta de que no hay variación de la

concentración de glucosa en sangre. Y el valor p resulto de 2.343e-06, esto nos
lleva a rechazar la hipótesis nula, observando además la gráfica boxplot.
 3. El contenido basal de glucosa en sangre ¿es menor en jóvenes que en adultos?

Basándonos en los resultados, la glicemia basal es menor en jóvenes que en adultos.

Ho: La glicemia basal no es menor en jóvenes que en adultos

H1: La glicemia basal si es menor en jóvenes que en adultos

El vapor p obtenido en el t test fue de 0.024, por lo que se rechaza la hipótesis nula y acepta
la hipótesis alternativa (H1).
 4. ¿Se detecta a los 60 minutos una variación del nivel de glucosa en sangre
diferente de los adultos en jóvenes?

Boxplot que muestra la comparación entre la glicemia basal y posprandial tanto en jóvenes y
en adultos

En los adultos observamos que existe variación que oscila entre ls 80 hasta los 200 y en los
jóvenes oscila entre los 80 y 140, verificando mediante el uso de “t test”

Para verificar pasamos a realizar los t test, obteniendo jóvenes (1.359e-11) y adultos
(1.394e.11), con una diferencia de -96.1 y de -63.5 respectivamente, obteniendo una mayor
variación en adultos a comparación de los jóvenes.

2. Ejercicio Nro. 2 (tomado de Bioestadística de Daniel Wayne 2006)

Realizar el proceso completo del anova y graficar, para el siguiente ejercicio.

Primero lo que debemos hacer es plantear una hipótesis nula y una hipótesis alternativa:

Ho= No hay diferencia significativa en la concentración de antígenos de cada grupo.

Ha= Si hay diferencia significativa en la concentración de antígenos de cada grupo.

Una vez planteadas dichas hipótesis procedmos a aplicar el plotsmeans para darnos
una idea gráfica de la variación de antígenos entre grupos.

Luego procedemos aplicar el summary(modelo) para obtener un resultado del p valor y poder
reafirmar lo que vemos en la imagen, que nos expresa que si hay una diferencia de la
concentración antigénica de cada grupo. El valor obtenido es el siguiente:

Df Sum Sq Mean Sq F value Pr(>F)

 grupo 2 185159 92580 5.091 0.00871 **
Residuals 68 1236697 18187
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Se rechaza la hipótesis nula y apoyamos la hipótesis alternativa, concluyendo de que si hay
una diferencia significativa. Se aplica el test de comparación multiple Tuckey con su
respectivo plot para verlo gráfica y numericamente.

En la gráfica podemos observar que hay variación, siendo la variación más alta entre
niños autistas y niños normales. Esto lo corroboramos a través de la prueba de Tuckey,
diff lwr upr p adj
normales-autistas -114.91304 -202.68435 -27.14174 0.0070326
retraso mental-autistas -90.57971 -197.82092 16.66150 0.1142305
retraso mental-normales 24.33333 -76.28971 124.95638 0.8315432
Pudiendo reafirmar de esta manera que se rechaza la hipótesis nula.

Se verifica los supuestos para tener seguridad de que la normalidad y la

homocedasticidad nos permiten aplicar las pruebas paramétricas usadas.
 La normalidad se cumple pero la homocedasticidad es dudosa, en los puntos 16, 61 y
19. Se aplica la prueba de Sahpiro para normalidad y la de Barlett para la
homocedasticidad. En la prueba de Shapiro la normalidad esta con un valor de
4.43e-06 y confirmamos la homocedasticidad a través del valor p de 6.81e-07
obtenida en la prueba de Barlett.

3. Ejercicio Nro. 3

La cotinina es uno de los principales metabolitos de la nicotina. Actualmente se le considera

el mejor indicador de la exposición al humo de tabaco. Se ha realizado un estudio con
distintas marcas de tabaco distinguiendo principalmente entre negro y rubio para detectar las
posibles diferencias en el nivel de nicotina de personas expuestas al humo de tabaco. Para
ello, se han analizado personas de distintas edades (niños, jóvenes y adultos) y se ha
distinguido entre mujeres y hombres. Se han obtenido los datos de la siguiente tabla sobre el
nivel de nicotina en miligramos por mililitro.
1. Identificar el diseño adecuado a este experimento, escribir el modelo matemático
y explicar los distintos elementos que intervienen.

En este caso el modelo matemático planteado es:

plot.design(y ~ x * z * w, lwd=3, cex.axis=1.3, cex.lab=1.3, las=1, cex=0.7)

require(gplots)

plotmeans(y ~ interaction(x, z, w), lwd=3, barwidth=2)

Donde:

X es la edad

Z es la marca del tabaco

X es el sexo del individuo

Y es la concentración de nicotina
2. Contrastar la hipótesis nula de no interacción entre los factores.

Las hipótesis nulas planteadas fueron:

1. Ho: El efecto de los tabacos es igual en todas las edades

2. Ho: La edad y el sexo no influyen en el efecto de los tabacos
3. Ho: El sexo no influye en ninguna de las 2 marcas de tabaco
4. Ho: Ningún factor influye en el consumo de tabaco

De las hipótesis planteadas, la hipótesis nula aceptada fue la número 4, porque su p-valor es
menor a alfa (5%) en comparación a las demás hipótesis nulas planteadas, en donde el
p–valor es mayor a alfa

Gráficas:
Existe una variación no significativa en la interacción entre adultos y jóvenes y entre mujeres
y hombres
3. ¿Hay diferencias significativas en el nivel de nicotina en las distintas edades? ¿En
qué edad el nivel de nicotina es mayor?

En la gráfica anterior se puede observar que el consumo de tabaco es mayor en las

mujeres jóvenes, y en su mayoría consumen la marca Negro. La diferencia de
consumo es significativa entre niños y jóvenes y entre niños y adultos

En el boxplot claramente podemos observar que el mayor consumo de tabaco es en

mujeres jovenes y la marca de tabaco consumida es “Negro”. Y las diferencias de
consumo entre edades si es significativa, especialmente entre niños y jóvenes y niños
y adultos.

Con la prueba “summary” se obtuvo:

 Por tanto, se concluye que el factor determinante en el consumo de tabaco debido a la
concentración de nicotina es la edad del consumidor

4. ¿El tipo de tabaco es un factor determinante en el nivel de nicotina?

Se acepta la hipótesis nula en la que se dice que ningún factor influye en las dos
marcas de tabaco, resaltando que ambas tienen el mismo efecto.

modelo=aov(y ~ x * z * w)

summary(modelo)

Df Sum Sq Mean Sq F value Pr(>F)

x 2 304399 152199 4.042 0.0455 *
z 1 267 267 0.007 0.9343
w 1 4817 4817 0.128 0.7268
x:z 2 42744 21372 0.568 0.5814
x:w 2 225216 112608 2.991 0.0883 .
z:w 1 37446 37446 0.994 0.3383
x:z:w 2 3 1 0.000 1.0000

Residuals 12 451862 37655

5. Comparar el nivel medio de nicotina entre las mujeres y los hombres. ¿Se detectan
diferencias significativas?

Se plantea la hipótesis de que el sexo no infuye en la concentración de nicotina, y al

realizar la prueba correspondiente, se obtuvo que p-valor es mayor a alfa (5%), por
tanto se acepta la hipótesis y se concluye que efectivamente no existe diferencia.
summary(modelo)

Df Sum Sq Mean Sq F value Pr(>F)

x 2 304399 152199 4.042 0.0455 *
z 1 267 267 0.007 0.9343
w 1 4817 4817 0.128 0.7268
x:z 2 42744 21372 0.568 0.5814
x:w 2 225216 112608 2.991 0.0883 .
z:w 1 37446 37446 0.994 0.3383
x:z:w 2 3 1 0.000 1.0000
Residuals 12 451862 37655

Además, se puede comprobar la normalidad del modelo:

ANEXOS:

EJERCICIO 1

> j2=Libro1$`Jóvenes 60`

> d2=Libro1$`Adultos 60`

> boxplot(j2, d2, names=c("GPj","GPa"),

+ las=1, ylab="glicemia",xlab="grupo")

> medias=c(mean(j2),mean(d2))

> points(medias,col=2,cex=2, pch=20)

> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)

> #Ho: "La glicemia pospandrial en adultos no es mayor que en jóvenes"

> #H1: "La glicemia pospandrial en adultos es mayor que en jóvenes"

> d= j2-d2

>d

[1] -60 -40 -42 -48 -21 -31 -41 -35 -25 -50

> shapiro.test(d)

Shapiro-Wilk normality test

data: d

W = 0.98321, p-value = 0.98

> t.test(j2, d2, paired=TRUE)

Paired t-test
data: j2 and d2

t = -10.52, df = 9, p-value = 2.343e-06

alternative hypothesis: true mean difference is not equal to 0

95 percent confidence interval:

-47.75111 -30.84889

sample estimates:

mean difference

-39.3

> boxplot(j1, d1, names=c("GBj","GBa"),

+ las=1, ylab="glicemia",xlab="grupo")

> medias=c(mean(j1),mean(d1))

> points(medias,col=2,cex=2, pch=20)

> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)

> #Ho: "La glicemia basal no es menor en jóvenes que en adultos"

> #H1: "La glicemia basal es menor en jóvenes que en adultos"

> d= j1-d1

>d

[1] -17 -5 -13 -13 -5 7 -10 0 2 -13

> shapiro.test(d)

Shapiro-Wilk normality test

data: d

W = 0.93449, p-value = 0.4935

> t.test(j1, d1, paired=TRUE)

Paired t-test

data: j1 and d1

t = -2.71, df = 9, p-value = 0.024

alternative hypothesis: true mean difference is not equal to 0

95 percent confidence interval:

-12.292711 -1.107289

sample estimates:

mean difference

-6.7

> str(Libro1)

tibble [10 × 4] (S3: tbl_df/tbl/data.frame)

$ Jóvenes B : num [1:10] 81 89 80 75 74 97 76 89 83 77

$ Jóvenes 60: num [1:10] 136 150 149 141 138 154 141 155 145 147

$ Adultos B : num [1:10] 98 94 93 88 79 90 86 89 81 90

$ Adultos 60: num [1:10] 196 190 191 189 159 185 182 190 170 197

> j1=Libro1$`Jóvenes B`

> j2=Libro1$`Jóvenes 60`

> boxplot(j1, j2, names=c("GBj","GPj"),las=1,

+ ylab="glicemia",xlab="grupo")

> medias=c(mean(j1),mean(j2))
> points(medias,col=2,cex=2, pch=20)

> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)

> # Ho: No hay diferencia entre la glicemia basal y pospandrial

> # H1: Si hay diferencia entre la glicemia basal y pospandrial

> d= j1-j2

>d

[1] -55 -61 -69 -66 -64 -57 -65 -66 -62 -70

> shapiro.test(d)

Shapiro-Wilk normality test

data: d

W = 0.95203, p-value = 0.6926

> t.test(j1, j2, paired=TRUE)

Paired t-test

data: j1 and j2

t = -41.521, df = 9, p-value = 1.359e-11

alternative hypothesis: true mean difference is not equal to 0

95 percent confidence interval:

-66.95961 -60.04039

sample estimates:

mean difference
 -63.5

> boxplot(d1, d2, names=c("GBa","GPa"),las=1,

+ ylab="glicemia",xlab="grupo")

> medias=c(mean(d1),mean(d2))

> points(medias,col=2,cex=2, pch=20)

> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)

> # Ho: No hay diferencia entre la glicemia basal y pospandrial

> # H1: Si hay diferencia entre la glicemia basal y pospandrial

> d= d1-d2

>d

[1] -98 -96 -98 -101 -80 -95 -96 -101 -89 -107

> shapiro.test(d)

Shapiro-Wilk normality test

data: d

W = 0.91378, p-value = 0.308

> t.test(d1, d2, paired=TRUE)

Paired t-test

data: d1 and d2

t = -41.402, df = 9, p-value = 1.394e-11

 alternative hypothesis: true mean difference is not equal to 0

95 percent confidence interval:

-101.35083 -90.84917

sample estimates:

mean difference

-96.1

EJERCICIO 2

autistas=c(755,385,380,215,400,343,415,360,345,450,410,435,460,360,225,900,365,440,820,
400,170,300,325)

normales=c(165,390,290,435,235,345,320,330,205,375,345,305,220,270,355,360,335,305,32
5,245,285,370,345,345,230,370,285,315,195,270,305,375,220)

retraso=c(380,510,315,565,715,380,390,245,155,335,295,200,105,105,245)

#### Solucion:

#Ho=No hay diferencia entre la concentración sérica de un antígeno en los niños

#Ha= Si hay diferencia entre la concentración sérica de un antígeno en los niños

# creamos el vector y juntando A,B,C

y=c(autistas,normales,retraso)

# Creamos la variable de grupo (categ?rica)

grupo=factor(rep(c("autistas","normales","retraso mental"), c(23,33,15)))

# Explorando los datos

plotmeans(y ~grupo, lwd=2, ylab="Concentración serica de antígeno",las=1)

modelo=aov(y ~ grupo)

summary(modelo)
# Concl: Puesto que p-valor > 0.05, se acepta la Ho

# Aplicamos la prueba de comparacion multiple

# Test de Tukey

TukeyHSD(modelo)

plot(TukeyHSD(modelo))

# Verificaci?n de supuestos

plot(modelo, 1, pch=20)

plot(modelo, 2, pch=20)

# Normalidad

shapiro.test(modelo$residuals)

# Homocedasticidad

bartlett.test(modelo$residuals~grupo)

EJERCICIO 3

str(Libro2)

x=as.factor(Libro2$edad)

z=as.factor(Libro2$tabaco)

w=as.factor(Libro2$sexo)

y=Libro2$nicotina

## Hipotesis estad?

#Ho: "La edad no influye en el efecto de consumo"

#Ho: "Las dos marcas de tabáco poseen el mismo efecto"

#Ho: "No hay diferencia del efecto en hombres y mujeres"

#Ho: "El efecto de los tabacos en las distintas edades es igual"

#Ho: "La edad y el sexo no influyen en el efecto"

#Ho: "El sexo del individuo no influye en el efecto de las 2 marcas de tabaco"

#Ho: "La edad, la marca del tabaco y el sexo no influyen en el efecto del consumo"

# graficando:

plot.design(y ~ x * z * w, lwd=3, cex.axis=1.3, cex.lab=1.3, las=1, cex=0.7)

require(gplots)

plotmeans(y ~ interaction(x, z, w), lwd=3, barwidth=2)

# usando cajas

colores=rep(c(2,3),3)

par(mar=c(8,4,4,2))

boxplot(y ~ x + z + w, col=colores, las=2, xlab="")

interaction.plot(z, x, y, lwd=2)

interaction.plot(z, w, y, lwd=2)

interaction.plot(w, x, y, lwd=2)

modelo=aov(y ~ x * z * w)

summary(modelo)

TukeyHSD(modelo, which="x")

TukeyHSD(modelo)

plot(modelo, 1, pch=20)
plot(modelo, 2, pch=20)