Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TITULACIÓN DE MEDICINA
● Diego Herrera
● Camila Monroy
● Carlos Sigüensa
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?
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.
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:
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.
3. Ejercicio Nro. 3
require(gplots)
Donde:
X es la edad
Y es la concentración de nicotina
2. Contrastar la hipótesis nula de no interacción entre los factores.
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?
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)
5. Comparar el nivel medio de nicotina entre las mujeres y los hombres. ¿Se detectan
diferencias significativas?
EJERCICIO 1
+ las=1, ylab="glicemia",xlab="grupo")
> medias=c(mean(j2),mean(d2))
> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)
> d= j2-d2
>d
[1] -60 -40 -42 -48 -21 -31 -41 -35 -25 -50
> shapiro.test(d)
data: d
Paired t-test
data: j2 and d2
-47.75111 -30.84889
sample estimates:
mean difference
-39.3
+ las=1, ylab="glicemia",xlab="grupo")
> medias=c(mean(j1),mean(d1))
> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)
> d= j1-d1
>d
> shapiro.test(d)
data: d
Paired t-test
data: j1 and d1
-12.292711 -1.107289
sample estimates:
mean difference
-6.7
> str(Libro1)
$ Jóvenes 60: num [1:10] 136 150 149 141 138 154 141 155 145 147
$ Adultos 60: num [1:10] 196 190 191 189 159 185 182 190 170 197
> j1=Libro1$`Jóvenes B`
+ ylab="glicemia",xlab="grupo")
> medias=c(mean(j1),mean(j2))
> points(medias,col=2,cex=2, pch=20)
> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)
> d= j1-j2
>d
[1] -55 -61 -69 -66 -64 -57 -65 -66 -62 -70
> shapiro.test(d)
data: d
Paired t-test
data: j1 and j2
-66.95961 -60.04039
sample estimates:
mean difference
-63.5
+ ylab="glicemia",xlab="grupo")
> medias=c(mean(d1),mean(d2))
> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)
> d= d1-d2
>d
[1] -98 -96 -98 -101 -80 -95 -96 -101 -89 -107
> shapiro.test(d)
data: d
Paired t-test
data: d1 and d2
-101.35083 -90.84917
sample estimates:
mean difference
-96.1
EJERCICIO 2
autistas=c(755,385,380,215,400,343,415,360,345,450,410,435,460,360,225,900,365,440,820,
400,170,300,325)
normales=c(165,390,290,435,235,345,320,330,205,375,345,305,220,270,355,360,335,305,32
5,245,285,370,345,345,230,370,285,315,195,270,305,375,220)
retraso=c(380,510,315,565,715,380,390,245,155,335,295,200,105,105,245)
#### Solucion:
y=c(autistas,normales,retraso)
modelo=aov(y ~ grupo)
summary(modelo)
# Concl: Puesto que p-valor > 0.05, se acepta la Ho
# Test de Tukey
TukeyHSD(modelo)
plot(TukeyHSD(modelo))
# Verificaci?n de supuestos
plot(modelo, 1, pch=20)
plot(modelo, 2, pch=20)
# Normalidad
shapiro.test(modelo$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: "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:
require(gplots)
# usando cajas
colores=rep(c(2,3),3)
par(mar=c(8,4,4,2))
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)