Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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?
Después de las pruebas realizadas se observa que existe una variación de glucosa
basal y posprandial en adultos y en jóvenes, siendo así que la concentración basal
y posprandial es mayor en adultos que en jóvenes. Esto lo pudimos evidencia
tanto en los boxplot como en el valor p, esto será explicado y evidenciado en los
siguientes literales.
Para esto realizamos el boxplot comparando la glicemia basal y posprandial tanto en jóvenes
como en adultos.
Luego de ello notamos que hay diferencia en ambos, pero como podemos ver en jóvenes va
desde 80 hasta un poco más de los 140, en cambio en adultos hay mayor variación ya que va
desde los 80 hasta aproximadamente los 200.
Para verificar pasamos a realizar los t test y comprobar las hipótesis. En el t test de jóvenes
obtuvimos una valor p de 1.359e-11con una diferencia significativa de -63.5. Por otro lado,
en el t test de adultos obtuvimos un valor p de 1.1394e-11 y una diferencia significativa de -
96.1. Se debe rescatar que en ambas se planteó la hipótesis “No hay diferencia entre glicemia
basal y posprandial”. pudiendo así reafirmar que hay una mayor variación en adultos que en
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:
Luego de esto procedemos a aplicar el test de comparación multiple Tuckey con su respectivo
plot para verlo gráfica y numericamente.
En la gráfica podemos observar que hay variación entre los grupos, siendo la
variación más alta entre niños autistas y niños normales. Esto lo corroboramos a
través de la prueba de Tuckey, donde obtuvimos los siguientes resultados:
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.
Las hipotesis nulas planteadas con respecto de la interacción de los factores fueron;
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".
De estas hipótesis las aceptas fueron las 4 ya que el p valor era mayor a 0.05 en todas.
Para observar esto lo primero que vamos a hacer es plantear un boxplot para
identeficar en que edad es mayor el consumo de tabaco.
Despues de realizar las distintas pruebas, entre ellas la summary modelo obtuvimos
para la hipotesis nula “Las dos marcas de tabaco posee el mismo efecto” un valor p de
0.93, pudiendo así aceptar la hipóteis, quedando claro que las dos marcas poseen el
mismo efecto por lo tanto no es un factor determinante en el nivel de nicotina.
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?
modelo=aov(y ~ x * z * w)
> summary(modelo)
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
t = -10.52, df = 9, p-value = 2.343e-06
-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
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$`Jóvenes B`
+ ylab="glicemia",xlab="grupo")
> medias=c(mean(j1),mean(j2))
> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)
> d= j1-j2
>d
[1] -55 -61 -69 -66 -64 -57 -65 -66 -62 -70
> shapiro.test(d)
data: d
Paired t-test
data: j1 and j2
-66.95961 -60.04039
sample estimates:
mean difference
-63.5
+ ylab="glicemia",xlab="grupo")
> medias=c(mean(d1),mean(d2))
> segments(1,medias[1],2,medias[2],col=2,lty=2,lwd=3)
> # Ho: No hay diferencia entre la glicemia basal y pospandrial
> d= d1-d2
>d
[1] -98 -96 -98 -101 -80 -95 -96 -101 -89 -107
> shapiro.test(d)
data: d
Paired t-test
data: d1 and d2
-101.35083 -90.84917
sample estimates:
mean difference
-96.1
EJERCICIO 2
autistas=c(755,385,380,215,400,343,415,360,345,450,410,435,460,360,225,900,365,440,820,
400,170,300,325)
normales=c(165,390,290,435,235,345,320,330,205,375,345,305,220,270,355,360,335,305,32
5,245,285,370,345,345,230,370,285,315,195,270,305,375,220)
retraso=c(380,510,315,565,715,380,390,245,155,335,295,200,105,105,245)
#### Solucion:
y=c(autistas,normales,retraso)
modelo=aov(y ~ grupo)
summary(modelo)
# Test de Tukey
TukeyHSD(modelo)
plot(TukeyHSD(modelo))
# Verificaci?n de supuestos
plot(modelo, 1, pch=20)
plot(modelo, 2, pch=20)
# Normalidad
shapiro.test(modelo$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, 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)