UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA
FACULTAD DE CIENCIAS QUÍMICAS
ANOVA DE UN FACTOR
Karen Hernández Martínez
349119
PROFESOR
Julio César Robles Venzor
ASIGNATURA
Bioestadística
Chihuahua Chih., a 31 de Marzo del 2023
DCA (Diseño completamente al azar)
Ejercicio
Al investigar sobre los peligros de la cafeína, un investigador agrega dos tipos de cafeína (la que se encuentra
en el café y la que se encuentra en el chocolate) al suministro de agua de grupos de ratas criadas en laboratorio.
Por lo general, esta especie sobrevive cerca de 13 meses. El suministro de agua del grupo control de ratas
no fue alterado con cafeína. ¿Afecta la cafeína el tiempo de vida de las ratas? Prueba la hipótesis con los
siguientes datos.
Cafeína de café Cafeína de chocolate Control
398 401 412
372 389 386
413 413 394
419 396 409
408 406 415
393 378 401
387 382 384
414 417 398
Variable respuesta: Tiempo de vida de las ratas al suministrarle o no cafeína. Tratamiento: Dos tipos de
cafeína administrados a las ratas.
1. Contraste de hipótesis.
Ho : La media del tiempo de vida de las ratas criadas en el laboratorio es igual para todos los grupos de
cafeína.
Ha : La media del tiempo de vida de las ratas criadas en el laboratorio es diferente en al menos uno de los
grupos de cafeína.
2. Modelo estadístico
Yij = µ + τi + i j
3. Descripción del modelo estadístico
Yij = Tiempo de vida de las ratas criadas en el laboratorio del i-ésimo nivel del factor grupos de cafeína en la
j-ésima repetición.
µ = la media general. = el efecto aleatorio del i-esimo nivel del factor grupos
τi = efecto fijo del iesimo nivel del factor grupos de cafeína.
ij = Efecto aleatorio del i-ésimo nivel del factor grupos de cafeína en la j-ésima repetición.
[Link]("ggplot2")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.2'
## (as 'lib' is unspecified)
library(ggplot2)
[Link]("agricolae")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.2'
## (as 'lib' is unspecified)
library(agricolae)
[Link]("car")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.2'
## (as 'lib' is unspecified)
library(car)
## Loading required package: carData
library(carData)
[Link]("emmeans")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.2'
## (as 'lib' is unspecified)
library(emmeans)
library(readxl)
DCA <- read_excel("[Link]")
summary(DCA)
## Grupo Densidad
## Length:24 Min. :372.0
## Class :character 1st Qu.:388.5
## Mode :character Median :399.5
## Mean :399.4
## 3rd Qu.:412.2
## Max. :419.0
attach(DCA)
Gráfico_Grupo <- ggplot(DCA,aes(Grupo,Densidad))+geom_boxplot(aes(color=Grupo))
Gráfico_Grupo
420
410
400 Grupo
Densidad
CC
CCH
CSC
390
380
370
CC CCH CSC
Grupo
4. Resultados (Cuadro ANOVA)
Modelo <- aov (Densidad~Grupo)
summary(Modelo)
## Df Sum Sq Mean Sq F value Pr(>F)
## Grupo 2 33 16.63 0.084 0.919
## Residuals 21 4136 196.97
5. Decisión
No se rechaza la hipótesis nula (P>α)
6. Conclusión
La media de tiempo de vida de las ratas es igual para todos los grupos de cafeína
Modelo de medias
Modelo_Medias <- emmeans(Modelo,specs = ~Grupo)
Modelo_Medias
## Grupo emmean SE df [Link] [Link]
## CC 400 4.96 21 390 411
## CCH 398 4.96 21 387 408
## CSC 400 4.96 21 390 410
##
## Confidence level used: 0.95
plot (Modelo_Medias)
CSC
Grupo
CCH
CC
390 395 400 405 410
emmean
7. Comprobación de supuestos
Supuestos de normalidad
Prueba de normalidad de “Shapiro”
plot(Modelo)
Residuals vs Fitted
20
10 16
Residuals
0
−30 −20 −10
14
398.0 398.5 399.0 399.5 400.0 400.5
Fitted values
aov(Densidad ~ Grupo)
Normal Q−Q
16
Standardized residuals
1
0
−1
14
−2
−2 −1 0 1 2
Theoretical Quantiles
aov(Densidad ~ Grupo)
Scale−Location
1.5
2
Standardized residuals
14
16
1.0
0.5
0.0
398.0 398.5 399.0 399.5 400.0 400.5
Fitted values
aov(Densidad ~ Grupo)
Constant Leverage:
Residuals vs Factor Levels
16
Standardized residuals
1
0
−1
14
−2
Grupo :
CC CCH CSC
Factor Level Combinations
Prueba_de_Normalidad <- [Link](Modelo$residuals)
Prueba_de_Normalidad
##
## Shapiro-Wilk normality test
##
## data: Modelo$residuals
## W = 0.95465, p-value = 0.3405
De acuerdo al valor de P (0.3405) se nos indica que los residuales siguen una distribución normal
Supuestos igualdad de varianzas
Prueba de homocedasticidad de “Bartlett”
Varianzas_Bartlett <- [Link](Densidad~Grupo)
Varianzas_Bartlett
##
## Bartlett test of homogeneity of variances
##
## data: Densidad by Grupo
## Bartlett's K-squared = 0.67059, df = 2, p-value = 0.7151
Prueba de homocedasticidad de “Levene”
Varianzas_Levene <- leveneTest(Densidad~[Link](Grupo))
Varianzas_Levene
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 0.5166 0.6039
## 21
De acuerdo al valor de P se nos indica que las varianzas son iguales
EJERCICIO 2 DCBA
Se están comparando tres soluciones de lavado a fin de estudiar su efectividad para retardar el crecimiento de
bacterias en contenedores de leche de 5 galones. El análisis se hace en un laboratorio y sólo pueden realizarse
tres ensayos en un día. Puesto que los días podrían representar una fuente potencial de variabilidad, el
experimentador decide usar un diseño en bloques aleatorizados. Se hacen observaciones en cuatro días, cuyos
datos se muestran enseguida: Analizar los datos de experimento (Utilizar a=0.05) y sacar las conclusiones
apropiadas
Solución Día 1 Día 2 Día 3 Día 4
1 13 22 18 39
2 16 24 17 44
3 5 4 1 22
1. Contraste hipótesis
Ho : La media del crecimiento bacteriano en contenedores de leche de 5 galones es igual para todas las
soluciones de lavado
Ha : La media del crecimiento bacteriano en contenedores de leche de 5 galones es diferente en al menos una
solución de lavado
2. Modelo estadístico
Yij = µ + τi + Bi + i j
3. Descripción del modelo
Yij = Crecimiento bacteriano en galones de leche del i-ésimo nivel del factor soluciones de lavado en el j-ésimo
nivel del factor días.
µ = la media general. = el efecto aleatorio del i-esimo nivel del factor soluciones de lavado.
τi = Efecto fijo del i-ésimo nivel del factor soluciones de lavado.
Bi = Efecto aleatorio del j-ésimo nivel del factor días.
ij = Efecto aleatorio del i-ésimo nivel del factor soluciones de lavado en el j-ésimo nivel del factor días.
DBCA <- read_excel("[Link]")
summary(DBCA)
## Solución Días Crecimiento
## Length:12 Length:12 Min. : 1.00
## Class :character Class :character 1st Qu.:11.00
## Mode :character Mode :character Median :17.50
## Mean :18.75
## 3rd Qu.:22.50
## Max. :44.00
attach(DBCA)
Gráfico_Solución <- ggplot(DBCA,aes(Solución,Crecimiento))+geom_boxplot(aes(color=Solución))
Gráfico_Solución
40
30
Solución
Crecimiento
Dos
Tres
20
Uno
10
0
Dos Tres Uno
Solución
Gráfico_Días <- ggplot(DBCA,aes(Días,Crecimiento))+geom_boxplot(aes(color=Días))
Gráfico_Días
40
30
Días
Crecimiento
Día cuatro
Día dos
20 Día tres
Día uno
10
0
Día cuatro Día dos Día tres Día uno
Días
4. Resultados (Cuadro ANOVA)
DBCA <- aov(Crecimiento~Solución+`Días`)
summary(DBCA)
## Df Sum Sq Mean Sq F value Pr(>F)
## Solución 2 703.5 351.7 40.72 0.000323 ***
## Días 3 1106.9 369.0 42.71 0.000192 ***
## Residuals 6 51.8 8.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
5. Decision
Se rechaza la H0 (P>α)
6. Conclusión
La media del crecimiento bacteriano en contenedores de leche de 5 galones es diferente en al menos una
solución de lavado (P= 0.000323)
Modelo de medias
Modelo_DBCA <- aov(Crecimiento~Solución+`Días`)
summary(Modelo_DBCA)
## Df Sum Sq Mean Sq F value Pr(>F)
## Solución 2 703.5 351.7 40.72 0.000323 ***
## Días 3 1106.9 369.0 42.71 0.000192 ***
## Residuals 6 51.8 8.6
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Modelo_Medias_DBCA <- emmeans(Modelo_DBCA,specs = ~Solución)
Modelo_Medias_DBCA
## Solución emmean SE df [Link] [Link]
## Dos 25.2 1.47 6 21.7 28.8
## Tres 8.0 1.47 6 4.4 11.6
## Uno 23.0 1.47 6 19.4 26.6
##
## Results are averaged over the levels of: Días
## Confidence level used: 0.95
plot(Modelo_Medias_DBCA)
Uno
Solución
Tres
Dos
10 20 30
emmean
Comparación múltiple de medias (Tukey porque no hay grupo control y es por
pares)
Comparaciones_Tukey_DBCA <- contrast(Modelo_Medias_DBCA,"tukey")
Comparaciones_Tukey_DBCA
## contrast estimate SE df [Link] [Link]
## Dos - Tres 17.25 2.08 6 8.300 0.0004
## Dos - Uno 2.25 2.08 6 1.083 0.5578
## Tres - Uno -15.00 2.08 6 -7.217 0.0009
##
## Results are averaged over the levels of: Días
## P value adjustment: tukey method for comparing a family of 3 estimates
plot(Comparaciones_Tukey_DBCA)
Tres − Uno
contrast
Dos − Uno
Dos − Tres
−20 −10 0 10 20
estimate
plot(Modelo_DBCA)
Residuals vs Fitted
4 9
8
2
Residuals
0
−2
0 10 20 30 40
Fitted values
aov(Crecimiento ~ Solución + Días)
Normal Q−Q
9
2
Standardized residuals
8
1
0
−1
−1.5 −1.0 −0.5 0.0 0.5 1.0 1.5
Theoretical Quantiles
aov(Crecimiento ~ Solución + Días)
Scale−Location
1.5
9
Standardized residuals
1 8
1.0
0.5
0.0
0 10 20 30 40
Fitted values
aov(Crecimiento ~ Solución + Días)
Constant Leverage:
Residuals vs Factor Levels
9
2
Standardized residuals
8
1
0
−1
Solución :
Dos Tres Uno
Factor Level Combinations
Soluciones 1 y 3 son estadisticamente diferentes.
Soluciones 2 y 3 son estadisticamente diferentes.
Las soluciones anteriores son estadíscamente iguales entre sí, así que se puede utilizar cualquiera de las
anteriores conforme mejor le convenga al investigador.
7. Comprobación de supuestos
Supuestos de normalidad
Prueba de normalidad de “Shapiro”
Normalidad_DBCA <- [Link](Modelo_DBCA$residuals)
Normalidad_DBCA
##
## Shapiro-Wilk normality test
##
## data: Modelo_DBCA$residuals
## W = 0.93208, p-value = 0.4027
Sigue una distribución normal conforme al valor de P
Supuestos igualdad de varianzas
Prueba de homocedasticidad de “Bartlett”
Varianzas_Bartlett_DBCA <- [Link](Crecimiento~Solución)
Varianzas_Bartlett_DBCA
##
## Bartlett test of homogeneity of variances
##
## data: Crecimiento by Solución
## Bartlett's K-squared = 0.255, df = 2, p-value = 0.8803
Prueba de homocedasticidad de “Levene”
Varianzas_Levene <- leveneTest(Crecimiento~[Link](Solución))
Varianzas_Levene
## Levene's Test for Homogeneity of Variance (center = median)
## Df F value Pr(>F)
## group 2 0.1419 0.8696
## 9
De acuerdo al valor de P=0.8696 nos indica que las varianzas son iguales, se cumple el supuesto de homoce-
dasticidad
