DCA en Rstudio

transformación angular arcoseno
y
Y ¿ =arcsen
√ 100
Donde y es cualquier valor entre 0% y 100%.
DBCA
> attach(DISENOCOMPLET)
> names(DISENOCOMPLET)
[1] "EpocadeA" "AnOestu" "RESUSLTADO"
> DISENOCOMPLET$EpocadeA<-as.factor(DISENOCOMPLET$EpocadeA)
> DISENOCOMPLET$AnOestu<-as.factor(DISENOCOMPLET$AnOestu)
> DISENOCOMPLET$RESUSLTADO<-as.numeric(DISENOCOMPLET$RESUSLTADO)
Prueba de normalidad para datos menores n=50
> length(RESULTADO)
[1] 20
> hist(RESULTADO)
>shapiro_test(RESUSLTADO, data= DISENOCOMPLET)
Cuando tenemos mas de 50 casos usamos kolmorov

>lillie.test()
si el p-valor mayor a alfa (nivel de significancia) entonces los datos si se asemejan o

provienen de una distribución normal
grafico
> boxplot(DISENOCOMPLET$RESUSLTADO~DISENOCOMPLET$EpocadeA,ylab =
"RESUSLTADO", xlab = "EpocadeA", notch=F, outline=T, col="red")
> boxplot(DISENOCOMPLET$RESUSLTADO~DISENOCOMPLET$AnOestu,ylab =
"RESUSLTADO", xlab = "AnOestu", notch=F, outline=T, col="red")
anova
> modelo<-aov(RESUSLTADO~AnOestu+EpocadeA, data = DISENOCOMPLET)
> anova(modelo)
si el p-valor menor a alfa nos quiere decir que el resultado se ve afectado por un factor
o tratamiento
Comparacion de pares
> pairwise.t.test(x = DISENOCOMPLET$RESUSLTADO, g =
DISENOCOMPLET$Anestu,p.adjust.method = c("bonferroni"))
> pairwise.t.test(x = DISENOCOMPLET$RESUSLTADO, g =
DISENOCOMPLET$Sexoanim,p.adjust.method = c("bonferroni"))
Ajuste de Bonferroni para evitar errores estadísticos
Prueba de tukey
> TukeyHSD(modelo)
si el p-valor menor a alfa nos indica que el resultado es distinto en los tratamientos
indicados
Librerías
Cardata, Car, Nortest, rstatix, datarium, agricolae, grouped, dplyr
JI CUADRADO
> Positivos<-c(4,13,8)
> Negativos<-c(62,53,58)
> Tabla05<-cbind(Positivos,Negativos)
> rownames(Tabla05)<-c("Ayaviri","Macari","Santa Rosa")
> Tabla05
Positivos Negativos
Ayaviri 4 62
Macari 13 53
Santa Rosa 8 58
> chisq.test(Tabla05)
Pearson's Chi-squared test
data: Tabla05
X-squared = 5.5852, df = 2, p-value = 0.06126
> chisq.test(Tabla05,correct = F)
Pearson's Chi-squared test
data: Tabla05
X-squared = 5.5852, df = 2, p-value = 0.06126
chisq.test(Tabla07, simulate.p.value = TRUE)
ANALISIS COMPLETO CON CONVERSION ARCO-SENO

> attach(DISENOCOMPLET)
> DISENOCOMPLET$EDAD<-as.factor(DISENOCOMPLET$EDAD)
> DISENOCOMPLET$ALTERACION<-as.factor(DISENOCOMPLET$ALTERACION)
> DISENOCOMPLET$PREVALENCIA<-as.numeric(DISENOCOMPLET$PREVALENCIA)
> cos<-asin(sqrt(PREVALENCIA))
> cos
[1] 1.470128 1.428187 1.570796 1.381519 1.344139
[6] 1.470128
> length(cos)
[1] 6
> hist(cos)
> shapiro.test(cos)
Shapiro-Wilk normality test
data: cos
W = 0.96246, p-value = 0.8385
> boxplot(cos~EDAD,ylab = "cos", xlab = "EDAD", notch=F, outline=T, col= "red")
> boxplot(cos~ALTERACION,ylab = "cos", xlab = "ALTERACION", notch=F, outline=T, col= "red")
> criop<-data.frame(EDAD,ALTERACION,cos)
> criop
EDAD ALTERACION cos
1 Jovenes SBF 1.470128
2 Jovenes SE 1.428187
3 Jovenes SQ 1.570796
4 Adultos SBF 1.381519
5 Adultos SE 1.344139
6 Adultos SQ 1.470128
> modeloanova<-aov(cos~EDAD+ALTERACION, data = criop)
> anova(modeloanova)
Analysis of Variance Table
Response: cos
Df Sum Sq Mean Sq F value Pr(>F)
EDAD 1 0.0124511 0.0124511 337.67 0.002948 **
ALTERACION 2 0.0190438 0.0095219 258.23 0.003858 **
Residuals 2 0.0000737 0.0000369
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> TukeyHSD(modeloanova)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = cos ~ EDAD + ALTERACION, data = criop)
$EDAD
diff lwr upr p adj
Jovenes-Adultos 0.0911084 0.06979377 0.112423 0.0025115
$ALTERACION
diff lwr upr p adj
SE-SBF -0.03966083 -0.07543187 -0.003889784 0.0410587
SQ-SBF 0.09463851 0.05886747 0.130409556 0.0074381
SQ-SE 0.13429934 0.09852829 0.170070384 0.0032796
Intervalo de confianza de Prevalencia

> library(agricolae)
> n<-198
> p<-25/n
> error.est.p<-sqrt((p*(1-p))/n)
> error.p<-1.96*error.est.p
> lin.inf.p<- p- error.p
> lim.sup.p<- p+ error.p
> interval_p<-data.frame(n,p,error.est.p,error.p,lin.inf.p,lim.sup.p)
> interval_p
n p error.est.p error.p lin.inf.p lim.sup.p
1 198 0.1262626 0.02360453 0.04626487 0.07999776 1 0.1725275

DCA en Rstudio

Cargado por

Copyright:

Formatos disponibles

DCA en Rstudio

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

DCA en Rstudio

Cargado por

Copyright:

Formatos disponibles

transformación angular arcoseno

Cuando tenemos mas de 50 casos usamos kolmorov

si el p-valor mayor a alfa (nivel de significancia) entonces los datos si se asemejan o

Ajuste de Bonferroni para evitar errores estadísticos

Pearson's Chi-squared test

Pearson's Chi-squared test

chisq.test(Tabla07, simulate.p.value = TRUE)

ANALISIS COMPLETO CON CONVERSION ARCO-SENO

Intervalo de confianza de Prevalencia

> lin.inf.p<- p- error.p

> lim.sup.p<- p+ error.p

n p error.est.p error.p lin.inf.p lim.sup.p

1 198 0.1262626 0.02360453 0.04626487 0.07999776 1 0.1725275

También podría gustarte