Traducido del inglés al español - www.onlinedoctranslator.

com

para biólogos
Versión 1.1 – Diciembre 2009

marco martinez

Apoyado por la Universidad de Tennessee, Knoxville y la Fundación Nacional de

Ciencias a través del Acuerdo de Cooperación EF-0832858 a la Universidad de
Tennesse.
 Prefacio

Este material pretende ser una guía introductoria al análisis de datos con el sistema R, para ayudar
en la capacitación en computación estadística para investigadores de ciencias de la vida. Fue
producido como material complementario para un seminario (R Tutorial for Life Sciences) impartido
en la Universidad de Tennessee en la primavera de 2009, patrocinado por el Instituto Nacional de
Síntesis Matemática y Biológica (NIMBioS), para estudiantes de posgrado en diferentes áreas
biológicas. Este material se produjo para servir como una introducción básica a R para
investigadores y estudiantes que visiten NIMBioS. Muchas guías más avanzadas están disponibles
tanto en el sitio web de R como en varios libros.

El objetivo principal es proporcionar una guía paso a paso sobre el uso de R para realizar análisis
estadísticos y técnicas ampliamente utilizadas en las ciencias de la vida. En cada sección, damos una
explicación detallada de un comando en R, seguido de un ejemplo biológico con todas las
instrucciones (en rojo) necesarias para ejecutar la prueba y con la salida correspondiente en R (en
azul). En varios apartados dejamos como ejercicio algunas preguntas o análisis adicionales. También
al final de algunas secciones damos una lista de otros comandos en R relacionados con los temas
explicados en la sección correspondiente. Suponemos algunos conocimientos previos en estadística
y diseño experimental, esencialmente correspondientes a un curso básico de introducción a la
estadística de pregrado.

Estas notas fueron escritas para aprovechar la versión R 2.8.1 o posterior, bajo un sistema
operativo Windows. Esta es la versión 1.1 de estas notas, generada en mayo de 2009 y editada
en cuanto a estilo y contenido por el director de NIMBioS, Louis Gross, en diciembre de 2009.
Este documento está disponible para su descarga desde el sitio NIMBioS.org y se proporciona
de forma gratuita sin garantía por su utilizar. No se puede modificar de este formulario sin
autorización expresa del autor.

marco martinez
Estudiante de Posgrado - Ecología Matemática
Departamento de Matemáticas
La Universidad de Tennessee - Knoxville
[email protected]
diciembre 2009

2
 Contenido

1. UNA INTRODUCCIÓN A R ............................................... .................................................... .................... 4

1,1 vatiosEL SOMBRERO ESR? .................................................... .................................................... ..................................... 4

1,2 horasCÓMO INSTALARR?.................................................. .................................................... .......................... 4
1.2.1 El sistema base .............................................. .................................................... ............................. 4
1.2.2 Paquetes .............................................. .................................................... ..................................... 6
1,3 ASESIÓN DE MUESTRA.................................................... .................................................... .......................... 7
1,4 horasCÓMO OBTENER AYUDA.................................................... .................................................... .......................... 9
1.5DOCUMENTACION.................................................... .................................................... ............................. 9
1.5.1 Documentación gratuita .............................................. .................................................... ................... 10
1.5.2 Libros................................................... .................................................... .......................................... 10
1.6DIMPORTACIÓN ATA.................................................... .................................................... ............................. 10

2. ESTADÍSTICAS DESCRIPTIVAS ............................................... .................................................... ............. 11

3. PRUEBAS DE UNA Y DOS MUESTRAS ........................................... .................................................... ........ 14

3.1OPRUEBA DE MUESTRA NE.................................................... .................................................... ......................... 14

3,2 toneladasPRUEBA DE MUESTRA WO.................................................... .................................................... ......................... 14
3.2.1 Prueba t de varianza desigual ........................................... .................................................... ................. 15
3.2.2 Prueba t pareada ............................................. .................................................... ................................. dieciséis

4. ANÁLISIS DE LA VARIANZA DE UN FACTOR ÚNICO ........................................... .................................... 17

4.1PARAMÉTRICOAANÁLISIS DE LA VARIANZA(ANOVA) .................................................. ............................. 17

4,2ASUPUESTOS.................................................... .................................................... .......................... 18
4.1.1 Normalidad .............................................. .................................................... .................................... 18
4.1.2 Homogeneidad de varianzas (Homocedasticidad) ............................................... ............................... 19
4,3 norteEN PARAMÉTRICOAANÁLISIS(KRUSKAL- WTODO ES) .................................................. .......................... 20

5. PRUEBAS DE COMPARACIÓN MÚLTIPLE ........................................... .................................................... ... 22

5,1 toneladasPRUEBA UKEY.................................................... .................................................... .................................... 22

5,2 litrosDIFERENCIA SIGNIFICATIVA ORIENTE(LSD)PRUEBA.................................................... .......................... 24

6. OTROS ANÁLISIS DE VARIANZA ............................................... .................................................... .. 26

6.1 RDISEÑO DE BLOQUE ANDOMIZADO.................................................... .................................................... ........ 26

6.1.1 Análisis de varianza paramétrico........................................... .................................................... .. 26
6.1.2 Análisis de varianza no paramétrico (Friedman) ........................................... ............................. 27
6.2FESTRUCTURA ACTORIAL.................................................... .................................................... .......... 28
7. REGRESIÓN Y CORRELACIÓN ............................................... .................................................. 32
7.1 REGRESIÓN.................................................... .................................................... .................................... 32
7.2CORRELACION.................................................... .................................................... ............................... 33

BIBLIOGRAFÍA................................................. .................................................... .................................... 35

3
 1. Una introducción a R

1.1 ¿Qué es R?
R es un programa informático estadístico disponible a través de Internet bajo la Licencia
Pública General (GPL). Es decir, se entrega con una licencia que te permite usarlo libremente,
distribuirlo o incluso venderlo, siempre que el receptor tenga los mismos derechos y el código
fuente esté disponible libremente. Está disponible para Microsoft Windows XP o posterior, para
una variedad de plataformas Unix y Linux, y para Apple Macintosh OS X (Dalgaard, 2002).

R es un conjunto integrado de funciones de software para la manipulación de datos, el cálculo y la

visualización gráfica (Venableset al.2009). Hay una diferencia de filosofía entre R y algún otro
software estadístico, ya que en R un análisis estadístico normalmente se realiza como una serie de
pasos, y los resultados intermedios se almacenan como objetos. Por lo tanto, mientras que SAS y
SPSS darán una salida copiosa de una regresión, R dará una salida mínima y almacenará los
resultados en un objeto (un "ajuste" estadístico) para su posterior interrogación por otras funciones
de R (Venableset al.2009).

1.2 ¿Cómo instalar R?

Estas instrucciones se dan para la versión R 2.8.1

1.2.1 El sistema base

Aquí damos instrucciones detalladas para descargar R. Tenga en cuenta que se pueden lanzar nuevas
versiones con algunas diferencias: la página web principal de R tiene detalles sobre las nuevas versiones.

1. Ir a la página web de R:http://www.r-project.org/

2. En la parte izquierda, busque CRAN y haga clic allí.

4
3. Ahora puede elegir un sitio espejo para descargar el programa. Puede elegir cualquier
espejo: aquí lo ilustramos usando el primero en los EE. UU., la Universidad de California,
Berkeley.

4. Luego, elegimos nuestro sistema operativo (por ejemplo, Windows en nuestro ejemplo). Luego haga clic en
"base".

5
5. Finalmente descargamos el archivo R-2.8.1-win32.exe el cual ejecuta R.

1.2.2 Paquetes
Una instalación de R contiene una o más bibliotecas de paquetes. Algunos de estos paquetes son
parte de la instalación base. Otros pueden descargarse de CRAN (consulte el Apéndice A), que
actualmente alberga más de 1000 paquetes para diversos fines (Dalgaard, 2002). Un paquete puede
contener funciones escritas en lenguaje R y conjuntos de datos. La mayoría de los paquetes
implementan funcionalidades que los usuarios probablemente no necesitarán tener cargadas todo
el tiempo (Dalgaard, 2002).

Una vez finalizada la instalación base, puede instalar paquetes en R usando: Abra R y
desde la ventana de R, vaya al menú Paquetes.

6
Luego seleccione Instalar paquete(s), elija un espejo y luego seleccione el(los) paquete(s) que
necesita instalar. Este proceso debe realizarse una vez para cada paquete.

Para usar un paquete, debe cargar el paquete. Para hacer eso, vaya al menú Paquetes, luego
seleccione Cargar paquete y elija los paquetes que necesita. Este proceso debe realizarse cada
vez que abra una nueva sesión y desee utilizar una función específica en un paquete que no
está en el sistema base.

1.3 Una sesión de muestra

Antes de comenzar con esta sección, asegúrese de tener una instalación de R en funcionamiento.
Cuando abra R, debería ver la ventana de la consola:

R funciona fundamentalmente con un modelo de preguntas y respuestas: ingresas una línea con un
comando y presionas Enter. Luego, el programa hace algo, imprime el resultado si es relevante y
solicita más información. Cuando R está listo para la entrada, imprime su mensaje, un ">símbolo
” (Dalgaard, 2002).

Una de las tareas más simples posibles en R es ingresar una expresión aritmética y recibir un
resultado (Dalgaard, 2002). La primera línea en rojo (fuente courier new) son las entradas o
instrucciones que escribimos, la segunda línea en azul (fuente courier new) son las salidas o
respuestas de R.

> 3+2 "Instrucción o entradas”

[15 “Respuestas o Salidas”

También podemos realizar otros cálculos aritméticos estándar:

> 4^2
[1] 16

7
> sqrt(36)
[dieciséis
> pi
[1] 3.141593
> exp(1)
[1] 2.718282

El número entre paréntesis es el índice del primer número de esa línea (Dalgaard, 2002).
Considere el caso de generar la secuencia de números enteros del 50 al 100

> 50:100
[1] 50 51 52 53 54 55 56 57 58 59 60 61 62 63
[15] 64 65 66 67 68 69 70 71 72 73 74 75 76 77
[29] 78 79 80 81 82 83 84 85 86 87 88 89 90 91
[43] 92 93 94 95 96 97 98 99 100

Aquí [15] indica que 64 es el elemento quince en el vector de salida de este

comando.

Uno de los procedimientos más comunes en R es almacenar números o resultados. R, como otros
lenguajes de programación, tiene variables simbólicas que son nombres que pueden usarse para
representar valores (Dalgaard, 2002). Para asignar el valor 10 a la variablea:

> a<-10

Los dos caracteres <- deben leerse como un solo símbolo: una flecha que apunta a la variable a
la que se le asigna el valor. Esto se conoce como el operador de asignación. R generalmente
ignora el espacio alrededor de los operadores, pero observe que agregar un espacio en medio
de un <- cambia el significado a "menor que" seguido de "menos" (Dalgaard, 2002). También
tenga en cuenta que no hay un resultado visible de inmediato, pero a partir de ahora,atiene el
valor 10 y se puede utilizar en expresiones aritméticas posteriores.

> un
[1] 10
> un*2
[1] 20
> a/5
[1] 2
> a+2
[1] 12

R permite sobrescribir variables, sin proporcionar ninguna advertencia de que está redefiniendo una
variable a la que se le había asignado un valor previamente.

> a<-234
> un
[1] 234
> a<-456.43
> un
[1] 456.43

Técnicamente, R es un lenguaje de expresión con una sintaxis muy simple. Se distingue entre mayúsculas y
minúsculas, por lo queAyason símbolos diferentes y se referirían a variables diferentes. El conjunto de

8
Los símbolos que se pueden usar en los nombres R dependen del sistema operativo. Normalmente
se permiten todos los símbolos alfanuméricos más '.' y '_' (Venableset al.2009). Sin embargo, existe la
limitación de que el nombre no debe comenzar con un dígito o un punto seguido de un dígito
(Dalgaard, 2002).

> un
Error: objeto "A" no encontrado
> 2<-10
Error en 2 <- 10: lado izquierdo inválido (do_set) para la asignación
> . 3<-10
Error en 0.3 <- 10: lado izquierdo inválido (do_set) para la asignación

Para ingresar pequeños conjuntos de datos podemos usar la funciónC(). Esta es una función genérica que
combina sus argumentos en un único conjunto de datos.

> c(2,43,56,43,12,34,56,76)
[1] 2 43 56 43 12 34 56 76

Esto es útil como método para generar variables como un vector o lista de datos

> x<-c(21,23,45,32,12,34,56,7,8,98)
>x
[1] 21 23 45 32 12 34 56 7 8 98

1.4 Cómo obtener ayuda

R tiene varias formas de ayudar al usuario. Algunos de estos son:

Comando en R Resultado

ayuda (t.prueba) o Estas funciones proporcionan acceso a la documentación. En el

?t.prueba ejemplo, R proporcionará documentación para la función t.test
ayuda.buscar(“anova”) Busca en el sistema de ayuda documentación que coincida con una
cadena de caracteres determinada. Se muestran los nombres y títulos de
las entradas de ayuda coincidentes. En este ejemplo, se devolverá una
lista de funciones relacionadas con anova.
a propósito("prueba") Proporciona una lista de nombres de comandos que contienen el patrón entre
comillas. Este ejemplo enumera los comandos que contienen la palabra
"prueba".
ejemplo(t.prueba) Esto inicia la ejecución de un ejemplo, si está disponible, del uso de la
función especificada por la función de argumento.
ayuda.start() Inicie la versión de hipertexto (actualmente HTML) de la documentación
en línea de R.
RSiteSearch("") Busque palabras o frases clave en los archivos de la lista de correo de
R-help, o en los manuales y páginas de ayuda de R, usando el motor
de búsqueda enhttp://search.r-project.org y verlos en un navegador
web.

1.5 Documentación
La documentación adicional sobre R está disponible en varias fuentes, entre ellas:

9
1.5.1 Documentación gratuita
Editado por el equipo central de desarrollo de R.http://cran.r-project.org/manuals.html Manuales,
tutoriales, etc. proporcionados por los usuarios de R.http://cran.r-project.org/other-docs.html

1.5.2 Libros
Una lista de libros relacionados con R.http://www.r-project.org/doc/bib/R-books.html

1.6 Importación de datos

Los objetos de datos grandes generalmente se leerán como valores de archivos externos en lugar de
ingresarlos durante una sesión de R en el teclado. Las instalaciones de entrada de R son simples con
requisitos estrictos y algo inflexibles. Existe una clara presunción por parte de los diseñadores de R de que
podrá modificar sus archivos de entrada utilizando otras herramientas, como editores de archivos, para
cumplir con los requisitos de R (Venableset al.2009).

La forma más conveniente de leer datos en R es a través de la función llamada read.table. Requiere
que los datos estén en “formato ASCII”; es decir, un “archivo plano” creado con el NotePad de
Windows o cualquier editor de texto plano, con extensión .txt. La primera línea del archivo puede
contener un encabezado con los nombres de las variables, práctica muy recomendable (Dalgaard,
2002). Cada línea subsiguiente contiene una fila de datos.

Comando en R:
read.table(archivo, encabezado = FALSO)
archivo: el nombre del archivo del que se van a leer los datos. Cada fila de la tabla aparece
como una línea del archivo. Si no contiene una ruta absoluta, el nombre del archivo es
relativo al directorio de trabajo actual.
header: valor lógico que indica si el archivo contiene los nombres de las variables en su primera línea. El
valor predeterminado es FALSO

El directorio de trabajo se puede cambiar utilizando el elemento de menú Archivo, luego cambie el
directorio y seleccione el directorio que desee. Además, getwd() puede obtener el directorio de
trabajo actual y cambiarlo mediante setwd(mydir), donde mydir es una cadena de caracteres que
contiene la ruta al directorio de trabajo deseado (Dalgaard, 2002).

Otros comandos en R para leer datos incluyen: read.csv, read.csv2, read.delim, read.delim2
y el paquete externo que son funciones para leer y escribir datos almacenados por
paquetes estadísticos como Minitab, S, SAS, SPSS, Stata, Systat y otros.

10
 2. Estadísticas descriptivas

En datos de muestra y de población total, una medida de tendencia central proporciona una
evaluación de un "promedio" de los datos. Una medida de dispersión, o una medida de
variabilidad, es una indicación de la dispersión de las medidas alrededor del centro de la
distribución (Zar, 1999).

Ejemplo (de Samuels & Witmer 2003, p. 29)

Grillos mormones machos (Anabrus simplex) cantan para atraer parejas. Un investigador de campo midió la duración de
51 cantos fallidos, es decir, el tiempo que transcurrió hasta que el macho cantor se dio por vencido y abandonó su
percha. A continuación se muestran ejemplos de cálculo de estadísticas descriptivas básicas para dicho conjunto de
datos.

4.3 24 6.6 7.3 1.5 2.6 5.6 3.9 9.4 6.2 1.6 6.5 0.2 2.7 17 4 2
0.7 1.6 2.3 3.7 0.8 0.5 4.5 12 3.5 0.8 5.2 3.9 0.7 1.7 3.8 5 2
4.5 1.8 1.2 0.7 0.7 4.2 4.7 2.2 1.4 2.8 8.6 3.7 3.5 1.2 3.7 14 4

> grillo<-c(4.3,24.1,6.6,7.3,1.5,2.6,5.6,3.9,9.4,6.2,1.6,6.5,0.2,2.7,
+ 17.4,4, 2, 0.7,1.6,2.3,3.7,0.8,0.5,4.5,11.5,3.5,0.8,5.2,3.9,0.7,1.7,
+ 3.8,5,2,4.5,1.8,1.2,0.7,0.7,4.2,4.7,2.2,1.4,2.8,8.6,3.7,3.5,1.2,3.7,
+ 14.1,4)
> grillo
[1] 4.3 24,1 6,6 7,3 1,5 2,6 5,6 3,9 9,4 6,2 1,6 6,5 0,2
[14] 2.7 17,4 4,0 2,0 0,7 1,6 2,3 3,7 0,8 0,5 4,5 11,5 3,5
[27] 0,8 5,2 3,9 0,7 1,7 3,8 5,0 2,0 4,5 1,8 1,2 0,7 0,7
[40] 4,2 4,7 2,2 1,4 2,8 8,6 3,7 3,5 1,2 3,7 14,1 4,0

> media(grillo)
[1] 4.335294
> mediana(grillo)
[1] 3.7

> var(grillo)
[1] 19.64793
> sd(grillo)
[1] 4.432598
> rango(grillo)
[1] 0,2 24,1

> resumen(cricket)
mín. 1er cuarto Mediana Media 3er Qu. máx.
0,200 1,600 3,700 4,335 4,850 24.100

Histogramas
Comando en R:
hist(x, breaks = "Sturges", freq = NULL, main , xlab , ylab,)
x: vector de valores de datos para los que se va a construir el histograma.
roturas: un vector que proporciona los puntos de interrupción entre las celdas del histograma o un solo número que
indica el número de celdas del histograma. El valor predeterminado es el algoritmo de Sturges.

11
 frecuencia: lógico; si es VERDADERO, el gráfico del histograma es una representación de frecuencias, los
recuentos de valores de datos en cada celda del histograma; si es FALSO, el histograma es la fracción de datos
dentro de cada celda del histograma (por ejemplo, densidad de probabilidad)
main: El título principal. xlab:
etiqueta del eje X. etiqueta
del eje Y de ylab.

> hist(cricket, descansos =10,frecuencia = T,

+ main = "Histograma de tiempos de canto de grillos",
+ xlab = "Tiempo de canto (min)",
+ ylab = "Frecuencia")

> boxplot(grillo)

12
Tenga en cuenta que un "+" al comienzo de una línea indica que esta línea es una continuación de la línea
de comando anterior. Como ejercicio, agregue etiquetas al diagrama de caja anterior usando el mismo
formato que para el comando hist().

13
 3. Pruebas de una y dos muestras

3.1 Prueba de una muestra

R proporciona métodos para usar pruebas estadísticas para comparar un valor medio observado con una
media conocida o hipotética, denominada µ0(Selvin, 2004).

La prueba t: el comando en R para una prueba t:

t.test(x, alternativa = c("dos.lados", "menor", "mayor"), mu = 0, conf.level = 0.95) x:
vector que contiene las observaciones
alternativa: cadena de caracteres que especifica la hipótesis alternativa. El valor predeterminado es mu de dos
caras: media hipotética
conf.level: nivel de confianza del intervalo. El valor predeterminado es 0,95

Ejemplo (de Selvin 2004, p 209)

Un proceso experimental empleado para purificar el agua potable, para ser útil, no debe
cambiar la acidez del agua tratada (lo ideal sería que mantuviera un pH neutro de 7,0).
Para evaluar el proceso, la media de una muestra de valores de pH se compara con el pH
medio hipotético de 7,0. El proceso experimental aplicado 24 veces produce 24
observaciones que se suponen independientes y normalmente distribuidas.

5.95 7.39 6.88 6.54 6.50 6.73 6.69 6.95

7.58 6.62 6.96 6,90 6.93 6.32 7.22 6.36
6.54 6.67 7.25 6.94 7.21 6.83 6.80 6.59

> observación<- c(5.95, 7.39, 6.88, 6.54, 6.50, 6.73, 6.69, 6.95,
+ 7.58, 6.62, 6.96, 6.90, 6.93, 6.32, 7.22, 6.36,
+ 6,54, 6,67, 7,25, 6,94, 7,21, 6,83, 6,80, 6,59)

> t.test(observación,mu=7.0)

una muestra prueba t

datos: observación
t = -2,591, gl = 23, valor p = 0,01633 hipótesis alternativa: la media
verdadera no es igual a 7 Intervalo de confianza del 95 por ciento:

6.651562 6.960938
muestra estimados:
significado de X
6.80625

En conclusión, se rechaza la hipótesis nula al nivel del 5%, porque el valor de p está por
debajo de 0,05. La media de la población que generó la muestra es diferente de 7.

Otros comandos en R para pruebas de población única son: wilcox.test, prop.test. Otra prueba muy
común de una población es la prueba Z. No conocemos un comando en R para esta prueba, pero
puede encontrar un procedimiento completo en Verzani 2002, p. 62.

3.2 Prueba de dos muestras

Uno de los procedimientos más comunes en bioestadística es la comparación de dos muestras
para inferir si existen diferencias entre dos poblaciones observadas (Zar, 1999). Un comando
para esto es:

14
Comando en R:
t.test(x, y , alternativa = c("dos.lados", "menor", "mayor"), mu = 0, emparejado = FALSO,
var.igual = FALSO, conf.nivel = 0.95)
x: vector con observaciones de la muestra 1 y:
vector con observaciones de la muestra 2
alternativa: cadena de caracteres que especifica la hipótesis alternativa. El valor predeterminado es mu de dos caras:
diferencia de medias. El valor predeterminado es 0
emparejado: una indicación lógica si desea una prueba t emparejada. El valor predeterminado es false var.equal:
una indicación lógica si se deben tratar las varianzas como iguales. El valor predeterminado es false conf.level: nivel
de confianza de la prueba. Predeterminado 0.95

3.2.1 Prueba t de varianza desigual

Ejemplo (de Quinn & Keough 2002, p 40)
Furness y Bryant (1996) estudiaron los presupuestos energéticos de los fulmares norteños
reproductores (Fulmarus glacialis) en Shetland. Como parte de su estudio, registraron varias
características de fulmares machos y hembras etiquetados individualmente. Nos centraremos
en las diferencias en la tasa metabólica entre sexos. Había ocho machos y seis hembras
etiquetados. El h0fue que no hay diferencia entre los sexos en la tasa metabólica media de los
fulmares. Esta es una comparación independiente, no emparejada porque los fulmares
individuales solo pueden ser machos o hembras.

Masculino 2950 2308.7 2135.6 1945.6 1195.5 843.3 525.8 605.7

Femenino 1956.1 1490.5 1361.3 1086.5 1091 727.7 - -

Tenga en cuenta que los rangos (y las varianzas) son muy diferentes en estas dos muestras. Los
tamaños de muestra pequeños y desiguales, junto con las varianzas desiguales, indican que una
prueba basada en diferentes varianzas es más apropiada (Quinn & Keough 2002). Es por eso que en
el comando t.test, no usamos el argumento var.equal, porque el valor predeterminado es falso.
Tenga en cuenta que a continuación, la longitud de las dos muestras es la misma, pero usamos "NA"
para indicar que no hay valor de datos.

> Masculino<-c(2950,2308.7,2135.6,1945.6,1195.5,843.3,525.8,605.7)
> Femenino<-c(1956.1,1490.5,1361.3,1086.5,1091,727.7, NA, NA)
> t.test(Masculino, Femenino)

Datos de la prueba t de dos

muestras de Welch: hombre y mujer
t = 0,7732, gl = 10,468, valor p = 0,4565
Hipótesis alternativa: la verdadera diferencia de medias no es igual a 0 Intervalo de
confianza del 95 por ciento:
- 518.8042 1075.3208
estimaciones de muestra:
media de x media de y
1563.775 1285.517

No rechazaríamos la H0con un nivel de confianza del 95 % y, por tanto, concluir que no hubo una
diferencia estadísticamente significativa en la tasa metabólica media de los fulmares entre sexos
(Quinn & Keough 2002).

15
3.2.2 Prueba t pareada
Ahora consideramos la comparación de dos muestras que no son independientes sino que están
emparejadas. En este diseño, las observaciones ocurren en pares, las unidades de observación en un
par están vinculadas de alguna manera, por lo que tienen más en común entre sí que con otros
miembros de otro par (Samuels & Witmer, 2003).

Ejemplo (de Quinn & Keough 2002, p 41)

Elgaret al.(1996) expuso 17 arañas orbe cada una a condiciones de luz tenue y alta y registró
dos aspectos de la estructura de la red bajo cada condición. El h0Las 's son que las dos variables
(diámetro vertical y diámetro horizontal de la red orbe) fueron las mismas en condiciones de luz
tenue y alta. Debido a que la misma araña tejió su tela en ambas condiciones de luz, entonces
es apropiado usar una comparación por pares.

PAR VERTDIM HORIZONTAL LUZ VERTICAL HORIZONTAL

1 300 295 80 60
2 240 260 120 140
3 250 280 170 160
4 220 250 90 120
5 160 160 150 180
6 170 150 110 90
7 300 290 260 120
8 180 120 240 220
9 200 210 190 210
10 80 120 120 150
11 190 240 160 160
12 270 270 300 330
13 130 150 160 100
14 190 210 300 240
15 190 200 280 190
dieciséis 120 160 190 170
17 180 160 100 100

> HORIZONTAL<-c(295,260,280,250,160,150,290,120,210,120,240,270,150,210,
+ 200,160,160)
> LUZ HORIZONTAL<-c(60,140,160,120,180,90,120,220,210,150,160,330,100,240,
+ 190,170,100)
> t.prueba(HORIZONTAL, HORIZONTAL, emparejado=T)
Emparejado prueba t
datos: HORIZONTAL y HORIZONTAL
t = 2,1482, gl = 16, valor p = 0,04735
Hipótesis alternativa: la verdadera diferencia de medias no es igual a 0 Intervalo de
confianza del 95 por ciento:
0.6085725 91.7443687
estimaciones de muestra:
media de las diferencias
46.17647

Entonces rechazaríamos la H0al nivel del 95% y concluir que, para la población de arañas
orbe, hay una diferencia en el diámetro horizontal medio de las telas de araña entre

dieciséis
más luz y condiciones tenues (Quinn & Keough 2002). Dejamos como ejercicio la
comparación del diámetro vertical.

Otros comandos en R para pruebas de dos muestras incluyen: wilcox.test, prop.test.

4. Análisis de varianza de factor único

Los métodos anteriores son apropiados para analizar mediciones de una sola variable de dos
muestras. Para las observaciones de una variable utilizando tres o más muestras, se requiere
un análisis de muestras múltiples. Para probar las hipótesis nulas H0: µ1 = µ2= … = µk, dondekes
el número de grupos experimentales, o muestras, un método estándar es realizar un análisis
de varianza (Zar, 1999).

4.1 Análisis de varianza paramétrico (ANOVA)

Hay varios comandos R para realizar este análisis. Aquí usamos el comando aov, porque el
uso de varias fórmulas en los argumentos permite considerar varios tipos diferentes de
diseño. El final de esta sección menciona otros comandos para ANOVA.

Comando en R:
aov(fórmula, datos = NULL)
fórmula: una fórmula que especifica el modelo. Una fórmula es una expresión de la formay ~ modelo
que se interpreta como una especificación de que la respuestayestá modelado por un predictor lineal
especificado simbólicamente para el modelo deseado.
data: Un conjunto de datos en R en el que se encontrarán las variables especificadas en la fórmula.

Ejemplo (de Zar 1999, p. 180)

Diecinueve cerdos se asignan al azar entre cuatro grupos experimentales. Cada grupo es alimentado con una dieta
diferente. Los datos son los pesos corporales de los cerdos, en kilogramos, después de haber sido criados con estas
dietas. Deseamos preguntar si los pesos de los cerdos son los mismos para las cuatro dietas.

Feed1 Feed2 Feed3 Feed4

60.8 68.7 102.6 87,9
57 67.7 102.1 84.2
sesenta y cinco 74 100.2 83.1
58.6 66.3 96.5 85.7
61.7 69.8 90.3

A continuación se ilustra la disposición correcta de los datos en un archivo .txt y luego importamos los
datos a R (ver sección 1.6). El formato de datos en el archivo .txt es:
pesos dieta
60.8 Feed1
57 Feed1
sesenta y cinco Feed1
58.6 Feed1
61.7 Feed1
68.7 Feed2
67.7 Feed2
74 Feed2

17
66.3 Feed2
69.8 Feed2
102.6 Feed3
102.1 Feed3
100.2 Feed3
96.5 Feed3
87,9 Feed4
84.2 Feed4
83.1 Feed4
85.7 Feed4
90.3 Feed4

Creamos este archivo en nuestro directorio de trabajo (se supone que es C:) con el nombre pigs.txt y lo
leemos en la variable R "pigs" (consulte la sección 1.6 para obtener más detalles). Usaremos este ejemplo
también para la sección 4.2.

> cerdos<-leer.tabla("cerdos.txt", encabezado = T)

> exit_pigs<-aov(pesos~dieta, datos = cerdos)
> resumen(exit_pigs)
Df Sum Sq Valor medio Sq F Pr(>F)
dieta 3 4226.3 1408.8 164.64 1.061e-11 ***
Derechos residuales de autor 15 128.4 8.6
---
signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Podemos rechazar H0, lo que implica que los pesos medios de los cerdos en las cuatro dietas no son iguales.
Tenga en cuenta que no sabemos a partir de este análisis cuál de los tratamientos es el que proporciona los
pesos de cerdo más altos, o una clasificación de las diversas dietas para este objetivo. Se utilizaría una prueba de
comparación múltiple (ver sección 5) para un análisis más profundo de estas preguntas adicionales.

Otros comandos en R: anova, Anova, lm, anova.lm.

4.2 Supuestos
La descomposición de la variabilidad en las observaciones a través de un análisis de varianza es
solo una relación algebraica. Para usar el método para probar formalmente que no hay
diferencias en las medias de varios tratamientos, se requiere que se satisfagan ciertas
suposiciones. Específicamente, estas suposiciones son que los residuos se distribuyen normal e
independientemente con media cero y varianza constante pero desconocida (Montgomery,
2001).

4.1.1 Normalidad
Aquí explicamos cómo probar la hipótesis de que los residuos siguen una distribución normal.
Damos detalles para la prueba de Shapiro Wilk y las gráficas de cuantiles de cuantiles normales
o gráficas qq. El primer paso para probar el supuesto de normalidad es obtener los residuos,
usando el siguiente comando (seguimos con el último ejemplo)

> exit_pigs$residuales

1 2 3 4 5 6 7 8 9 10 11

18
 0,18 -3,62 4,38 -2,02 1,08 -0,60 -1,60 4,70 - 3,00 0,50 2,25
12 13 14 15 16 17 18 19
1,75 -0,15 -3,85 1,66 -2,04 -3,14 -0,54 4,06

Comando en R:
Shapiro.prueba(x)
qqnorm(x) siguiendo con qqline(x).
x: Vector numérico de valores de datos. Se permiten valores faltantes.

> shapiro.prueba(salir_cerdos$residuales)
Datos de la prueba de normalidad
de Shapiro-Wilk: exit_pigs$residuals W =
0,9511, valor p = 0,4132

Dado el valor de p no podemos rechazar la H0, y por lo tanto la evidencia es que los datos tienen una
distribución normal.

Para el procedimiento gráfico:

> qqnorm(exit_pigs$residuales)
* * No cierre la ventana con el gráfico
> qqline(exit_pigs$residuales)

Dado que, en general, los puntos están cerca de la línea, es razonable inferir que los datos
siguen una distribución normal. Hay que tener cuidado porque los métodos puramente
gráficos siempre están sujetos a la interpretación del investigador.

Otros comandos en R: El paquete nortest tiene varias pruebas de normalidad que incluyen
Anderson-Darling, Cramer-von Mises y Lilliefors.

4.1.2 Homogeneidad de varianzas (Homocedasticidad)

Si tenemos tres o más muestras y calculamos una varianza para cada una, entonces podemos probar la
hipótesis de que todas las muestras provienen de poblaciones con varianzas idénticas (Zar, 1999). Aquí
explicamos la prueba de Bartlett y la gráfica de residuos contra valores ajustados; también utilizamos los
datos de la sección 4.1.

19
Comando en R:
bartlett.test(fórmula, datos)
formula: Fórmula de la forma lhs ~ rhs donde lhs da los valores de los datos y rhs los grupos
correspondientes.
datos: Marco de datos que contiene las variables en la fórmula.

> bartlett.test(pesos~dieta, datos=cerdos) Prueba de Bartlett de

homogeneidad de datos de varianzas: pesos por dieta

K-cuadrado de Bartlett = 0,0328, gl = 3, valor p = 0,9984

De esta prueba podemos decir que tenemos homogeneidad de varianzas.

Para el procedimiento gráfico:

> plot(exit_pigs$fitted.values, exit_pigs$residuals, main = "
+ Residuos vs Ajustado", xlab="Ajustado", ylab="Residuos")

La constancia de la varianza residual se muestra en estos gráficos por los gráficos que tienen
aproximadamente la misma extensión de dispersión del residual alrededor de cero para cada nivel de
factor o tratamiento (Kutneret al.2005). Entonces en este caso particular la gráfica indica que tenemos
homogeneidad de varianzas.

Otros comandos en R: levene.test (Package car)

4.3 Análisis no paramétrico (Kruskal-Wallis)

Si se recopila un conjunto de datos de acuerdo con un diseño completamente aleatorio, es posible
probar de forma no paramétrica la diferencia entre los grupos. Esto se puede hacer mediante la
prueba de Kruskal-Wallis, a menudo llamada análisis de varianza por rangos. Esta prueba se puede
utilizar en situaciones donde el ANOVA paramétrico de un solo factor no es aplicable (Zar, 1999).

Comando en R:
kruskal.test(fórmula, datos)
formula: Fórmula de la forma lhs ~ rhs donde lhs da los valores de los datos y rhs los grupos
correspondientes.
datos: Marco de datos que contiene las variables en la fórmula.

20
Ejemplo (Zar 1999, p. 197)
Un entomólogo está estudiando la distribución vertical de una especie de mosca en un bosque
caducifolio y obtiene cinco colecciones de moscas en tres capas de vegetación diferentes:
hierba, arbusto y árbol. El entomólogo quiere probar el H0: La abundancia de moscas es la
misma en las tres capas de vegetación.

Hierbas 14 12.1 9.6 8.2 10.2

Arbustos 8.4 5.1 5.5 6.6 6.3
Árboles 6.9 7.3 5.8 4.1 5.4

Los datos tienen que estar en un archivo txt de la siguiente manera:

abundancia capas
14 Hierbas
12.1 Hierbas
… …
4.1 Árboles
5.4 Árboles

Creamos este archivo en nuestro directorio de trabajo con el nombre moscas (ver sección 1.6):

> moscas<-leer.tabla("moscas.txt", encabezado = T)

> bartlett.test(abundancia~capas, datos=moscas)

Prueba de Bartlett de homogeneidad de datos de

varianzas: abundancia por capas
K-cuadrado de Bartlett = 1,7057, gl = 2, valor p = 0,4262

Como no tenemos homogeneidad de varianza, debemos realizar una prueba de Kruskal-Wallis.

> kruskal.test(abundancia~capas, datos=moscas)

Datos de prueba de suma de rangos de

Kruskal-Wallis: abundancia por capas
Kruskal-Wallis chi-cuadrado = 8,72, df = 2, valor p = 0,01278

Podemos concluir que la abundancia de las moscas es diferente en los tres estratos de
vegetación.

21
 5. Pruebas de comparación múltiple

Suponga que al realizar un análisis de varianza se rechaza la hipótesis nula. Por lo tanto, existen
diferencias entre los medios de tratamiento, pero no se especifica exactamente qué medios
difieren. A veces, en esta situación, puede ser útil una mayor comparación y análisis entre
grupos de medios de tratamiento. Los procedimientos para realizar estas comparaciones
suelen denominarse métodos de comparación múltiple (Montgomery, 2001). En general estos
métodos consideran la hipótesis nula H0: µA= mBversus la hipótesis alternativa, donde los
subíndices denotan cualquier posible par de grupos (Zar, 1999)

5.1 Prueba de Tukey

Un procedimiento de comparación múltiple muy utilizado es la prueba de Tukey, también conocida como prueba
de diferencia honestamente significativa (Zar, 1999).

Comando en R:
HSD.test(y, trt, DFerror, MSerror, alpha = 0.05, group=TRUE)
y: respuesta variable
trt: Tratamientos
DFerror: Grados de libertad de los residuos. Tome de la tabla ANOVA
MSerror: Error cuadrático medio de los residuos. Toma de la tabla ANOVA
alfa: Nivel significativo.
grupo: VERDADERO o FALSO. Utilice siempre VERDADERO.
Para este comando necesitamos el paquete agricolae (ver sección 1.2.2).

Ejemplo (Quinn & Keough 2002, p. 174)

Medley y Clements (1998) tomaron muestras de varias estaciones (entre cuatro y siete) en seis arroyos que
se sabe que están contaminados con metales pesados en la región de las Montañas Rocosas de Colorado,
EE. UU. Registraron la concentración de zinc, la riqueza de especies y la diversidad de especies de la
comunidad de diatomeas y la proporción de células de diatomeas que fueron las primeras especies de
sucesión,Achanthes minutissima. El primer análisis compara la diversidad media de especies de diatomeas
(variable de respuesta) en los cuatro grupos de nivel de zinc (variable predictiva categórica), el nivel de zinc
se trata como un factor fijo. El h0no hubo diferencia en la diversidad media de especies de diatomeas entre
los grupos de nivel de zinc.

ZINC DIV ZINC DIV ZINC DIV ZINC DIV ZINC DIV
ESPALDA 2.27 MEDICINA 2.19 BAJO 1.83 MEDICINA 1.75 ALTO 1.04
ALTO 1.25 MEDICINA 2.1 BAJO 1.88 BAJO 2.83 BAJO 2.18
ALTO 1.15 ESPALDA 2.2 MEDICINA 2.02 ESPALDA 1.53 ESPALDA 1.89
MEDICINA 1.62 MEDICINA 2.06 MEDICINA 1.94 ESPALDA 0.76 ALTO 1.37
ESPALDA 1.7 ALTO 1.9 BAJO 2.1 MEDICINA 0.8 BAJO 1.4
ALTO 0,63 ALTO 1.88 BAJO 2.38 BAJO 1.66 ESPALDA 1.98
ESPALDA 2.05 ALTO 0.85 ALTO 1.43 MEDICINA 0.98

Los datos tienen que estar en un archivo txt de la siguiente forma:

ZINC DIV
ESPALDA 2.27
ALTO 1.25
… …

22
BAJO 1.66
MEDICINA 0.98

Creamos este archivo en nuestro directorio de trabajo con el nombre streams (ver sección 1.6).

> flujos <-read.table("flujos.txt", encabezado=T)

> exit_streams<-aov(DIV~ZINC, data=streams)
> resumen(salida_zinc)
Df Sum Sq Valor medio Sq F Pr(>F)
ZINC 3 2.5666 0.8555 3.9387 0.01756 *
Derechos residuales de autor 30 6.5164 0.2172
---
signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Podemos rechazar H0. Ahora para ver la diferencia entre cada nivel de zinc realizamos una prueba
de Tukey.

> HSD.prueba(flujos$DIV, flujos$ZINC, 30, 0.2172, grupo=T)

Prueba HSD para transmisiones $ DIV

......
Alfa 0.050000
Error Grados de libertad Error 30.000000
Cuadrado medio 0.217200
Valor crítico del rango estudentizado 3.845401

Medios de tratamiento
arroyos.ZINC flujos.DIV error estándar replicación
1 ESPALDA 1.797500 0.1715658 8
2 ALTO 1.277778 0.1422906 9
3 BAJO 2.032500 0.1573298 8
4 MEDICINA 1.717778 0.1676701 9

Diferencia honestamente significativa 0.6157647 Media

armónica de tamaños de celda 8.470588

HSD diferente para cada comparación

Medias con la misma letra no son significativamente diferentes.

Grupos, Tratamientos y medios a

BAJO 2.0325
abdominales ESPALDA 1.7975
abdominales MEDICINA 1.717778
b ALTO 1.277778
trt significa METRO norte error estándar
1 BAJO 2.032500 a 8.470588
0.1573298
2 ATRÁS 1.797500 ab 8.470588 0.1715658 3
MEDIO 1.717778 ab 8.470588 0.1676701 ALTO
4 1.277778 b 8.470588 0.1422906

el unico h0debe rechazarse la ausencia de diferencias en la diversidad de diatomeas entre sitios con bajo
contenido de zinc y sitios con alto contenido de zinc (Samuels & Witmer, 2003). Dejamos como ejercicio el
siguiente: comprobar los supuestos (normalidad y homocedasticidad) del modelo y realizar la prueba de
Tukey para el ejemplo del apartado 4.1.

23
5.2 Prueba de diferencia mínima significativa
(LSD) Comando en R:
LSD.test(y, trt, DFerror, MSerror, alpha = 0.05, group=TRUE)
y: respuesta variable
trt: Tratamientos
DFerror: Grados de libertad de los residuos. Tome de la tabla ANOVA
MSerror: Error cuadrático medio de los residuos. Toma de la tabla ANOVA
alfa: Nivel significativo.
grupo: VERDADERO o FALSO. Utilice siempre VERDADERO.
Para este comando necesitamos el paquete agricolae (ver sección 1.2.2).

Ejemplo (Zar 1999, p. 210)

Los investigadores quieren realizar una tabla ANOVA y una comparación de pruebas múltiples. Para los
siguientes datos:

Estanque de Grayson 28.2 33.2 36.4 34.6 29.1 31

Lago del castor 39.6 40.8 37,9 37.1 43.6 42.4
Cala del pescador 46.3 42.1 43.5 48.8 43.7 40.1
lago manzano 41 44.1 46.4 40.2 38.6 36.3
río roca 56.3 54.1 59.4 62.7 60 57.3

Los datos son concentraciones de estroncio (mg/ml) en cinco masas de agua diferentes. Los datos tienen
que estar en un archivo txt de la siguiente manera:
estroncio cuerpos
28.2 Grayson
33.2 Grayson
… …
60 Roca
57.3 Roca

Creamos este archivo en nuestro directorio de trabajo con el nombre agua (ver sección 1.6).

> agua<-read.table("agua.txt", header=T)

> exit_water<-aov(estroncio~cuerpos, datos=agua)
> resumen(salida_agua)
DF Suma Sq Media Sq F valor Pr(>F)
cuerpos 4 2193.44 548.36 56.155 3.948e-12 ***
Derechos residuales de autor 25 244.13 9.77
---
signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Debido a que se obtuvo un valor de p significativo del análisis de varianza, ahora se aplica la prueba
LSD a las medias.

> LSD.test(agua$estroncio, agua$cuerpos, 25, 9.77, grupo=T)

Prueba t de LSD para agua$estroncio

......

24
Alfa 0.050000
Error Grados de libertad 25.000000 Error
Cuadrado medio 9.770000
Valor crítico de t 2.059539

Medios de tratamiento
cuerpos de agua agua.estroncio error estándar replicación
1 Pescador de caña 44.08333 1.257621 6
2 Manzana 41.10000 1.496663 6
3 Castor 40.23333 1.033011 6
4 Grayson 32.08333 1.308540 6
5 Roca 58.30000 1.239624 6

Diferencia menos significativa 3.716692

Medias con la misma letra no son significativamente diferentes.

Grupos, Tratamientos y medios a

Roca 58.3
b Pescador de caña 44.08333
antes de Cristo Manzana 41.1
C Castor 40.23333
d Grayson 32.08333
trt significa METROnorte error estándar
1 Roca 58.30000 a 6 1.239624
2 Pescador de caña 44.08333 b 6 1.257621
3 Manzana 41.10000 6 1.496663
antes de Cristo

4 Castor 40.23333 C 6 1.033011

5 Grayson 32.08333 d 6 1.308540

Dejamos como ejercicio el siguiente: sacar las conclusiones adecuadas de este análisis del
último ejemplo, comprobar los supuestos (normalidad y homocedasticidad) del modelo y
realizar la prueba de Tukey para el ejemplo de este apartado.

Otros comandos en R: TukeyHSD, waller.test (paquete agricolae)

25
 6. Otros análisis de varianza

6.1 Diseño de bloques aleatorios

En cualquier experimento, la variabilidad que surge de un factor molesto puede afectar los resultados.
Definimos un factor de molestia como un factor de diseño que probablemente tiene un efecto sobre la
respuesta, pero no estamos interesados en ese efecto. Cuando se conoce y se puede controlar la fuente
molesta de la variabilidad, se puede utilizar una técnica de diseño llamada bloqueo para eliminar
sistemáticamente su efecto en la comparación estadística entre tratamientos (Montgomery, 2001). El
término estadístico “bloque” es conceptualmente una extensión del término “par” introducido en la sección
3.2.2 (Zar, 1999).

6.1.1 Análisis de varianza paramétrico

El ANOVA de bloques aleatorios es una extensión del ANOVA de una vía presentado en la
sección 4.1.

Comando en R:
aov(fórmula, datos = NULL)
fórmula: una fórmula que especifica el modelo. Fórmula de la forma a ~ b + c, donde a, b y c dan
los valores de los datos y los grupos y bloques correspondientes, respectivamente.
datos: Un marco de datos en el que se encontrarán las variables especificadas en la fórmula.

Ejemplo (de Samuels & Witmer 2003, p. 487)

Los investigadores estaban interesados en el efecto que tiene el ácido en la tasa de crecimiento de las
plantas de alfalfa. Crearon tres grupos de tratamiento en un experimento: bajo contenido de ácido, alto
contenido de ácido y control. La variable de respuesta en su experimento fue la altura promedio de las
plantas de alfalfa en un vaso de espuma de poliestireno después de cinco días de crecimiento. La unidad
de observación fue una taza, en lugar de plantas individuales. Tenían 5 tazas para cada uno de los 3
tratamientos, para un total de 15 observaciones. Sin embargo, las copas estaban dispuestas cerca de una
ventana y querían tener en cuenta el efecto de las diferentes cantidades de luz solar. Así crearon 5 bloques
y asignaron aleatoriamente los 3 tratamientos dentro de cada bloque. Los datos se dan en la siguiente
tabla:
tratos
bloquear bajo alto control
1 1.58 1.1 2.47
2 1.15 1.05 2.15
3 1.27 0.5 1.46
4 1.25 1 2.36
5 1 1.5 1

Los datos tienen que estar en un archivo txt de la siguiente

manera: altura bloque trt
2.47 bloque de control 1
2.15 bloque de control 2
1.46 bloque de control3
2.36 bloque de control4
1 bloque de control5
… … …
1.1 alto bloque1

26
1.05 alto bloque2
0.5 alto bloque3
1 alto bloque4
1.5 alto bloque5

Creamos este archivo en nuestro directorio de trabajo con el nombre alfalfa (ver sección 1.6).

> alfalfa<-leer.tabla("alfalfa.txt", header=T)

> exit_alfalfa<-aov(altura~trt + bloque, datos=alfalfa)
> resumen(salida_alfalfa)
DF Suma Sq Media Sq F valor Pr(>F)
trt 2 1.98601 0.99301 5.4709 0.03182 *
bloquear 4 0.83963 0.20991 1.1565 0.39740
Derechos residuales de autor 8 1.45205 0.18151
---
signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

El valor de p para el tratamiento (trt) es pequeño, lo que indica que las diferencias entre las medias
de las tres muestras son mayores de lo que se esperaría solo por casualidad (Samuels & Witmer,
2003).

6.1.2 Análisis de varianza no paramétrico (Friedman)

La prueba de Friedman es un análisis no paramétrico que se puede realizar en un diseño
experimental de bloques aleatorios, y es especialmente útil con datos que no cumplen con los
supuestos de normalidad y homocedasticidad del análisis paramétrico de varianzas (Zar, 1999).

Comando en R:
friedman.test(fórmula, datos)
fórmula: Fórmula de la forma a ~ b | c, donde a, b y c dan los valores de los datos y los grupos y
bloques correspondientes, respectivamente.
data: Data frame en el que se encontrarán las variables especificadas en la fórmula.

Ejemplo (de Zar 1999, p. 264)

Queremos investigar la H0que la ganancia media de peso de los conejillos de indias es la misma en cada
una de las cuatro dietas especificadas. Cada conejillo de indias se aloja en una jaula separada. Un bloque
consiste en un grupo de cuatro animales de los que podemos estar razonablemente seguros de que
experimentarán condiciones ambientales idénticas (luz, temperatura, corrientes de aire, ruido, etc.). Cada
bloque tiene cada uno de sus cuatro animales asignados al azar a una de las cuatro dietas experimentales,
de modo que cada animal en un bloque dado reciba una dieta diferente. Los datos (ganancias de peso, en
gramos) se resumen en la siguiente tabla.

dietas
bloques 1 2 3 4
1 7 5.3 4.9 8.8
2 9.9 5.7 7.6 8.9
3 8.5 4.7 5.5 8.1
4 5.1 3.5 2.8 3.3
5 10.3 7.7 8.4 9.1

27
Los datos tienen que estar en un archivo txt de la siguiente manera:
dietas de peso bloques
7 dieta1 bloque1
9.9 dieta1 bloque2
…… ….
3.3 dieta4 bloque4
9.1 dieta4 bloque5

Creamos este archivo en nuestro directorio de trabajo con el nombre guinea (ver sección 1.6).

> guinea<-leer.tabla("guinea.txt", header=T)

> friedman.test(peso~dietas | bloques, datos=guinea)

Datos de la prueba de suma de

rangos de Friedman: peso, dietas y bloques
Chi-cuadrado de Friedman = 10,68, df = 3, valor p = 0,01359

Por lo tanto, rechazamos H0.

6.2 Estructura factorial

Muchos experimentos implican el estudio de los efectos de dos o más factores. En general, los
diseños factoriales son los más eficientes para este tipo de experimentos. Por diseño factorial
se entiende que en cada ensayo completo o réplica del experimento se investigan todas las
combinaciones posibles de los niveles de los factores (Montgomery, 2001).

Comando en R:
aov(fórmula, datos = NULL)
fórmula: una fórmula que especifica el modelo. Fórmula de la forma a ~ b * c, donde a, b y c dan
los valores de los datos y el factor1 y el factor2 correspondientes, respectivamente.
datos: Un marco de datos en el que se encontrarán las variables especificadas en la fórmula.

Ejemplo (de Samuels & Witmer 2003, p. 6)

Antes de administrar nuevos medicamentos a sujetos humanos, es una práctica común probarlos
primero en perros u otros animales. En parte de un estudio, se administró un nuevo fármaco en
investigación a 4 perros machos y 4 hembras, en dosis de 8 mg/kg y 25 mg/kg. El nivel de fosfatasa
alcalina (medido en U/Li) se midió a partir de muestras de sangre para detectar problemas de
toxicidad en perros antes de comenzar con humanos. El diseño de este experimento permite
investigar la interacción de dos factores: el sexo del perro y la dosis. Los datos se muestran en la
siguiente tabla:

Dosis Masculino Femenino

8 191 150
154 127
194 152
183 105
25 80 141
49 153
78 171
71 197

28
Los datos tienen que estar en un archivo txt de la siguiente forma: Sexo
Dosis Nivel
METRO dosis8 191
METRO dosis8 154
METRO dosis8 194
METRO dosis8 183
… … …
F dosis25 141
F dosis25 153
F dosis25 171
F dosis25 197

Creamos este archivo en nuestro directorio de trabajo con el nombre perros (ver sección 1.6).

> perros<-leer.tabla("perros.txt", encabezado = T)

> exit_dogs<-aov(Nivel~ Dosis*Sexo, datos=perros)
> resumen(exit_dogs)
DF Suma Sq Media Sq F valor Pr(>F)
Dosis 1 6241.0 6241.0 15.4289 0.002006 * *
Sexo 1 2401.0 2401.0 5.9357 0.031367 1 20449.0 20449.0 *
Dosis: Sexo 50.5538 1.230e-05 *** 12
Derechos residuales de autor 4854.0 404.5
---
signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Del último análisis podemos rechazar todo H0. Los factores sexo y dosis interactuaron en el
siguiente sentido: Para las mujeres el efecto de aumentar la dosis de 8 a 25 fue positivo (la
media aumenta), pero para los hombres el efecto de aumentar la dosis de 8 a 25 fue negativo
(la media disminuye). ). Podemos ver esto en el gráfico de interacción.

> interacción.plot(perros$Dosis, perros$Sexo, perros$Nivel,

+ xlab="Dosis", ylab="Nivel", trace.label="Sexo")

29
Ejemplo (de Samuels & Witmer 2003, p. 490)
Un fisiólogo de plantas investigó el efecto del estrés mecánico en el crecimiento de las plantas de
soja. Las plántulas en macetas individuales se asignaron aleatoriamente a cuatro grupos de
tratamiento de 13 plántulas cada uno. Las plántulas de dos grupos se estresaron agitándolas
durante 20 minutos dos veces al día, mientras que dos grupos de control no se estresaron. Así, el
primer factor en el experimento fue la presencia o ausencia de estrés. Además, las plantas crecieron
con luz baja o moderada. Así, el segundo factor fue la cantidad de luz. Este experimento es un
ejemplo de un experimento factorial 2*2.

Bajo moderado
Control estrés control estrés
264 235 314 283
200 188 320 312
225 195 310 291
268 205 340 259
215 212 299 216
241 214 268 201
232 182 345 267
256 215 271 326
229 272 285 241
288 163 309 291
253 230 337 269
288 255 282 282
230 202 273 257

Los datos tienen que estar en un archivo txt de la siguiente manera:

área sacudida ligero

264 control bajo
200 control bajo
225 control bajo
268 control bajo
… … …
291 estrés moderado
269 estrés moderado
282 estrés moderado
257 estrés moderado

Creamos este archivo en nuestro directorio de trabajo con el nombre soybean (ver sección 1.6).

> soja<-read.table("soja.txt", header=T)

> exit_soybean<-aov(área~temblando*luz, datos=soja)
> resumen(exit_soybean)
Df Sum Sq Valor medio Sq F Pr(>F)
sacudida 1 14858 14858 16,5954 0,0001725 *** 42752
ligero 1 42752 47,7490 1,010e-08 ***
temblando: luz 1 26 26 0.0294 0.8645695
Derechos residuales de autor 48 42976 895

30
---
signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

> interacción.plot(soja$sacudiendo, soja$ligera, soja$área,

+ xlab="temblor", ylab="área", trace.label="luz")

Las conclusiones de este ejemplo se dejan como ejercicio.

31
 7. Regresión y correlación

7.1 Regresión
En muchos problemas hay dos o más variables que están relacionadas, y es de interés
modelar y explorar esta relación. En general, suponga que hay una sola variable
dependiente o respuestayque depende de k variables independientes, por ejemplo,X1, X2,
…, Xk. La relación entre estas variables se caracteriza por un modelo matemático llamado
modelo de regresión (Montgomery, 2001).

Comando en R:
lm(fórmula, datos = NULL)
fórmula: una fórmula que especifica el modelo.
datos: Un marco de datos en el que se encontrarán las variables especificadas en la fórmula.

Ejemplo (de Quinn & Keough 2002, p.79)

Christensenet al.(1996) estudió las relaciones entre los desechos leñosos gruesos (CWD) y la
vegetación de la costa y el desarrollo del lago en una muestra de 16 lagos en América del Norte. Las
principales variables de interés son la densidad de cabañas (n° km-1), densidad de árboles ribereños
(árboles km-1), el área basal de los árboles ribereños (m2kilómetros-1), densidad de detritos leñosos
gruesos (n° km-1) y área basal de detritos leñosos gruesos (m2kilómetros-1). Los investigadores están
interesados en ajustar un modelo de regresión lineal al área basal de CWD contra la densidad de
árboles ribereños (RTD).

LAGO CWD IDT LAGO CWD IDT LAGO CWD IDT

Bahía 121 1270 Palmero sesenta y cinco 1330 colinas_del_lago 97 976
Bergner 41 1210 Calle 52 964 Towanda 1 771
Crampton 183 1800 laura 12 961 roble negro 4 833
Largo 130 1875 Annabelle 46 1400 Johnson 1 883
Cucaracha 127 1300 Joyce 54 1280 Punta de flecha 4 956
Principiante 134 2150

> CWD<-c(121,41,183,130,127,134,65,52,12,46,54,97,1,4,1,4)
> RTD<-c(1270,1210,1800,1875,1300,2150,1330,964,961,1400,1280,976,771,
+ 833.883.956)
> exit_lakes<-lm(CWD~RTD)
> resumen(exit_lakes)
Llamada:
lm(fórmula = CWD ~ RTD)

Derechos residuales de autor:

mínimo 1T Mediana 3T máx.

- 38,62 - 22.41 - 13.33 26.15 61.36

Coeficientes:
Estimación estándar Error valor t Pr(>|t|)
(Interceptar) - 77.09908 30.60801 - 2.519 0.024552 *
IDT 0.11552 0.02343 4.930 0.000222 ***
---
signif. códigos: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Error estándar residual: 36,32 en 14 grados de libertad R-cuadrado

múltiple: 0,6345, R-cuadrado ajustado: 0,6084

32
Estadístico F: 24,3 en 1 y 14 DF, valor p: 0,0002216

La prueba t y la prueba ANOVA F nos hacen rechazar la H0que β1es igual a cero También
rechazaríamos la H0que β0es igual a cero, aunque esta prueba es de poco interés biológico. Él
r2(0,634) indica que podemos explicar alrededor del 63 % de la variación total en el área basal de CWD
mediante la regresión lineal con la densidad de árboles ribereños. Podemos predecir el área basal de CWD
para un nuevo lago con 1500 árboles km-1en la zona ribereña. Reemplazando 1500 en nuestro modelo de
regresión ajustado:
Área basal de CWD = -77.099 + 0.116*1500

El área basal pronosticada de CWD es 96.901 m2kilómetros-1(Quinn y Keough 2002).

7.2 Correlación
En muchos tipos de datos biológicos, la relación entre dos (o más variables) no es claramente
de estricta dependencia entre las variables. En tales casos, la magnitud de una de las variables
cambia a medida que cambia la magnitud de la segunda variable, pero no es razonable
considerar que hay una variable independiente y una variable dependiente que está
causalmente relacionada con ella. En tales situaciones, se requiere un análisis de correlación
más que de regresión (Zar, 1999).

Comando en R:
cor.test(x, y, método = c("pearson", "kendall", "spearman"), conf.level = 0.95)
x, y: vectores numéricos de valores de datos. x e y deben tener la misma longitud.
método: Cadena de caracteres que indica qué coeficiente de correlación se utilizará para la
prueba. Se puede abreviar uno de "pearson", "kendall" o "spearman". Pearson predeterminado.
conf.level: nivel de confianza para el intervalo de confianza devuelto. Predeterminado 0,95.

Ejemplo (de Quinn & Keough 2002, p.73)

Green (1997) estudió la ecología de los cangrejos terrestres rojos en Christmas Island y
examinó la relación entre la biomasa total de los cangrejos terrestres rojos y la densidad de sus
madrigueras dentro de los 25 m2cuadrantes (unidades de muestreo) en cinco sitios boscosos
de la isla. Veremos dos de estos sitios: había diez cuadrantes en el Sitio Inferior (LS) y ocho
cuadrantes en Drumsite (DS). El coeficiente de correlación de Pearson se consideró apropiado
para estos datos, aunque se calcularon correlaciones más sólidas para la comparación.

SD TOTMASS 2.15 2.27 4.31 2.58 3.23 1.83 1.54 2

Madrigueras 39 38 61 79 35 39 45 28
LS TOTMASS 4.36 4.01 3.33 2.63 4.46 3.96 4.18 4.21 2.54 4.29
Madrigueras 38 37 27 18 41 33 40 29 25 38

> MADRUG <-c(39,38,61,79,35,39,45,28)

> TOTMASS<-c(2.15,2.27,4.31,2.58,3.23,1.83,1.54,2)
> cor.test(MADRUGADORAS, TOTMASS)

de pearson correlación producto-momento

datos: MADRUGAS y TOTMASS
t = 1,0428, gl = 6, valor p = 0,3372
Hipótesis alternativa: la correlación verdadera no es igual a 0 Intervalo de
confianza del 95 por ciento:

33
 - 0,4322803 0,8592175
estimaciones de muestra:
corazón

0.3917155

> cor.test(BURROWS, TOTMASS, method=c("spearman"))

Datos rho de correlación de rango de

Spearman: BURROWS y TOTMASS
S = 69,9159, valor p = 0,6915
hipótesis alternativa: verdadero rho no es igual a 0 estimaciones de
la muestra:
ro
0.1676677

> cor.test(MADRUGADORAS, TOTMASS, método=c("kendall"))

Datos de tau de correlación de rango de

Kendall: BURROWS y TOTMASS z = 0,1247, valor p =
0,9008
hipótesis alternativa: la verdadera tau no es igual a 0 muestra
estimados:
Tau
0.03636965

El h0No se pudo rechazar la ausencia de una relación lineal entre la biomasa total de cangrejos
y el número de madrigueras en DS. La misma conclusión se aplica a las relaciones monótonas
medidas por los coeficientes de Spearman y Kendall. Por lo tanto, no hubo evidencia de una
relación monótona lineal o más general entre la densidad de madrigueras y la biomasa total de
cangrejos en el sitio DS (Quinn & Keough 2002). Dejamos el análisis del sitio LS como ejercicio.

Otros comandos en R: cor.

34
 Bibliografía

Christensen, DL, Herwig, BR, Schindler, DE y Carpenter, SR 1996. Impactos del desarrollo
residencial a orillas del lago en los desechos leñosos gruesos en los lagos templados del norte.
Aplicaciones ecológicas 64: 1143–1149.

Dalgaard, P. 2002. Introducción a la estadística con R. Springer. EE.UU. 267p.

Elgar, MA, Allan, RA y Evans, TA 1996. Estrategias de forrajeo en arañas que giran orbes:
luz ambiental y decoraciones de seda enArgiope aethérea Walckenaer(Araneae:
Araneoidea). Revista australiana de ecología 21: 464–467.

Furness, RW y Bryant, DM 1996. Efecto del viento en las tasas metabólicas de campo de la
cría de fulmares del norte. Ecología 77: 1181–1188.

Green, PT 1997. Cangrejos rojos en la selva tropical de la Isla Christmas, Océano Índico: patrones de
actividad, densidad y biomasa. Revista de Ecología Tropical 13: 17–38.

Kutner, M., Nachtsheim, C., Neter, J. y Li, W. 2005. Modelos estadísticos lineales aplicados.
Quinta edición. McGraw-Hill/Irwin. EE.UU. 1396p.

Montgomery, D. 2001. Diseño y análisis de experimentos. Quinta edición. John Wiley &
sons, INC. EE.UU. 684p.

Quinn, G. y Keough, M. 2002. Diseño experimental y análisis de datos para biólogos.

Prensa de la Universidad de Cambridge. EE.UU. 557p.

Samuels, M. y Witmer, J. 2003. Estadísticas para las Ciencias de la Vida. Tercera edicion.
Educación Pearson. EE.UU. 724p.

Selvin, S. 2004. Bioestadística Cómo funciona. Educación Pearson. EE.UU. 394p.

Venables WN, Smith DM y R Development Core Team. 2009. Introducción a R. Notas

sobre R: un entorno de programación para análisis de datos y versión gráfica
2.9.0. URLhttp://cran.cnr.berkeley.edu/doc/manuals/R-intro.pdf

Verzani, J. 2002. R simple: uso de R para estadísticas introductorias. URLhttp://

cran.rproject.org/doc/contrib/Verzani-SimpleR.pdf

Zar, J. 1999. Análisis bioestadístico. Cuarta edición. Prentice Hall. EE.UU. 663p.

35