ANÁLISIS DE VARIANZA Y PRUEBAS DE MEDIAS DEL DISEÑO AL COMPLETO AZAR EN R PARA ANDROID

ANÁLISIS DE VARIANZA Y PRUEBAS DE MEDIAS DEL DISEÑO AL COMPLETO AZAR EN R PARA ANDROID

Ing. Luis Manfredo Reyes
El diseño al completo azar, también conocido como Al Irrestricto azar, de una vía o Oneway, es el más sencillo de todos los diseños experimentales disponibles, pero tiene el inconveniente que para su utilización se requieren condiciones homogéneas en el sitio experimental (por ejemplo: laboratorio).

El diseño se puede manejar con iguales repeticiones (balanceado) o desiguales (desbalanceado).
Es posible realizar el análisis en R

R es un paquete estadístico producido  en el proyecto GNU, muy popular en el mundo académico, y siendo gratuito sólo fue cuestión de tiempo que apareciera una versión para el sistema operativo Android.

La versión para Android se llama R-Console y puede descargarse del Play Market de Android. 

Existe una versión gratuita y otra pagada, siendo la diferencia la presentación de publicidad en la versión gratuita.

Lamentablemente, por ser Android un sistema operativo orientado a tabletas y teléfonos, no cuenta con todas las características de las versiones para escritorio. Una de las deficiencias es la ausencia del editor de datos. Afortunadamente es posible realizar el análisis del diseño al completo azar en R-Console, mediante procedimientos alternos de ingreso

Se asume que el lector tiene instalado el paquete y conoce el uso básico del mismo.

A continuación un  ejemplo :
PROBADO EN UNA TABLET HEWLETT PACKARD Y EN UN TELEFONO SAMSUNG GALAXY NOTE II y funcionó bien:

1.    Se quiere evaluar la eficacia de distintas dosis de un fármaco contra la hipertensión arterial, comparándola con la de una dieta sin sal.

Para ello se seleccionan al azar 25 hipertensos y se distribuyen aleatoriamente en 5 grupos. Al primero de ellos no se le suministra ningún tratamiento, al segundo una dieta con un contenido pobre en sal, al tercero una dieta sin sal, al cuarto el fármaco a una dosis determinada  y al quinto el mismo fármaco a otra dosis. 
resultados finales:

Los datos se ingresan a R  así:
1. crear un vector de datos de la variable respuesta:
presion<-c(180,173,175,182,181,172,158,167,160,175,163,170,158,162,170,158,146,160,171,155,147,152,143,155,160)

2. crear un vector de datos de los tratamientos
como la variable t es alfanumérica, no es necesario convertirla en factor

la forma más fácil pero más larga es ésta:
t<-c("TESTIGO",TESTIGO","TESTIGO","TESTIGO","TESTIGO","POBRE","POBRE","POBRE","POBRE","POBRE","SINSAL","SINSAL","SINSAL","SINSAL","SINSAL","DOSIS1","DOSIS1","DOSIS1","DOSIS1","DOSIS1","DOSIS2","DOSIS2","DOSIS2","DOSIS2","DOSIS2")

otra forma más corta es ésta:
t<-c(rep("TESTIGO",5),rep("POBRE",5),rep("SINSAL",5),rep("DOSIS1",5),rep("DOSIS2",5))

3. unir los dos vectores en una misma matriz
Datos<-data.frame(t,presion)

En total hay 25 observaciones

Andeva <- aov(PRESION~t,data=Datos)

Se presentan los resultados

summary(Andeva)

y finalmente se solicita la prueba de Tukey

TukeyHSD(Andeva, "t", ordered=TRUE, conf.level=0.95)

Y los resultados finales son:

                      Df Sum Sq Mean Sq F value   Pr(>F)    

TRATAMIENTO  4 2010.6   502.7   11.24      6.06e-05 ***

Residuals        20   894.4    44.7                     

---

Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 

 Simultaneous Tests for General Linear Hypotheses

Multiple Comparisons of Means: Tukey Contrasts

Fit: aov(formula = PRESION ~ TRATAMIENTO, data = Datos)

Linear Hypotheses:

                      Estimate Std. Error t value Pr(>|t|)    

DOSIS2 - DOSIS1 == 0    -6.600      4.229  -1.560   0.5378    

POBRE - DOSIS1 == 0      8.400      4.229   1.986   0.3080    

SINSAL - DOSIS1 == 0     6.600      4.229   1.560   0.5378    

TESTIGO - DOSIS1 == 0   20.200      4.229   4.776   <0.001 ***

POBRE - DOSIS2 == 0     15.000      4.229   3.547   0.0155 *  

SINSAL - DOSIS2 == 0    13.200      4.229   3.121   0.0384 *  

TESTIGO - DOSIS2 == 0   26.800      4.229   6.337   <0.001 ***

SINSAL - POBRE == 0     -1.800      4.229  -0.426   0.9926    

TESTIGO - POBRE == 0    11.800      4.229   2.790   0.0751 .  

TESTIGO - SINSAL == 0   13.600      4.229   3.216   0.0315 *  

---

Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 

(Adjusted p values reported -- single-step method)

Interpretación: suponiendo que se desea el análisis con el 3% de significancia,

como el p es menor que 0.03, se concluye que sí existen diferencias significativas entre los tratamientos
La prueba de Tukey en este caso muestra las comparaciones todos contra todos

ESTE PROCEDIMIENTO TAMBIÉN FUNCIONA EN LAS VERSIONES DE ESCRITORIO DE R (WINDOWS Y LINUX)