1. Lew (2007) presenta los datos de un experimento para determinar si las células cultivadas responden a dos fármacos. El experimento se llevó a cabo utilizando una línea celular estable colocada en placas de Petri, y cada ejecución experimental incluyó ensayos de respuestas en tres placas de Petri: una tratada con el fármaco 1, una tratada con el fármaco 2 y una no tratada que sirvió como control. Los datos se muestran en la siguiente tabla:

         Control Drug 1 Drug 2

    Experiment 1 1147 1169 1009 Experiment 2 1273 1323 1260 Experiment 3 1216 1276 1143 Experiment 4 1046 1240 1099 Experiment 5 1108 1432 1385 Experiment 6 1265 1562 1164

library(readxl)
Actividad2n <- read_excel("C:/Users/juanc/OneDrive/Escritorio/Actividad2n.xlsx")
Actividad2n
## # A tibble: 18 x 3
##    Bloques  Tratamientos Respuesta
##    <chr>    <chr>            <dbl>
##  1 bloque 1 control           1147
##  2 bloque 2 control           1273
##  3 bloque 3 control           1216
##  4 bloque 4 control           1046
##  5 bloque 5 control           1108
##  6 bloque 6 control           1265
##  7 bloque 1 drug 1            1169
##  8 bloque 2 drug 1            1323
##  9 bloque 3 drug 1            1276
## 10 bloque 4 drug 1            1240
## 11 bloque 5 drug 1            1432
## 12 bloque 6 drug 1            1562
## 13 bloque 1 drug 2            1009
## 14 bloque 2 drug 2            1260
## 15 bloque 3 drug 2            1143
## 16 bloque 4 drug 2            1099
## 17 bloque 5 drug 2            1385
## 18 bloque 6 drug 2            1164
respuesta=Actividad2n$Respuesta
tratamientos=Actividad2n$Tratamientos
bloques=Actividad2n$Bloques

df=Actividad2n

Diagrama de arbol

library(collapsibleTree)

collapsibleTreeSummary(Actividad2n, hierarchy = c('Bloques', 'Tratamientos', 'Respuesta'))
library(lattice)
bwplot(respuesta ~ tratamientos, df)

bwplot(respuesta ~ bloques, df)

bwplot(respuesta ~ tratamientos|bloques, df)

# Analisis de varianza

ANOVA=aov(respuesta~bloques+tratamientos,df)
summary(ANOVA)
##              Df Sum Sq Mean Sq F value Pr(>F)  
## bloques       5 134190   26838   2.854 0.0743 .
## tratamientos  2  99122   49561   5.271 0.0273 *
## Residuals    10  94024    9402                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Eficiencia de bloqueo

H=26838/9402
H
## [1] 2.854499

Comparacion de medias

TukeyHSD(ANOVA, 'tratamientos')
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = respuesta ~ bloques + tratamientos, data = df)
## 
## $tratamientos
##                        diff         lwr        upr     p adj
## drug 1-control  157.8333333    4.366592 311.300075 0.0440035
## drug 2-control    0.8333333 -152.633408 154.300075 0.9998778
## drug 2-drug 1  -157.0000000 -310.466741  -3.533259 0.0450905
library(agricolae)
## Warning: package 'agricolae' was built under R version 4.0.5
duncan.test(ANOVA, 'tratamientos', console = T)
## 
## Study: ANOVA ~ "tratamientos"
## 
## Duncan's new multiple range test
## for respuesta 
## 
## Mean Square Error:  9402.389 
## 
## tratamientos,  means
## 
##         respuesta       std r  Min  Max
## control  1175.833  90.87886 6 1046 1273
## drug 1   1333.667 142.22049 6 1169 1562
## drug 2   1176.667 130.98499 6 1009 1385
## 
## Alpha: 0.05 ; DF Error: 10 
## 
## Critical Range
##        2        3 
## 124.7386 130.3506 
## 
## Means with the same letter are not significantly different.
## 
##         respuesta groups
## drug 1   1333.667      a
## drug 2   1176.667      b
## control  1175.833      b

Pruebas de normalidad

Data_normalidad=shapiro.test(ANOVA$residuals)
Data_normalidad
## 
##  Shapiro-Wilk normality test
## 
## data:  ANOVA$residuals
## W = 0.9766, p-value = 0.9083
ifelse(Data_normalidad$p.value<0.05,"Datos no normal","Normalidad")
## [1] "Normalidad"

#Pruebas de varianza

Prueba_varianzas= bartlett.test(ANOVA$residuals ~ Actividad2n$Tratamientos)
Prueba_varianzas
## 
##  Bartlett test of homogeneity of variances
## 
## data:  ANOVA$residuals by Actividad2n$Tratamientos
## Bartlett's K-squared = 0.18145, df = 2, p-value = 0.9133
ifelse(Prueba_varianzas$p.value<0.05,"Heterocedasticidad","Homocedasticidad")
## [1] "Homocedasticidad"
plot(ANOVA$residuals)

# Histograma de residuales

hist(ANOVA$residuals)

# Datos atipicos

Valores_atipicos= outliers::grubbs.test(ANOVA$residuals)
Valores_atipicos
## 
##  Grubbs test for one outlier
## 
## data:  ANOVA$residuals
## G.5 = 1.98259, U = 0.75518, p-value = 0.3315
## alternative hypothesis: lowest value -147.444444444444 is an outlier
ifelse(Valores_atipicos$p.value<0.05,"Hay Valores atipicos","No hay valores atipicos")
##                         5 
## "No hay valores atipicos"

conclusiones

La droga 1 puede ser mejor ya que tiene una media mas alta con respecto al control y a la droga 2, y aunque estas dos ultimas tienen medias iguales como lo demuestra el test de dunkan y tukey no son tan eficientes

El bloqueo es eficiente pero debido a las variaciones que hay en los tratamientos no es tan alto, pero si se deberia bloquear