setwd("~/Library/CloudStorage/GoogleDrive-icarounam@gmail.com/Mi unidad/UIS/Clases_prep/Alumnos/Prácticas/Práctica_1/A1")
# Método gravimétrico
grav<-read.table("grava1.csv", header=T, sep=",")
attach(grav)
fit1<-lm(porcentaje~conc)
summary(fit1)
##
## Call:
## lm(formula = porcentaje ~ conc)
##
## Residuals:
## Min 1Q Median 3Q Max
## -9.3519 -3.7006 0.0583 2.7461 12.4489
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 11.092 1.772 6.259 7.84e-07 ***
## conc -29.460 3.009 -9.790 1.07e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 5.7 on 29 degrees of freedom
## Multiple R-squared: 0.7677, Adjusted R-squared: 0.7597
## F-statistic: 95.84 on 1 and 29 DF, p-value: 1.066e-10
# La ecuación que describe la función es: % cambio en peso = (-29.460*Concentración de sacarosa) + (11.092)
layout(matrix(1:4,2,2))
plot(fit1)
shapiro.test(fit1$residuals)
##
## Shapiro-Wilk normality test
##
## data: fit1$residuals
## W = 0.93806, p-value = 0.07295
## Hallando concentraciones de una solución hipertónica, isotónica e hipotónica
# Se usa la base de datos (grav) y se identifican los cambios de peso en los cuales los tuberculos de papa:
# tienen menor peso que el inicial (solución hipertónica), el peso no cambia (isotónica), o el peso es mayor que el inicial (hipotónica)
grav
## conc rep peso.inicial peso.final porcentaje
## 1 0.0 1 1.5631 1.7824 14.030
## 2 0.1 1 1.5530 1.6785 8.081
## 3 0.3 1 1.5142 1.5646 3.328
## 4 0.4 1 1.3760 1.2378 -10.044
## 5 0.5 1 1.4770 1.2956 -12.282
## 6 0.9 1 1.5143 1.1794 -22.116
## 7 1.0 1 1.4517 1.1709 -19.343
## 8 0.0 2 1.4798 1.6448 11.150
## 9 0.1 2 1.4512 1.5924 9.730
## 10 0.3 2 1.5345 1.5684 2.209
## 11 0.4 2 1.5096 1.3815 -8.486
## 12 0.5 2 1.4178 1.2495 -11.871
## 13 0.7 2 1.5230 1.2651 -16.934
## 14 0.9 2 1.3768 1.0760 -21.848
## 15 1.0 2 1.5254 1.1389 -25.338
## 16 0.0 3 2.6995 3.0060 11.354
## 17 0.1 3 2.7910 3.1085 11.376
## 18 0.3 3 2.9746 3.1101 4.555
## 19 0.4 3 2.7488 2.8091 2.194
## 20 0.5 3 2.8844 2.8471 -1.293
## 21 0.7 3 2.6305 2.3615 -10.226
## 22 0.9 3 2.7219 2.4799 -8.891
## 23 1.0 3 2.8539 2.5712 -9.906
## 24 0.0 4 2.8023 3.1085 10.927
## 25 0.1 4 2.8969 3.1256 7.895
## 26 0.3 4 2.8314 2.9525 4.277
## 27 0.4 4 2.6442 2.9085 9.995
## 28 0.5 4 2.7726 2.7440 -1.032
## 29 0.7 4 2.9490 2.6498 -10.146
## 30 0.9 4 2.8715 2.5691 -10.531
## 31 1.0 4 2.7084 2.5481 -5.919
# Se elige la perdida de peso más negativa -25.34%, el no cambio de peso (0), y el mayor aumento de peso (14.03%)
# Los valores de peso se reemplazan en la ecuación hallada despejando la concentración de sacarosa
# Concentración de sacarosa = (% cambio en peso-11.092)/(-29.460)
# Aquí una solución automática usando R
sol<-c(-25.34,0,14.03)
X <- matrix(0, nrow = length(sol), ncol = 1)
for (i in 1:1) {
Y <- (sol)
X [,i] <- (((Y-11.092)/-29.460))
}
X
## [,1]
## [1,] 1.23665988
## [2,] 0.37651052
## [3,] -0.09972845
# Los valores hallados de concentración para cada tipo de solución se reeplazan en la ecuación de Van't Hoff para hallar el potencial osmótico
# Ψs = -i RCT = -1*0.083*X*298
# Aquí una solución automática usando R
Ψs <- matrix(0, nrow = length(X), ncol = 1)
for (i in 1:1) {
X <- (X)
Ψs [,i] <- (-1*0.083*X*298)
}
Ψs
## [,1]
## [1,] -30.587545
## [2,] -9.312611
## [3,] 2.466683
# Los resultados estan en bares, las unidades más usadas son Mpa, se convierten, 1bar = 0.1 Mpa
Ψs <- Ψs/10
Ψs
## [,1]
## [1,] -3.0587545
## [2,] -0.9312611
## [3,] 0.2466683
detach(grav)
# Método Vacuola
vac<-read.table("vacuola.csv", header=T, sep=",")
attach(vac)
fit1<-lm(porc_cel~conc)
summary(fit1)
##
## Call:
## lm(formula = porc_cel ~ conc)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.017778 -0.014094 0.009591 0.012327 0.014854
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.014854 0.008209 -1.81 0.113
## conc 0.563158 0.032115 17.54 4.83e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.01533 on 7 degrees of freedom
## Multiple R-squared: 0.9777, Adjusted R-squared: 0.9746
## F-statistic: 307.5 on 1 and 7 DF, p-value: 4.83e-07
# La ecuación que describe la función es: % cel plasmolizadas = (0.563*Concentración de sacarosa) - (0.015)
layout(matrix(1:4,2,2))
plot(fit1)
shapiro.test(fit1$residuals) # los datos no son normales
##
## Shapiro-Wilk normality test
##
## data: fit1$residuals
## W = 0.78025, p-value = 0.01212
# Se transforman los datos haciendo uso de la función arcoseno
fit2<-lm(asen~conc)
summary(fit2)
##
## Call:
## lm(formula = asen ~ conc)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.076580 0.003517 0.007421 0.009206 0.043937
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.07658 0.01944 3.939 0.00561 **
## conc 1.01051 0.07606 13.285 3.2e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.03632 on 7 degrees of freedom
## Multiple R-squared: 0.9619, Adjusted R-squared: 0.9564
## F-statistic: 176.5 on 1 and 7 DF, p-value: 3.203e-06
shapiro.test(fit2$residuals)
##
## Shapiro-Wilk normality test
##
## data: fit2$residuals
## W = 0.84659, p-value = 0.06833
plot(fit2)
shapiro.test(fit2$residuals)
##
## Shapiro-Wilk normality test
##
## data: fit2$residuals
## W = 0.84659, p-value = 0.06833
# Los datos del modelo transformado son normales pero son cualitativamente (pendiente e intercepto significativos) similares a los datos sin transformar
# Para no tener que transformar los resultados a las unidades originales y debido a la poca cantidad de datos podemos seguir trabajando con los datos brutos
## Hallando la concentracion de una solución isotónica, % cel plasmolizadas = (0.563*Concentración de sacarosa) - (0.015)
# Se usa la base de datos (vac) y se identifica la concentración en la cual no hay células plasmolizadas, por lo tanto, igualamos la ecuación a cero y despejamos la concentración
# Concentración de sacarosa = arcoseno % cel plasmolizadas+0.015)/(0.563)
# Aquí una solución automática usando R
sol<-c(0)
X <- matrix(0, nrow = length(sol), ncol = 1)
for (i in 1:1) {
Y <- (sol)
X [,i] <- (((Y+0.015)/0.56))
}
X
## [,1]
## [1,] 0.02678571
# Los valores hallados de concentración para cada tipo de solución se reeplazan en la ecuación de Van't Hoff para hallar el potencial osmótico
# Ψs = -i RCT = -1*0.083*X*298
# Aquí una solución automática usando R
Ψs <- matrix(0, nrow = length(X), ncol = 1)
for (i in 1:1) {
X <- (X)
Ψs [,i] <- (-1*0.083*X*298)
}
Ψs
## [,1]
## [1,] -0.6625179
# Los resultados estan en bares, las unidades más usadas son Mpa, se convierten, 1bar = 0.1 Mpa
Ψs <- Ψs/10
Ψs
## [,1]
## [1,] -0.06625179