Alex Jiménez, Natasha Martínez Paralelo 2

DESARROLLO DE UN MODELO PARA NIVELES DE HEMOGLOBINA EN

MUESTRAS ALEATORIAS DE TRUCHA MARRÓN

La experimentación puede ser analizada la cantidad de muestras y las poblaciones

mediante un solo factor o con “a” niveles y
teniendo una aleatoriedad para evitar
variabilidad[ CITATION Rui12 \l 12298 ].
Además, se emplea el uso de análisis de
varianza con un factor (ANOVA) para
contrastar la hipótesis nula (medias iguales),
la cual determina la comparación del
resultado de los “a” tratamientos con
respecto a una variable de
interés[ CITATION Mon04 \l 12298 ].
En adición, para poder que dicho análisis
pueda cumplir su comportamiento debe
existir homoscedasticidad dentro de sus
poblaciones estudiadas, sean independientes
sean normales[ CITATION Rey14 \l 12298 ].
Así mismo, ANOVA usa el test de Fisher
para aceptar o rechazar la hipótesis nula, es
decir mientras más grande el valor mayor
relación entre sus variables dependientes e
independientes. Por ende, se trabaja con un
95% de confianza porque F trabaja con
probabilidad[ CITATION Mon17 \l 12298 ].
El presente trabajo tuvo como objetivo
conocer si los niveles de hemoglobina (gr per
100ml) en 10 truchas marrones elegidas al
azar en cada canal. Dichos datos fueron
tomados después de 35 días de ingerir
alimentos con sulfamerazina.

MÉTODOS

Se utilizó los datos recolectados de los cuatro

canales para crear un dataframe con el fin de
ver la dispersión de los mismos mediante RESULTADOS
diagrama de cajas y un gráfico de dispersión.
Se trabajó en un lenguaje de programación Boxplot
estadístico llamado RStudio con el fin de
Figura#1 Boxplot de hemoglobina en los diferentes canales
encontrar de forma veraz y eficiente los
valores requeridos. Primeramente, se crea un
Boxplot para ver donde están concentrado las
muestras y así mismo que tanto están
dispersas entre sí. Por otro lado, se analiza la
varianza de un solo factor para determinar el
rechazo o aceptación de la hipótesis nula, la
cual es que las medias sean las mismas en el
modelo. Por ende, se crea un modelo de
regresión de un solo factor aleatorio que
arroja estimaciones. También, se realizaron
prueba de Tukey para ver si todos los
tratamientos dentro del experimento sean
iguales y la de Barret para probar la
homogeneidad de los datos de hemoglobina
recogidas en el paso del tiempo en cada canal
codificado.
Alex Jiménez, Natasha Martínez Paralelo 2

Figura#2 Grafico de dispersión de las muestras de truchas en

nivel de hemoglobina
Tabla#2 Tabla ANOVA

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

Canales 3 26.80 8.934 5.696 0.00268

Residuale 36 56.47 1.569
s

Tabla#3 Tabla de Tukey a 95% de confianza

Diff Lwr Upr P adj

CAN-2-CAN-1 2.13 0.62148556 3.6385144 0.0028743
CAN-3-CAN-1 1.83 0.32148556 3.3385144 0.0122308
CAN-4-CAN-1 1.49 -0.01851444 2.9985144 0.0539172
CAN-3-CAN-2 -0.30 -1.80851444 1.2085144 0.9497752
CAN-4-CAN-3 -0.64 -2.14851444 0.8685144 0.6660242
CAN4-CAN-3 -0.34 -1.84851444 1.1685144 0.9291864

Tabla#1 Supuestos de los residuos

Figura#4 Gráfica de Tukey 95% de confianza
Hemoglobina Y.estimado Error estimado
6.7 7.20 -0.50
7.8 7.20 0.60
5.5 7.20 -1.70
8.4 7.20 1.20
7.0 7.20 -0.20
7.8 7.20 0.60
8.6 7.20 1.40
7.4 7.20 0.20
5.8 7.20 -1.40
7.0 7.20 -0.20
9.9 9.33 0.57
8.4 9.33 -0.93
10.4 9.33 1.07
9.3 9.33 -0.03
10.7 9.33 1.37

Figura#3 Gráfica de los residuos

ANÁLISIS DE RESULTADOS
En la Figura1 de detalla un Boxplot con las
variables de Hemoglobina y los canales
correspondientes, dando una dispersión de
datos. En primer lugar, en el canal 1 se
evidencia un rango intercuartil de menor
tamaño comparado a los otros canales
evidenciando la poca dispersión de datos. Por
otro lado, el canal 2 tiene un gran rango
intercuartil, pero en este caso una mayor
Alex Jiménez, Natasha Martínez Paralelo 2

posibilidad de que no exista datos aberrantes

en su alrededor. Así mismo, el canal tres los
datos están aún más dispersos y llegando casi
llegando al límite de datos aberrantes. Por
último, el canal 4 sus valores no están tan
dispersos y tampoco corre riesgo de caer en
los aberrantes. En sí, se da a entender que la
dispersión de datos no es grande por la
simetría dentro de cada Boxplot o diagrama
de caja.
El gráfico de dispersión se asemeja al de
cajas porque se utiliza el mismo principio,
viendo cuanto afecta una variable a otra
dando una correlación teniendo barras de
errores. Por ende, no existe en el canal 3
mucho error en sus muestras y en el canal 2
es donde más existe. Esta incertidumbre es
media tanto en el canal 1 y 4.
Prueba de Hipótesis
H 0 : {τ 1=τ 2=τ 3=τ 4 }
Ha: {Al menos un par de efectos de
sulfamerazina difieren}
En la Tabla#2 se evidencia los resultados de
la prueba de ANOVA dando un valor p
mediante el análisis de Fischer de 0.00268 el
cual es menor a 0.05. Por ende, se rechaza la
hipótesis nula. Y hay suficiente evidencia
estadística que al menos un par de efectos de
sulfamerazina difieren.
Método de Tukey
Método de Barret

CONCLUSIONES

BIBLIOGRAFÍA
Monk, G. (7 de Septiembre de 2017). ANOVA - Homogeneous variance, what to look for in a boxplot.
Obtenido de Cross Validated: https://stats.stackexchange.com/questions/301599/anova-homogeneous-
variance-what-to-look-for-in-a-boxplot
Alex Jiménez, Natasha Martínez Paralelo 2

Montgomery, D. (2004). Capítulo 3: Experimentos con un solo facto: el análisis de varianza. En

Diseño y Análisis de Experimentos (págs. 60-71). México: Limusa.
Reyes, L. (7 de Mayo de 2014). Prueba de Tukey para experimentos desbalanceados. Obtenido de
Estadística, Matemática y Computacióm: http://reyesestadistica.blogspot.com/2014/05/prueba-de-
tukey-para-experimentos.html
Ruiz, A. (23 de Febrero de 2012). Conexionismo. Obtenido de
http://www.conexionismo.com/leer_articulo.php?
ref=analisis_de_varianza_de_un_factor_para_muestras_independientes-8570i38c