# Diseño de experimentos.


# Comparación de dos poblaciones a nivel de la medias o de la centralización.


# 1. Muestras independientes.

# Se piensa que la presentación de sepsis generalizada influye en los niveles de proteínas. 
# Se tomaron dos grupos de individuos, uno de 10 pacientes con sepsis generalizada y otro 
# de 14 personas sanas, con edades, sexo, etc... equiparables, anotándose el contenido de
# albúmina en suero en gr/l en cada uno de ellos; los resultados obtenidos están en los 
# ficheros sepsis.sav y sepsis.dat. ¿Confirman los resultados la hipótesis planteada?
# (modificación del estudio de Alvarez,C., Ramos,A (1986)."Lipids, Lipoproteins and 
# Apoproteins in Serum during Injection". Clinical Chemistry, 32 (1), 142-145.)

# (datos simulados de normales de media y desviación típica:
#      sanos : media=37.9   desv. tipica=1.8
#      sepsis: media=35.7   desv. tipica=1.8)


datos<-read.table("sepsis.dat", head=T)
attach(datos)

x<-sepsis[grupo==1]   #Sanos
y<-sepsis[grupo==2]   #Sepsis

library(ctest)
shapiro.test(x)       #Contraste de Normalidad
shapiro.test(y)

var.test(x,y)         #Comparación de varianzas basada en Normalidad

t.test(x,y, var.equal=T)  #Comparación de medias asumiendo normalidad y homocedasticidad.

wilcox.test(x,y)   #Comparación no paramétrica de poblaciones a nivel de centralización.




# ¿Qué podemos decir ahora si los datos recogidos son los de los ficheros sepsis1.sav
# y sepsis1.dat?

# (datos simulados de normales de media y desviación típica:
#      sanos : media=37.9   desv. tipica=1.8
#      sepsis: media=35.7   desv. tipica=3)


datos<-read.table("sepsis1.dat", head=T)
attach(datos)

x<-sepsis[grupo==1]   #Sanos
y<-sepsis[grupo==2]   #Sepsis


shapiro.test(x)       #Contraste de Normalidad
shapiro.test(y)

var.test(x,y)         #Comparación de varianzas basada en Normalidad

t.test(x,y)  #Comparación de medias asumiendo normalidad y heterocedasticidad.

wilcox.test(x,y)   #Comparación no paramétrica de poblaciones a nivel de centralización.

     

# 2. Muestras apareadas.

# Los archivos presion.sav y presion.dat presentan las presiones sanguíneas sistólicas
# de 10 individuos alcohólicos antes y después de dos meses de haber dejado la bebida.
# Analiza los datos.

datos<-read.table("presion.dat", head=T)
attach(datos)

shapiro.test(antes-despues)      #Contraste de Normalidad

t.test(antes,despues,paired=T)    #Comparación de medias asumiendo normalidad

wilcox.test(antes,despues,paired=T) #Comparación no paramétrica 






# Comparación de tres o más poblaciones a nivel de la medias o de la centralización.

# 1. Diseño completamente aleatorizado.

# En los archivo iris e iris.sav tenemos las medidas en centímetros de las variables:
# 1. Longitud y anchura de los sepalos (Sepal.Length, Sepal.Width, respectivamente).
# 2. Longitud y anchura de los petalos (Petal.Length, Petal.Width, respectivamente).
# de 50 flores de cada una de 3 Especies de lirios (Setosa, Versicolor y Virgínica).
# (Datos publicados por E. Anderson(1935) y R.A. Fisher(1936))
# Estudiemos si las anchuras media de los sepalos es la misma para las 3 
# especies de lirios consideradas.

data(iris)
attach(iris)


summary(aov(Sepal.Width~Species))

kruskal.test(Sepal.Width,Species)


library(ea, lib.loc="../")
npcompmult(Sepal.Width,Species)


# 2. Diseño por bloques al azar.

# Debido al incremento en los precios de la gasolina se han desarrollado varios 
# dispositivos que se colocan en los carburadores de los automóviles. Una 
# empresa selecciona tres de estos dispositivos para someterlos a prueba. La 
# empresa desea compararlos con los carburadores estándar, con el propósito 
# de determinar si existe un incremento apreciable de kilómetros por litro de 
# gasolina con el uso de estos dispositivos. La compañía selecciona cinco 
# automóviles para el experimento. Para controlar la variación, se planea 
# utilizar el mismo conductor para todo el experimento. Los datos observados están
# en los archivos carbu.dat y carbu.sav.

datos<-read.table("carbu.dat",head=T)
attach(datos)
Automovil<-factor(Automovil)


summary(aov(km.litro~Dispositivo+Automovil))


friedman.test(km.litro,Dispositivo,Automovil)

library(ea, lib.loc="../")
nptukey(km.litro,Dispositivo,Automovil)



# 3. Diseño factorial.

# Se piensa que el voltaje máximo que puede proporcionar una batería puede estar 
# influenciado por el material por el que está fabricada y por la temperatura a 
# que trabaja. Se diseñó una experiencia en laboratorio con tres tipos de 
# material y tres temperaturas, realizándose 4 réplicas. Los datos obtenidos se 
# encuentran en voltaje.dat y voltaje.sav.

volt<-read.table("voltaje.dat",head=T)
attach(volt)
temperatura<-factor(temperatura)
material<-factor(material)

summary(aov(voltaje~temperatura+material+temperatura:material))



# 4. Análisis de la Covarianza.

# Se ha realizado un estudio medioambiental en el que se han medido
# las variables nivel de ozono (en ppb) y temperatura (en grados
# centígrados) en tres ciudades españolas (Badajoz, Madrid y
# Sevilla) a lo largo de un año, tomándose 40 observaciones de ambas
# variables para cada ciudad. Los datos obtenidos se encuentran en
# los archivos ozono.dat y ozono.sav.

# Se consideró que la variable temperatura podía determinar 
# de algún modo el nivel de ozono y que la relación
# entre ambas podía variar de unas ciudades a otras. Realiza el
# estudio adecuado para determinar dicha relación y si esta es la
# misma en las tres ciudades. 

datos<-read.table("ozono.dat",head=T)
attach(datos)


res<-lm(ozono~temperatura+ciudad+temperatura:ciudad) # o equivalentemente res<-lm(y~temperatura*ciudad)
summary(res)


res1<-lm(ozono~temperatura+ciudad)
summary(res1)