Page 76 - Introducción a la Bioestadística con R
P. 76
Pero, ¿qué ocurre si tus datos no están normalmente distribuidos?
Un truco muy extendido es normalizarlos haciendo un log10(), pero puede que aún así sigan sin estar normalmente distribuidos. En ese caso deberemos recurrir a una prueba no paramétrica.
Wilcoxon-Mann-Whitney test para muestras no pareadas
Hay diferentes tipos de pruebas no paramétricas, aquí vamos a estudiar el Wilcoxon test. El test de Wilcoxon-Mann-Whitney es un algoritmo que determina si la localización central de dos muestras es significativamente diferente entre sí. Como en el caso del t-test, las muestras pueden estar pareadas o no. Si no especificamos que no están pareadas (las muestras pertenecen al mismo individuo, pero fueron tomadas en momentos diferentes), R ejecutará el comando por defecto como si no lo estuvieran pareadas.
La función que vamos a utilizar es la siguiente:
wilcox.test(y, x, paired = FALSE) wilcox.test (y, x)
Aquí “y” es tu primera muestra o grupo de datos, “x” es el segundo grupo de datos y el argumentos “paired” especificará que tus dos muestras no están relacionadas entre sí. Si no lo incluimos, igualmente R asumirá por defecto que no lo están.
Ejercicio 16. Wilcoxon-Mann-Whitney test para dos muestras no pareadas.
Te interesa conocer el contenido en ácido linoleico conjugado de dos marcas de leche comercialmente disponibles, para decidir cual vas a recomendar en un estudio intervencional humano que está a punto de comenzar. Los datos son los siguientes:
Tratamiento_A <- c(2.0,5.6,3.2,1.9,9.5,2.3,6.7,6.0,3.5,4.0,8.1,15.9) Tratamiento_B <- c(2.5,3.5,2.9,2.1,6.9,2.4,4.9,6.6,2.0,2.0,5.8,7.5)
En primer lugar, ejecuta un shapiro.test para ambos tratamientos. Después, analiza la homocedasticidad de las dos muestras. ¿Están normalmente distribuidos los datos? Veamos los resultados a continuación.
Introducción a la Bioestadística con R
72