Comparar conjuntos de datos

Análisis convencional

Por medio de la función compareParam es posible comparar dos grupos de datos por medio de las variables asociadas al ajuste del modelo paramétrico. Los parámetros que recibe esta función son los dos grupos de datos, el modelo de probabilidad que ajusta a cada grupo de datos, la variable que se desea comparar, entre otros valores que permiten personalizar el gráfico. para saber más ir a compareParam. Los nombres de las variables pueden obtenerse de la siguiente forma:

colnames(Wei(B)$table)

## [1] "shape" "scale" "alpha" "fmax"  "UF"    "MF"    "error"

La función compareParam realiza un gráfico Q-Q de la variable elegida, cambiando el parámetro new.plot=FALSE es posible apilar los gráficos. Los detalles de la prueba \(t\mbox{-}student\) para la diferencia de medias al \(95\%\) de confianza se obtienen cambiando el parámetro return=TRUE (en consecuencia, se omitirá el gráfico), el nivel de confianza y la hipótesis alternativa pueden se modificados mediante los parámetros alternative y conf.level respectivamente, para más detalles ir a compareParam.

compareParam(B, C, fit=Wei, param="shape")

De esta forma es posible realizar un análisis convencional de la recuperación de la fluorescencia, es decir, comparar la Fracción Inmóvil (UF) y la Fracción Móvil (MF). Recuerde que \[UF=\frac{1-f_{max}}{1-f_{min}}\] \[MF=\frac{f_{max}-f_{min}}{1-f_{min}}\] \[UF+MF=1\]

compareParam(B, C, fit=Wei, param="UF", xlim=c(0,1), ylim=c(0,1),lty.lines=c(2,1), col.lines=c("white","red"), lwd.lines=2)
compareParam(B, C, fit=Wei, param="MF", new.plot=F, lwd.lines=2)

compareParam(B, C, fit=Wei, param="UF", return=T)#>>><<<

## 
##  Welch Two Sample t-test
## 
## data:  UF_Weibull_Secondary.Neurites and UF_Weibull_Dendrites
## t = -0.51751, df = 4.2562, p-value = 0.6305
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.2846008  0.1933821
## sample estimates:
##  mean of x  mean of y 
## 0.08361768 0.12922699

compareParam(B, C, fit=Wei, param="MF", return=T)#>>><<<

## 
##  Welch Two Sample t-test
## 
## data:  MF_Weibull_Secondary.Neurites and MF_Weibull_Dendrites
## t = 0.51751, df = 4.2562, p-value = 0.6305
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.1933821  0.2846008
## sample estimates:
## mean of x mean of y 
## 0.9163823 0.8707730

También, con la función compareParam es posible comparar dos modelos de probabilidad, ajustados a un mismo grupo de datos, con respecto al error que produce cada ajuste, puede notar que esta gráfica ya se encuentra incluida dentro del mosaico que arroja la función compareFit vista anteriormente.

compareParam(B, B, fit=l(Exp,Wei), param="error", col.lines=c("red", "yellow"), lwd.lines=2, lty.lines=c(2,1), ydigits=2, xdigits=2)

compareParam(B, B, fit=l(Exp,Wei), param="error", return=T)#>>><<<

## 
##  Welch Two Sample t-test
## 
## data:  error_Exponential_Secondary.Neurites and error_Weibull_Secondary.Neurites
## t = 1.2307, df = 21.424, p-value = 0.2318
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.09746458  0.38089484
## sample estimates:
## mean of x mean of y 
## 0.7222331 0.5805180

Análisis del comportamiento medio

El análisis del comportamiento medio implica evaluar la recuperación promedio de la fluorescencia a lo largo del tiempo. La curva media se calcula de la siguiente manera:

\[\overline F(t)=\frac{1}{n}\sum_{i=1}^{n}F^{AB}_i(t),\]

donde \(n\) es el tamaño del conjunto de datos y \(F^{AB}_i\) representa la curva de recuperación de la fluorescencia después del fotoblanqueo asociada a la cuantificación de la fluorescencia \(f_i\).

plotFit(B, fit=Wei, plot.lines=T, plot.mean=T, col.mean="purple",lwd.mean=2, xdigits=0, ydigits=2, alp.lines=0.5)

La función compareMean permite contrastar las curvas medias de dos grupos de datos por medio de una prueba \(t\mbox{-}student\) para la diferencia de medias aplicada de manera continua en un periodo de tiempo. La función recibe como parámetros a los grupos de datos por comparar, el modelo probabilidad que ajusta a los datos, entre otros valores que permiten personalizar la gráfica.

El gráfico que devuelve representa al \(p\mbox{-}value\) de la prueba \(t\mbox{-}student\), la línea de referencia indica el nivel de significancia. Cambiando el parámetro return=TRUE se obtienen los detalles de la prueba almacenados en una lista (omitiendo la realización de la gráfica), el nivel de confianza y la hipótesis alternativa pueden ser modificados mediante los parámetros alternative y conf.level respectivamente, para más detalles ir a compareMean.

compareMean(B, C, fit=Wei, lty.lines=c(2,1), col.lines=c("red","purple"), ydigits=2)

Cambiando el parámetro p.value=FALSE se calculará la diferencia de medias entre los dos grupos de datos, la línea de referencia estará situada en cero. En este caso al cambiar el parámetro return=TRUE se obtiene un vector con la diferencia de medias entre ambas curvas.

compareMean(B, C, fit=Wei, p.value=F, lty.lines=c(2,1), col.lines=c("red","magenta"), ydigits=3)