An Lisis de Varianza

ANLISIS DE VARIANZA ANOVA DE UNA VA
P. Reyes / Sept. 2007
ANLISIS DE VARIANZA
ANOVA DE UNA VA
Elabor: Dr. Primitivo Reyes Aguilar

Septiembre de 2007
Mail: primitivo_reyes@yahoo.com
Tel. 58 83 41 67 / Cel. 044 55 52 17 49 12
Pgina 1 de 26
CONTENIDO
1. ANOVA
2. Ejercicios
3. Teora de experimentos de un solo factor
Pgina 2 de 26
ANALISIS DE VARIANZA DE UN FACTOR (ANOVA 1 VIA)

El anlisis de la varianza de un factor (ANOVA) es una metodologa para analizar la variacin
entre muestras y la variacin al interior de las mismas mediante la determinacin de varianzas.
Es llamado de una va porque analiza un variable independiente o Factor ej: Velocidad. Como
tal, es un mtodo estadstico til para comparar dos o ms medias poblacionales. El ANOVA de
un criterio nos permite poner a prueba hiptesis tales como:
H 0 1 2 3 .... k
H 1 : Al menos dos medias poblacionales son diferentes.

Los supuestos en que se basa la prueba t de dos muestras que utiliza muestras independientes
son:
1. Ambas poblaciones son normales.
2. Las varianzas poblacionales son iguales, esto es, 12 22 .
El estadstico tiene una distribucin muestral resultando:
Fc
sb2
sw2
El valor crtico para la prueba F es:

F (k 1, k (n 1))
Donde el nmero de grados de libertad para el numerador es k-1 y para el denominador es k(n1), siendo el nivel de significancia.
k = nmero de muestras.
Por ejemplo:
Ejemplo: Se tienen 14 empleados seleccionados al azar que se someten a
3 diferentes cursos de entrenamiento: Programa 1, Programa 2 y Programa 3.
Pgina 3 de 26
Como los empleados se seleccionan aleatoriamente para cada programa

el diseo se denomina DISEO COMPLETAMENTE ALEATORIZADO
Se observa el aprovechamiento de los empleados en los programas:
TRATAMIENTOS
c=1
c=3
c=2
Programa
Programa 1
Programa 3
r=1
85
80
82
r=2
72
84
80
r=3
83
81
85
r=4
80
78
90
r=5
**
82
88
Medias
80.00
81.00
85.00
Xj
Media de medias o media

total
82.14
TIPOS DE VARIACIN Y SUMAS DE CUADRADOS

1. Variacin total entre los 14 empleados, su puntuacin no fue igual con todos
VARIACIN TOTAL RESPECTO A LA MEDIA GENERAL
r
SCT
i 1
( Xij X )
j 1
SCT = (85-82.14)2 + (72-82.14)2+(83-82.14)2+.....+(88-82.14)2

SCT = 251.7
2. Variacin entre los diferentes tratamientos o Variacin entre muestras
o variacin
entre programa 1, programa 2 y programa 3

EFECTO DE LA MEDIA DE CADA TRATAMIENTO RESPECTO A LA MEDIA GENERAL
Pgina 4 de 26
SCTR r j ( X j X ) 2
j 1
SCTR = 4(79.5 - 81.3333)2 + 5(81 - 81.3333)2 + 5(85 - 81.333)2

SCTR = 65.71
3. Variacin dentro de un tratamiento o muestra o programa dado que no todos los
empleados dentro de un mismo programa obtuvieron los mismos puntajes. Se denomina
Variacin dentro de los tratamientos.
VARIACIN DENTRO DEL TRATAMIENTO O VARIACIN DEL ERROR
CADA VALOR RESPECTO A LA MEDIA DE SU TRATAMIENTO
r
SCE
i 1
(X
j 1
ij
X j )2
SCE = SCT - SCTR = 186

4. GRADOS DE LIBERTAD
Grados de libertad totales = n - 1 = 14-1 = 13
Grados de libertad de los tratamientos = c - 1 = 3 - 1 = 2
Grados de libertad del error = gl. Totales - gl. Tratamientos = 13 - 2 = 11
gl SCT = gl SCTR + gl SCE
gl SCE = gl SCT - gl SCTR = (n -1) - (c - 1) = n -c
5. CUADRADOS MEDIOS (Suma Cuadrados/ Grados libertad)
CMT = Cuadrado medio total = SCT / (n-1) =
19.4
CMTR = Cuadrado medio del tratamiento = SCTR / (c -1) =
32.9
CME = Cuadrado medio del error = SCE/ gle.=
16.9
Pgina 5 de 26
6. ESTADSTICO DE PRUEBA Fc Y ESTADSTICO F CRTICO DE ALFA

Fc = CMTR / CME=
1.946745562
Falfa , gl .numerador, gl .denom in ador F ,c 1,n c

Clculo de F con Excel
=DISTR.F.INV(ALFA, GL. TR, GL. ERR) =DISTR.F.INV(0.05, 2, 11) = 3.982297957
ZONA DE
NO RECHAZAR
RECHAZO
Distr. F
Como Fc es menor a Falfa no se rechaza Ho y las medias son iguales.
7. VALOR P DE Fc
P = distr.f(Fc, gl. SCTr, gl. SCE) = distr.f(1.946, 2, 11) = 0.18898099
Como P es mayor a alfa no se rechaza Ho
CONCLUSION: NO HAY SUFICIENTE EVIDENCIA PARA RECHAZAR HO, LAS MEDIAS DE
LOS TRATAMIENTOS SON IGUALES
Pgina 6 de 26
TABLA DE ANOVA
FUENTE DE VARIACIN
SUMA DE
GRADOS DE
CUADRADO
CUADRADOS LIBERTAD
MEDIO
VALOR F
Entre muestras (tratam.)
SCTR
c-1
CMTR
CMTR/CME
Dentro de muestras (err.)
SCE
n-c
CME
Variacin total
SCT
n-1
CMT
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
USO DE EXCEL:
En el men herramientas seleccione la opcin Anlisis de datos, en funciones para

anlisis seleccione Anlisis de varianza de un factor.
En Rango de entrada seleccionar la matriz de datos (todas las columnas a la vez).
Alfa = 0.05
En Rango de salida indicar la celda donde se iniciar la presentacin de resultados.
RESUMEN
Grupos
Anlisis de varianza de un factor

Cuenta
Suma
Promedio
Varianza
Programa 1
320
80 32.666667
Programa 2
405
81
Programa 3
425
85
17
Grados
ANLISIS DE VARIANZA
de
Promedio de
Suma
Variaciones
cuadrados
Entre grupos
65.71428571
libertad
Cuadrados
Total
186
251.7142857
Probabilidad
F crtica
2 32.85714286 1.9431644 0.18937731 3.98229796
Dentro de
grupos
Fc
11 16.90909091
13
Pgina 7 de 26
USO DE MINITAB
Stat > ANOVA > One Way (Unstacked)
en Responses in separate columns Indicar las columnas de datos
En Confidence Level 95%
Seleccionar Comparisons Tukey 5%
OK
One-way ANOVA: Programa 1, Programa 2, Programa 3

Source
Factor
Error
Total
DF
2
11
13
S = 4.112
SS
65.7
186.0
251.7
MS
32.9
16.9
F
1.94
R-Sq = 26.11%
P
0.189
R-Sq(adj) = 12.67%
Individual 95% CIs For Mean Based on
Pooled StDev
Level
Programa 1
Programa 2
Programa 3
N
4
5
5
Mean
80.000
81.000
85.000
StDev
5.715
2.236
4.123
----+---------+---------+---------+----(------------*------------)
(----------*-----------)
(-----------*----------)
----+---------+---------+---------+----77.0
80.5
84.0
87.5
Pooled StDev = 4.112
NOTA: Si los Intervalos de confianza se traslapan, las medias son iguales estadsticamente
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons
Individual confidence level = 97.94%
Programa 1 subtracted from:
Programa 2
Programa 3
Lower
-6.451
-2.451
Center
1.000
5.000
Upper
8.451
12.451
--------+---------+---------+---------+(------------*-----------)
(-----------*------------)
--------+---------+---------+---------+-6.0
0.0
6.0
12.0
Upper
11.025
--------+---------+---------+---------+(-----------*----------)
--------+---------+---------+---------+-6.0
0.0
6.0
12.0
Programa 2 subtracted from:

Programa 3
Lower
-3.025
Center
4.000
NOTA: Si el cero se encuentra en el intervalo de confianza de la diferencia entre medias, este

par de medias no son diferentes.
Pgina 8 de 26
2. EJERCICIOS:
1. Cuatro catalizadores que pueden afectar la concentracin de un componente en una mezcla
lquida de tres componentes estn siendo investigado.
Se obtienen las siguientes concentraciones:
Catalizador
A
58.2
56.3
50.1
52.9
57.2
54.5
54.2
49.9
58.4
57
55.4
50
55.8
55.3
51.7
54.9
2. Para determinar si existe diferencia significativa en el nivel de Matemticas de 4 grupos de
estudiantes de Ingeniera se realiz un examen aleatorio a 6 individuos por grupo. Determine
cuales son los grupos en los cuales existen diferencias a un 95% de nivel de confianza.
A
75
93
78
71
63
76
B
78
91
97
82
85
77
C
55
66
49
64
70
68
D
64
72
68
77
56
95
3. Las calificaciones en el examen a 18 empleados de tres unidades de negocio

Se muestran a continuacin:
Probar si no hay diferencia entre las unidades a un 5% de nivel de significancia.
A
85
71
59
75
75
64
82
73
62
76
74
69
Pgina 9 de 26
71
69
75
85
82
67
4. Probar si hay diferencia en los tiempos de servicio de 4 unidades de negocio para el mismo
servicio a un nivel de significancia del 5%.
A
5.4
8.7
11.1
9.9
7.8
7.4
10.3
12.8
5.3
9.4
9.7
12.1
7.4
10.1
10.3
10.8
8.4
9.2
9.2
11.3
7.3
9.8
8.8
11.5
Pgina 10 de 26
3. TEORA DE EXPERIMENTOS DE UN SOLO FACTOR

En esta parte se analiza el caso en que se desea conocer el efecto de un solo factor o variable
independiente sobre la caracterstica de calidad que s esta analizando. Esto implica que a fin de
poder detectar su efecto, este factor se debe de variar manteniendo el resto de los factores en un
valor fijo.
Experimentos sin restricciones en la aleatoriedad.
Cuando se desea analizar el efecto de un factor sobre una variable dependiente o caracterstica
de calidad es necesario el variar el "nivel valor de ese factor. A cada diferente nivel al cual se
realiza el experimento se le conoce como tratamiento. Por ejemplo si el factor es el proveedor los
diferentes niveles o serian proveedor A, proveedor B, proveedor C, etc. , si el factor es el tipo de
proceso los tratamientos serian proceso 1, proceso 2. Si el factor es temperatura los diferentes
niveles serian por ejemplo 10, 20, 30 y 40 C,etc.
Por otro lado en cada nivel del factor se efectan una serie de pruebas, a cada una de estas
pruebas se les conoce como replicaciones. EL factor se considera fijo.
Ejemplo 1: Suponga que se desea saber si los ejes que surten cuatro proveedores tienen
diferente resistencia a la traccin. Para ello se decide llevar a cabo un experimento de un solo
factor donde la variable dependiente es la resistencia a la traccin del eje medida en Kgs/cm 2 y el
factor es el proveedor. El factor tiene cuatro niveles o tratamientos diferentes. Uno para cada
proveedor (llmelos I, II, III, IV) se decide probar 5 ejes de cada proveedor haciendo un total de
20 pruebas ejecutadas en la misma maquina de prueba y con l mismo operario (recuerde que el
resto de los factores se deben de mantener a un nivel fijo).
Para que el experimento sea aleatorio se numeran los ejes del 1 al 20 y se selecciona al azar un
nmero entre 1 y 20. Segn l numero seleccionado es el siguiente eje que se prueba. De esta
manera, el siguiente eje a probar es seleccionado sin ninguna restriccin. Suponga. que los
resultados de experimento se muestran en la tabla siguiente:
Pgina 11 de 26
Proveedor
I
II
III IV
56 64 45 42
55 61 46 39
62 50 45 45
59 55 39 43
60 56 43 41
El proveedor = factor
Tratamiento = I, II, III, IV
Con cinco replicaciones en cada tratamiento.
Observando la tabla se "ve" que existen evidentemente diferencias entre la resistencia de los
ejes de un proveedor a otro. Pero tambin existen entre los ejes de un mismo proveedor,
entonces, la diferencia detectada entre, los ejes de un proveedor y otro existe realmente? O la
diferencia es debida al azar?, La herramienta estadstica conocida como anlisis de varianza
(ANOVA) puede ayudar a despejar esta duda.
Para esto suponga un caso general como sigue: Si define Yij como el valor correspondiente
de la variable dependiente o caracterstica de calidad de la i-sima observacin o replicacin
bajo el tratamiento j, los resultados de un experimento de un solo factor con k tratamientos y n
replicas u observaciones por tratamiento seria:
Tratamiento
Observaciones
Totales
Promedios
(nivel)
1
Y11
Y12
...
Y1n
Y1.
Y..
Y21
Y22
...
Y2n
Y2.
Y2.
Y31
Y32
...
Y3n
Y3.
Y 3.
...
...
...
...
...
...
...
Yk1
Yk2
...
Ykn
Yk.
Yk.
Pgina 12 de 26
Este caso se puede representar mediante el modelo estadstico lineal:
Yij j ij
Donde representa la media general, j representa el efecto del tratamiento j, y ij es el error
aleatorio al hacer la observacin ij.
Esto es, se supone que todos los datos en general pertenecen a una misma poblacin con
media excepto que existan desviaciones para diferentes tratamientos del mismo factor. Por
su parte ij representa el error aleatorio o medida de la variabilidad natural dentro de cada
tratamiento.
Generalmente se supone que:
0;
j
j 1
Y que el error aleatorio sigue una distribucin normal con media cero y varianza 2, esto denota:
ij N(0, 2 )
Sean Yi. El total de las observaciones bajo el i-esimo tratamiento, y
Yi.
el promedio de las
observaciones bajo el i-esimo tratamiento. Similarmente sean Y.. La suma de todas las
observaciones y
Y..
la media general de todas las observaciones.
Expresado matemticamente esto es:

n
Yi. Yij
i 1
Yi. Yi./n con i 1,2,...,n

n
Y.. Yij
i 1 j 1
Y.. Y../n
Pgina 13 de 26
N = kn es l numero total de observaciones

Las hiptesis en este caso son:
Ho: j = 0; para todo valor de j.
H1: j 0; para al menos un valor de j.
Ho significa que el factor (los niveles bajo estudio) no tiene efecto sobre la variable dependiente
y H1 que si lo tiene, esto es que existe diferencia, estadstica. Recuerde tambin que la hiptesis
nula se asume como cierta a menos que los datos indiquen lo contrario.
Descomposicin de la suma total de cuadrados
La denominacin de anlisis de varianza resulta de descomponer la variabilidad total de los
datos en sus partes componentes. La suma total de cuadrados corregida es:
Yij Y.. n Yi. Y.. Yij Yi.

k
j 1 i 1
j 1
j 1 i 1
SST SStr SSE

Donde:
La ecuacin anterior muestra la variabilidad total de los datos, medida por la suma total corregida
de los cuadrados. SStr se denomina suma de cuadrados debida a los tratamientos (es decir,
entre tratamientos), SSE es la suma de cuadrados debido al error (es decir, dentro de los
tratamientos)
SST = Suma de cuadrados total: con N -1 grados de libertad
SStr = Suma de cuadrados debido a los tratamientos, con k - 1 grados de libertad.
SSE = Suma de cuadrados debido al error aleatorio k grados de libertad.
Para simplificar los clculos:
Pgina 14 de 26
SST (Yij2
j 1 i 1
Y..2 2
Y.. )
n
Yi.2 Y..2
SStr
N
j 1 n
SSE SST SStr
k
El anlisis de varianza ser:

Fuente
De error
Variacin
entre tratamientos
Variacin dentro de
Tratamientos o error
Total
SS
G.L.
MS F0
SStr k 1 MStr MStr/MSE

SSE N k MSE
SST N 1
Si F0 > F,k-1,N-k, H0 debe ser rechazada. Donde F, k-1,N-k es el valor de la variable F con
un nivel de significancia (error tipo I), k-1 grados de libertad en el numerador y N-k grados de
libertad en el denominador. Bajo la hiptesis nula la relacin MS tr/MSE sigue una funcin de
densidad F, por lo tanto si F0 es mayor que F, k-1,N-k existir una diferencia significativa y el
factor afecta la respuesta de la caracterstica de calidad en los niveles bajo estudio.
Si Ho no puede ser rechazada la conclusin es por lo tanto que el factor bajo estudio no
afecta la respuesta. Sin embargo, si Ho es rechazada y existe diferencia significativa entre los
diferentes tratamientos de un solo factor el siguiente paso es el analizar en detalle cual de los
tratamientos es el mejor y cuales son iguales.
Aplicando el ANOVA a los datos del ejemplo 2.2 se tiene:

Totales Promedios
I
II
III
IV
56
64
45
42
55
61
46
39
62
50
45
45
59
55
39
43
Yi
292
286
218
210
58.4
57.2
43.6
42
1006
40.24
60
56
43
41
Y..=
Pgina 15 de 26
Yi.
Y ..
Yij
562 552 ... 412 51940
j1 i1
Entonces, calculando las sumas de cuadrados tenemos que:

SST = 51,940 (10062)/20 = 1338.2
SStr = 2922/5 + 2862/5 + 2182/5 + 2102/5 10062/20 = 1,135.0
SSE = SST SStr = 1338.2 1135.0 = 203.2
MStr = SStr/(k-1) = 1135.0/(3 - 1) = 378.2
MSE = SSE/(n-k) = 203.2/(20-4) = 12.70
Esto se resume en la siguiente tabla:
Fuente
De error
SS
Factor o tratamientos SStr=1135
G.L.
MS
k 1 = 3 MStr =378.3
Error
SSE=203.2 N k = 16 MSE=12.7
Total
SST=1338.2 N 1 = 19
F0
MStr/MSE
= 29.79
Donde F0= MStr/MSE = 378.3/12.70=29.79 con 3 grados de libertad en el numerador y 16 grados

de libertad en el denominador.
Si el nivel de aceptacin (error tipo I) lo fijamos en 5%, esto es, = 0.05, de la tabla de la
funcin F se tiene que:
Pgina 16 de 26
F,3,16 = 3.24
Dado que F0 = 29.79 > 3.24= F0.05,3,16
Se concluye que Ho se rechaza y el factor proveedor afecta la variable resistencia a la
traccin.
Experimentos con un solo factor y diferente nmero de lecturas por tratamiento (o caso
desbalanceado)
Cuando por alguna razn l numero de lecturas que se tienen bajo cada tratamiento es
diferente, digamos Zi observaciones en el tratamiento j, el anlisis se puede llevar a cabo de una
manera similar con las siguientes formulas para k tratamientos:
2
SST Yij 2 - Y.. ; con N - 1 gradosde libertad
N
j1 i 1
Yi. 2 Y ..2
; con k - 1 gradosde libertad

N
j1 ni
k
SStr
SSE SST - SStr; con N - k gradosde libertad

Es, sin embargo, deseable que l numero de muestras sea igual bajo cada tratamiento, puesto
que el poder de la prueba se maximiza cuando l numero de muestras es igual.
Ejemplo 2: El tiempo de respuesta en milisegundos fue determinado para tres tipos diferentes
de circuitos y los resultados son:
tr
I
II
III
9
20
6
Observaciones
12
10
8
23
30
5
8
16
15
13
Y..
Totales
Yi
67
73
35
175
Promedios
Yi.
11.17
24.33
8.75
14.75
Y ..
Con un nivel de significacin de = 0.05. Tiene los circuitos diferente tiempo de respuesta?
Pgina 17 de 26
k = 3; n1 = 6; n2 = 3; n3 = 4; N = 6 + 3 + 4 = 13
k
SST (Yij2 Y..2 /N)

j 1 i 1
1752
9 12 ... 8 16
13
2993 2355.76 637.24
2
SStr (Yi.2 /ni Y..2 /N)

j 1
672 732 352 1752
474.98
6
3
4
13
SSE SST - SStr 637.24 - 474.98 162.29
La tabla ANOVA es:
Fuente
SS
De error
G.L.
MS
Factor o tratamientos SStr=474.98 k 1 = 2 MStr =237.49

Error
SSE=162.29 N k = 10 MSE=16.22
Total
SST=637.24 N 1 = 12
F0
MStr/MSE
= 14.64
Dado que F.05,2,10 = 4.10, se concluye que los circuitos muestran diferentes tiempos de
respuesta.
Estimacin de parmetros del modelo
A continuacin, se desarrollan estimadores para los parmetros del modelo de clasificacin en

un sentido:
Pgina 18 de 26
Yij i ij
Usando el mtodo de los mnimos cuadrados, las soluciones de las ecuaciones normales son:
Y..
i Yi. Y..
con i 1,2,3,..., k
Y es posible determinar fcilmente un intervalo de confianza para estimar la media del i-simo
tratamiento. Dicha i-simo media es:
i = + i
Un estimador puntual para i podra ser i i Yi. ahora si se supone que los errores estn
distribuidos normalmente, las Yi. son NID(0,2/n), entonces podra usarse la distribucin normal
para definir el intervalo de confianza buscado si se conoce . Al usar MSE como estimacin de,
2, el intervalo de confianza se debe basar en la distribucin t., por tanto, un intervalo de
confianza de (1-)100% para la media del i-simo tratamiento, es:
MSE
Y
i
.
/
2
,
N
un intervalo de confianza del (1-)100% para la diferencia de las medias de dos tratamientos
cualesquiera, por ejemplo i-j, ser:
2MSE
Y
i
.
Y
j
.
/
2
,
N
.
n
Ejemplo 3: Al usar los datos del ejemplo 2.3, las estimaciones de la media general y de los
efectos de los tratamientos son 376 25 15 .04; y
Pgina 19 de 26
1 Y1. Y.. 9.80 15.04 5.24

2 Y 2. Y.. 15.40 15.04 0.36
3 Y 3. Y.. 17.60 15.04 2.56
4 Y 4. Y.. 21.60 15.04 6.56
5 Y 5. Y.. 10.80 15.04 4.24
usando la formula para calcular el intervalo de confianza del 95% para la media del tratamiento 4
es:
MSE
8.06
Y
i
.
/
2
,
N
21.60 2.086
n
5
o, bien.
21.60 2.65
por tanto, el intervalo deseado es 18.95 24.25
Estimacin de la variable de respuesta
La descomposicin de la variabilidad en las observaciones por medio del anlisis de variancia,

es una relacin puramente algebraica.
Yij i ij
El residuo de la observacin i del tratamiento j se define mediante:
ij
eij Yij Y
en donde
ij
Y
es una estimacin de la observacin Yij correspondiente calculada por:
Pgina 20 de 26
ij i i
Y
ij Y.. ( Yi. Y..)
Y
ij Yi.
Y
La ecuacin anterior muestra un resultado que se intuye fcilmente, ya que la estimacin de
cualquier observacin del i-simo tratamiento es igual al promedio del tratamiento
correspondiente. El examen de los residuos debe ser automtico en el anlisis de variancia. Si
el modelo es adecuado, los residuos no deben tener estructura.
Comparacin de medias de tratamientos individuales
Supongamos que al efectuar un anlisis de variancia para un modelo de efectos fijos la: hiptesis
nula es rechazada. Se concluye que existe diferencia entre las medias, aunque no se especifique
exactamente cual de ellas es diferente. En esta situacin puede ser til realizar comparaciones
adicionales entre grupos de medias de los tratamientos. La media del i-simo tratamiento se
define mediante i = + i y su estimacin es Yi. . Las comparaciones entre medias de
tratamientos se realizan en trminos de los totales de tratamientos Yi. O de los promedios de
tratamientos Yi. . Los procedimientos para efectuar estas comparaciones se conocen como
mtodos de comparacin mltiple.
Mtodo de la Mnima Diferencia Significativa (LSD, del ingls least significant difference)
Supongamos que despus de haber rechazado la hiptesis nula, con base en una prueba F de
anlisis de variancia, se desea probar Ho: i = j para toda i j. Esto puede hacerse empleando
la estadstica t:
to
Yi. Yj.
1 1
MSE
ni nj
Pgina 21 de 26
Suponiendo una hiptesis alterna bilateral, la pareja de medias i, j se consideran diferentes
S Yi. Yj. t / 2, N k MSE(1/ ni 1/ nj La cantidad:
1 1
LSD t/2, N k MSE
ni nj
Se denomina mnima diferencia significativa. Si el diseo es balanceado, entonces n1 = n2 = nk =
n.
Para usar el procedimiento de la LSD, simplemente se comparan las diferencias observadas
entre cada par de promedios con el valor correspondiente de la LSD. Si, se concluye que las
medias poblacionales i = j son diferentes.
Ejemplo 4: Para ilustrar este procedimiento, si se usan los datos del Ejemplo 2.3 el valor de la
LSD con = .05 es:
1 1
LSD t/2, N k MSE
ni nj
2.086
2(8.06)
3.75
5
Por tanto, una pareja de medias difieren significativamente si el valor absoluto de la diferencia
de promedios en los tratamientos correspondientes es mayor que 3.75. Los cinco promedios
de tratamiento son:
Y1. 9.8
Y2. 15.4
Y4. 21.6
Y5. 10.8
Y3. 16.6
Y las diferencias de los promedios son:
Pgina 22 de 26
Y1. Y 2. 9.8 15.4 5.6 *

Y1. Y 3. 9.8 17.60 7.8 *
Y1. Y 4. 9.8 21.6 11.8 *
Y1. Y 5. 9.8 10.8 1.0
Y 2. Y 3. 15.4 17.6 2.2
Y 2. Y 4. 15.4 21.6 6.2 *
Y 2. Y 5. 15.4 10.8 4.6 *
Y 3. Y 4. 17.6 21.6 4.0 *
Y 3. Y 5. 17.6 10.8 6.8 *
Y 4. Y 5. 21.6 10.8 10.8 *
Los valores marcados con asterisco indican parejas de medias que son significativamente
diferentes. Resulta til graficar los datos como se muestra en la Fig. 4, subrayando las parejas
de medias que no difieren en forma significativa. Claramente los nicos pares que no difieren
significativamente son 1 y 5, y 2 y 3. El tratamiento 4 produce una resistencia a la tensin de
manera significativamente mayor que los otros tratamientos.
Y 1. Y 5.
9.8 10.8
Y 2 . Y 3.
15.4 17.6
Y 4.
21.6
Figura 4. Resul tados del procedi mineto LSD

Fig. 4
Comparacin de Tratamientos con un Control

En muchos experimentos, uno de los tratamientos es un control, y al analista puede interesarle
su comparacin con las k -1 medias de tratamiento con el control. Por tanto, slo deben
realizarse k -1 comparaciones. Un procedimiento para hacerlas fue desarrollado por Dunnett
(1964). Supongamos que el tratamiento k es el control. Se desean probar las hiptesis:
Ho : i k
H 1 : i k
Pgina 23 de 26
Para i = 1, 2,..., k -1. El procedimiento de Dunnett es una modificacin de la prueba t. Para cada
hiptesis se calculan las diferencias que se observan en las medias mustrales:
Yi. Yk. con i 1,2,...,k - 1

La hiptesis nula Ho: i = k es rechazada con un nivel de error tipo I segn alfa s:
1 1
Yi. Yk. d(k 1, f) MSE
ni nk
En donde la constante d (k -1, f) se encuentra en la Tabla IX del Apndice del texto de Diseo y
Anlisis de Experimentos de Douglas C. Montgomery (son posibles tanto pruebas unilaterales
como bilaterales). Hay que notar que alfa constituye el nivel de significacin conjunto asociado a
las k -1 pruebas.
Ejemplo 5: Para ilustrar la prueba de Dunnett, considrense los datos del Ejemplo 3, y su
pngase que el tratamiento 5 es el control. En este ejemplo, k = 5, k -1 = 4, f = 20, ni = n = 5, y
con un nivel del 5% se encuentra en la Tabla IX del Apndice que d 0.05 (4,20) = 2.65. Por tanto,
la diferencia crtica es:
d.05(4,20)
2MSE
2(8.06)
2.65
4.76
n
5
(Hay que notar que esta es una simplificacin de la Ecuacin anterior y que resulta de un diseo
balanceado.) En consecuencia, un tratamiento debe considerarse significativamente diferente del
control si la diferencia es mayor que 4.76. Las diferencias observadas son:
1 vs 5; Y1. Y5. 9.8 10.8 1.0

2 vs 5; Y 2. Y5. 15.4 10.8 4.6
3 vs 5; Y3. Y5. 17.6 10.8 6.8
4 vs 5; Y 4. Y5. 21.6 10.8 10.8
Pgina 24 de 26
Slo las diferencias Y 3. Y 5.; Y 4. Y 5. indican una diferencia significativa al ser comparadas
con el control; por tanto, se concluye que 3 = 5 y 4 = 5. Es conveniente usar ms
observaciones para el tratamiento de control (es decir, nk) que para los otros tratamientos (o sea,
n, suponiendo el mismo nmero de observaciones en los otros k -1 tratamientos) cuando se
comparan tratamientos con un control. Debe elegirse la razn nk / n aproximadamente igual a la
raz cuadrada del nmero total de tratamientos. En otras palabras, se elige n k/n =
Suposiciones del anlisis de varianza

Al aplicar un anlisis de varianza se hacen las siguientes suposiciones siguientes:
1. El proceso esta en control estadstico (estable). Esto es, se pueden repetir y las causas
de variacin se han eliminado.
2. La distribucin de la poblacin que se muestra es normal.
3. La varianza de los errores dentro de los k niveles del factor es la misma: esto es, la
variabilidad natural dentro de cada tratamiento es la misma de un tratamiento a otro.
Grafica de residuos contra el valor ajustado de y ij

Si el modelo es correcto y las suposiciones se satisfacen, los residuos no deben tener algn
patrn, ni deben estar relacionados con alguna variable, incluyendo la respuesta Y ij. Una
comprobacin sencilla consiste en graficar los residuos contra los valores ajustados y ij (debe
recordarse que para el modelo en un sentido y ij - yi. , el promedio del tratamiento i-simo). En
esta grafica no debe revelarse ningn patrn obvio en la siguiente figura se grafican los residuos
contra los valores ajustados de los datos de la resistencia a la tensin del ejemplo 2.3 Ningn
patrn inusual es evidente.
Pgina 25 de 26
Grafica de residuos contra valores ajustados

Un efecto que en ocasiones revela la grafica es el de una varianza variable. Algunas veces la
varianza de las observaciones lo hace. Esto resulta cuando el error es proporcional a la magnitud
de la observacin (comnmente esto sucede en instrumentos de medicin el error es
proporcional a la escala de la lectura). Si este es el caso, los residuos aumenta a medida que Yij
lo hace, y la grafica de los residuos contra Yij parecer un embudo que se ensancha o un
altavoz. La varianza variable tambin ocurre en casos cuyos datos no tienen distribucin normal
y estn sesgados, porque en las distribuciones sesgadas la varianza tiende a ser funcin de la
media.
Pgina 26 de 26

An Lisis de Varianza

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

An Lisis de Varianza

Загружено:

Авторское право:

Доступные форматы

ANLISIS DE VARIANZA ANOVA DE UNA VA

P. Reyes / Sept. 2007

Elabor: Dr. Primitivo Reyes Aguilar