Anova PDF

Diseño y análisis de experimentos de un solo factor:
El análisis de varianza
Mario Alfonso Morales Rivera.1

1 Profesor Titular
Universidad de Córdoba
Montería – 2015
Morales & Morales ANOVA Noviembre de 2015 1 / 55

Contenido
1 Análisis de varianza
Introducción
Hipótesis que se prueba con el ANOVA
Ejemplos
2 Cálculos con Excel
3 Intervalos de confianza para la media de los tratamientos
4 Pruebas para la diferencia entre pares de medias

Método de Tukey
Método DM S

Análisis de varianza
Contenido
Introducción
Ejemplos

Método de Tukey
Método DM S

Análisis de varianza Introducción
Introducción
Muchas decisiones requieren la comparación de las medias de dos o

más poblaciones. Por ejemplo
1 El ingeniero desea probar el efecto sobre la resistencia media de
5 métodos de impermeabilización del concreto.
2 El director administrativo de una gran empresa industrial desea
determinar si tres programas distintos de capacitación tienen
efectos distintos sobre la productividad de los empleados.
3 Una empresa tiene ingreso por cuatro fuentes distintas y se
requiere comparar si en promedio los ingresos de las cuatro
fuentes son iguales o si por el contrario una fuente representa
más ingreso en promedio.
4 Una empresa de suministros médicos desea comparar la
producción promedio diaria de sus tres plantas.

Ejemplo
X Ejercicio 11-1, página 6:40

Un fabricante está interesado en la resistencia a la tensión de una
fibra sintética. Se sospecha que la resistencia está relacionada con el
porcentaje de algodón en la fibra. Para ello se emplean 5 niveles de
porcentaje de algodón y se corren 5 réplicas en orden aleatorio; con
ello se obtienen los siguientes datos:
Porcentaje Observaciones
de algodón 1 2 3 4 5
15 7 7 15 11 9
20 12 17 12 18 18
25 14 18 18 19 19
30 19 25 22 19 23
35 7 10 11 15 11

Boxplots
25
20
y
15
10
15 20 25 30 35
Trat
Experimento unifactorial
1 Éste es un experimento unifactorial completamente aleatorizado

con 5 niveles para el factor.
2 Los niveles del factor a veces se conocen como tratamientos.
3 Cada tratamiento tiene 5 observaciones o réplicas.
4 La aleatorización es importante porque al aleatorizar el orden de
las 25 corridas se cancela el efecto que cualquier variables de
poca importancia pueda tener sobre la respuesta.

X
El análisis de varianza (ANOVA) es la herramienta diseñada para
probar la hipótesis si las medias de dos o mas poblaciones son
iguales.

X
El análisis de varianza (ANOVA) es la herramienta diseñada para
probar la hipótesis si las medias de dos o mas poblaciones son
iguales.
Supuestos del ANOVA

Todas las poblaciones son normales.
Todas las poblaciones tienen la misma varianza.
Las muestras son independientes.

Análisis de varianza: el modelo

1 Se tienen a niveles diferentes de un solo factor y se desea
compararlos. Cada nivel se conoce como tratamiento.
2 La respuesta para cada uno de los a tratamientos es una variable
aleatoria.
3 yij representa la j−ésima observación del tratamiento i.
4 Se supone que se tienen n observaciones en cada tratamiento.
5 Se supone que las observaciones siguen el modelo estadístico
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n
1 Yij es una variable aleatoria, representa la (ij)−ésima

observación.
2 µ la media global, un parámetro común a todas las observaciones.
3 τi es el efecto del i−ésimo tratamiento.
4 ij es el término de error aleatorio.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.

aleatoria.
lineal. (
i = 1, 2, · · · , a
Yij = µ + τi + ij (1)
j = 1, 2, · · · , n

observación.
Análisis de varianza, el modelo

Otra forma del modelo
El modelo (1) se puede escribir de la siguiente forma
(
i = 1, 2, · · · , a
Yij = µi + ij (2)
j = 1, 2, · · · , n
donde µi = µ + τi es la media del i−ésimo tratamiento.
Cada tratamiento define una población con media µi

La media µi está conformada por la media global más el efecto τi
debido al tratamiento.
Se supone que los errores ij tienen distribución normal con
media cero y varianza σ 2 .
Cada tratamiento puede considerarse como una población normal
con media µi y varianza σ 2 .
Análisis de varianza, el modelo
La ecuación 1 es el modelo fundamental de para un experimento

de un factor.
Las observaciones se toman en orden aleatorio.
Las unidades experimentales son lo más uniformes posibles.
Este tipo de diseño de conoce como diseño experimental
completamente aleatorizado.

Modelo de efectos fijos y de efectos aleatorios
Efectos fijo
Cuando se seleccionan los a tratamientos de manera específica.
1 Se desea probar hipótesis sobre las medias de tratamientos.
2 También se puede desear comparar los efectos de los
tratamientos.
3 Las conclusiones no pueden extenderse a tratamientos similares
que no fueron considerados.
4 Esto se conoce como modelo de efectos fijos.

Modelo de efectos fijos y de efectos aleatorios
Efectos aleatorios
Cuando se seleccionan los a tratamientos de una población grade de
posibles tratamientos.
1 Se desea estar en posibilidad de extender las conclusiones a
todos los tratamientos contenidos en la población hayan sido o no
considerados en el experimento.
2 Los efectos de tratamientos τi son variables aleatorias.
3 Se desea probar hipótesis sobre la variabilidad de los τi y se
intenta estimar esta variabilidad.
4 Esto se conoce como modelo de efectos aleatorios o de
componentes de varianza.

Análisis de varianza Hipótesis que se prueba con el ANOVA
Análisis de varianza para el modelo de efectos fijos
1 El análisis de varianza se usa para probar la igualdad de efectos

de tratamientos.
2 En el modelo de efectos fijos los efectos de tratamientos τi se
definen como desviaciones con respecto a la media global µ,
de modo que
Xa
τi = 0
i=1

X
El interés recae en probar la igualdad de las medias de los a
tratamientos
H0 : µ1 = µ2 = · · · = µa
versus
H1 : µi 6= µj Para algún par i, j con i 6= j

X Según el modelo 2, equivalente a probar la hipótesis
H0 : τ1 = τ2 = · · · = τa = 0
versus
H1 : τi 6= 0 al menos para una i
Si la hipótesis nula H0 es verdadera cada observación es la suma

de la media global µ más la componente de error ij , es decir,
yij = µ + ij
Significa que todas las observaciones se toman de una población
normal con media µ y varianza σ 2 .
Si H0 es verdadera significa que el cambio de niveles del factor
no tiene efecto sobre la respuesta promedio.

Definiciones
1 Total de las observaciones bajo el i−ésimo tratamiento: yi·
2 Promedio de las observaciones bajo el i−ésimo tratamiento: y i·
3 Total de todas las observaciones: y··
4 Promedio de todas las observaciones: y ··
5 Lo anterior expresado en forma matemática
n
X
yi· = yij y i· = yi· /n
j=1
Xa X n
y·· = yij y ·· = y·· /N
i=1 j=1
N = an es el número total de observaciones.

La notación del subíndice “punto” implica sumatoria sobre el
subíndice al que reemplaza.
Identidad de la suma de cuadrados
a X
X n a
X a X
X n
(yij − y ·· )2 = n (y i· − y ·· )2 + (yij − y i· )2
i=1 j=1 i=1 i=1 j=1
SCT = SST rat + SSE
Pa Pn 2
i=1 j=1 (yij − y ·· ) = Suma de cuadrados total.
SST rat = n ai=1 (y i· − y ·· )2 = Suma de cuadrados de
P
los
tratamientos
Pa Pn 2
i=1 j=1 (yij − y i· ) = Suma de cuadrados del error

Valores esperados de SST rat y SSE
E(SST rat )
El valor esperado de la suma de cuadrados de tratamientos es
a
X
E(SST rat ) = (a − 1)σ 2 + n τi2
i=1
de donde se tiene que
n ai=1 τi2
P
SST rat
E = σ2 +
a−1 a−1
Cuadrado medio de tratamiento

CMT rat = SSa−1
T rat
se le conoce como cuadrado medio de
tratamiento

Valores esperados de SST rat y SSE
E(SSE )
El valor esperado de la suma de cuadrados del error es
E(SSE ) = a(n − 1)σ 2
de donde se tiene que

SSE
E = σ2
a(n − 1)
Cuadrado medio del error

SSE
CME = a(n−1) se le conoce como cuadrado medio del error

Partición de los grados de libertad
1 Hay an = N observaciones, por tanto SCT tiene N − 1 = an − 1

grados de libertad.
2 Existen a niveles del factor, luego SCT rat tiene a − 1 grados de
libertad.
3 Dentro de los tratamientos hay n réplicas, que proporcionan n − 1
grados de libertad para estimar el error experimental. Dado que
existen a tratamientos, se tienen a(n − 1) grados de libertad para
el error.
Partición de los grados de libertad
an − 1 = (a − 1) + a(n − 1)

Estadístico F
1 Si se supone que cada una de las a poblaciones puede

modelarse como una distribución normal, si la hipótesis nula es
verdades entonces
CMT rat
F0 =
CME
tiene distribución F con a − 1 y a(n − 1) grados de libertad.

2 Si H0 es verdadera, CMT rat es un estimador insesgado de σ 2 .
Pero si la hipótesis nula es falsa entonces E(CMT rat ) es mayor
que sigma, y el valor de F0 sería grande.
3 Se rechaza la hipótesis H0 en favor de H1 si
F0 > Fα,a−1,a(n−1)

Fórmulas computacionales
X Con muestras del mismo tamaño
a X
n
X
2 y··2
SCT = yij −
N
i=1 j=1
a
X y··2
SCT rat = yi·2 −
N
i=1
SCE = SCT − SCT rat

Tabla de análisis de varianza
X Para experimentos de un solo factor

Fuente de Sumas de Grados de Cuadrados Estadístico
Variación Cuadrados libertad medios F
CMT rat
Tratamientos SST rat a−1 CMT rat CME
Error SCE a(n − 1) CME
Total SCT an − 1

Análisis de varianza Ejemplos
Ejemplo: Continuación
1 Gran media: y ·· = 15.04
2 Medias de cada tratamiento y 1· = 9.8, y 2· = 15.4, y 3· = 17.6,
y 4· = 21.6, y 5· = 10.8.
3 Varianza muestral s2 = 26.54.
4 Suma de cuadrados total SCT = (N − 1)s2 = 24 × 26.54 = 636.96
5 Suma de cuadrados de tratamientos
SCT rat = 5 × (9.8 − 15.04)2 + 5 × (15.4 − 15.04)2

+ 5 × (17.6 − 15.04)2 + 5 × (21.6 − 15.04)2
+ 5 × (10.8 − 15.04)2 = 475.76
6 Suma de cuadrados del error
SCE = SCT − SCT rat = 636.96 − 475.76 = 161.20

1 Gran media: y ·· = 15.04
y 4· = 21.6, y 5· = 10.8.
SCT rat = 5 × (9.8 − 15.04)2 + 5 × (15.4 − 15.04)2

+ 5 × (17.6 − 15.04)2 + 5 × (21.6 − 15.04)2
+ 5 × (10.8 − 15.04)2 = 475.76
SCE = SCT − SCT rat = 636.96 − 475.76 = 161.20

1 Gran media: y ·· = 15.04
y 4· = 21.6, y 5· = 10.8.
SCT rat = 5 × (9.8 − 15.04)2 + 5 × (15.4 − 15.04)2

+ 5 × (17.6 − 15.04)2 + 5 × (21.6 − 15.04)2
+ 5 × (10.8 − 15.04)2 = 475.76
SCE = SCT − SCT rat = 636.96 − 475.76 = 161.20

1 Gran media: y ·· = 15.04
y 4· = 21.6, y 5· = 10.8.
SCT rat = 5 × (9.8 − 15.04)2 + 5 × (15.4 − 15.04)2

+ 5 × (17.6 − 15.04)2 + 5 × (21.6 − 15.04)2
+ 5 × (10.8 − 15.04)2 = 475.76
SCE = SCT − SCT rat = 636.96 − 475.76 = 161.20

1 Gran media: y ·· = 15.04
y 4· = 21.6, y 5· = 10.8.
SCT rat = 5 × (9.8 − 15.04)2 + 5 × (15.4 − 15.04)2

+ 5 × (17.6 − 15.04)2 + 5 × (21.6 − 15.04)2
+ 5 × (10.8 − 15.04)2 = 475.76
SCE = SCT − SCT rat = 636.96 − 475.76 = 161.20

1 Gran media: y ·· = 15.04
y 4· = 21.6, y 5· = 10.8.
SCT rat = 5 × (9.8 − 15.04)2 + 5 × (15.4 − 15.04)2

+ 5 × (17.6 − 15.04)2 + 5 × (21.6 − 15.04)2
+ 5 × (10.8 − 15.04)2 = 475.76
SCE = SCT − SCT rat = 636.96 − 475.76 = 161.20

Fuente de Sumas de Grados de Cuadrados Estadístico

Variación Cuadrados libertad medios F
Tratamientos 475.76 4 118.94 14.757
Error 161.20 20 8.06
Total 636.96 24
Si tomamos α = 0.05, entonces el valor crítico, obtenido a partir de la

distribución F es: F0.05,4,20 = 2.866, por lo que rechazamos la hipótesis
nula, se tiene evidencia fuerte para concluir que H0 no es cierta.

Trat<-rep(c(15,20,25,30,35),each=5)
Trat<-factor(Trat)
y<-c(7,7,15,11,9,12,17,12,18,18,14,18,18,
19,19,19,25,22,19,23,7,10,11,15,11)
datos<-data.frame(Trat=Trat,y=y)
mod<-lm(y~Trat)
anova(mod)

Ejercicio 1, página 288, (Webster, 2000)

X
Un productor de pinturas para vivienda desea comparar el factor brillo
para su pintura utilizando cuatro emulsiones diferentes. Se pintan
cinco tablas con cada tipo de emulsión y la clasificación que se dio a
cada una aparece en la siguiente tabla.
Emulsión
Tabla 1 2 3 4
1 79 69 83 75
2 82 52 79 78
3 57 62 85 78
4 79 61 78 73
5 83 60 75 71
A un nivel del 1 %, ¿existe alguna diferencia en la clasificación prome-

dio?
Ejercicio 1, solución
1 Gran media: y ·· = 72.95
2 Medias de cada tratamiento (emulsión) y 1· = 76, y 2· = 60.8,
y 3· = 80, y 4· = 75.
4 Suma de cuadrados total
SCT = (N − 1)s2 = 19 × 92.99737 = 1766.95
SCT rat = 5 × (76 − 72.95)2 + 5 × (60.8 − 72.95)2
+ 5 × (80 − 72.95)2 + 5 × (75 − 72.95)2 = 1054.15
SCE = (79 − 76)2 + · · · + (83 − 76)2
+ (69 − 60.8)2 + · · · + (60 − 60.8)2
+ (83 − 80)2 + · · · + (75 − 80)2
+ (75 − 75)2 + · · · + (71 − 75)2 = 712.8
1 Gran media: y ·· = 72.95
y 3· = 80, y 4· = 75.
SCT = (N − 1)s2 = 19 × 92.99737 = 1766.95
SCT rat = 5 × (76 − 72.95)2 + 5 × (60.8 − 72.95)2
+ 5 × (80 − 72.95)2 + 5 × (75 − 72.95)2 = 1054.15
SCE = (79 − 76)2 + · · · + (83 − 76)2
+ (69 − 60.8)2 + · · · + (60 − 60.8)2
+ (83 − 80)2 + · · · + (75 − 80)2
+ (75 − 75)2 + · · · + (71 − 75)2 = 712.8
1 Gran media: y ·· = 72.95
y 3· = 80, y 4· = 75.
SCT = (N − 1)s2 = 19 × 92.99737 = 1766.95
SCT rat = 5 × (76 − 72.95)2 + 5 × (60.8 − 72.95)2
+ 5 × (80 − 72.95)2 + 5 × (75 − 72.95)2 = 1054.15
SCE = (79 − 76)2 + · · · + (83 − 76)2
+ (69 − 60.8)2 + · · · + (60 − 60.8)2
+ (83 − 80)2 + · · · + (75 − 80)2
+ (75 − 75)2 + · · · + (71 − 75)2 = 712.8
1 Gran media: y ·· = 72.95
y 3· = 80, y 4· = 75.
SCT = (N − 1)s2 = 19 × 92.99737 = 1766.95
SCT rat = 5 × (76 − 72.95)2 + 5 × (60.8 − 72.95)2
+ 5 × (80 − 72.95)2 + 5 × (75 − 72.95)2 = 1054.15
SCE = (79 − 76)2 + · · · + (83 − 76)2
+ (69 − 60.8)2 + · · · + (60 − 60.8)2
+ (83 − 80)2 + · · · + (75 − 80)2
+ (75 − 75)2 + · · · + (71 − 75)2 = 712.8
1 Gran media: y ·· = 72.95
y 3· = 80, y 4· = 75.
SCT = (N − 1)s2 = 19 × 92.99737 = 1766.95
SCT rat = 5 × (76 − 72.95)2 + 5 × (60.8 − 72.95)2
+ 5 × (80 − 72.95)2 + 5 × (75 − 72.95)2 = 1054.15
SCE = (79 − 76)2 + · · · + (83 − 76)2
+ (69 − 60.8)2 + · · · + (60 − 60.8)2
+ (83 − 80)2 + · · · + (75 − 80)2
+ (75 − 75)2 + · · · + (71 − 75)2 = 712.8
1 Gran media: y ·· = 72.95
y 3· = 80, y 4· = 75.
SCT = (N − 1)s2 = 19 × 92.99737 = 1766.95
SCT rat = 5 × (76 − 72.95)2 + 5 × (60.8 − 72.95)2
+ 5 × (80 − 72.95)2 + 5 × (75 − 72.95)2 = 1054.15
SCE = (79 − 76)2 + · · · + (83 − 76)2
+ (69 − 60.8)2 + · · · + (60 − 60.8)2
+ (83 − 80)2 + · · · + (75 − 80)2
+ (75 − 75)2 + · · · + (71 − 75)2 = 712.8
Cuadrados medios y razón F
1 Cuadrado medio total:

1766.95
CMT = = 92.99737
19
2 Cuadrado medio de tratamiento:
1054.15
CMT rat = = 351.3833
3
3 Cuadrado medio del error:
712.8
CME = = 44.55
16


1766.95
CMT = = 92.99737
19
1054.15
CMT rat = = 351.3833
3
712.8
CME = = 44.55
16


1766.95
CMT = = 92.99737
19
1054.15
CMT rat = = 351.3833
3
712.8
CME = = 44.55
16


1766.95
CMT = = 92.99737
19
1054.15
CMT rat = = 351.3833
3
712.8
CME = = 44.55
16
Razón F
351.3833
F = = 7.887392
44.55
Fuente Suma de Cuad Grad de libertad Cuad Medios F

Tratam 1054.15 3 351.3833 7.887392
Error 712.8 16 44.55
Total 1766.95 19

Valor de la tabla
Buscando en la tabla con 3 grados de libertad en el numerador y 16 en

el denominador se tiene el valor 5.29

Valor de la tabla

Regla de decisión
Rechazar la hipótesis si F > 5.29
Decisión
Como 7.8873 es mayor que 5.29 se rechaza la hipótesis, se concluye
que si hay diferencia en la clasificación promedio.

Valor de la tabla

Decisión
Como 7.8873 es mayor que 5.29 se rechaza la hipótesis, se concluye
que si hay diferencia en la clasificación promedio.

Cálculos con Excel
Contenido
Introducción
Ejemplos

Método de Tukey
Método DM S

Cálculos con Excel
Cálculos con Excel

Configuración

Cálculos con Excel
Cálculos con Excel

Instalar la herramienta para análisis

Cálculos con Excel
Cálculos con Excel

Instalar la herramienta para análisis

Cálculos con Excel
Cálculos con Excel

Hacer los Cálculos

Cálculos con Excel
Cálculos con Excel

Hacer los Cálculos

Cálculos con Excel
Cálculos con Excel

Hacer los Cálculos

Cálculos con Excel
Cálculos con Excel

Ejercicio para resolver en clase
Ejemplo
Un estudio reciente comparó los salarios iniciales de los nuevos
graduados en diversos campos. Una parte de los resultados se
presenta en la siguiente tabla. A un nivel del 5 % ¿Parece que hay
diferencia en los salarios promedio?
Finanzas Mercadeo SIC MC

23,2 22,1 23,3 22,2
24,7 19,2 22,1 22,1
24,2 21,3 23,4 23,2
22,9 19,8 24,2 21,7
25,2 17,2 23,1 20,2
23,7 18,3 22,7 22,7
24,2 17,2 22,8 21,8

Cálculos con Excel
Cálculos con Excel

Ejercicio para resolver en clase
Ejemplo
SIC = Sistemas de información por computador.
MC = Métodos cuantitativos.

Intervalos de confianza para la media de los tratamientos
Contenido
Introducción
Ejemplos

Método de Tukey
Método DM S

Intervalos de confianza para µi

1 Se desea estimar la media del i−ésimo tratamiento
2 La media del i−ésimo tratamiento es
µi = µ + τi
3 Un estimador puntual de µi es
bi = Y i·
µ
4 Se supone que los errores están distribuidos de manera normal,
entonces
Y i· ∼ N (µi , σ 2 /n)
5 Si se usa CME como estimador de σ 2 entonces
Y i· − µi
T =p
CME /n
tiene distribución T con a(n − 1) grados de libertad

µi = µ + τi
bi = Y i·
µ
entonces
Y i· ∼ N (µi , σ 2 /n)
Y i· − µi
T =p
CME /n

µi = µ + τi
bi = Y i·
µ
entonces
Y i· ∼ N (µi , σ 2 /n)
Y i· − µi
T =p
CME /n

µi = µ + τi
bi = Y i·
µ
entonces
Y i· ∼ N (µi , σ 2 /n)
Y i· − µi
T =p
CME /n

µi = µ + τi
bi = Y i·
µ
entonces
Y i· ∼ N (µi , σ 2 /n)
Y i· − µi
T =p
CME /n

X
Un intervalo de confianza al (1 − α) × 100 % para la media del i−ésimo
tratamiento es
r r
CME CME
y i· − tα/2,a(n−1) ≤ µi ≤ y i· + tα/2,a(n−1)
n n
Ejemplo (continuación del ejercicio 11.1 pág. 640)

Para calcular la estimación por intervalo al 95 %, para la media del
primer tratamiento tenemos y 1· = 9.8, n = 5, CME = 8.06,
t0.025,20 = 2.086 entonces
p p
9.8 − 2.086 × 8.06/5 ≤µ1 ≤ 9.8 + 2.086 × 8.06/5
7.152 ≤µ1 ≤ 12.448

Intervalos de confianza para µi − µj
1 Se desea estimar la diferencia de medias µi − µj .

2 El estimador puntual de µi − µj es
Y i· − Y j·
3 La varianza del estimador es

σ2 σ2 2σ 2
V (Y i· − Y j· ) = + =
n n n
Y i· − Y i· − (µi − µj )
T = p
2CME /n


Y i· − Y j·

σ2 σ2 2σ 2
V (Y i· − Y j· ) = + =
n n n
Y i· − Y i· − (µi − µj )
T = p
2CME /n


Y i· − Y j·

σ2 σ2 2σ 2
V (Y i· − Y j· ) = + =
n n n
Y i· − Y i· − (µi − µj )
T = p
2CME /n


Y i· − Y j·

σ2 σ2 2σ 2
V (Y i· − Y j· ) = + =
n n n
Y i· − Y i· − (µi − µj )
T = p
2CME /n


X
Un intervalo de confianza al (1 − α) × 100 % para la diferencia entre las
medias de dos tratamientos µi − µj
r r
2CME 2CME
y i· − y j· − tα/2,a(n−1) ≤ µi − µj ≤ y i· − y j· + tα/2,a(n−1)
n n
Ejemplo (continuación del ejercicio 11.1 pág. 640)

Para calcular la estimación por intervalo al 95 %, para la diferencia
µ2 − µ1 . De los datos tenemos y 2· − y 1· = 5.6, n = 5, CME = 8.06,
t0.025,20 = 2.086 entonces
p p
5.6 − 2.086 × (2 × 8.06)/5 ≤µ2 − µ1 ≤ 5.6 + 2.086 × (2 × 8.06)/5
1.855 ≤µ2 − µ1 ≤ 9.345

Código R
Intervalos de confianza para µ1 y para las diferencias µi − µ1 con i =

2, 3, 4, 5 (el nivel 1 se conoce como nivel de referencia)
mod<-lm(y~Trat)
confint(mod)

Código R
¿Cómo cambiar el nivel de referencia? De la siguiente forma se ob-

tienen intervalos de confianza para µ2 y para las diferencias µi − µ2 ,
i = 1, 3, 4, 5
Trat<-relevel(Trat,ref="20")
mod2<-lm(y~Trat)
confint(mod2)

Pruebas para la diferencia entre pares de medias
Contenido
Introducción
Ejemplos

Método de Tukey
Método DM S

Pruebas para la diferencia entre pares de medias Método de Tukey
Ejercicio 3, página 288. (método de Tukey)
En este caso el análisis de varianza es (del ejercicio 2)
Grados Sum de cuad Cuadrado medio Valor F Pr(>F)

Campo 3 87.42 29.14 20.69 0.0000
Error 24 33.81 1.41
Así que el cuadrado medio del error es 1.41. Además n = 7 (número de

observaciones en cada campo de estudio), a = 4 (campos de estudio),
N = 28 (número total de observaciones) y buscando en la tabla L del
apéndice (página 622) el valor de qα,a,N −a , tenemos q0.05,4,24 = 3.90
luego r
1.41
T = 3.90 = 1.750351
7
el criterio estándar de Tukey es 1.750351

Ejercicio 3, página 288, continuación
Las medias son X 1 = 24.014, X 2 = 19.300, X 3 = 23.086, X 4 = 21.986

La comparación de los valores absolutos de cada diferencia entre los
pares de medias se tiene
|X 1 − X 2 | = |24.014 − 19.300| = 4.714 > 1.75∗

|X 1 − X 3 | = |24.014 − 23.086| = 0.928 < 1.75
|X 1 − X 4 | = |24.014 − 21.986| = 2.028 > 1.75∗
|X 2 − X 3 | = |19.300 − 23.086| = 3.786 > 1.75∗
|X 2 − X 4 | = |19.300 − 21.986| = 2.686 > 1.75∗
|X 3 − X 4 | = |23.086 − 21.986| = 1.100 < 1.75

Ejercicio 3, página 288, continuación
X2 X4 X3 X1
19.3 21.986 23.086 24.014

Pruebas para la diferencia entre pares de medias Método DM S
Ejercicio 3, página 288. (aplicando DM S)
El cuadrado medio del error es 1.41. Además n = 7, a = 4, N = 28 y

buscando en la tabla de la distribución F , el valor de Fα,1,N −a , tenemos
F0.05,1,24 = 4.26 luego
r
2 × 1.41 × 4.26
DM S = = 1.31
7

Ejercicio 3, página 288, DM S (continuación)
Las medias son X 1 = 24.014, X 2 = 19.300, X 3 = 23.086, X 4 = 21.986

La comparación de los valores absolutos de cada diferencia entre los
pares de medias se tiene
|X 1 − X 2 | = |24.014 − 19.300| = 4.714 > 1.31∗

|X 1 − X 3 | = |24.014 − 23.086| = 0.928 < 1.31
|X 1 − X 4 | = |24.014 − 21.986| = 2.028 > 1.31∗
|X 2 − X 3 | = |19.300 − 23.086| = 3.786 > 1.31∗
|X 2 − X 4 | = |19.300 − 21.986| = 2.686 > 1.31∗
|X 3 − X 4 | = |23.086 − 21.986| = 1.100 < 1.31

Ejercicio 3, página 288, DM S (continuación)
X2 X4 X3 X1
19.3 21.986 23.086 24.014
El resultado del método de Tukey es exactamente el mismo que se

obtiene con el método del DM S.

Anova PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Anova PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Diseño y análisis de experimentos de un solo factor:

Mario Alfonso Morales Rivera.1

Morales & Morales ANOVA Noviembre de 2015 1 / 55

2 Cálculos con Excel

3 Intervalos de confianza para la media de los tratamientos

4 Pruebas para la diferencia entre pares de medias

Morales & Morales ANOVA Noviembre de 2015 2 / 55

2 Cálculos con Excel

3 Intervalos de confianza para la media de los tratamientos

4 Pruebas para la diferencia entre pares de medias

Morales & Morales ANOVA Noviembre de 2015 3 / 55

Muchas decisiones requieren la comparación de las medias de dos o

Morales & Morales ANOVA Noviembre de 2015 4 / 55

X Ejercicio 11-1, página 6:40

Morales & Morales ANOVA Noviembre de 2015 5 / 55

1 Éste es un experimento unifactorial completamente aleatorizado

Morales & Morales ANOVA Noviembre de 2015 7 / 55

Morales & Morales ANOVA Noviembre de 2015 8 / 55

Supuestos del ANOVA

Morales & Morales ANOVA Noviembre de 2015 8 / 55

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza: el modelo

1 Yij es una variable aleatoria, representa la (ij)−ésima

Análisis de varianza, el modelo

donde µi = µ + τi es la media del i−ésimo tratamiento.

Cada tratamiento define una población con media µi

Análisis de varianza, el modelo

La ecuación 1 es el modelo fundamental de para un experimento

Morales & Morales ANOVA Noviembre de 2015 11 / 55

Modelo de efectos fijos y de efectos aleatorios

Morales & Morales ANOVA Noviembre de 2015 12 / 55

Modelo de efectos fijos y de efectos aleatorios

Morales & Morales ANOVA Noviembre de 2015 13 / 55

Análisis de varianza para el modelo de efectos fijos

1 El análisis de varianza se usa para probar la igualdad de efectos

Morales & Morales ANOVA Noviembre de 2015 14 / 55

Hipótesis que se prueba con el ANOVA

Morales & Morales ANOVA Noviembre de 2015 15 / 55

Hipótesis que se prueba con el ANOVA

X Según el modelo 2, equivalente a probar la hipótesis

Si la hipótesis nula H0 es verdadera cada observación es la suma

Morales & Morales ANOVA Noviembre de 2015 16 / 55

N = an es el número total de observaciones.

Identidad de la suma de cuadrados

SCT = SST rat + SSE

Morales & Morales ANOVA Noviembre de 2015 18 / 55

Valores esperados de SST rat y SSE

de donde se tiene que