Análisis de la

Varianza
ANOVA

Distribución F
Programas de capacitación
Programas
1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
Datos: n2= 5 Tamaño muestra 2
K = 3 # de tratamientos n3 = 5 Tamaño muestra 3
N = 14 total de datos
n1= 4 Tamaño muestra 1
Objetivos
de la clase

• Reconocer los tipos de

variaciones en un análisis
con más de dos poblaciones.
Al finalizar la clase
estará en capacidad • Realizar una prueba ANOVA
de:
Diseño de Experimentos

• Control del efecto de las variables:

 Todo experimento esta sometido
condiciones (variables) múltiples.
 Las efectos principales se miden
 Se espera que las mediciones sean
exactas
 Diseño de Experimentos

Tierra Seca

• Diseño por bloques:

Aleatorio
 Plantar árboles en el terreno
seco y en el terreno húmedo. Se
Luego, fertilizan
 Se usaría la aleatoriedad para Tierra Húmeda sólo los 3
elegir árboles que se árboles
observaran. elegidos al
azar en
cada
bloque
Diseño de Experimentos

Tierra
Seca

• Diseño por bloques: Se

Completamente Aleatorio fertilizan
 de los 12 árboles, se seleccionan sólo los 6
6 al azar para el tratamiento árboles
con el fertilizante. elegidos al
azar
Tierra Húmeda
tomados
del total
ANOVA: Una prueba para más de dos
medias

• Ho : µ1 = µ2 = µ3 = . . . .

• H1 : Por lo menos una media

es diferente
ANOVA: Una prueba para más de dos
medias
Análisis de la
varianza
(ANOVA)
ANOVA de una
vía o factor
ANOVA de dos vía
o factores (one-way)
(Two-ways)

Modelo con
Modelo aditivo interacción
(sin interacción)
ANOVA de un
Factor
ANOVA de una Vía
ANOVA
de un Factor Ninguno

• Empleamos una sola

propiedad o Fertilizante
característica para Tratamient
categorizar las o aplicado
poblaciones.
Riego
• Un tratamiento o
factor es una
propiedad o
característica que nos
permite distinguir Fertilizante y riego
entre las distintas
poblaciones.
Requisitos

• Las poblaciones tienen distribuciones

que son aproximadamente normales.
Este requisito no es demasiado
estricto, ya que el método funciona
bien, a menos que la población tenga
una distribución muy diferente de la
normal o existan datos extremos
Requisitos

• Las poblaciones tienen la

misma varianza σ2 (o desviación
estándar σ). (Este requisito no
es demasiado estricto, ya que el 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42
método funciona bien a menos
que las varianzas poblacionales
difieran en grandes
cantidades).
Requisitos

• Las muestras son aleatorias simples (es

decir, muestras del mismo tamaño que
tienen la misma probabilidad de ser
elegidas).
• Las muestras son independientes entre
sí (es decir, no están emparejadas o
asociadas de ninguna forma).
• Las diferentes muestras provienen de
poblaciones que están categorizadas de
una sola forma o factor. (Ésta es la base
del nombre del método: análisis de
varianza de un factor).
Programas de capacitación
Programas
1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
Datos: n2= 5 Tamaño muestra 2
K = 3 # de tratamientos n3 = 5 Tamaño muestra 3
N = 14 total de datos
n1= 4 Tamaño muestra 1
Programas de capacitación

• El análisis de la varianza se basa en la

comparación de la cantidad de
variación en cada uno de los
programas (tratamientos).
• Si de un tratamiento a otro la
variación es significativamente alta,
los tratamientos tienen efectos
diferentes en las poblaciones.
Programas de capacitación

• Existen tres tipos de fuentes de

variación:
 Variación total
 Variación entre muestras.
 Variación dentro de las muestras.
Programas de capacitación

• Variación total
 Entre el total de empleados
muestreados no todos obtuvieron
la misma nota.
Programas de capacitación

• Variación entre muestras:

• Los empleados del programa 1
no obtuvieron el mismo puntaje
que los del programa 2 o el
programa 3.
 Variación producida por el
factor o tratamiento
Programas de capacitación

• Variación dentro de las

muestras
 No todos los empleados del mismo
programa obtuvieron el mismo
puntaje.
 Variación dentro de los
tratamientos
 Por el error de muestreo
Distribución F

Zona de
• Es una distribución que depende No Zona de
de los grados de libertad del Rechazo Rechazo
numerador de los grados de
libertad del denominador
𝐹𝑐𝑟𝑖𝑡

𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝐶𝑀𝑇𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜

𝐹= =
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
Programas de capacitación

• Relación entre las variaciones:

• Variación Entre + Variación dentro = Variación

Muestras de las muestras Total

• SCTr + SCE = SCT

TABLA ANOVA (una vía)
Grados
Estadíst.
Origen de la Suma de cuadrados de Cuadrados
de
Varianza (SC) Libertad Medios (CM)
Prueba
(gl)

Tratamiento
o Factor o vía 𝑆𝐶𝑇𝑅 𝐶𝑀𝑇𝑅
SCTR =σ 𝒏𝒋 (ഥ ന)𝟐
𝒙𝒋 − 𝒙 K-1 CMTR= F=
(entre 𝑘−1 𝐶𝑀𝐸
muestras)

Error (dentro 𝑆𝐶𝐸

de las SCE =σ(𝒏𝒋 − 𝟏)𝒔𝒋 𝟐 N-k CME=
muestras) 𝑁−𝑘

Total SCT = SCTR + SCE N-1

Valores críticos en la Tabla A-5 con grados de Libertad del

Numerador = k - 1 y Grados de libertad del denominador N - k
Programas de capacitación
Programas

1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
Programas de capacitación
Programas

1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
nj =
𝑥𝑗ҧ =
sj =
Programas de capacitación
Programas

1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
nj = 4 5 5
𝑥𝑗ҧ =
Sj =
Programas de capacitación
Programas

1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
nj = 4 5 5
𝑥𝑗ҧ = 80 81 85
sj =
Programas de capacitación
Programas

1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
nj = 4 5 5
𝑥𝑗ҧ = 80 81 85
sj = 5.715
Programas de capacitación
Programas

1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
nj = 4 5 5
𝑥𝑗ҧ = 80 81 85
sj = 5.715 2.236
Programas de capacitación
Programas

1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
nj = 4 5 5 𝑥Ӗ = 82.143
𝑥𝑗ҧ = 80 81 85
sj = 5.715 2.236 4.123
Programas de capacitación
nj = 4 5 5
𝑥𝑗ҧ = 80 81 85
sj = 5.715 2.236 4.123

SCTR =σ 𝒏𝒋 (ഥ ന)𝟐
𝒙𝒋 − 𝒙

SCTR =4(80 − 82.143)𝟐 +5(81 − 82.143)𝟐 +5(85 − 82.143)𝟐

SCTR =65.714

𝑥Ӗ = 82.143
 Origen de Promedio
las Suma de Grados de de los Valor crítico
variaciones cuadrados libertad cuadrados F para F
Entre grupos
Por el 65.714
Tratamiento
Dentro de los
grupos
Por el Error

Total
Programas de capacitación
nj = 4 5 5
𝑥𝑗ҧ = 80 81 85
sj = 5.715 2.236 4.123

SCE =σ(𝒏𝒋 − 𝟏)𝒔𝒋 𝟐

SCE = 4 − 1 5.175𝟐 + 5 − 1 2.236𝟐 + 5 − 1 4.123𝟐

SCE = 186
 Origen de Promedio
las Suma de Grados de de los Valor crítico
variaciones cuadrados libertad cuadrados F para F
Entre grupos
Por el 65.714 K-1
2
Tratamiento
Dentro de los
grupos 186 N-k
11
Por el Error

Total 251.714 N-1

13
 Origen de Promedio
las Suma de Grados de de los Valor crítico
variaciones cuadrados libertad cuadrados F para F
Entre grupos
Por el 65.714 ÷ 2 32.857
Tratamiento
Dentro de los
grupos 186 ÷ 11 16.909
Por el Error

Total 251.714 13
 Origen de Promedio
las Suma de Grados de de los Valor crítico
variaciones cuadrados libertad cuadrados F para F
Entre grupos
Por el 65.714 2 32.857 1.943
Tratamiento
÷
Dentro de los
grupos 186 11 16.909
Por el Error

Total 251.714 13
 H0 : u1 = u2 = u3 V
H1 : Por lo menos una media es F
diferente
Origen de Promedio
las Suma de Grados de de los Valor crítico
variaciones cuadrados libertad cuadrados F para F
Entre grupos
Por el 65.714 2 32.857 1.943 3.9823
Tratamiento
Dentro de los 𝑔𝑙𝑛𝑢𝑚 = 2
grupos 186 11 16.909 𝑔𝑙𝑑𝑒𝑛 = 11
Por el Error α = 0.05
Total 251.714 13
3.9823
No existe evidencia muestral
suficiente para afirmar que alguno NO
de los programas produzca mejores Rechazamos
resultados Ho
Ejemplo 2

• Los datos adjuntos se obtuvieron con un experimento que

compara el grado de manchado de telas polimerizadas con tres
mezclas diferentes de ácido metacrílico (datos similares
aparecieron en el artículo “Chemical Factors Affecting Soiling and
Soil Release from Cotton DP Fabric”, American Dyestuff Reporter,
1983: 25-30).

Mezcla1 1.56 1.12 0.9 1.07 0.94

Mezcla2 0.72 0.69 0.87 0.58 0.91

Mezcla3 1.62 1.08 1.07 0.99 1.23

Ejemplo 2
• H0: 𝜇1 = 𝜇2 = 𝜇3 =
• H1: Por lo menos una media es diferente
nj 𝑥𝑗ҧ sj

Mezcla1 1.56 1.12 0.9 1.07 0.94 5 1.118 0.263

Mezcla2 0.72 0.69 0.87 0.58 0.91 5 0.754 0.135

Mezcla3 1.62 1.08 1.07 0.99 1.23 5 1.198 0.251

𝑥Ӗ = 1.0233 N= 15
Ejemplo 2 nj 𝑥𝑗ҧ sj
• Calculamos las sumatorias de
cuadrados: 5 1.118 0.263

𝑥Ӗ = 1.0233 N= 15 5 0.754 0.135

2
𝑆𝐶𝑇 = ෍ 𝑛𝑗 ∗ 𝑥ҧ − 𝑥Ӗ 5 1.198 0.251

𝑆𝐶𝑇 = 5 1.118 − 1.0233 2 + 5 0.754 − 1.0233 2 + 5 1.198 − 1.0233 2

𝑆𝐶𝑇 = 0.560

Origen de las Suma de Grados de Promedio de Valor crítico

F
variaciones cuadrados libertad los cuadrados para F

Tratamiento 0.560

Por el Error
Ejemplo 2 nj 𝑥𝑗ҧ sj
• Calculamos las sumatorias de
cuadrados: 5 1.118 0.263

𝑥Ӗ = 1.0233 N= 15 5 0.754 0.135

5 1.198 0.251
𝑆𝐶𝐸 = ෍ 𝑛𝑗 − 1 ∗ 𝑠𝑗2

𝑆𝐶𝐸 = 5 − 1 0.2632 + 5 − 1 0.1352 + 5 − 1 0.2512

𝑆𝐸𝑇 = 0.603

Origen de las Suma de Grados de Promedio de Valor crítico

F
variaciones cuadrados libertad los cuadrados para F

Tratamiento 0.560

Por el Error 0.603

Ejemplo 2
• H0: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 F

• H1: Por lo menos una media es diferente V

Origen de las Suma de Grados de Promedio de

F
variaciones cuadrados libertad los cuadrados

Tratamiento 0.560 2 0.280 5.574 3.127

Por el Error 0.603 12 0.0502

Total Rechazamos H0 como

verdadera

Existe evidencia muestral suficiente para afirmar que por lo

menos una mezcla de ácido metaacrílico produce un grado
diferente de manchado en telas polimerizadas
Dado que rechazamos H0 entonces:
Prueba Múltiple de Bonferroni:
• Realice una prueba utilizando la distribución t.
• gl = N-K
• Nivel de significancia = α / (KC2)

𝑥ҧ 𝑎 −𝑥ҧ 𝑏
• t=
1 1
𝐶𝑀𝐸 +
𝑛𝑎 𝑛𝑏
Dado que rechazamos H0 entonces:

Prueba Múltiple de Bonferroni:

• gl = N-K = 15 – 3 = 12
• Nivel de significancia = α / (KC2) = 0.05/(3C2) = 0.00167

•
Dado que rechazamos H0 entonces:
Prueba Múltiple de Bonferroni:
• gl = 12
• Nivel de significancia = 0.00167 ≈ 0.002
• Formulamos la regla de decisión:

-3.930 3.930
Prueba Múltiple de Bonferroni:
• Debemos tomar las medias muestrales
de dos en dos:
• 1° H0 : 𝜇1 = 𝜇2 𝑥ҧ 1 −𝑥ҧ 2
t=
1 1
• H1: 𝜇1 ≠ 𝜇2 𝐶𝑀𝐸 +
𝑛1 𝑛2

• 2° H0 : 𝜇1 = 𝜇3 t=
𝑥ҧ 1 −𝑥ҧ 3
1 1
𝐶𝑀𝐸 𝑛 +𝑛
• H1: 𝜇1 ≠ 𝜇3 1 3
-3.930 3.930

• 3° H0 : 𝜇2 = 𝜇3 𝑥ҧ 2 −𝑥ҧ 3
t=
1 1
• H1: 𝜇2 ≠ 𝜇3 𝐶𝑀𝐸 𝑛 +𝑛
2 3
Prueba Múltiple de Bonferroni:
nj 𝑥𝑗ҧ sj

5 1.118 0.263
• Debemos tomar las medias muestrales
de dos en dos:
5 0.754 0.135
• 1° H0 : 𝜇1 = 𝜇2 1.118−0.754
t= = 2.569 5 1.198 0.251
1 1
• H1: 𝜇1 ≠ 𝜇2 0.0502 +
5 5

• 2° H0 : 𝜇1 = 𝜇3
1.118−1.198
t= = -0.565
• H1: 𝜇1 ≠ 𝜇3 0.0502
1 1
+
5 5
-3.930 3.930

• 3° H0 : 𝜇2 = 𝜇3
0.754−1.198
t= = 2.268
• H1: 𝜇2 ≠ 𝜇3 0.0502
1 1
+
5 5
Ex 02
• Un productor de pinturas para vivienda desea comparar el
factor brillo de su pintura utilizando cuatro emulsiones
diferentes. Se pintan cinco tablas de diferente tipo de madera
con cada tipo de emulsión y la clasificación que se dio a cada
una aparece aquí:
• A nivel de significancia del 1%, ¿existe alguna diferencia en la
clasificación promedio?

Materi
Emulsión
al de
Tablas 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
ANOVA
2 factores
Dos factores o vías (requisitos)
• Para cada celda, los valores muestrales provienen
de una población con una distribución que es
aproximadamente normal.
• Las poblaciones tienen la misma varianza σ2 (o
desviación estándar σ).
• Las muestras son aleatorias simples.
• Las muestras son independientes entre sí.
• Los valores muestrales se categorizan en dos
factores.
• Todas las celdas tienen el mismo número de valores
muestrales.
ANOVA: Una prueba para más de dos
medias
Análisis de la
varianza
(ANOVA)

ANOVA de una
ANOVA de dos vía vía o factor
o factores (one-way)
(Two-ways)

Modelo aditivo o
Aleatorizado
(sin interacción)
 Origen de las Promedio de
variaciones Suma de cuadrados gl los cuadrados F
Entre Muestras 𝐶𝑀𝑇𝑅
𝑆𝐶𝑇𝑅
o Tratamientos SCTR =σ 𝒏𝒋 (ഥ ന)𝟐
𝒙𝒋 − 𝒙 K-1 CMTR=
𝐾−1 𝐶𝑀𝐸
Entre columnas
Dentro de los 𝑆𝐶𝐸
grupos SCE =SCT-(SCBL+SCTR) (L-1)(K-1) CME=(𝐿−1)(𝐾−1)
Por el Error

Total 2
SCT=𝜎𝑡𝑜𝑡𝑎𝑙 ∗𝑁 N-1

 Este caso también se

denomina si repetición o
de diseño aleatorio
 ANOVA dos vías (sumativo)

Origen de las Promedio de

variaciones Suma de cuadrados gl los cuadrados F
Entre Muestras 𝐶𝑀𝑇𝑅
𝑆𝐶𝑇𝑅
o Tratamientos SCTR = σ 𝒏𝒋 𝒙 ന 𝟐
ഥ−𝒙 K-1 CMTR=
𝐾−1 𝐶𝑀𝐸
Entre columnas
Dentro de los 𝑆𝐶𝐸
grupos SCE = SCT-(SCBL+SCTR) (L-1)(K-1) CME=(𝐿−1)(𝐾−1)
Por el Error

Total 2 N-1
SCT=𝜎𝑡𝑜𝑡𝑎𝑙 ∗𝑁

 Este caso también se

denomina si repetición o
de diseño aleatorio
 ANOVA dos vías (sumativo)

Origen de las Promedio de

variaciones Suma de cuadrados gl los cuadrados F
Entre Bloques 𝑆𝐶𝐵𝐿 𝐶𝑀𝐵𝐿
Entre filas SCBL=σ 𝒏𝑖 (ഥ ന)𝟐
𝒙𝑖 − 𝒙 L-1 CMBL=
𝐿−1 𝐶𝑀𝐸
Entre Muestras 𝐶𝑀𝑇𝑅
𝑆𝐶𝑇𝑅
o Tratamientos SCTR =σ 𝒏𝒋 (ഥ ന)𝟐
𝒙𝒋 − 𝒙 K-1 CMTR=
𝐾−1 𝐶𝑀𝐸
Entre columnas
Dentro de los 𝑆𝐶𝐸
grupos SCE =SCT-(SCBL+SCTR) (L-1)(K-1) CME=(𝐿−1)(𝐾−1)
Por el Error

Total 2 N-1
SCT=𝜎𝑡𝑜𝑡𝑎𝑙 ∗𝑁

 Este caso también se

denomina si repetición o
de diseño aleatorio
 ANOVA dos vías (sumativo)

Origen de las Promedio de

variaciones Suma de cuadrados gl los cuadrados F
Entre Bloques 𝑆𝐶𝐵𝐿 𝐶𝑀𝐵𝐿
Entre filas SCBL=σ 𝒏𝑖 (ഥ ന)𝟐
𝒙𝑖 − 𝒙 L-1 CMBL=
𝐿−1 𝐶𝑀𝐸
Entre Muestras 𝐶𝑀𝑇𝑅
𝑆𝐶𝑇𝑅
o Tratamientos SCTR =σ 𝒏𝒋 (ഥ ന)𝟐
𝒙𝒋 − 𝒙 K-1 CMTR=
𝐾−1 𝐶𝑀𝐸
Entre columnas
Dentro de los 𝑆𝐶𝐸
grupos SCE = SCT-(SCBL+SCTR) (L-1)(K-1) CME=(𝐿−1)(𝐾−1)
Por el Error

Total 2 N-1
SCT=𝜎𝑡𝑜𝑡𝑎𝑙 ∗𝑁

 Este caso también se

denomina si repetición o
de diseño aleatorio
Ejemplo 1

• En una empresa se prueban tres sistemas nuevos de

contabilidad. Se prueba el sistema pero se desea aislar el
efecto de la experiencia de uso en este tipo de aplicaciones.

Sistemas

Nivel de
experiencia A B C
1 27 21 25
2 31 33 35
3 42 39 39
4 38 41 37
5 45 46 45
Ejemplo 1

• En este caso se tienen dos factores que se deben considerar :

Sistemas

Nivel de
experiencia A B C
1 27 21 25
2 31 33 35
3 42 39 39
4 38 41 37
5 45 46 45
Planteamiento de Hipótesis

• Filas o Bloques
• Ho: μ1 = μ2 = μ3 = μ4 = μ5 (No hay diferencia entre niveles de
experiencia)
• H1: Por lo menos un nivel de experiencia produce efectos
diferentes.

• Columnas o Tratamientos.
• Ho: μA = μB = μC(No hay diferencia entre tipos de sistemas)
• H1: Por lo menos un sistema es diferente.
Ejemplo 1
Sistemas
(tratamientos)

Nivel de
exper
(filas) 1 2 3
1 27 21 25
2 31 33 35
3 42 39 39
4 38 41 37
5 45 46 45

• Este caso también se

denomina si repetición o
con una sola muestra por
fila
Ejemplo 1
Sistemas
(tratamientos)
Número de
Nivel de Columnas o
exper Tratamiento
k=3
(filas) 1 2 3
1 27 21 25
Númer 2 31 33 35
o de
Filas 3 42 39 39
L=5 4 38 41 37
5 45 46 45

N = 15
ന =36.267
𝒙
𝝈𝒕𝒐𝒕𝒂𝒍 = 𝟕. 𝟑𝟑𝟒𝟓
Ejemplo 1
Sistemas Número de
(tratamientos) Columnas o
Tratamiento
Nivel
k=3
de
exper
(filas) 1 2 3 ni ഥ𝒊
𝒙 si
1 27 21 25 3 24.333 3.055
Númer 2 31 33 35 3
o de
33 2.
Filas 3 42 39 39 3 40 1.732
L=5
4 38 41 37 3 38.667 2.082
5 45 46 45 3 45.333 0.577
nj 5 5 5
N = 15
ഥ𝒋
𝒙 36.6 36 36.2 ന =36.267
𝒙
sj 7.503 9.592 7.294 𝝈𝒕𝒐𝒕𝒂𝒍 = 𝟕. 𝟑𝟑𝟒𝟓
Calculo de sumatorias:

• Filas o Bloques:
• SCBL=σ 𝒏𝑖 (ഥ ന )𝟐
𝒙𝑖 − 𝒙
• SCBL = 3(24.33-36.267)2 + 3(33--36.267)2 + 3(40-36.267)2 + 3(38.667-36.267)2 + 3(45.33-36.267)2

• SCBL = 764.944

• Columnas o Tratamientos:
• SCTR=σ 𝒏𝑗 (ഥ ന )𝟐
𝒙𝑗 − 𝒙
• SCBL = 5(36.6-36.267)2+5(36-36.267)2+5(36.2-36.267)2

• SCTR = 0.933
 ANOVA 2 Factores (modelo sumativo)

Origen de Promedio Valor

las de los crítico
variaciones Suma de cuadrados gl cuadrados F para F
Entre Bloques 𝑆𝐶𝐵𝐿 𝐶𝑀𝐵𝐿
Entre filas SCB =764.944 L-1 CMBL=
𝐿−1 𝐶𝑀𝐸
Entre Muestras 𝐶𝑀𝑇𝑅
𝑆𝐶𝑇𝑅
o Tratamientos SCTR =0.933 K-1 CMTR=
𝐾−1
Entre columnas 𝐶𝑀𝐸
Dentro de los
𝑆𝐶𝐸
grupos SCE =SCT-(SCBL+SCTR) L*K CME=
𝐿∗𝐾
Por el Error

Total 2
SCT=𝜎𝑡𝑜𝑡𝑎𝑙 ∗ 𝑁 =7.33452*15 N-1
Calculo de sumatorias Total y del Error:
• Total:
• SCT= 𝜎𝑡𝑜𝑡𝑎𝑙
2
∗𝑁
• Varianza poblacional de todos los datos o desviación
estándar de todos los datos.
• 2
𝜎𝑡𝑜𝑡𝑎𝑙 = (7.335)2 = 53.796
• SCT = (53.796)(15)
• SCT = 806.933

• Suma de Cuadrados del Error:

• SCE = SCT-(SCBL+SCTR)
• SCE = 806.933-(764.944+0.933)
• SCE = 41.056
 Origen de Promedio Valor
las de los crítico
variaciones Suma de cuadrados gl cuadrados F para F
Entre Bloques 𝑆𝐶𝐵𝐿 𝐶𝑀𝐵𝐿
Entre filas SCB =764.944 5-1 CMBL=
𝐿−1 𝐶𝑀𝐸
Entre Muestras 𝐶𝑀𝑇𝑅
𝑆𝐶𝑇𝑅
o Tratamientos SCTR =0.933 3-1 CMTR=
𝐾−1
Entre columnas 𝐶𝑀𝐸
Dentro de los CME=
grupos SCE = 41.056 (L-1)(K-1) 𝑆𝐶𝐸
Por el Error (𝐿−1)(𝐾−1)

Total SCT=806.933 N-1

 Origen de Promedio Valor
las de los crítico
variaciones Suma de cuadrados gl cuadrados F para F
Entre Bloques 𝑆𝐶𝐵𝐿 𝐶𝑀𝐵𝐿
Entre filas SCB =764.933 4 CMBL=
𝐿−1 𝐶𝑀𝐸
Entre Muestras 𝐶𝑀𝑇𝑅
𝑆𝐶𝑇𝑅
o Tratamientos SCTR =0.933 2 CMTR=
𝐾−1
Entre columnas 𝐶𝑀𝐸
Dentro de los
𝑆𝐶𝐸
grupos SCE = 41.067 8 CME=
𝐿∗𝐾
Por el Error

Total SCT=806.933 14
 Origen de Promedio Valor
las Suma de cuadrados gl de los F crítico
variaciones cuadrados para F
Entre Bloques 𝐶𝑀𝐵𝐿
Entre filas SCB =764.933 4 191.233
𝐶𝑀𝐸
Entre Muestras 𝐶𝑀𝑇𝑅
o Tratamientos SCTR =0.933 2 0.467
Entre columnas 𝐶𝑀𝐸
Dentro de los
grupos SCE = 41.067 8 5.133
Por el Error

Total SCT=806.933 14
 Origen de Promedio Valor
las Suma de cuadrados gl de los F crítico
variaciones cuadrados para F
Entre Bloques
Entre filas SCB =764.933 4 191.236 37.263

Entre Muestras
Entre columnas
SCTR =0.933 2 0.467 0.0909

Dentro de los
grupos SCE = 41.067 8 5.132
Por el Error

Total SCT=806.933 14
Valores Críticos

• Filas o Bloques:
• glnumerador = 4 α = 0.05
• gldenominador = 8

F = 3.8379

Columnas o Tratamientos:
 glnumerador = 2 α = 0.05
 gldenominador = 8

F = 4.4590
 Origen de Cuadrados
Suma de cuadrados gl F Fcrit
variaciones Medios

Entre Bloques
Entre filas SCB =764.933 4 191.233 37.253 3.8379
Entre Muestras
o tratamientos SCTR = 0.933 2 0.467 0.0909 4.4590
Entre columnas
Dentro de los
grupos SCE = 41.067 8 5.133
Por el Error

Total SCT=806.933 14
 Origen de
SC gl CM F Fcrit
variaciones
Entre Bloques
Entre filas SCB =764.933 4 191.233 37.253 3.8379

Tratamientos
Entre columnas
SCTR = 0.933 2 0.467 0.0909 4.4590

Dentro de los
grupos SCE = 41.067 8 5.133 𝑔𝑙𝑛𝑢𝑚 = 4
Por el Error
𝑔𝑙𝑑𝑒𝑛 = 8
Total SCT=806.933 14 α = 0.05

3.8379
Rechazamos
𝑔𝑙𝑛𝑢𝑚 = 2 Ho
𝑔𝑙𝑑𝑒𝑛 = 8
α = 0.05
No rechazamos
Ho
4.4590
Pruebas Post Hoc

• Solo en el caso de las Filas o

Bloques se ha probado
diferencias y se puede
afirmar que el nivel de
experiencia si incide en
la calificación.
• Debe realizarse pruebas en
pares de Bonferroni para
determinar cual o cuales de
las medias son diferentes
ANOVA: Una prueba para más de dos
medias
Análisis de la
varianza
(ANOVA)
ANOVA de una
vía o factor
ANOVA de dos vía
o factores (one-way)
(Two-ways)

Modelo con
interacción, con
repetición o de
Cuadro latino
ANOVA dos vías (con interacción)
Origen de Promedio de Valor
las Suma de Grados de los crítico para
variaciones cuadrados libertad cuadrados F F
Filas 𝑆𝐶𝐵𝐿 𝐶𝑀𝐹𝑖𝑙
Entre filas
SCFil L-1 CMBL=
𝐿−1 𝐶𝑀𝐸
Columnas 𝑆𝐶𝑇𝑅 𝐶𝑀𝐶𝑜𝑙
Entre columnas
SCCol K-1 CMTR=
𝐾−1 𝐶𝑀𝐸
𝑆𝐶𝐼 𝐶𝑀𝐼
Iter acción SCI (L-1)(K-1) CMI=(𝐿−1)(𝐾−1)
𝐶𝑀𝐸

Error 𝑆𝐶𝐸
Por el Error
SCE gl=glt-(Σgl) CME= 𝑔𝑙

Total SCT N-1

Ejemplo:
• Se quiere probar dos nuevos fármacos somníferos. Se mide el
tiempo de respuesta y se obtiene
Fármaco Fármaco Placebo
A B C
Mujer 34 27 25
33 30 19
28 29 26
41 29 30
43 32 28
Hombre 32 31 21
35 32 28
36 29 17
34 26 30
38 29 26

 ¿Hay diferencia entre los tiempos de respuesta entre los

fármacos A, B y un grupo placebo?
 El sexo de los pacientes influye de alguna manera
Planteamiento de Hipótesis

• Ho: μmujer = μhombre

• H1: Por lo menos una media es diferente.

• Ho: μA = μB = μC
• H1: Por lo menos una media es diferente.

• Ho: Existe interacción entre sexo y fármaco

• H1:No existe
El resultado de la tabla ANOVA en Excel
es:
Origen de Promedio de
las Suma de Grados de los Valor crítico
variaciones cuadrados libertad cuadrados F Probabilidad para F

Muestra 3.333 1 3.333 0.206 0.654 4.260

Columnas 545.067 2 272.533 16.875 2.654E-05 3.403

Interacción 1.8667 2 0.933 0.058 0.944 3.403

Dentro del
387.6 24 16.15
grupo

Total 937.867 29
El resultado de la tabla ANOVA en Excel
es:
Origen de Promedio de
las Suma de Grados de los Valor crítico
variaciones cuadrados libertad cuadrados F Probabilidad para F

Muestra 3.333 1 3.333 0.206 0.654 4.260

Columnas 545.067 2 272.533 16.875 2.654E-05 3.403

Interacción 1.8667 2 0.933 0.058 0.944 3.403

Dentro del
387.6 24 16.15
grupo

Total 937.867 29

En el caso de la comparación de acuerdo al sexo;

Valor P = 0.654 > α = 0.05.
No se rechaza Ho, por lo que se puede aceptar que no existe influencia alguna del sexo.
El resultado de la tabla ANOVA en Excel
es:
Origen de Promedio de
las Suma de Grados de los Valor crítico
variaciones cuadrados libertad cuadrados F Probabilidad para F

Muestra 3.333 1 3.333 0.206 0.654 4.260

Columnas 545.067 2 272.533 16.875 2.654E-05 3.403

Interacción 1.8667 2 0.933 0.058 0.944 3.403

Dentro del
387.6 24 16.15
grupo

Total 937.867 29

En el caso de la interacción Tipo de fármaco-sexo:

Valor P = 0.944 > α = 0.05.
No se rechaza Ho, no existe diferencias ocasionadas por la interacción.
El resultado de la tabla ANOVA en Excel
es:
Origen de Promedio de
las Suma de Grados de los Valor crítico
variaciones cuadrados libertad cuadrados F Probabilidad para F

Muestra 3.333 1 3.333 0.206 0.654 4.260

Columnas 545.067 2 272.533 16.875 2.654E-05 3.403

Interacción 1.8667 2 0.933 0.058 0.944 3.403

Dentro del
387.6 24 16.15
grupo

Total 937.867 29

En el caso de Tipo de fármaco;

Valor P = 0.00002654 < α = 0.05.
Se rechaza Ho, por lo menos una media es diferente.
Se debe realizar una prueba múltiple de
Bonferroni

• Realice una prueba utilizando la distribución t.

• gl = N-K
• Nivel de significancia = α / K

𝑥ҧ 𝑎 −𝑥ҧ 𝑏
• t=
1 1
𝐶𝑀𝐸 +
𝑛𝑎 𝑛𝑏
Ejemplo 04
• El artículo “Compression of Single-Wall Corrugated Shipping
Containers Using Fixed and Floating Test Platens” (J. Testing
and Evaluation, 1992: 318-320) describe un experimento en el
cual se compararon varios tipos diferentes de cajas con
respecto a resistencia a la compresión (lb). La tabla 10.1
presenta los resultados de un experimento ANOVA
unifactorial que implica 4 tipos de cajas (las medias y
desviaciones estándar muestrales concuerdan con los valores
dados en el artículo).

Tipo de
caja
Resistencia a la compresión (lb/ing2)

1 655.5 788.3 734.3 721.4 679.1 699.4 713.00 46.55

2 789.2 772.5 786.9 686.1 732.1 774.8 756.93 40.34
3 737.1 639.0 696.3 671.7 717.2 727.1 698.07 37.20

4 535.1 628.7 542.4 559.0 586.9 520.0

Ejercicio 05

• Se determinó el rendimiento en lúmenes de cada uno de 3

marcas diferentes de focos de luz blanca de 60 watts, con 8
focos de cada marca probados. Las sumas de los cuadrados se
calcularon como SCE = 4773.3 y STC = 591.2. Formule las
hipótesis de interés (incluidas definiciones en palabras de los
parámetros) y use la prueba F de ANOVA (=0.05) para
decidir si existen diferencias en los rendimientos de lúmenes
promedio verdaderos entre las tres marcas de este tipo de foco
obteniendo tanta información como sea posible sobre el valor
P.
Ejercicio 06

• Se analizaron seis muestras de cada uno de cuatro tipos de

crecimiento de granos de cereal en una región para determinar
el contenido de tiamina y se obtuvieron los siguientes
resultados (μg/g):
Trigo 5.2 4.5 6.0 6.1 6.7 5.8
Cebada 6.5 8.0 6.1 7.5 5.9 5.6
Maíz 5.8 4.7 6.4 4.9 6.0 5.2
Avena 8.3 6.1 7.8 7.0 5.5 7.2

• ¿Sugieren estos datos que por lo menos dos de los granos

difieren con respecto al contenido de tiamina promedio
verdadero? Use un nivel =0.05 con base en el método del
valor P.
Ejercicio 06
• ¿Sugieren estos datos que por lo menos dos de los granos
difieren con respecto al contenido de tiamina promedio
verdadero? Use un nivel =0.05 con base en el método del
valor P.
• Un análisis realizado con Excel arroja los siguientes
resultados:

ANÁLISIS DE VARIANZA

Origen de las Suma de Grados de Promedio de Valor crítico

variaciones cuadrados libertad los cuadrados F Probabilidad para F
Entre grupos 8.98333333 3 2.99444444 3.95654408 0.02293421 3.09839121

Dentro de los
grupos 15.1366667 20 0.75683333

Total 24.12 23
Ex 09

• En un experimento para valuar los efectos de tiempo de

fraguado (factor A) y tipo de mezcla (factor B) en la resistencia
a la compresión de cubos de cemento endurecido, se utilizaron
tres tiempos de fraguado diferentes en combinación con cuatro
mezclas distintas, con tres observaciones obtenidas para cada
una de las 12 combinaciones de mezcla-tiempo de fraguado.
• Las sumas de cuadrados resultantes fueron SCA = 30 763.0,
SCB = 34 185.6, SCE = 97 436.8 y SCT = 205 966.6.
• Tiempos de maratón. A continuación se presentan los
tiempos (en segundos) de recorrido de la maratón de Nueva
York, para corredores elegidos al azar que completaron la
prueba. ¿Los tiempos de recorrido se ven afectados por una
interacción entre el género y el grupo de edad? ¿Los tiempos de
recorrido se ven afectados por el género? ¿Los tiempos de
recorrido se ven afectados por el grupo de edad?
40 y
21–29 30–39 mayores
mujer 13.615 14.677 14.528
mujer 18.784 16.09 17.034
mujer 14.256 14.086 14.935
mujer 10.905 16.461 14.996
mujer 12.077 20.808 22.146
hombre 16.401 15.357 17.26
hombre 14.216 16.771 25.399
hombre 15.402 15.036 18.647
hombre 15.326 16.297 15.077
hombre 12.047 17.636 25.898
• Tiempos de maratón. A continuación se presentan los
tiempos (en segundos) de recorrido de la maratón de Nueva
York, para corredores elegidos al azar que completaron la
prueba. ¿Los tiempos de recorrido se ven afectados por una
interacción entre el género y el grupo de edad? ¿Los tiempos de
recorrido se ven afectados por el género? ¿Los tiempos de
recorrido se ven afectados por el grupo de edad?
• La tabla ANOVA resume el caso

ANÁLISIS DE VARIANZA
Origen de las
variaciones Suma de cuadrados
Filas 87.5092272
Columnas 92.0869794
Error

Total 345.037917