Seccin 4.

7
Comparacin de ms de dos medias: anlisis de
varianza para el diseo completamente aleatorio de un
factor con efectos fijos
Objetivo: Comparar k (k3) medias poblacionales cuando las k
muestras son aleatorias e independientes.

Ejemplo (diseo completamente aleatorio)

Investigadores desean saber si pueden concluir que tres poblaciones de nios
difieren en cuanto a la edad a la cual pudieron caminar por s solos. Se reunieron
los datos siguientes (las edades estn en meses):

H0: 1=2=3
Muestra de la
poblacin A

vs.

H1: i j para al menos un par (i, j) con ij

Muestra de la
poblacin B

Muestra de la
poblacin C

9.5

12.5

9.8

10.5

9.5

10

9.0

13.5

9.5

9.75

13.75

10.5

10.0

12.0

11

11.0

13.75

10.8

10.0

12.5

9.75

10.5

9.5

11.2

10.0

12.0

9.5

13.5

10.0

12.0

9.75

12.0
10.5
11.5

La
aleatorizacin
es
la
asignacin
del
material
experimental, y el orden en que
se
realizan
las
pruebas
individuales o ensayos, en forma
aleatoria.
El significado estadstico del
muestreo
aleatorio
simple
implcito en este diseo es que
cualquier
nio
tiene
igual
oportunidad de ser seleccionado.

Ejemplo
Un gerente de mercadotecnia de una cadena de una lnea de productos
de cmputo, le interesa saber si hay diferencias en las ventas de sus
productos en tres ciudades. Elige al azar 15 tiendas similares (5 por
ciudad) entre las que integran la cadena. Las variables bajo control
directo de la compaa, como precio y publicidad, se mantuvieron al
mismo nivel en los 30 das del experimento y se registraron las ventas
(en miles) para dicho periodo. Utilice un nivel de significancia de 0.05.
Ventas (en miles) por tienda en cada
ciudad en los 30 das del
experimento
Ciudad 1

Ciudad 2

Ciudad 3

10

16

15

14

18

12

18

22

15

18

10

12

15

13

H0: 1=2=3
vs.
H1: i j
para al menos un par (i, j) con ij,
i,j {1,2,3}.

Definiciones bsicas:
Unidad experimental es un elemento (individuo, animal, planta, etc.)
que se mide.
Una variable de respuesta es una variable dependiente experimental
observada en las unidades experimentales.
Un factor es una variable experimental independiente cuyo efecto se
quiere determinar sobre la variable de respuesta.
Un factor cuantitativo es aquel que toma valores correspondientes a los
puntos de una recta real. Los factores que no son cuantitativos, se llaman
cualitativos.
Los niveles de un factor son los distintos valores o clases que puede
tomar.

Definiciones bsicas (continuacin):

Lo que vuelve diferentes a las unidades experimentales de una poblacin
a otra, se llama tratamiento.
Un tratamiento es una combinacin especfica de niveles de un factor o
de varios factores.
Cuando se tiene un solo factor, sus propios niveles son los tratamientos.

Las repeticiones o rplicas en un experimento son las realizaciones del

experimento bsico para cada tratamiento elegido.
El error experimental es una medida de la variacin existente entre
observaciones sobre unidades experimentales tratadas en forma similar.

Ejemplo
Un gerente de mercadotecnia de una cadena de una lnea de productos
de cmputo, le interesa saber si hay diferencias en las ventas de sus
productos en tres ciudades. Elige al azar 15 tiendas similares (5 por
ciudad) entre las que integran la cadena. Las variables bajo control
directo de la compaa, como precio y publicidad, se mantuvieron al
mismo nivel en los 30 das del experimento y se registraron las ventas
(en miles) para dicho periodo. Utilice un nivel de significancia de 0.05.
Ventas (en miles) por tienda en cada
ciudad en los 30 das del
experimento
Ciudad 1

Ciudad 2

Ciudad 3

10

16

15

14

18

12

18

22

15

18

10

12

15

13

Factor: Ciudad
Tipo: Cualitativo
Niveles: Tres (Ciudad 1, Ciudad 2 y
Ciudad 3)
Tratamientos: Tres (Ciudad 1,
Ciudad 2 y Ciudad 3)
Rplicas: 5 por tratamiento
(balanceado).

Repaso de la teora bsica

La tcnica de anlisis de varianza permite hacer inferencias simultneas
sobre parmetros de tres o ms poblaciones.
Anlisis de varianza de una va: cada respuesta se categoriza de
acuerdo con un solo criterio de clasificacin, el tratamiento al cual
pertenece.
El anlisis de varianza (ANDEVA o ANOVA) es un procedimiento
aritmtico mediante el cual la variacin total de un conjunto de datos se
divide en dos o ms componentes, cada uno de los cuales se puede
atribuir a una fuente identificable.
Seleccin completamente aleatorizada
Si la aplicacin de los tratamientos se hace escogiendo aleatoriamente
las unidades experimentales que los van a recibir, entonces estamos ante
una seleccin completamente aleatorizada de los tratamientos.
Tambin, a la seleccin de muestras aleatorias independientes de a
poblaciones se le denomina diseo completamente aleatorizado.

Las unidades experimentales a las cuales se aplican los tratamientos

deben ser tan homogneas como sea posible (en lo nico que debe
diferir las unidades experimentales es en los tratamientos que recibirn
para compararse).
Cualesquiera fuentes de variabilidad extraas tendern a inflar el error
experimental, haciendo ms difcil detectar diferencias entre los efectos
de tratamientos.
Modelo estadstico lineal

Yij=+i+ij

i=1,2,,a

j=1,2,,n

yij es la ij-sima observacin (valor de la j-sima rplica bajo el

tratamiento i).
es un parmetro comn a todos los tratamientos denominado media
global.
i es un parmetro nico para el i-simo tratamiento llamado efecto del isimo tratamiento.
ij es la componente aleatoria del error.

Hiptesis
H0: 1=2==a

vs.

H1: i j para al menos un par (i, j) con ij

Equivalente a:
H0: i=0 para toda i vs. H1: i 0 para al menos una i, i=1,2,...,a.
Supuestos
ij ~ NI(0, 2)
Estimadores de los parmetros del modelo (modelo de efectos fijos)

= Y..

i = + i = Y.. + Y i. Y..

i = Y i. Y..

i = Y i.

ij = Yij i = Yij Y.. (Y i. Y.. ) ij = Yij Y i.

Estadstico de prueba
El nombre de anlisis de varianza se deriva del hecho de dividir la
variabilidad total en sus partes componentes:
a

SCTotal = Yij Y.. = n Y i. Y.. + Yij Y i.

i =1 j = 1

i =1 j = 1

i =1 j = 1

SCTotal = n i2 + ij2 = SCTrat + SCE

i

Las cantidades CMTrat=SCTrat/(a-1) y CME=SCE/(N-a) se llaman

cuadrados medios.
Se puede demostrar que los valores esperados de los cuadrados medios
a
son:
n 2

E(CMTrat ) = +
2

i=1

a 1

E(CME ) = 2

Si H0 es verdadera, la razn: F=[CMTrat / CME ] ~ F(a-1, N-a)

RR: Rechace H0 si Fc > F; a-1,N-a

El procedimiento de prueba se resume en la siguiente tabla:

Fuentes de
variacin
Entre tratamientos
Error (dentro de
tratamientos)
Total

Suma de
cuadrados

g.l.

Cuadrados
medios

SCTrat

a-1

CMTrat

SCE

N-a

CME

SCTotal

N-1

F
CMTrat / CME

Una vez repasado la teora bsica sobre el ANOVA de un factor de

efectos fijos para un diseo completamente aleatorio, til para comparar
tres o ms tratamientos cuando las muestras son independientes,
retomaremos el ejemplo planteado.

(Comparacin de ms de dos medias: anlisis de varianza para el diseo

completamente aleatorio de un factor con efectos fijos)
Ejemplo
Un gerente de mercadotecnia de una cadena de una lnea de productos de
cmputo, le interesa saber si hay diferencias en las ventas de sus productos en
tres ciudades. Elige al azar 15 tiendas similares (5 por ciudad) entre las que
integran la cadena. Las variables bajo control directo de la compaa, como
precio y publicidad, se mantuvieron al mismo nivel en los 30 das del experimento
y se registraron las ventas (en miles) para dicho periodo. Utilice un nivel de
significancia de 0.05.
Ventas (en miles) por tienda en cada
ciudad en los 30 das del experimento
Ciudad 1

Ciudad 2

Ciudad 3

10

16

15

14

18

12

18

22

15

18

10

12

15

13

H0: 1=2=3
vs.
H1: i j
para al menos un par (i, j) con ij,
i,j {1,2,3}.

Solucin
Resultados de Statgraphics
Tabla ANOVA para Ventas segn Ciudad
Anlisis de la Varianza
-------------------------------------------------------------------------------------------------------Fuente
Sumas de cuad. Gl Cuadrado Medio Cociente-F P-Valor
-------------------------------------------------------------------------------------------------------Entre grupos
98.8
2
49.4
6.25
0.0138
Intra grupos
94.8
12
7.9
-------------------------------------------------------------------------------------------------------Total (Corr.)
193.6
14

Antes de interpretar la tabla del ANOVA debe verificarse si se satisfacen los

supuestos del modelo.

Revisin del cumplimiento de las suposiciones del

modelo
Supuestos: Los errores ij se suponen variables aleatorias distribuidas
normal e independientemente con media cero y varianza 2. La
varianza se supone constante para todos los niveles del factor.
La verificacin de los supuestos estn basadas prcticamente en los
residuos estimados:

e ij = y ij y ij

e ij = y ij y i .
Prueba del supuesto de normalidad de los errores
Ejemplos de mtodos grficos: histograma y grfico de probabilidad
normal.
Ejemplos de mtodos inferenciales (pruebas de bondad de ajuste):
Kolmogorov-Smirnov, Shapiro-Wilk, Cramr-von Mises y AndersonDarling.

Verificacin del cumplimiento del supuestos de normalidad: mtodo

grfico.

porcentaje

Grfico de Probabilidad Normal

99.9
99
95
80
50
20
5
1
0.1
-3.8

-1.8

0.2

2.2

4.2

RESIDUALS

Del grfico de probabilidad normal se tiene que los errores se

ajustan a una distribucin normal.

Pruebas inferenciales para el supuesto de normalidad

H 0:
H 1:

Los errores se distribuyen normal

Los errores no se distribuyen normal

Tests para la Normalidad para RESIDUALS

Estadstico DMAS de Kolmogorov = 0.130679
Estadstico DMENOS de Kolmogorov = 0.130635
Estadstico DN global de Kolmogorov = 0.130679
P-Valor aproximado = 0.959896
Estadstico EDF
Valor
Forma Modificada P-Valor
----------------------------------------------------------------------------------Kolmogorov-Smirnov D 0.130679 0.533493
>=0.10*
Anderson-Darling A^2 0.336413 0.356598
0.4567*
----------------------------------------------------------------------------------Estadstico W de Shapiro-Wilks = 0.939387
P-valor = 0.365116

En todas las pruebas se tiene P>0.05 por lo tanto no se rechaza H0, es

decir, los errores se ajustan o pueden modelarse con la distribucin
normal.

Revisin de la suposicin de homogeneidad de varianzas.

Mtodo grfico: Residuos vs. valores ajustados (o predichos) por
el modelo.
Si esta grfica no revela ningn patrn obvio entonces se tiene
homogeneidad de varianzas.

Hay homogeneidad de
varianzas: los puntos se hallan
confinados en una banda
horizontal, y presentan
variacin homognea dentro
de la banda

Hay
heterogeneidad
de varianzas

Verificacin del cumplimiento del supuestos de varianza constante:

mtodo grfico.

Grfico de Residuos para Ventas

5.8

residuo

3.8
1.8
-0.2
-2.2
-4.2
11

13

15

17

19

Ventas predicho
Del grfico predichos vs. residuos se cumple la igualdad de
varianzas.

Pruebas de hiptesis para la igualdad de las varianzas

Prueba de: Bartlett, Hartley, C de Cochran y de Levene

H0 : 12 = 22 = = a2
Las primeras tres son sensibles al supuesto de normalidad (son
afectadas en cierto grado por la no-normalidad de las muestras) y la
ltima la de Levene es la que menos se ve afectada por la nonormalidad.
Contraste de Varianza
Contraste C de Cochran: 0.388186
Contraste de Bartlett: 1.0065
Contraste de Hartley: 1.27778
Test de Levene: 0.0674157

P-valor = 1.0
P-valor = 0.965632
P-valor = 0.935158

Las varianzas son homogneas (P>0.05)

Resumen: verificacin del cumplimiento de los supuestos del modelo.

porcentaje

Grfico de Probabilidad Normal

99.9
99
95
80
50
20
5
1
0.1

Del grfico de probabilidad normal y

de las pruebas de bondad de ajuste,
los errores se ajustan a una
distribucin normal (SW=0.9394,
P=0.3651; KS=0.5335, P>0.10).
-3.8

-1.8

0.2

2.2

4.2

RESIDUALS

Grfico de Residuos para Ventas

5.8

Del grfico predichos vs. residuos y

la prueba de Bartlett: 1.0065 P=
0.965632>0.05, se cumple la
igualdad de varianzas.

residuo

3.8
1.8
-0.2
-2.2
-4.2
11

13

15

Ventas predicho

17

19

Una vez verificado los supuestos se interpreta la tabla de ANOVA.

Decisin
Difiere significativamente (P<0.05) las ventas promedio de los productos
de cmputo entre las ciudades (F2,12=6.25, P=0.0138).
De manera lgica surge la pregunta qu tratamientos (ciudades) son los
causantes de las diferencias?
Comparaciones mltiples
Hay varios procedimientos para comparar un grupo de medias de
tratamientos:
Para preguntas de investigacin (a priori) [Contrastes, intervalos de
confianza simultneos de Bonferroni].
Para preguntas planteadas despus del anlisis de varianza (a posteriori)
[Scheff, MDS, Tukey, Duncan, Dunnett (cuando se tiene un tratamiento
control)].

Mtodo de la Mnima Diferencia Significativa (MDS)

Supngase que siguiendo a un ANOVA donde la hiptesis nula es rechazada,
deseamos probar H0: i=j para toda ij vs. H1: ij
i y j sera declarado significativamente diferente si:

Y i. Y j. > t

,Na

Medias y 95.0% de Fisher LSD

21
19
17
Ventas

Resultados de Statgraphics
Contraste Mltiple de Rango para Ventas segn Ciudad
-------------------------------------------------------------------------------Mtodo: 95.0 porcentaje LSD
Ciudad
Frec. Media
Grupos homogneos
-------------------------------------------------------------------------------3
5
11.6
X
1
5
13.8
X
2
5
17.8
X
-------------------------------------------------------------------------------Contraste
Diferencias
+/- Lmites
-------------------------------------------------------------------------------1-2
*-4.0
3.87315
1-3
2.2
3.87315
2-3
*6.2
3.87315
-------------------------------------------------------------------------------* indica una diferencia significativa.

1 1
CME + = MDS
n n
j
i

15
13
11
9
1

2
Ciudad

Medias y 95.0% de Fisher LSD

21
19

Ventas

17
15
13
11
9
1

2
Ciudad

Interpretacin:
Difiere significativamente las ventas promedio de los productos de
cmputo entre las ciudades (F=6.25, P=0.0138). De la comparacin
mltiple DMS, result que las ventas en la C2 difieren de las de la C1 y
C3, pero stas dos no difieren; adems en la C2 las ventas resultaron
significativamente mayores que en las otras dos ciudades (Figura w o
Cuadro w).

Prueba de rango mltiple de Duncan

Resultados de Statgraphics
Contraste Mltiple de Rango para Ventas segn Ciudad
-------------------------------------------------------------------------------Mtodo: 95.0 porcentaje Duncan
Ciudad
Frec. Media
Grupos homogneos
-------------------------------------------------------------------------------3
5
11.6
X
1
5
13.8
X
2
5
17.8
X
-------------------------------------------------------------------------------Contraste
Diferencias
-------------------------------------------------------------------------------1-2
*-4.0
1-3
2.2
2-3
*6.2
-------------------------------------------------------------------------------* indica una diferencia significativa.

Prueba de Dunnett para comparar tratamientos con un tratamiento control

El analista est interesado en comparar cada una de las otras a-1 medias de
tratamientos con el control. Supngase que el tratamiento a (el ltimo) es el
control (si no lo es, basta con renumerar para que sea el a-simo tratamiento).
H0: i=a vs. H1: ia i=1,2,,a-1. Se rechaza H0 al nivel de significacin si:

1 1
Y i. Y a. > d (a 1, f ) CME +
ni na
Multiple Comparisons
Ventas
Dunnett t (2-sided)a
95% Confidence Interval
(I)
Ciud
ad

(J)
Ciud
ad

4.000

1.778

0.0781

-.45

8.45

-2.200

1.778

0.3861

-6.65

2.25

Mean
Difference
(I-J)

Std.
Error

Sig.

Lower
Bound

Upper
Bound

a. Dunnett t-tests treat one group as a control, and compare all other groups
against it.

Nota. En muchas situaciones no se cumple el supuesto de

normalidad y/o igualdad de varianzas. Ante esto, en la prctica
suele emplearse:
1) Una transformacin sobre la variable de respuesta que conduzca al
cumplimiento de los supuestos del ANOVA.
El enfoque usual es aplicar una transformacin estabilizadora de
varianza, y luego efectuar el anlisis de varianza sobre los datos
transformados. Bajo este enfoque, uno debe notar que las
conclusiones del ANDEVA se aplican solo a las poblaciones
transformadas.
2) Emplear un mtodo no paramtrico: la prueba de Kruskal-Wallis.
Constituye una alternativa no paramtrica al anlisis de varianza usual
(paramtrico) que se trat anteriormente.

PRUEBA DE KRUSKAL-WALLIS
(Anlisis de varianza en un sentido por rangos de Kruskal-Wallis)
El procedimiento de ANOVA de una va para un diseo completamente
aleatorio de efectos fijos expuesto anteriormente, los datos fueron a
niveles de intervalo o de razn, se supuso que las poblaciones estaban
normalmente distribuidas y que eran iguales las varianzas de dichas
poblaciones. Qu pasara si los datos fueran de escala ordinal y/o
las poblaciones no fueran normales?
Esta prueba no paramtrica permite analizar resultados de un diseo
completamente aleatorizado para un solo factor o una sola va (efectos
fijos), cuando no se satisface que las poblaciones de las cuales se
extraen las muestras estn normalmente distribuidas con varianzas
iguales o cuando los datos para el anlisis consisten slo de rangos.

Supuestos
K muestras aleatorias independientes.
La escala de medicin es al menos ordinal.
Hiptesis
Prueba la H0 de que las k muestras provienen de poblaciones idnticas
con la misma mediana.
H0: 1=2==k vs. H1 : i j para al menos un par (i, j) con ij
donde i representa la mediana de la poblacin para el i-simo grupo
(tratamiento) o muestra. Tambin pueden enunciarse como:
H0: Las k distribuciones poblacionales son idnticas.
vs.
H1: Al menos una de las poblaciones tiende a dar observaciones ms
grandes que las otras.
O bien, al menos dos de las distribuciones poblacionales difieren en
ubicacin.

Estadstico de prueba

Regin de rechazo

k
12
Ri2

3(N + 1)

N(N + 1) i =1 ni

H=

g 3
3
1 t j t j (N N)

j =1

Rechace H0 si H>H; n1,...,nk donde la constante H; n1,...,nk satisface

P(H>H; n1,...,nk)= y se puede obtener de la tabla de la distribucin de H
(Hollander y Wolfe, 1973; Conover, 1980; Conover, 1999; Zar, 1999).
Aproximacin para muestras grandes
Kruskal-Wallis demostraron que si los ni son grandes (ni5) y bajo H0
2
verdadera H~ k 1
Por lo tanto, rechace H0 si H > , k 1
2

Wackerly et al. (2002) indican que si las muestras son grandes y/o para
2
k>5, H puede aproximarse con la k 1

Comparaciones mltiples, muestras grandes (Siegel y Castellan, 2001)

Hiptesis

H0 : u = v

H1 : u v

Rechace H0 con un nivel de significacin si:

Ru Rv ( z k (k 1) )

N(N + 1) 1 1
+
12 nu nv

P( Z z / k ( k 1) ) = / k(k 1)

En Hollander y Wolfe (1973), Siegel y Castellan (2001), Zar (1999),

Conover (1980) y Conover (1999), se encuentra ms detalle terico del
mtodo y de las comparaciones mltiples.

Observaciones finales
El mtodo estadstico es un procedimiento inductivo, en el cual se
puede medir la probabilidad de error en la decisin.
A pesar de que la Estadstica es del dominio de las ciencias aplicadas,
tienen sus bases tericas en las Matemticas.
No slo se debe saber los conceptos y mtodos estadsticos, sino
tambin aplicarlos para resolver problemas reales.
En la aplicacin de la estadstica, la interaccin con otras disciplinas es
fundamental y un medio para lograrlo son los proyectos de
investigacin o consultoras.

Bibliografa
Conover, W.J. (1999). Practical nonparametric statistics. 3a Ed. John
Wiley and Sons. New York, USA.
Daniel, W.W. (1990). Applied Nonparametrics Statistics. 2a Ed. Duxbury
Thomson Learning. Pacific Grove, CA, USA.
Freund, J.E., Miller, I., Miller, M. (2000). Estadstica matemtica con
aplicaciones. 6. Ed. Pearson. Mxico, D.F.
Hines, W. W. y Montgomery, D. C. (1997). Probabilidad y estadstica
para ingeniera y administracin. 3a Ed. CECSA. Mxico, D.F.
Infante, G.S. y Zrate, L.G. (2005). Mtodos Estadsticos. 2 Ed. Editorial
Trillas. Mxico, D.F.
Kuehl, R.O. (2001). Diseo de Experimentos. 2 Ed. Thomson Editores.
Mxico, D.F.
Montgomery, D.C. (2004). Diseo y anlisis de experimentos. 2 Ed.
Limusa Wiley, Mxico, D.F.
Wackerly, D.D., Mendenhall, W., Scheaffer, R.L. 2010. Estadstica
Matemtica con Aplicaciones. 7 Ed. CENGAGE Learning. Mxico, D.F.