ANÁLISIS DE LA VARIANZA

1.- Introducción .................................................................................................................................... 2

2.- Hipótesis y análisis estadístico ....................................................................................................... 2
3.- Aplicación práctica. Cálculo manual .............................................................................................. 6
4. -Aplicación práctica. SPSS ............................................................................................................ 10
5.- Comparaciones a posteriori .......................................................................................................... 15
6. - Componentes de variación........................................................................................................... 19
7. -Tamaño de efecto.......................................................................................................................... 22
Anexo A. Componentes de variación. Ejemplo práctico ................................................................... 24
Anexo B. Similitud entre el contraste de medias y el ANOVA......................................................... 27

Carlos Camacho
Universidad de Sevilla
 ANÁLISIS DE LA VARIANZA

1.- Introducción

Podemos considerar el análisis de la varianza (ANOVA) como una generalización del contraste de medias.
En el contraste de medias comparábamos 2 medias, ahora podemos comparar 2 o más. En este sentido
incluye el contraste de medias, que también puede realizarse mediante el análisis de la varianza, aunque por
su simplicidad y facilidad de cálculo se aconseja el contraste de medias para cuando comparamos 2 medias.

Supongamos que en lugar de comparar niños con niñas en matemáticas, que es lo que haríamos en el
contraste de medias, quisiéramos comparar raza (blancos, negros e hispanos) en la mencionada prueba de
matemáticas. Aquí ya tendríamos 3 medias, y aunque nada impediría realizar 3 contrastes de medias por
separado (blanco con negros, blanco con hispanos y negros con hispanos), está claro que este procedimiento
puede resultar laborioso, especialmente si hay una cierta cantidad de medias, como 4 o 5. En este sentido, el
ANOVA presenta la ventaja que en un único análisis ya podemos determinar si las medias son iguales o no.
Saber cuáles no lo son en caso de que no lo sea, ya es otra cosa, como veremos.

El contraste se denomina análisis de la varianza (y no contraste o análisis de medias, por ejemplo) porque
analizando la varianza de las medias ya podemos saber si estas son iguales o no. Si la varianza de las
medias observadas es mayor que la esperada por azar desde la perspectiva de la hipótesis nula (todas las
medias proceden de poblaciones iguales) supondremos que son diferentes. Lo explicamos.

2.- Hipótesis y análisis estadístico

Supongamos que tenemos k medias observadas en k muestras. Nos preguntamos si tales medias son iguales,
o su equivalente en términos estadísticos, si proceden de poblaciones con igual media. Como en toda prueba
de decisión estadística, tenemos 2 posibles hipótesis:

Hipótesis nula (H0):

Las k medias proceden de k poblaciones caracterizadas por la misma media

𝜇1 = 𝜇2 = 𝜇3 … … . = 𝜇𝑘

Hipótesis alternativa (H1):

Las k medias proceden de k poblaciones no todas caracterizadas por la misma media

𝜇1 ≠ 𝜇2 ≠ 𝜇3 … … . ≠ 𝜇𝑘

2
Obsérvese que la Hipótesis alternativa indica que no todas las medias son iguales, que no equivale a decir
que todas son distintas. Basta que una sea diferente y el resto iguales para que ya no se cumpla la Hipótesis
nula.

En términos matemáticos se trata de comparar la varianza observada de las medias con la varianza teórica
que debería haber si todas las medias procediesen de poblaciones con igual media (también puede decirse,
aunque sea menos riguroso: “la varianza que debería haber si todas las medias procediesen de la misma
población”).

Con respecto a la varianza observada de las medias tenemos que:

𝑘

𝑆𝑋2� = �(𝑋�𝑖 − 𝑋�𝑡 )2�𝑘 − 1

1
Siendo:
𝑋�𝑖 : La media del grupo 𝑖
𝑋�𝑡 : La media total

𝜎𝑋2�

Y respecto a la varianza teórica de las medias procedentes de poblaciones con igual media, se sabe que la
distribución muestral de medias de tamaño n extraídas de una cierta población con media 𝜇 y varianza 𝜎𝑋2
tiene por valor:

𝜎𝑋2� = 𝜎𝑋2 ⁄𝑛

Tenemos pues, dos varianzas: a) la varianza observada de las medias y b) la varianza teórica que tendrían
las medias si éstas procediesen de poblaciones con igual media (que es equivalente a decir que de una
misma población). Calcularíamos:

𝑆𝑋2� 𝑆𝑋2�
𝐹= 2= 2
𝜎𝑋� 𝜎𝑋 /𝑛

La prueba estadística que nos permite comparar varianzas es la F de Snedecor (también Fisher-Snedecor).
Se trata de calcular el cociente entre dos varianzas dadas y determinar si ambas varianzas proceden de
poblaciones con igual varianza. Para ello se calcula la distribución muestral de cocientes de varianzas
procedentes de poblaciones con igual varianza, y se comprueba si el cociente entre las dos varianzas objeto
de nuestro estudio se encuentra dentro de esta distribución muestral.

F de Snedecor

3
Como se sabe hay dos procedimientos, uno prehistórico, reflejado en la figura anterior, consistente en
marcar una ciertas fronteras y decidir aceptar o rechazar la Ho si el cociente está dentro o fuera de estas
fronteras y el segundo, más moderno y realista, consistente en calcular la probabilidad exacta de pertenencia
de tal cociente. Mientras que en primero podríamos concluir con el impreciso discurso de “con un riesgo
máximo de equivocarnos del 0.05 (o 0.01)”, (y que puede ser en realidad 0.0499 o bien 0.000001), en el
segundo especificaríamos con toda precisión la probabilidad de equivocarnos en tal decisión.

Calculemos, pues, el cociente entre estas dos varianzas:

𝑆𝑋2� 𝑛𝑆𝑋2�
𝐹= 2 = 2
𝜎𝑋 ⁄𝑛 𝜎𝑋

En cuanto al numerador, ya hemos indicado la expresión de la varianza de las medias, que no es más que la
varianza normal y corriente, pero en lugar de aplicarse a puntuaciones individuales se aplican a medias. Y
en cuanto al denominador hay que decir que la varianza poblacional es desconocida si sólo trabajamos con
muestras. Lo que hacemos (desde la Ho: todas las muestras proceden de poblaciones iguales) es estimar la
varianza poblacional a partir de las varianzas muestrales. Si tenemos varias muestras, lo razonable es la
media de esas varianzas. Por tanto:

𝜎𝑋2 = � 𝑆𝑖2 �𝑘
𝑖=1

Haciendo operaciones:

𝑘 𝑘 𝑛 𝑘 𝑛 𝑘 𝑛
2 2 2
𝜎𝑋2 = � 𝑆𝑖2�𝑘 = � ��𝑋𝑖𝑖 − 𝑋�𝑖 � �𝑛 − 1�𝑘 = � ��𝑋𝑖𝑖 − 𝑋�𝑖 � �𝑘(𝑛 − 1) = � ��𝑋𝑖𝑖 − 𝑋�𝑖 � �𝑁 − 𝑘
𝑖=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1

Por tanto:

𝑆𝑋2� 𝑛𝑆𝑋2� 𝑛 ∑𝑘𝑖=1(𝑋�𝑖 − 𝑋�𝑡 )2⁄𝑘 − 1

𝐹= = =
𝜎𝑋2 ⁄𝑛 𝜎𝑋2 2
�𝑖 � ⁄𝑁 − 𝑘
∑𝑘𝑖=1 ∑𝑛𝑗=1�𝑋𝑖𝑖 − 𝑋

Cuyo numerador expresa la varianza entre las medias de los grupos multiplicado por el número de
individuos por grupo. El resultado será la varianza de los distintos individuos entre las medias de los
grupos. Si elegimos la media de cada grupo como su valor representativo, entonces dicho numerador refleja
la varianza de los individuos entre los grupos. Se denomina, por ello, varianza intergrupo. También se suele
denominar, varianza debida a los tratamientos, si los grupos son el resultado de aplicar diferentes
tratamientos. Por otro lado, si nos encontramos en un contexto experimental, la denominaremos varianza
experimental. O bien, si estamos hablando, en un sentido más amplio, de un cierto modelo a contrastar,
varianza explicada por el modelo.

4
En denominador indica cómo varían los datos, por término medio, dentro de los distintos grupos. Por esta
razón se conoce como varianza intragrupo. Si suponemos que los sujetos de un grupo han sido sometidos
todos ellos al mismo tratamiento, la variabilidad entre ellos será debida a aquellas variables que no hemos
podido controlar en nuestra investigación; por lo que también se suele llamar (especialmente en contexto
experimental), varianza del error. Desde el punto de vista del modelo que estamos ensayando, varianza no
explicada. También tiene denominaciones tales como varianza debida al azar, varianza aleatoria o
varianza residual, todos ellas correspondientes al mismo concepto

En base a lo expuesto pueden ofrecerse diferentes perspectivas en el análisis de la varianza. Si entendemos

el cociente F como el cociente entre la varianza intergrupo y la varianza intragrupo, nos planteamos
entonces, si los sujetos varían más entre grupo y grupo que dentro de los grupos. Si sucediera que los
individuos variaran más de grupo a grupo que dentro de los mismos grupos, será indicativo que los grupos
son distintos entre sí, lo que traducido en términos estadísticos reflejaría que dichos grupos proceden de
diferentes poblaciones.

Si nos planteamos el cociente entre la varianza experimental (o debida a los tratamientos) y la varianza
debida al error, concluiremos, de ser este cociente significativo, que los tratamientos son efectivos, que la
experimentación ha mostrado diferencias significativas, que dominan sobre el componente de error (lo que
se encuentra fuera de control experimental).

Por último, si estamos hablando de un cierto modelo (psicológico, social, biológico… etc.) y el cociente F
es significativo concluiremos que la parte que explica nuestro modelo es mayor que aquella parte que la
parte queda sin explicar, y que por tanto, nuestro modelo es válido

Denominaremos al numerador de la varianza intergrupo, suma de cuadrados intergrupo. Expresa el

cuadrado de las desviaciones de los individuos, en cuanto grupo, de la media total. Esto es:

𝑆. 𝐶. 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 = 𝑛 �(𝑋�𝑖 − 𝑋�𝑡 )2

𝑖=1

Su denominador hace referencia a los grados de libertad intergrupo:

𝑔. 𝑙. 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝑢𝑝𝑝 = 𝑘 − 1

Igualmente, el numerador de la varianza intragrupo expresa el cuadrado de las desviaciones de los

individuos respecto a la media de su grupo. Se denomina suma de cuadrados intragrupo:

𝑘 𝑛
2
� 𝑖�
𝑆. 𝐶. 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 = � ��𝑋𝑖𝑖 − 𝑋
𝑖=1 𝑗=1

y el denominador de la varianza intragrupo corresponderá a los grados de libertad intragrupo:

𝑔. 𝑙. 𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼 = 𝑁 − 𝑘

5
3.- Aplicación práctica. Cálculo manual

En este apartado para una mayor comprensión del planteamiento realizado procederemos a resolver un
problema de análisis de la varianza mediante cálculo a mano. En el siguiente apartado lo haremos mediante
SPSS y mostraremos las equivalencias.

Ejemplo1.- Supongamos que tenemos tres grupos de estudiantes de matemáticas a los que hemos aplicado
tres métodos de enseñanza distintos: A, B y C. Tenemos los siguientes resultados:

A B C
_____________
6 5 7
7 6 6
6 5 6
5 5 7
4 4 8
5 5 8
7 5 7
5 6 6
_____________

¿Podemos considerar que existen diferencias entre los distintos métodos de enseñanza?

SOL:

Vamos a proceder de 2 maneras. La primera, más comprensiva de la lógica subyacente al análisis de la

varianza:

𝑆𝑋2�
𝐹= 2
𝜎𝑋 ⁄𝑛

Y la segunda, más mecánica, pero coincidente con la tabla del ANOVA que ofrece el SPSS, lo que nos
permitirá entender mejor la salida de este programa:

𝑛 ∑𝑘𝑖=1(𝑋�𝑖 − 𝑋�𝑡 )2 ⁄𝑘 − 1
𝐹= 2
�𝑖 � ⁄𝑁 − 𝑘
∑𝑘𝑖=1 ∑𝑛𝑗=1�𝑋𝑖𝑖 − 𝑋

Comencemos por la primera. Comparamos la varianza observada en las medias (𝑆𝑋2� ) con la que debería
haber en caso de proceder todas ellas de la misma población (𝜎𝑋2 ⁄𝑛):

6
 𝑆𝑋2�
𝐹= 2
𝜎𝑋 ⁄𝑛

Vallamos al numerador. Calculemos, para ello, en primer lugar las medias:

∑ 𝑋 6 + 7 + 6 + 5 + 4 + 5 + 7 + 5 45
𝑋�𝐴 = = = = 5.625
𝑛 8 8

∑ 𝑋 5 + 6 + 5 + 5 + 4 + 5 + 5 + 6 41
𝑋�𝐵 = = = = 5.125
𝑛 8 8

∑ 𝑋 7 + 6 + 6 + 7 + 8 + 8 + 7 + 6 55
𝑋�𝐶 = = = = 6.875
𝑛 8 8

La media total será:

∑ 𝑋� 5.625 + 5.125 + 6.875 17.625

𝑋�𝑡 = = = = 5.875
𝑘 3 3

Y la varianza de las medias:

∑𝑘𝑖=1(𝑋�𝑖 − 𝑋�𝑡 )2 (5.625 − 5.875)2 + (5.125 − 5.875)2 + (6.875 − 5.875)2 1.625

𝑆𝑋2� = = = = 0.8125
𝑘−1 2 2

Y en relación al denominador:

𝜎𝑋2 ⁄𝑛

Tenemos que en ausencia de conocimiento de la varianza poblacional, ya que el material de trabajo son las
medias observadas, operamos con la media de las varianzas observadas en las muestras, como estimadora
de la varianza poblacional
𝑘

𝜎𝑋2 = � 𝑆𝑖2 �𝑘
𝑖=1

Calculemos entonces las varianzas de los diferentes grupos:

∑𝑛𝑖=1(𝑋𝑖 − 𝑋�)2 (6 − 5.625)2 + (7 − 5.625)2 + (6 − 5.625)2 + ⋯ + (5 − 5.625)2 7.875

𝑆𝐴2 = = = = 1.125
𝑛−1 7 7

∑𝑛𝑖=1(𝑋𝑖 − 𝑋�)2 (5 − 5.125)2 + (6 − 5.125)2 + (5 − 5.125)2 + ⋯ + (6 − 5.125)2 2.877

𝑆𝐵2 = = = = 0.411
𝑛−1 7 7

∑𝑛𝑖=1(𝑋𝑖 − 𝑋�)2 (7 − 6.875)2 + (6 − 6.875)2 + (6 − 6.875)2 + ⋯ + (6 − 6.875)2 4.872

𝑆𝐶2 = = = = 0.696
𝑛−1 7 7

Y su media será:

7
 𝑘
1.125 + 0.411 + 0.696
𝜎𝑋2 = � 𝑆𝑖2 �𝑘 = = 0.744
3
𝑖=1

En consecuencia:

𝑆𝑋2� 0.8125
𝐹= 2 ⁄ = 0.744/8 = 8.737
𝜎𝑋 𝑛

Si lo hacemos por el segundo procedimiento deberá salir lo mismo:

𝑛 ∑𝑘𝑖=1(𝑋�𝑖 − 𝑋�𝑡 )2⁄𝑘 − 1 8 ∗ 1.625/2 13/2 6.5

𝐹= 2 = = = = 8.737
�𝑖 � ⁄𝑁 − 𝑘
∑𝑘𝑖=1 ∑𝑛𝑗=1�𝑋𝑖𝑖 − 𝑋 (7.875 + 2.877 + 4.872)/21 15.624/21 0.744

Hemos desglosados detalladamente las operaciones para ver más claramente los elementos implicados y
también para una mayor comprensión de tabla de resultados que más tarde obtendremos con el SPSS. De
Acuerdo con esto, de la anterior expresión tenemos lo siguiente:

𝑆𝑆𝑆𝑆 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 13

𝑔𝑔𝑔𝑔𝑔𝑔 𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 2
𝑠𝑠𝑠𝑠 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑖𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 = 15.624
𝑔𝑔𝑔𝑔𝑔𝑔 𝑑𝑑 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 21
𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 6.5
𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 0.744
𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 (𝐹) = 8.737

Para comprobar la efectividad de los métodos de enseñanza, tenemos los dos procedimientos mencionado
anteriormente. El primero consiste en comparar el valor F obtenido con la frontera que hemos indicado, que
marca el límite de aceptación/rechazo de la Ho. Este límite depende del valor de F obtenido y de los grados
de libertad de la varianza intergrupo e intragrupo. En este caso, el valor F es 8.737 y los grados de libertad
intergrupo, 2 y la intragrupo, 21. Hemos de comparar, pues con 𝐹(2,21,0.05). Buscamos en las tablas de F
de Snedecor:

8
Observamos que su valor es 3.47. Por tanto, 8.737 > 3.47. En consecuencia, rechazamos la Ho con un
riesgo de equivocarnos (máximo) de 0.05. Como hemos dicho este procedimiento sólo indica el riesgo
máximo posible, pero no el real. Si hemos de ser más precisos, ya que no tenemos el SPSS para que nos lo
haga, recurriremos a tablas estadísticas on line:

La probabilidad que de dos poblaciones con igual varianza extraigamos por azar una varianza que sea 8.737
veces mayor que la otra (o más) es 0.0017. Como es mucha casualidad que justamente esta vez sea ese caso,
concluimos que esas dos varianzas no proceden de dos poblaciones con igual varianza, pero para no
pillarnos los dedos, porque podría ocurrir, ponemos la coletilla de con “un riesgo de equivocarnos de
0.0017”, que son las veces que podría ocurrir por azar. Aquí ya andamos con más precisión, no decimos que
como máximo es 0.05, sino que concretamos bastante más.

9
4.- Aplicación práctica. SPSS

Retomemos estos datos y realicemos ahora los cálculos con SPSS. Veremos la equivalencia con los análisis
previos. El formato de los datos ha de ser una primera columna, que hace referencia a la variable método de
enseñanza con 3 niveles: 1, 2 y 3. La segunda columna son las puntaciones en matemáticas:

Procedemos de la siguiente manera:

Y a continuación:

10
Los resultados:

Obsérvese que los resultados son equivalentes a los que ya vimos anteriormente, y que volvemos a mostrar:

𝑛 ∑𝑘𝑖=1(𝑋�𝑖 − 𝑋�𝑡 )2⁄𝑘 − 1 8 ∗ 1.625/2 13/2 6.5

𝐹= 2 = = = = 8.737
�𝑖 � ⁄𝑁 − 𝑘
∑𝑘𝑖=1 ∑𝑛𝑗=1�𝑋𝑖𝑖 − 𝑋 (7.875 + 2.877 + 4.872)/21 15.624/21 0.744

En cuanto a la probabilidad, si hacemos doble clic sobre su valor de significación:

Obtendremos exactamente el mismo valor de 0.0017

11
La salida anterior es la más simple que nos proporciona el SPSS, pero tenemos opciones para mejorarla. La
primera hace referencia a los supuestos del modelo, que son exactamente los mismos que los del contraste
de medias, esto es, normalidad de los grupos en las poblaciones orígenes e igualdad de varianzas en
esasmismas poblaciones. La primera no es muy restrictiva y podemos obviarla con muestras grandes, y con
muestras chicas tampoco hay que preocuparse mucho por cuanto el error no suele ir más allá de 0.06 o 0.07
que no se puede decir que sea tan distinto del 0.05 de la probabiliad que establece la Ho en el supuesto de
normalidad. De hecho en el ANOVA de SPSS no se contempla el supuesto de normalidad. Habitualmente
los recursos son gráficos, lo que ya indica que el ojímetro es practicamente suficiente como medida de
normalidad. No obstante uno puede irse a Descriptivos/Exploratorio donde podrá aplicar la pruebas más
rigurosas de Kolmogov y Shapiro. En el caso de no cumplirse el supuesto de normalidad para el ANOVA
se aplica la prueba no paramétrica de Kruskal Wallis.

La exigencia de igualdad de varianzas es algo más restrictiva, aunque tampoco demasiado, en el sentido de
que las pruebas paramétricas son bastantes robustas en la violación de sus supuestos. No obstante, dada su
mayor importancia ya se contempla en el SPSS. En caso de no existir igualdad de varianzas se aplica la
prueba de Welch. Y la prueba para comprobar la igualdad de varianzas es, como se sabe, la prueba de
Levene.

En este sentido podemos mejorar nuestro análisis de la siguiente manera:

Marcamos Opciones:

12
Obtenemos, además de la tabla de análisis de varianza, ya mostrada:

Se ofrecen los descriptivos habituales, como la media y la desviación tipo (o estándar). Los errores tipo (o
estándar) son precisamente las desviaciones tipo de las distintas distribuciones de medias, que tienen espcial
interés en los contrastes. Los intervalos de confianza nos dicen que por ejemplo, en el método A el 95% de
las medias oscilan entre 4.73827 y 6.51173 puntos. Esto ya es de por sí un indicador (con ciertas
precauciones) para comprobar si las medias observadas proceden o no de poblaciones iguales. Así, si
comparamos el método A con el B vemos que sus intervalos de confianza se solapan bastante, lo que nos
indica que hay posibles poblaciones comunes de donde podría proceder, por tanto no podríamos concluir
que el método A y el B sean diferentes. Por el contrario, si comparamos el método B con el C, vemos que
no hay solpamiento en sus intervalos de confianza, lo que nos indicarán que no habrá poblaciones comunes
de donde puedan proceder y enconsecuencia concluyamos que sus poblaciones orígenes son diferentes, o
sea, que los métodos B y C difieren.

13
La prueba de Levene sobre igualdad de varianzas:

Se cumple la igualdad de varianzas. Aunque no es necesaria, aplicamos la prueba de Welch, que es la

alternativa al ANOVA cuando no se cumple homocedasticidad:

Y obtenemos un resultado equivalente a la prueba paramétrica del ANOVA.

Aparte de ello, una salida gráfica para las medias, que ya es una cierta aproximación en la toma de
decisiones:

El gráfico nos sugiere que el método C es más efectivo, pero hay que verlo analíticamente.

14
5.- Comparaciones a posteriori

La prueba anterior del análisis de la varianza es una prueba genérica, denominada ómnibus, que sólo nos
indica si todas las medias son iguales o no. Si lo son, se cumple la Ho, y no hay que seguir más adelante
porque ya sabemos que todas las medias son iguales. Si no se cumple, lo que se concluye es que no son
todas iguales, lo que no significa que sean todas diferentes. Basta que una no lo sea aunque lo sean todas las
demás para rechazar la Ho. Por esta razón, cuando esto sucede hay que proceder a una segunda prueba para
decidir, cuales son diferentes y cuáles son iguales. Es lo que se llama comparaciones a posteriori o post
hoc. Se comparan todas las medias dos a dos y se observan cuáles son diferentes.

El problema de los contrastes post hoc, es que no se hace uno sino unos cuantos e incluso pueden ser
bastantes. En el caso que nos ocupa sólo hay 3 posibles contrastes (A-B, A-C y B-C), lo que corresponde a
la siguiente fórmula: k*(k-1)/2, que aquí será 3*2/3 = 3, pero si tuviéramos 5 grupos ya la cosa se
complicaría y serían 5*4/2 = 10. El problema de cuando se hacen varios contrastes es que es más probable
que resulte uno significativo cuando no lo es, lo que significa que aumenta nuestra probabilidad de tomar
decisiones equivocadas. Si tiramos diez monedas muchas veces es más probable obtener alguna vez 8 caras
que si la tiramos sólo una vez. De la misma manera que si un alumno se presenta a un examen de elección
múltiple varias veces, será más probable que alguna de ellas apruebe por azar.

Si nuestra probabilidad de equivocarnos es mayor del 0.05 (o 0.01) que suponíamos, hemos de efectuar
correcciones para volver a nuestra probabilidad de partida. Básicamente consiste en aumentar la exigencia
de nuestra prueba, aunque en el caso del alumno, lo dejaremos.

La lógica de todo ello es como sigue. Si efectuamos un único contraste la probabilidad de no equivocarnos
será 1 − 𝛼, pero si realizamos n contrastes independientes, la probabilidad de no equivocarnos será
entonces (1 − 𝛼)𝑛 . En consecuencia, la probabilidad de equivocarnos alguna vez será 1 − (1 − 𝛼)𝑛 . Por
ejemplo, si operamos con un nivel 𝛼 = 0.05 y realizamos 6 contrastes, la probabilidad de equivocarnos
alguna vez será 1 − (1 − 0.05)6 = 0.302, valor muy superior a 0.05.

¿Qué hemos de hacer si queremos que se mantenga nuestro 0.05 de probabilidad de equivocarnos durante
varios ensayos?. Pues hemos de modificar el valor de 𝛼 para que en el total de los contrastes nuestra
probabilidad de error sea 0.05, que es lo establecido (mejor, convenido). En el caso de estos 6 ensayos:
1 − (1 − 𝛼)6 = 0.05

Despejando α tenemos que:

6
𝛼 = 1 − √1 − 0.05 = 0.0085

Esto es, en el caso de los 6 ensayos hemos de partir de una valor de 𝛼 = 0.0085 para que al final nos
equivoquemos en el valor de 𝛼 = 0.05. Este procedimiento se denomina corrección de Bonferroni.

Como este cálculo puede resultar laborioso, tenemos una fórmula alternativa no tan precisa pero bastante
aceptable:
𝛼𝐹𝐹
𝛼𝑃𝑃 =
𝐶

15
Donde

𝛼𝑃𝑃 : valor de 𝛼 por contrate (Per Comparation)

𝛼𝐹𝐹 : valor final de 𝛼 para el total de los contrastes (FamilyWise)
C: número de comparaciones

Así en nuestro caso:

𝛼𝐹𝐹 0.05
𝛼𝑃𝑃 = = = 0.0083
𝐶 6
De aquí se deduce:

𝛼𝐹𝐹 = 𝐶 ∗ 𝛼𝑃𝑃

Por ejemplo, si operásemos con el habitual 𝛼 = 0.05 para un contraste específico, si tenemos que hacer 6
contrastes, nuestra probabilidad de error final pasa a ser 0.30:

𝛼𝐹𝐹 = 𝐶 ∗ 𝛼𝑃𝑃 = 6 ∗ 0.05 = 0.30

En este sentido, el SPSS ofrece todo un conjunto de contrastes. El más sencillo se denomina DMS
(Diferencia Mínima Significativa). Está basada en la t de Student y no efectúa ninguna corrección (hay que
decir que no todos los investigadores están de acuerdo con estas correcciones). El procedimiento a seguir
es:

Hacemos clic en Post hoc:

16
Y seleccionamos DMS. El resultado:

El método C es diferente al A y el B, pero el A y el B no son diferentes entre ellos. Si queremos aplicar

Bonferroni:

17
Los resultados:

Obsérvese que es coincidente con el procedimiento DMS de Tukey, pero las probabilidades hay que
multiplicarlas por 3 (tantas como contrastes realizados). Obsérvese, por ejemplo, que 0.778 = 3*0.259. Al
efectuar 3 contrastes pasamos de una probabilidad de equivocarnos de 0.259 con Tukey a 0.778 con
Bonferroni.

Hay que decir que hay bastantes autores inventando contrastes post hoc, cada uno arreglando lo que no
arregla el otro, pero para no perdernos, mencionemos uno de especial interés que es el de Sheffè, que
también efectúa correcciones sobre 𝛼 (también llamado error tipo 1):

18
Cuyo resultado es:

Similar a Bonferroni.

6.- Componentes de variación

Vamos a plantear ahora el análisis de la varianza como un cierto modelo explicativo de la realidad. De esta
manera las pruebas estadísticas son modelos que intentan explicar (hasta cierta medida) una determinada
parcela de la realidad. Visto así, tenemos que:

REALIDAD = MODELO + ERROR

Los modelos estadísticos no siempre son completos y siempre hay una parte que se nos pierde, pero
también hay que decir que hay una cierta parte que explica y que esa parte podemos cuantificarla y

19
hacernos una idea de la calidad de nuestro modelo. Veremos en las siguientes líneas que la parcela que nos
interesa estudiar presenta una cierta variabilidad en sus datos de interés, y que de esa variabilidad
(variabilidad total) conseguimos explicar una parte (variabilidad explicada), que queremos sea lo mayor
posible, pero lamentablemente nos queda un resto sin explicar (variabilidad no explicada). De esta forma:

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑡𝑡𝑡𝑡𝑡 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

Por ejemplo en relación a los datos con los que estamos trabajando:

Tenemos en el primer gráfico las puntuaciones de los sujetos en los diferentes métodos de enseñanza, y en
el segundo gráficos, la puntuación media en tales métodos.

Tomemos el método C. Vamos a seleccionar el primer sujeto, que ha obtenido 7 puntos y vamos a
descomponer su distancia respecto a la media total y luego explicaremos que significa cada una de estas
distancias. Tenemos que:

(7 − 5.875) = (6.875 − 5.875) + (7 − 6.875)

Los nombres de estas distancias son los siguientes:

𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛 𝑡𝑡𝑡𝑡𝑡 = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

La idea es la siguiente. Imaginemos que aplicamos los tres tratamientos a estos 24 sujetos y a una persona
ajena, que no sabe nada de la investigación (sólo el conjunto de datos, pero sin saber qué puntuación
corresponde a quién), se le pregunta cuál será la puntuación del primer sujeto del grupo C. Si no sabe nada,
lo más razonable es dar la media del conjunto de datos, esto es, 5.875. En ausencia de información de los
métodos de enseñanza, esta persona se ha equivocado:

(7 − 5.875) = 1.125 𝑝𝑝𝑝𝑝𝑝𝑝

Ahora le comunicamos que el sujeto en cuestión (sigue sin saber quién es) pertenece al grupo C y que la
gente de ese grupo han sido sometidos s un método de enseñanza, cuya media es 6.875. Igual que antes, lo
más razonable es darle media del grupo de pertenencia, por tanto dicha persona afirmará que lo más
probable es esa media. En este caso, con la información de los métodos de enseñanza, el error ha sido:

20
 (7 − 6.875) = 0.125 𝑝𝑝𝑝𝑝𝑝𝑝

Cuando no sabía nada de los métodos de enseñanza dijo 5.875 y cuando conoció el proyecto de
investigación ya dijo 6.875. Está claro que la información de los métodos de enseñanza ha permitido
mejorar su pronóstico en:

(6.875 − 5.875) = 1 𝑝𝑝𝑝𝑝𝑝

Podemos decir entonces que la desviación total es el error en ausencia de información, la desviación
explicada es la ganancia que hemos tenido gracias a la aplicación de los métodos de enseñanza, y la
desviación no explicada es la que no logramos todavía explicar con tales métodos. Así pues:

(7 − 5.875) = (6.875 − 5.875) + (7 − 6.875)

1.125 = 1 + 0.125

Como hemos dicho antes:

𝐷𝐷𝐷𝐷𝐷𝐷𝐷𝐷ó𝑛 𝑡𝑡𝑡𝑡𝑡 = 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑ó𝑛 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

Ya más formalmente, para el sujeto i del tratamiento j:

(𝑋𝑖𝑖 − 𝑋�𝑡𝑡𝑡𝑡𝑡 ) = �𝑋�𝑗 − 𝑋�𝑡𝑡𝑡𝑡𝑡 � + �𝑋𝑖𝑖 − 𝑋�𝑗 �

Y para el conjunto de los sujetos, se demuestra:

2 2 2
��𝑋𝑖𝑖 − 𝑋�𝑡𝑡𝑡𝑡𝑡 � = ��𝑋�𝑗 − 𝑋�𝑡𝑡𝑡𝑡𝑡 � + ��𝑋𝑖𝑖 − 𝑋�𝑗 �

Esto es:

𝑆𝑆𝑆𝑆 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡 = 𝑆𝑆𝑆𝑆 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝑆𝑆𝑆𝑆 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

Que son los indicadores de los distintos componentes de variabilidad:

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑡𝑡𝑡𝑡𝑡 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

A partir de esta igualdad podemos obtener un estadístico de extraordinaria importancia, que nos ayudará a
entender en términos sencillos la capacidad explicativa del modelo del análisis de la varianza. Este
estadístico, denominado 𝑒𝑒𝑒2 hace referencia a la proporción de variabilidad (o variación) explicada. Esto
es:
2
2
𝑆. 𝐶. 𝑒𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 ∑�𝑋�𝑗 − 𝑋�𝑡𝑡𝑡𝑡𝑡 �
𝑒𝑒𝑒 = = 2
𝑆. 𝐶. 𝑡𝑡𝑡𝑡𝑡 ∑�𝑋 − 𝑋� �
𝑖𝑖 𝑡𝑡𝑡𝑡𝑡

21
En el caso del ANOVA, la suma de cuadrados explicada es precisamente la intergrupo o la debida a los
tratamientos, mientras que la no explicada equivale a la intragrupo (dentro de los grupos). Así pues,
retomando la tabla del ANOVA:

Tenemos que:
2
2
∑�𝑋�𝑗 − 𝑋�𝑡𝑡𝑡𝑡𝑡 � 13
𝑒𝑒𝑒 = 2 = = 0.4541
∑�𝑋𝑖𝑖 − 𝑋�𝑡𝑡𝑡𝑡𝑡 � 28.625

Podemos afirmar que los métodos de enseñanza explican un 45.41% de la variabilidad obtenida en
matemáticas. Y la proporción no explicada será 1 − 0.4541 = 0.5459, esto es, el 54.59%.

8.- Tamaño de efecto

Podemos hacerlo de dos formas diferentes. Por un lado, aplicando la siguiente expresión:

𝑒𝑒𝑒2 0.4541
𝑓=� 2
=� = 0.9121
1 − 𝑒𝑒𝑒 1 − 0.4541

Y tomando como referencia la siguiente tabla:

Obtenemos un valor superior a 0.40. Por tanto efecto grande.

Otra procedimiento más sencillo y evidente es trabajar con el valor de 𝑒𝑒𝑒2 , que ya es directamente un
tamaño de efecto (proporción de variabilidad explicada). En nuestro caso explica una proporción de 0.4541.
Las referencias son:
0.01 → 𝑡𝑡𝑡𝑡ñ𝑜 𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝ñ𝑜
0.06 → 𝑡𝑡𝑡𝑡ñ𝑜 𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚
0.14 → 𝑡𝑡𝑡𝑡ñ𝑜 𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒 𝑔𝑔𝑔𝑔𝑔𝑔

22
Concluimos igualmente que el tamaño de efecto es grande. Obsérvese la coincidencia en ambos
procedimientos para determinar el tamaño de efecto. Partamos de una 𝑓 = 0.4, que corresponde al tamaño
de efecto grande

𝑒𝑒𝑒2
0.4 = �
1 − 𝑒𝑒𝑒2

Elevamos al cuadrado:
𝑒𝑒𝑒2
0.16 =
1 − 𝑒𝑒𝑒2
Hacemos operaciones:

𝑒𝑒𝑒2 = 0.16(1 − 𝑒𝑒𝑒2 ) = 0.16 − 0.16 ∗ 𝑒𝑒𝑒2

Despejamos 𝑒𝑒𝑒2 :

𝑒𝑒𝑒2 + 0.16 ∗ 𝑒𝑒𝑒2 = 0.16

Por tanto:
0.16
𝑒𝑒𝑒2 = = 0.137 ≈ 0.14
1.16

Que es el tamaño grande cuando operamos en proporciones.

23
 ANEXO A

Componentes de variación en el ANOVA. Ejemplo práctico

La idea de este anexo es desarrollar un ejemplo sencillo, con pocos datos y valores enteros, que clarifiquen
los conceptos explicados anteriormente.

Como hemos indicado, los modelos matemáticos aplicados en psicología son un intento de detectar las
pautas subyacentes de la conducta aparentemente indefinida. Tenemos como resultado de la aplicación del
modelo que una parte de la misma queda conocida y otra parte queda aún sin esclarecer. De esta forma:

REALIDAD = MODELO + ERROR

En términos matemáticos:

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑡𝑡𝑡𝑡𝑡 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒

2 2 2
��𝑋𝑖𝑖 − 𝑋�𝑡 � = ��𝑋�𝑗 − 𝑋�𝑡 � + ��𝑋𝑖𝑖 − 𝑋�𝑗 �

A partir de esta igualdad obtenemos dos estadísticos fundamentales. El primero se denomina bondad del
modelo, que viene expresado como la eta2 (también R2) y nos indica la proporción de variabilidad explicada
por el modelo. Es también una medida del tamaño de efecto del modelo aplicado. Su expresión matemática:

2
𝑆𝑆𝑆𝑆 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 ∑(𝑋�𝑖 − 𝑋�𝑡 )2
𝑒𝑒𝑒 = = 2
𝑆𝑆𝑆𝑆 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡 ∑�𝑋 − 𝑋� � 𝑖𝑖 𝑡

El segundo estadístico hace referencia a la significación estadística del modelo. Muestra la probabilidad de
que lo ocurrido sea debido al azar (desde la perspectiva de la Hipótesis nula). Como consecuencia del valor
de tal probabilidad tomaremos la decisión de aceptar o rechazar dicha hipótesis con los conocidos riesgos
del 0.05 o 0.01. Su expresión es:

∑(𝑋�𝑖 − 𝑋�𝑡 )2
𝑘−1 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 (𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖)
𝐹= 2 =
∑�𝑋𝑖𝑖 − 𝑋�𝑖 � 𝑣𝑣𝑣𝑣𝑣𝑣𝑣𝑣 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 (𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖)
𝑁−𝑘
Tenemos en el numerado la varianza explicada (o intergrupo) y en el denominado la varianza no explicada
(o intragrupo). Se trata de ver si la varianza explicada supera la varianza no explicada. Si la supera, desde
un punto de vista estadístico concluiremos que el modelo es válido y rechazaremos la Hipótesis nula

Ambos conceptos son complementarios. Necesitamos un tamaño de efecto suficiente y una significación
estadística inferior al 0.05 o 0.01. No sirve un tamaño de efecto grande en una significación mayor que
estos valores, de la misma forma que no sirve una buena significación si el tamaño de efecto es pequeño.

24
A título de ejemplo, tengamos los siguientes datos:

A 1, 2, 3
B 5, 6, 7
C 5, 7, 9

Cuyas medias son:

𝑋�𝐴 = 2 𝑋�𝐵 = 6 𝑋�𝐶 = 7 . Y la media total: 𝑋�𝑡 = 5

En este supuesto, las distintas sumas de cuadrados serán:

Suma de cuadrados total:

2
��𝑋𝑖𝑖 − 𝑋�𝑡 � = (1 − 5)2 + (2 − 5)2 + (3 − 5)2 + (5 − 5)2 + (6 − 5)2 + (7 − 5)2 + (5 − 5)2
+ (7 − 5)2 + (9 − 5)2 = 54

Obsérvese que se suman las diferencias cuadráticas de todos los sujetos respecto a la media total de los
datos (5). Es la variabilidad en la ausencia de información del modelo ya que entonces el único predictor es
la media global.

Suma de cuadrados no explicada:

2
��𝑋𝑖𝑖 − 𝑋�𝑖 � = (1 − 2)2 + (2 − 2)2 + (3 − 2)2 + (5 − 6)2 + (6 − 6)2 + (7 − 6)2 + (5 − 7)2
+ (7 − 7)2 + (9 − 7)2 = 12

En este caso, son las diferencias cuadráticas de las puntuaciones obtenidas por todos los sujetos respecto a
las que predice el modelo (las medias de los diferentes tratamientos: 2, 6 y 7). Obviamente, es el error que
cometemos al aplicar el modelo.

Suma de cuadrados explicada:

�(𝑋�𝑖 − 𝑋�𝑡 )2 = (2 − 5)2 + (2 − 5)2 + (2 − 5)2 + (6 − 5)2 + (6 − 5)2 + (6 − 5)2 + (7 − 5)2

+ (7 − 5)2 + (7 − 5)2 = 42

Aquí las diferencias cuadráticas de las medias de los tratamientos respecto a la media total. Es justamente lo
que hemos ganado al introducir las medias de los tratamientos como predictores. Obsérvese que en ausencia
de la medias de los tratamientos el único predictor posible era la media global (5), que es lo que se expresa
en la variabilidad total (suma de cuadrados total)

Se cumple:

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑡𝑡𝑡𝑡𝑡 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 + 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 𝑛𝑛 𝑒𝑒𝑒𝑙𝑙𝑙𝑙𝑙𝑙

54 = 42 + 12

25
En consecuencia tenemos que la proporción de variabilidad explicada (intergrupo):

2
𝑆𝑆𝑆𝑆 𝑑𝑑 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 ∑(𝑋�𝑖 − 𝑋�𝑡 )2 42
𝑒𝑒𝑒 = = 2 = = 0.778
𝑆𝑆𝑆𝑆 𝑑𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑡𝑡𝑡𝑡𝑡 ∑�𝑋 − 𝑋� � 54
𝑖𝑖 𝑡

El modelo explica un 77.8%. Si nos preguntásemos por el tamaño de efecto, diríamos que muy grade, ya
que un tamaño pequeño sería en torno a 0.01, un tamaño medio en torno a 0.06 y grande en torno a 0.14.
Como es muy superior a 0.14, lo consideramos grande.

La varianza explicada (o intergrupo):

∑(𝑋�𝑖 − 𝑋�𝑡 )2 42
𝑉𝑉𝑉𝑒𝑒𝑒 = = = 21
𝑘−1 2

Y La varianza no explicada (o intragrupo):

2
∑�𝑋𝑖𝑖 − 𝑋�𝑖 � 12
𝑉𝑉𝑉𝑛𝑛 𝑒𝑒𝑒 = = =2
𝑁−𝑘 6

Y el valor de F (cociente de varianzas):

𝑉𝑉𝑉𝑒𝑒𝑒 21
𝐹= = = 10.5
𝑉𝑉𝑉𝑛𝑛 𝑒𝑒𝑒 2

Correspondiente a la siguiente tabla:

26
 ANEXO B

Similitud entre el contraste de medias y el ANOVA

Se demuestra que el contraste de medias es un caso particular del análisis de la varianza. En lo que respecta
al análisis de la varianza tenemos:

𝑆𝑋2� 𝑆𝑋2�
𝐹= =
𝜎𝑋2 /𝑛 𝑆 2 /𝑛

Donde hemos estimado la varianza poblacional 𝜎𝑋2 con la varianza ponderada de las muestras 𝑆 2 :

Y en relación al contraste de medias en grupos independientes:

𝑋�1 − 𝑋�2
𝑡=
𝑆2 𝑆2
�
𝑛1 + 𝑛2

Vamos a demostrar que:

𝐹 = 𝑡2

Esto es:

𝑆𝑋2� (𝑋�1 − 𝑋�2 )2

𝐹= 2 =
𝑆 /𝑛 𝑆2 𝑆2
𝑛1 + 𝑛2

Vayamos al contrate de medias y convirtamos su expresión en la equivalente al análisis de la varianza:

(𝑋�1 − 𝑋�2 )2
𝑡2 =
𝑆2 𝑆2
𝑛1 + 𝑛2

Obsérvese que si trabajamos con el mismo número de sujetos por grupo, el cálculo de la varianza
ponderada será simplemente la media de las dos varianzas:

(𝑛1 − 1)𝑆12 + (𝑛2 − 1)𝑆22 (𝑛 − 1)𝑆12 + (𝑛 − 1)𝑆22 (𝑛 − 1)(𝑆12 + 𝑆22 ) 𝑆12 + 𝑆22
𝑆2 = = = =
𝑛1 + 𝑛2 − 2 𝑛+𝑛−2 (𝑛 − 1) ∗ 2 2

E igualmente:

2
(𝑋�1 − 𝑋�2 )2 (𝑋�1 − 𝑋�2 )2 (𝑋�1 − 𝑋�2 )2 (𝑋�1 − 𝑋�2 )2 /2
𝑡 = = = =
𝑆2 𝑆2 𝑆2 𝑆2 2𝑆 2 𝑆 2 /𝑛
+ +
𝑛1 𝑛2 𝑛 𝑛 𝑛

27
Así pues:

𝑆𝑋2� (𝑋�1 − 𝑋�2 )2 /2

𝐹= =
𝑆 2 /𝑛 𝑆 2 /𝑛

Hemos demostrado que el denominador del análisis de la varianza y del contrate de medias coinciden. Y en
relación al numerador demostraremos que:

𝑆𝑋2� = (𝑋�1 − 𝑋�2 )2 /2

Efectivamente:
2
∑𝑘𝑖=1(𝑋�𝑖 − 𝑋�𝑡 )2 ∑2𝑖=1(𝑋�𝑖 − 𝑋�𝑡 )2
𝑆𝑋2� = = = �(𝑋�𝑖 − 𝑋�𝑡 )2 = (𝑋�1 − 𝑋�𝑡 )2 + (𝑋�2 − 𝑋�𝑡 )2
𝑘−1 2−1
𝑖=1

Sustituyendo 𝑋�𝑡 :

𝑋�1 + 𝑋�2
𝑋�𝑡 =
2
2 2 2 2 2
𝑋�1 + 𝑋�2 𝑋�1 + 𝑋�2 2𝑋�1 𝑋�1 + 𝑋�2 2𝑋�2 𝑋�1 + 𝑋�2
�(𝑋�𝑖 − 𝑋�𝑡 )2 = �𝑋�1 − � + �𝑋�2 − � =� − � +� − �
2 2 2 2 2 2
𝑖=1
2 2
𝑋�1 − 𝑋�2 𝑋�2 − 𝑋�1 1 1 (𝑋�1 − 𝑋�2 )2
=� � +� � = ((𝑋�1 − 𝑋�2 )2 + (𝑋�2 − 𝑋�1 )2 ) = (2(𝑋�1 − 𝑋�2 )2 ) =
2 2 4 4 2

28