Universidad Autónoma de Chiapas

Facultad de Ciencias Químicas

Campus IV

Diseño experimental.

“Método Tukey y Duncan”.

Integrantes:
֎ Castellanos Abarca Paola Gissel.
֎ Hernández Meza Jessica Paola.
֎ López García Fernanda Monserrat.
֎ Martínez Pérez José Ángel.

Catedrático: Dr. Canseco Ávila Luis Miguel.

Tapachula, Chiapas; a 16 de abril del 2021.

ANOVA
El nombre "análisis de varianza" se basa en el enfoque en el cual el procedimiento
utiliza las varianzas para determinar si las medias son diferentes. El procedimiento
funciona comparando la varianza entre las medias de los grupos y la varianza
dentro de los grupos como una manera de determinar si los grupos son todos
parte de una población más grande o poblaciones separadas con características
diferentes.
Un análisis de varianza (ANOVA) prueba la hipótesis de que las medias de dos o
más poblaciones son iguales. Los ANOVA evalúan la importancia de uno o más
factores al comparar las medias de la variable de respuesta en los diferentes
niveles de los factores. La hipótesis nula establece que todas las medias de la
población (medias de los niveles de los factores) son iguales mientras que la
hipótesis alternativa establece que al menos una es diferente.
El funcionamiento básico de un ANOVA consiste en calcular la media de cada uno
de los grupos para a continuación comparar la varianza de estas medias (varianza
explicada por la variable grupo, Inter varianza) frente a la varianza promedio
dentro de los grupos (la no explicada por la variable grupo, intravarianza). Bajo la
hipótesis nula de que las observaciones de los distintos grupos proceden toda la
misma población (tienen la misma media y varianza), la varianza ponderada entre
grupos será la misma que la varianza promedio dentro de los grupos. Conforme
las medias de los grupos estén más alejadas las unas de las otras, la varianza
entre medias se incrementará y dejará de ser igual a la varianza promedio dentro
de los grupos.
Características de la prueba ANOVA:
 Se basa en el enfoque en el cual el procedimiento utiliza las varianzas
para determinar si las medias son diferentes.
 Prueba la hipótesis que medias de dos o más poblaciones son iguales.
 Evalúan la importancia de uno o más factores.
 La hipótesis nula establece que todas las medias de la población son
iguales.
 La hipótesis alternativa establece que al menos una es diferente.

Para realizar el análisis ANOVA en

el programa Minitab 19 se realizan
los siguientes pasos:
Al abrir el programa y una vez
ingresados los datos se tiene que
seleccionar la parte de
¨Estadísticas¨ una vez ahí
aparecerá un menú donde se aprecia la opción de realizar el análisis ¨ANOVA¨ y
seleccionamos esa opción.

Una vez seleccionada la opción

¨ANOVA¨ se selecciona la opción
dependiendo el tipo análisis que se
requiera.

Después de seleccionar el tipo de

análisis, aparecerá una ventana en
la cual se seleccionarán las
variables tanto variables respuesta
como variables modelo.
Posteriormente se le da en aceptar
y el programa arrojara todos los
resultados después de unos
segundos.

Relación: El método de Tukey se utiliza en ANOVA para crear intervalos de

confianza para todas las diferencias en parejas entre las medias de los niveles de
los factores mientras controla la tasa de error por familia en un nivel especificado
En ocasiones no es suficiente con un análisis de varianza (ANOVA) para saber si
en la comparativa de diferentes tratamientos (o experimentos) aplicada a varias
muestras cumplen la hipótesis nula (Ho: “todos los tratamientos son iguales”) o por
el contrario se cumple la hipótesis alternativa (Ha: “por lo menos uno de los
tratamientos es diferente”).
Diferencias: La prueba de Tukey permite hacer todas las posibles comparaciones
de tratamientos de dos en dos, y por eso se considera la más completa; mientras
que la prueba de Duncan es conveniente aplicarla cuando los tamaños de las
muestras son iguales y los tratamientos presentan una relación ordinal, es decir,
pueden ordenarse de manera ascendente o descendente en una escala no
numérica, a diferencia de los tratamientos que responden a variables continuas en
las que procede un análisis de regresión.
La prueba de Tukey es un método que tiene como fin comparar las medias
individuales provenientes de un análisis de varianza de varias muestras sometidas
a tratamientos distintos.
El test, presentado en el año 1949 por John.W. Tukey, permite discernir si los
resultados obtenidos son significativamente diferentes o no. Se le conoce también
como la prueba de diferencia honestamente significativa de Tukey (Tukey’s HSD
test por sus siglas en inglés).

En la aplicación de esta prueba se calcula un valor w llamado el comparador de

Tukey cuya definición es como sigue:

w = q √(MSE /r)

Donde el factor q se obtiene de una tabla (Tabla de Tukey), que consta de filas de
valores q para diferente número de tratamientos o experimentos. Las columnas
indican el valor de factor q para diferentes grados de libertad. Normalmente las
tablas disponibles tienen significancias relativas de 0.05 y 0.01.

En esta fórmula, dentro de la raíz cuadrada aparece el factor MSE (Cuadrado

Medio del Error) divido entre r, que indica el número de repeticiones. El MSE es un
número que se obtiene normalmente a partir de un análisis de varianzas (ANOVA).

Cuando la diferencia entre dos valores medios sobrepasa al valor w (comparador

de Tukey), entonces se concluye que se trata de promedios diferentes, pero si la
diferencia es menor que el número de Tukey, entonces se trata de dos muestras
con valor promedio estadísticamente idéntico.

Al número w se le conoce también como número HSD (Diferencia Honestamente

Significativa).

Este único número comparador puede aplicarse si el número de las muestras

aplicadas para la prueba de cada tratamiento es igual en cada uno de ellos.

Procedimiento:

1. Obtener los valores absolutos de las diferencias entre los pares de

tratamientos 𝑌𝑖 − 𝑌𝑗
2. Comparar 𝑌𝑖 − 𝑌𝑗 vs el valor de DSH()
3. Si 𝑌𝑖 − 𝑌𝑗 > DSH() se declara significativa la diferencia observada entre
las medias de los tratamientos 𝑌𝑖 y 𝑌𝑗 .
4. Se unen con letras o líneas a aquellas medias de tratamientos que no
difieren entre significativamente entre si.
• Nota: Del mismo modo que para la DMS, para la DSH se recomienda obtener la
matriz de diferencias entre todos los posibles pares de tratamientos, ordenándolos
previamente de mayor a menor magnitud de y menor a mayor magnitud y separar
con letras o líneas a las medias que no difieran entre sí.

Se conoce como Tukey-Kramer cuando las muestras no tienen el mismo número

de datos
• Dado que el análisis de varianza acuse un efecto significativo, la prueba de
Tukey provee un nivel de significancia global de α cuando los tamaños de las
muestras son iguales y de α a lo sumo a cuando no son iguales.
• Se basa en la construcción de intervalos de confianza de las diferencias por
pares. Si estos intervalos incluyen al 0, entonces no se rechaza la hipótesis nula
 Una desventaja de la prueba de Tukey es que es la más incosistente de
entre las pruebas para realizar comparaciones múltiples. Esto significa que
su veredicto cambiará de experimento a experimento aún cuando no
cambien las diferencias entre tratamientos, los grados de libertad ó el
cuadrado medio del error.

Ventajas y desventajas de la prueba de Tukey

 Controla de mejor manera los dos errores ampliamente conocidos en la
estadística (a y β).
  Esta prueba permite hacer todas las posibles comparaciones de
tratamientos de dos en dos, y por eso se considera la más completa de las
tres pruebas aquí descritas
 Es de fácil cálculo puesto que se define un solo comparador, resultante del
producto del error estándar de la media por el valor tabular en la tabla de
Tukey usando como numerador el número de tratamientos y como
denominador los grados de libertad del error.
 Sirve para probar todas las diferencias entre medias de tratamientos de una
experiencia. ...
 Este método sirve para comparar las medias de los tratamientos, dos a dos,
o sea para evaluar las hipótesis:
 Se calcula el valor crítico de todas las comparaciones por pares.

Una desventaja de la prueba de Tukey es que es la más inconsistente de

entre las pruebas para realizar comparaciones múltiples. Esto significa que
su veredicto cambiará de experimento a experimento aun cuando no
cambien las diferencias entre tratamientos, los grados de libertad o el
cuadrado medio del error.
Explicación ejemplo Tukey
“Determinar la efectividad de los medicamentos ATORVASTATINA y
EZETIMIBA para el tratamiento de la hipercolesterolemia”.

● Descripción del tipo de estudio

El estudio es experimental con pacientes con hipercolesterolemia confirmados

mediante pruebas de colesterol; refiriéndonos a la cinética del estudio, hablamos
de un tipo de estudio longitudinal, ya que se mide los efectos de los medicamentos
por periodos de tiempo establecidos y las variables se miden más de una vez;
enfocándonos a período del estudio, nos referimos a un estudio de tipo
prospectivo, ya que, le estamos dando un seguimiento, es decir, el estudio se
desplaza por el eje longitudinal del tiempo hacia el futuro; se trata de un ensayo
clínico aleatorizado, esto se debe a que se tendría un grupo control y uno
experimental, en los cuales se está evaluando el tratamiento para la
hipercolesterolemia. Como último punto, de acuerdo al objetivo del investigador,
se trata de un estudio de tipo analítico, puesto que se realiza una comparación de
variables entre grupos.

● Objetivos
 Objetivo general:
● Determinar la eficacia de dos tratamientos para la disminución de
hipercolesterolemia.
Objetivos específicos:
● Identificar a pacientes que padecen hipercolesterolemia

● Realizar pruebas de colesterol.

● Determinar grupos para la aplicación de los tratamientos y un grupo de

personas a las cuales se les aplicará un placebo
● Determinar factores patológicos y clínicos

● Aplicar los tratamientos en pacientes con hipercolesterolemia

● Realizar el seguimiento de Px y determinar si el tratamiento es eficaz.

 Pacientes y métodos
El estudio incluyó 45 pacientes de edades comprendidas entre 45 y 55 años
diagnosticados con hipercolesterolemia. De los cuales 30 fueron administrados
con un medicamentó y 15 fueron administrados con un placebo control.

Como medida de niveles la hipercolesterolemia se utilizó un estudio de sangre en

pacientes con antecedentes del mismo, pacientes que superaron los 200 mg/dl se
consideraron hipercolesterolémicos a los cuales se les ofreció participar en un
estudio experimental. El estudio se considera experimental, prospectivo,
longitudinal y analítico.

● Hipótesis
HO. Ambos medicamentos reducen los niveles de colesterol a un mismo
porcentaje.
HA. Un medicamento reduce los niveles de colesterol de manera más eficiente
al otro.
HO: ϻ1=ϻ2=ϻ3
HA: ϻ1≠ϻ2≠ϻ3
Análisis de varianza para determinar la diferencia entre F calculada y F
critica.

Siguiendo los pasos

mencionados al
principio sobre ANOVA,
se realizo el análisis de
varianza entre los datos
de los pacientes una
vez sometidos al
tratamiento con sus
respectivos
medicamentos.

Los datos obtenidos se

pueden observar en la
imagen situada de lado izquierdo.

Al obtener los datos, para verificar

la diferencia entre las medias de
los niveles de colesterol obtenidas
después de administrarse el
respectivo tratamiento se observa
los valores de F calculados por el
programa.
Una vez observados
los resultados de la
F calculada por el
programa se
procede a calcular la
F critica con ayuda
del programa
EXCEL.

Estando en Excel se escribe la formula =DISTR.F.INV y procedemos

a rellenar con los
datos necesarios que
son
 =DISTR.F.INV (probabilidad, grados de libertad, grados de libertad
del error)
=DISTR.F.INV (5%,2,28)
=DISTR.F.INV (5%,14,28)
Se considera que hay diferencia entre las medias cuando el valor de la F calculada
es mayor al valor de la F critica. Posterior a este análisis se realiza la prueba de
Tukey para determinar donde se encuentra la diferencia de las medias.

 Tukey
El proceso de toma de decisiones para una prueba de hipótesis se basa en el
valor p, que indica la probabilidad de rechazar como falsa la hipótesis nula cuando
en realidad es verdadera.
 Si el valor p es menor que o igual a un nivel de significancia predeterminado
(denotado por α o alfa), entonces usted rechaza la hipótesis nula y da
crédito a la hipótesis alternativa.
 Si el valor p es mayor que el nivel α, usted no puede rechazar la hipótesis
nula y no puede apoyar la hipótesis alternativa.
Con un nivel de significancia (α) de 0.05, el valor p (0.000) en la tabla Análisis de
varianza proporciona suficiente evidencia para concluir que los tiempos de entrega
promedio de al menos dos de los centros de envío son significativamente
diferentes.
Los resultados de la prueba de Tukey se incluyen en la tabla de información de
agrupación, que resalta las comparaciones significativas y no significativas. Puesto
que cada centro de envío está en un grupo diferente, todos los centros de envío
tienen tiempos de entrega promedio que son significativamente diferentes entre sí.

Se escogió un nivel de significancia de 0.05, el cual nos indica un riesgo de 5% de

concluir que existe una diferencia, en caso de que no hay una diferencia real.
En el análisis de varianza, podemos observar que nuestro valor de p es igual a
cero, debemos recordar una regla que menciona lo siguiente: “Si el valor p es
menor que o igual al nivel de significancia, se rechaza la hipótesis nula y debemos
concluir que no todas las medias de población son iguales.”
Aquí, el concepto clave es el valor de p, porque en estos resultados, la hipótesis
nula establece que los niveles de colesterol media de 2 tratamientos diferentes
son iguales. Puesto que el valor p es menor que el nivel de significancia de 0.05, y
podemos rechazar la hipótesis nula y concluir que los tratamientos tienen medias
diferentes.
También nos basamos del valor de F para buscar los medicamentos, es decir, si F
en minitab difiere (Si F crítica es > a la F calculada) que la F crítica si existe una
diferencia significativa en las medias.

El resumen del modelo se emplea para determinar hasta qué punto se ajustan
nuestros datos.
 S: se emplea para evaluar qué tan bien el modelo describe la respuesta.
S se mide en las unidades de la variable de respuesta y representa la distancia
que separa a los valores de los datos de los valores ajustados. Mientras más bajo
sea el valor de S, mejor será descrita la respuesta por el modelo. Sin embargo, un
valor de S bajo no indica por sí solo que el modelo cumple con los supuestos del
modelo. Debe examinar las gráficas de residuos para verificar los supuestos.
 R-cuad: El R2 es el porcentaje de variación en la respuesta que es
explicada por el modelo. Mientras mayor sea el valor de R2, mejor se
ajustará el modelo a los datos. El R 2 siempre está entre 0% y 100%. Un
valor de R2 alto no indica que el modelo cumple con los supuestos del
modelo. Debe examinar las gráficas de residuos para verificar los
supuestos.

 R-cuad. (pred): Determina qué tan bien el modelo predice la respuesta

para nuevas observaciones. Los modelos que tienen valores más grandes
de R2 pronosticado tienen mejor capacidad de predicción. Un
R2 pronosticado que sea sustancialmente menor que el R 2 puede indicar
que el modelo está sobreajustado. Un modelo sobreajustado se produce
cuando se agregan términos para efectos que no son importantes en la
población. El modelo se adapta a los datos de la muestra y, por lo tanto, es
posible que no sea útil para hacer predicciones acerca de la población. El
R2 pronosticado también puede ser más útil que el R2 ajustado para
comparar modelos, porque se calcula con observaciones que no se
incluyen en el cálculo del modelo.
En estos resultados, el factor explica un 98.22 % de la variación en la respuesta. S
indica que la desviación estándar entre los puntos de datos y los valores ajustados
es de aproximadamente 7.43748 unidades.

Comparación en parejas de Tukey

Agrupar información utilizando el método de Tukey y una confianza de 95%
Medicamento N Media Agrupación

CONTROL 15 230.0 A
0
ATORVASTATINA 15 136.0 B
0
 EZETIMIBA 15 104.5 C
1
Las medias que no comparten una letra son significativamente diferentes.
Se utiliza la tabla Información de agrupación para determinar rápidamente si la
diferencia de las medias entre cualquier par de grupos es estadísticamente
significativa. Nos dan la indicación siguiente: “Los grupos que no comparten una
letra son significativamente diferentes o Las medias que no comparten letras son
significativamente diferentes”.
Lo que nos interesa de esta tabla es la Media y la Agrupación
En estos resultados, la tabla muestra que hay diferencia entre las medias, puesto
que ningún grupo de medias tiene letras en común, todas las medias tienen
diferencia significativa y ninguna guarda similitud en la eficacia del tratamiento que
se está empleando, nosotros lo vemos desde el siguiente punto, un medicamento
presenta eficacia de un 54% de eficacia y el otro de un 40%
Pruebas simultáneas de Tukey para diferencias de las medias
Diferenci
a
de las EE de Valor Valor p
Diferencia de niveles medias diferencia IC de 95% T ajustado

CONTROL - 94.00 2.72 (87.39; 34.61 0.000

ATORVASTATIN 100.61)
EZETIMIBA - -31.49 2.72 (-38.09; - -11.59 0.000
ATORVASTATIN 24.88)
EZETIMIBA - -125.49 2.72 (-132.09; - -46.21 0.000
CONTROL 118.88)
Nivel de confianza individual = 98.07%

Resultados clave: IC simultáneos de 95%, nivel de confianza individual

En los resultados de Tukey, los intervalos de confianza en la gráfica y la salida de
la ventana Sesión indican lo siguiente:
 El intervalo de confianza para la diferencia entre las medias del grupo
control con atorvastatin es de 87,39 a 100.61. Este rango no incluye el cero,
lo que indica que la diferencia es estadísticamente significativa.
 Los intervalos de confianza de los demás pares de medias incluyen el cero,
lo que indica que las diferencias no son estadísticamente significativas.
  La tabla indica que el nivel de confianza individual es 98.07%. Este
resultado indica que podemos estar 98.07% seguros de que cada intervalo
individual contiene la diferencia real entre un par específico de medias de
grupo. Los niveles de confianza individuales de cada comparación
producen el nivel de confianza simultáneo de 95% para las tres
comparaciones.

Esta grafica se emplea para determinar el porcentaje de veces que un conjunto de

intervalos de confianza incluye las diferencias reales de todas las comparaciones
de grupos si el estudio se repite múltiples veces.
El controlar los intervalos de confianza simultáneos es particularmente importante
cuando se realizan comparaciones múltiples. Si no se controlan los intervalos de
confianza simultáneos, la probabilidad de que al menos un intervalo de confianza
no contenga la diferencia real aumenta con el número de comparaciones.

Interpretar la gráfica de intervalo de confianza de 95% de Tukey (examinar

medias de los grupos)
La gráfica de intervalo de confianza de 95% de Tukey es la mejor gráfica que se
puede utilizar para determinar los rangos de probabilidades de las diferencias y
para evaluar la significancia práctica de esas diferencias. Los intervalos de
confianza de Tukey muestran las siguientes comparaciones en parejas:
Esta grafica se emplea cuando el porcentaje de veces que un solo intervalo de
confianza incluye la diferencia real entre un par de medias de grupo si el estudio
se repite múltiples veces.

Esta grafica se emplea para la demostración de la media y el intervalo de

confianza de cada grupo.
Las gráficas de intervalo muestran lo siguiente:
 Cada punto representa una media de muestra.
 Cada intervalo es un intervalo de confianza de 95 % de la media de un
grupo. Es decir, nosotros podemos estar 95% seguros de que una media de
grupo está dentro del intervalo de confianza del grupo.
Había un dato sobre la interpretación de estos intervalos, donde se menciona que
se interprete cuidadosamente dichos intervalos porque hacer comparaciones
múltiples aumenta la tasa de error de tipo 1, mejor conocido como alfa. Es decir,
un falso-positivo, donde, al aumentar el número de comparaciones, también se
incrementa la probabilidad de que al menos una comparación concluirá de forma
incorrecta que una de las diferencias observadas es significativamente diferente.
O sea, cuando se rechaza Ho asegurando que hay una diferencia entre las
medias, pero no es así.
En la gráfica de intervalo, la ezetimiba tiene la media más baja y el grupo control
tiene la más alta. Sin embargo, nosotros no podemos determinar, con base en
esta gráfica, si algunas de las diferencias son estadísticamente significativas. Para
determinar la significancia estadística, para ello, se evaluan los intervalos de
confianza de las diferencias medias.

Interpretar las gráficas de residuos

Se emplean para determinar si el modelo cumple con los supuestos estadísticos
del análisis. Si los supuestos no se cumplen, el modelo podría no ajustarse
adecuadamente a los datos y se debería tener cuidado al interpretar los
resultados.
1. Gráfica de probabilidad normal
Se usa para verificar el supuesto de que los residuos están distribuidos
normalmente. La gráfica de probabilidad normal de los residuos debe seguir
aproximadamente una línea recta.

Patrón Lo que podría indicar el patrón

No una línea recta No normalidad

Un punto que está alejado de la Un valor atípico

línea
 Patrón Lo que podría indicar el patrón

Pendiente cambiante Una variable no identificada

En esta gráfica de probabilidad normal, los residuos generalmente parecen seguir

una línea recta. En la gráfica de residuos vs. ajustes hay 15 observaciones en
cada uno de los 3 grupos. Puesto que este diseño no cumple con las directrices de
tamaño de la muestra, es importante satisfacer el supuesto de normalidad de
manera que los resultados de la prueba sean fiables.
2. Gráfica de residuos vs. ajustes
Se emplea para verificar el supuesto de que los residuos están distribuidos
aleatoriamente y tienen una varianza constante. Lo ideal es que los puntos se
ubiquen aleatoriamente a ambos lados del 0, con patrones no detectables en los
puntos. Dichos patrones son:
 Dispersión en abanico o irregular de los residuos en los valores ajustados,
lo cual nos indica varianza no constante.
 Un punto que está alejado de cero, que nos indica un valor atípico.
En esta grafica observamos que los puntos parecen estar dispersos
aleatoriamente en la gráfica. Ninguno de los grupos parece tener una variabilidad
sustancialmente diferente y no hay ningún valor atípico evidente.
3. Histograma
Se utiliza para detectar múltiples picos, valores atípicos y no normalidad. Lo ideal
es buscar un histograma normal, que es aproximadamente simétrico y en forma de
campana.

4. Gráfica de residuos vs. Orden

Utilice la gráfica de residuos vs. orden para verificar el supuesto de que los
residuos son independientes entre sí. Los residuos independientes no muestran
tendencias ni patrones cuando se muestran en orden cronológico. Los patrones en
los puntos podrían indicar que los residuos que están cercanos entre sí podrían
estar correlacionados y, por lo tanto, podrían no ser independientes. Lo ideal es
que los residuos que se muestran en la gráfica se ubiquen aleatoriamente
alrededor de la línea central, así como se muestra en la gráfica que tenemos.
 Resultados
La atorvastatina presento una reducción de hasta un 40% en los niveles de
colesterol en la mayoría de pacientes que fueron administrados con este
medicamento mientras la ezetimiba presento una reducción de hasta un 54% en
los niveles de colesterol, mientras que los pacientes a los cuales se les administro
un placebo no presentaron gran cambio en sus niveles de colesterol. El test de
Tukey de comparaciones múltiples indica que los valores en los niveles e
colesterol varían según el medicamento administrado placebo > atorvastatina >
ezetimiba y se encuentra gran diferencia en las medias de niveles de colesterol de
los pacientes.
 Conclusión
 Identificamos a los pacientes que padecían hipercolesterolemia.
 Determinamos grupos para la aplicación de los tratamientos y se determinó
un grupo control.
 Se aplicaron los tratamientos correspondientes a los pacientes.
 Se realizó el seguimiento de los pacientes con hipercolesterolemia y se
determinó el tratamiento más eficaz, por lo que, nos parecieron importantes
los siguientes puntos:
o La ezetimiba es un potente y selectivo fármaco que inhibe la
absorción intestinal del colesterol en un 54%.
o El tratamiento y la prevención de la enfermedad cardiovascular
cuando el nivel de cLDL es superior a 115 mg. Actúan sobre todo
disminuyendo los valores en sangre del cLDL (20-60%), por lo que
nosotros decidimos tomar el 45% de eficacia para realizar una
comparación.
o La administración conjunta con una estatina inhibe tanto la absorción
como la síntesis de colesterol y puede conseguir una reducción del
cLDL del 16-18% adicional a la observada con la estatina sola.
 Método de Duncan

Se utiliza para comparar todos los pares de medias. Fue desarrollado por primera
vez por Duncan en 1951 pero posteriormente él mismo modificó su primer método
generando el que ahora se denomina Nuevo método de Rango Múltiple de
Duncan. Esta prueba no requiere de una prueba previa de F, como sucede con la
DMS o sea que aún sin ser significativa la prueba F puede llevarse a cabo.
El Test de Duncan es un test de comparaciones múltiples. Permite comparar las
medias de los t niveles de un factor después de haber rechazado la Hipótesis nula
de igualdad de medias mediante la técnica ANOVA. Todos los tests de
comparaciones múltiples son tests que tratan de perfilar, tratan de especificar,
tratan de concretar, una Hipótesis alternativa genérica como la de cualquiera de
los Test ANOVA.
El Test de Duncan es muy similar al Test HSD de Tukey, pero en lugar de trabajar
con un umbral fijo trabaja con un umbral cambiante. Un umbral que dependerá del
número de medias implicadas en la comparación.
Para saber el número de medias implicadas en la comparación se ordenan las
medias muestrales de menor a mayor y así al hacer una comparación entre dos
medias sabremos además de las dos medias comparadas cuantas medias quedan
dentro. Este número de medias implicadas en cualquier comparación de medias
es el parámetro p de este umbral.
¿Cuándo se aplica?
La prueba de Duncan, también conocida como la prueba de rango múltiple, es
conveniente aplicarla cuando los tamaños de las muestras son iguales y los
tratamientos presentan una relación ordinal, es decir, pueden ordenarse de
manera ascendente o descendente en una escala no numérica, a diferencia de los
tratamientos que responden a variables continuas en las que procede un análisis
de regresión.
¿Qué hace?
La prueba de Duncan ajusta la diferencia crítica considerando si los dos
promedios que se comparan son adyacentes o sí por el contrario existe uno o más
medias entre las medias que se están comparando.
Al aplicar análisis de varianza (ANOVA) y determinar que existe una diferencia
estadísticamente significativa, normalmente surge la pregunta acerca de cuáles
pares de medias son diferentes.
Para ello se utilizan las llamadas "Pruebas de Comparación Múltiple".
El Test de Duncan o Prueba de Rangos Múltiples de Duncan permite comparar las
medias de los “t niveles” de un factor después de haber utilizado ANOVA.
Aunque se puede aplicar sin que ANOVA haya arrojado significancia, lo lógico es
aplicarla a partir de ese resultado, para determinar a qué se deben las diferencias
encontradas.
Consiste en calcular varios "rangos", denominados comúnmente “rangos
significativos mínimos”, según la siguiente fórmula:
CM error
D p=d α K −gl error √
n
Donde:
▪ p toma valores entre 2 y K (siendo K el número de tratamientos)
▪ d se obtiene de la tabla T-9
▪ CMerror es la estimación de la varianza del error.
Ventajas
 Esta prueba no requiere de una prueba previa de F, como sucede con
DMS.
 Es útil para determinar la diferencia entre pares de medias después que se
ha rechazado la Ho en el análisis de varianza.
 Sirve para probar todas las diferencias posibles entre medias de
tratamientos de una experiencia.
 Permite comparar tratamientos no relacionados.
Desventajas
 Se basan el procedimiento de Newman-Keuls, por lo que no protege la tasa
de error familiar (aun que protege el nivel alfa por comparación).
 Cuando se cuenta con un alto número de tratamientos, porque el nivel de
significancia alfa se modifica en función a ellos.

Ejemplo (Falso):
Determinación de los niveles de linfocitos T CD4 positivos en cinco grupos
juveniles de nacionalidades distintas en pacientes masculinos con infección
por VIH
Revista: Inmunología clínica
DOI: 10.1428/S2346-127X(08)75832-X
Autores: Castellanos P., Hernández J. López F. Martínez J.
 Enero 2021

Objetivo
Determinar si los niveles de LT CD4+ en pacientes con VIH son los mismos en los
cinco grupos muestreados.
Introducción
La principal consecuencia de la replicación persistente del virus de la
inmunodeficiencia humana es la reducción gradual del número de linfocitos T CD4
positivos, lo que eventualmente conduce a la pérdida de la competencia
inmunológica.
El conteo de linfocitos T CD4 positivos, mediante citometría de flujo, es
considerado parte esencial de la atención médica y un parámetro para estadificar
la enfermedad, sirve como guía en el tratamiento clínico.
El conteo normal de células CD4 positivas en un adulto se encuentra en un rango
de 500 a 1 200 cél/mL. De manera habitual, el conteo absoluto de células CD4 y el
porcentaje son concordantes y sus valores correspondientes son:
 Conteo absoluto de células CD4 > 500 cél/mL se corresponde a CD4 > 29
%.
 Conteo absoluto de células CD4 entre 200 y 500 cél/mL se corresponde a
CD4 entre 14 y 28 %.
 Conteo absoluto de células CD4 < 200 cél/mL se corresponde a CD4 < 14
%.
Un conteo de 250 a 500 células por milímetro cúbico. Significa que el sistema
inmunitario está debilitado y que podría haberse infectado con el VIH
Un recuento de 200 células por milímetro cúbico o menos. Indica sida y un alto
riesgo de infecciones oportunistas potencialmente mortales
Metodología
Se realizó el estudio de una serie de casos de pacientes con diagnóstico de VIH
juvenil. Mediante una citometría de flujo se determinaron las cantidades de células
T CD4+ por ml de cada unidad experimental los cuales se dividieron en grupos.
El estudio se ejecutó con 25 pacientes varones, confirmados de VIH, de edades
comprendidas entre los 18 y 25 años, los cuales se dividieron en 5 grupos según
su origen (Mexicanos, colombianos, chilenos, venezolanos y ecuatorianos).
Mediante el programa IBM SPSS, se hizo un análisis ANOVA para comparar las
medias de todos los grupos para posteriormente aplicar el contraste de Duncan y
 conocer qué grupo o grupos diferían de los
demás.
Resultados
El análisis de varianza arrojó un valor para
Sig. De 0.001 por lo que se rechazó la
hipótesis nula.
En la comparación de rangos múltiples de
Duncan se obtuvieron tres bloques, el
primero compuesto por los jpovenes
venezolanos, el segundo por los
colombianos ecuatorianos y mexicanos y el
tercero formado por los ecuatorianos,
mexicanos y chilenos.

Conclusión
La comparación de medias de los tratamientos arrojó diferencias significativas
entre algunos pares de medias, por lo que se llegó a la conclusión de que los
valores de LT CD4+ entre los jóvenes colombianos, ecuatorianos y mexicanos no
presentan diferencia significativa entre sí. Al igual que sucede entre los grupos de
ecuatorianos, mexicanos y chilenos. Por otra parte, el grupo de jóvenes
venezolanos arrojó diferencias ampliamente significativas en comparación a todos
los demás grupos.