Anova de Un Factor

ANÁLISIS DE VARIANZA
Clase 1-2
Claudio Cerrón Landeo
• Reconocer las características de
Objetivos de clase una prueba de varianzas.
Al finalizar al presentación el estudiante
podrá
• Determinar en que circunstancias
se aplica ANOVA.
Distribución F
Programas de capacitación
Programas
1 2 3
85 80 82
72 84 80
83 81 85
80 78 90
82 88
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 dos vía o factores

(Two-ways)
ANOVA de una vía o

factor Modelo aditivo
Modelo con interacción
(one-way) (sin interacción)
FACTOR 1 FACTOR 1 FACTOR 1

A B C A B C A B C
3.2 2.3 3.4
E 3.2 2.3 3.4 3.2 2.3 3.4
4.2 2.7 3.9 E
3.4 2.6 3.6
F 4.2 2.7 3.9
FACTOR 2
4.1 4.1 4.0 4.2 2.7 3.9
G 4.1 4.1 4.0 F
3.9 3.8 2.3 3.9 3.4 2.9
FACTOR 2
H 3.9 3.8 2.3
3.7 3.6 3.5 G 4.1 4.1 4.0
I 3.7 3.6 3.5 4.0 3.8 4,3
3.5
3.9 3.8 2.3
H
3.6 4.6 2.6
3.7 3.6 3.5
I
3.2 4.2 3.7
ANOVA de un Factor
ANOVA de una Vía
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). H0:
(Este requisito no es
demasiado estricto, ya que
el 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
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
• 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.
• Existen tres tipos de
fuentes de variación:
• Variación total
• Variación entre muestras.
• Variación dentro de las
muestras.
• 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
• 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
• Variación total
• Entre el total de
empleados muestreados
no todos obtuvieron la
misma nota.
SCMT + SCME = SCMT

Distribución F
• Es una distribución que
depende de los grados de
libertad del numerador de
los grados de libertad del
Zona de
denominador No Zona de
Rechazo Rechazo
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎𝑝𝑜𝑟 𝑒𝑙𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜
𝐹= 𝐹 𝑐𝑟𝑖𝑡
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑝𝑜𝑟 𝑒𝑙 𝐸𝑟𝑟𝑜𝑟
𝐶𝑀𝑇𝑅
𝐹=
𝐶𝑀𝐸
TABLA ANOVA (una vía)
Origen de la Suma de cuadrados Grados de Cuadrados Estadíst. de
Varianza (SC) Libertad (gl) Medios (CM) Prueba (F)
Tratamiento o
Factor o vía SCTR = K-1 CMTR= F=
(entre muestras)
Error (dentro de las

muestras) SCE = N-k CME=
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
Ejemplo 1
• Un estudio compara los efectos sobre las ventas de 4

promociones de un mes en el punto de venta. Presentamos
las ventas unitarias de las tiendas que utilizaron las 4
promociones en meses distintos:
Ventas (US$ miles)
Muestras Regalo de un Reembolso en

Descuento
gratis paquete otras compras
78 94 73 79
87 91 78 83
81 87 69 78
89 90 83 69
85 88 77 81
90 83
73
Al nivel de significancia de 0.01, ¿las promociones producen
diferentes efectos sobre las ventas?
Ejemplo 1 Hipótesis
• H0: = = =
• H1: Por lo menos una media es diferente
Ventas (US$ miles)

gratis paquete Descuento otras compras
78 94 73 79
87 91 78 83 K=4
81 87 69 78 N = 23
89 90 83 69
85 88 77 81
90 83
73
Calculamos las medidas: n, , s y

Ejemplo 1 - Datos
• H0: = = =
Ventas (US$ miles)

gratis paquete Descuento otras compras
78 94 73 79
87 91 78 83
81 87 69 78
89 90 83 69
85 88 77 81
90 83
73
= 5 6 5 7
Ejemplo 1 - Medias
• H0: = = =
Ventas (US$ miles)
Muestras Regalo de un Reembolso

gratis paquete Descuento por correo
78 94 73 79
87 91 78 83
81 87 69 78
89 90 83 69
85 88 77 81
90 83
73
= 5 6 5 7
= 84 90 76 78
Ejemplo 1 – Desviaciones Estándar
• H0: = = =
Ventas (US$ miles)
Muestras Regalo de un Reembolso

gratis paquete Descuento por correo
78 94 73 79
87 91 78 83
81 87 69 78
89 90 83 69
85 88 77 81
90 83
73 = 82
= 5 6 5 7
= 84 90 76 78
= 4.4721 2.4495 5.2915 5.2599
Ejemplo 1 – Suma de cuadrados.
• Calculamos las sumatorias de cuadrados:
= 5 6 5 7
= 84 90 76 78 = 82
= 4.4721 2.4495 5.2915 5.2599
𝑆𝐶𝑇 =∑ 𝑛 𝑗 ∗ ( 𝑥− 𝑥´ )
2
𝑆𝐶𝑇 =5 ( 84 − 82 ) 2 +6 ( 90 − 82 )2+ 5 (76 −82 )2 +7 ( 78 − 82 )2
𝑆𝐶𝑇 =696
Origen de las
variaciones SC gl CM F
Por el Tratamiento 696
Por el Error
Ejemplo 1– Suma de cuadrados Error
• Calculamos las sumatorias de cuadrados:
= 5 6 5 7
= 84 90 76 78 = 82
= 4.4721 2.4495 5.2915 5.2599
𝑆𝐶𝐸=∑ ( 𝑛 𝑗 −1 ) ∗ 𝑠 2
𝑗
2 2 2 2
𝑆𝐶𝐸 = ( 5 − 1 ) 4.4721 + ( 6 − 1 ) 2.4495 + ( 5 − 1 ) 5.2915 + ( 7 − 1 ) 5.2599
𝑆𝐶𝐸=388
Origen de las
Por el Tratamiento 696
Por el Error 388

Ejemplo 1 Cuadrados Medios
• H0: = = =
K=4
N = 23
Origen de las
Por el Tratamiento 696 3
Por el Error 388 19

Ejemplo 1 – CM del Tratamiento
• H0: = = =
Origen de las
Por el Tratamiento 696 ÷ 3
= 232
Por el Error 388 ÷ 19 =

Total 22
Ejemplo 1 – CM del Error
• H0: = = =
Origen de las
Por el Tratamiento 696 ÷ 3
= 232
Por el Error 388 ÷ 19 = 20.4211
Total 22
Ejemplo 1 – Estadístico de Prueba
• H0: = = =
Origen de las
Por el Tratamiento 696 3 232 = 11.361
÷
Por el Error 388 19 20.4211
Total 22
Ejemplo 1 – Valor Crítico
• H0: = = =
Origen de las
Por el
Tratamiento 696 3 232 11.361
Por el Error 388 19 20.4211
Total 22
3.1274
Ejemplo 1 - Conclusión
• H0: = = = F
• H1: Por lo menos una media es diferente V
Origen de las Suma de Grados de Promedio de los

variaciones cuadrados libertad cuadrados F
Entre grupos
Por el Tratamiento 696 3 232 11.361
Dentro de los
grupos 388 19 20.4211
Por el Error
Total 22
Existe evidencia muestral

suficiente para afirmar que por lo
Rechazamos H0 como verdadera 3.127
menos una media es diferente
APLICACIÓN CON R
• Suponga que se un estudio quiere comprobar si existe una diferencia significativa entre el
% de bateos exitosos de los jugadores de béisbol dependiendo de la posición en la que
juegan. En caso de que exista diferencia se quiere saber qué posiciones difieren del resto.
La siguiente tabla contiene una muestra de jugadores seleccionados aleatoriamente.
• Se muestra en el cuadro parte de los datos, la data completa se encuentra en el archivo
compartido.
APLICACIÓN CON R
1. Estudio de los datos: Número de grupos, observaciones por grupo y

distribución de las observaciones
Se identifica el número de grupos y cantidad de observaciones por grupo
para determinar si es un modelo equilibrado. También se calculan la media
y desviación típica de caga grupo.
APLICACIÓN CON R
Dado que el número de observaciones por grupo no es constante, se trata de un modelo no

equilibrado. Es importante tenerlo en cuenta cuando se comprueben las condiciones de
normalidad y homocedasticidad.
La representación gráfica mas útil antes de realizar un ANOVA es el modelo Box-Plot.

APLICACIÓN CON R
Este tipo de representación permite

identificar de forma preliminar si existen
asimetrías, datos atípicos o diferencia de
varianzas. En este caso, los 4 grupos
parecen seguir una distribución simétrica.
En el nivel IF se detectan algunos valores
extremos que habrá que estudiar con
detalle por si fuese necesario eliminarlos.
El tamaño de las cajas es similar para
todos los niveles por lo que no hay
indicios de falta de homocedasticidad.
APLICACIÓN CON R
2. Verificar condiciones para un ANOVA
Normalidad
Test de Kolgomorov Smirnof Lilliefors
library(nortest)
lillie.test(datos)
Homocedasticidad
Test de Bartlett
bartlett.test(y ~ x) Independencia
Pero debido a que hay un grupo (IF) que se encuentra en el límite para aceptar que se distribuye
de forma normal, el test de Fisher y el de Bartlett no son recomendables. En su lugar es mejor
emplea un test basado en la mediana test de Levene o test de Fligner-Killeen.
APLICACIÓN CON R
3. Análisis de varianza ANOVA

APLICACIÓN CON R
APLICACIÓN CON R
4. Comparaciones múltiples
APLICACIÓN CON R
Como era de esperar no se encuentra diferencia significativa entre ningún par de medias.
APLICACIÓN CON R
5. Conclusión
En el estudio realizado se ha observado un tamaño de efecto pequeño y la técnicas de inferencia

ANOVA no han encontrado significancia estadística para rechazar que las medias son iguales entre
todos los grupos.
EJEMPLO 2
Pseudomonas fragi
Se realizó un estudio para investigar el efecto del CO2 sobre la tasa de crecimiento de Pseudomonas fragi (un
corruptor de alimentos). Se cree que el crecimiento se ve afectado por la cantidad de CO2 en el aire.
Para contrastarlo, en un experimento se administró CO2 a 5 presiones atmosféricas diferentes a 10 cultivos
diferentes por cada nivel, y se anotó el cambio (en %) de la masa celular al cabo de una hora:
0.0 0.083 0.29 0.50 0.86

62.6 50.9 45.5 29.5 24.9
59.6 44.3 41.1 22.8 17.2
Realiza el análisis de varianza
64.5 47.5 29.8 19.2 7.8
para determinar si el
59.3 49.5 38.3 20.6 10.5
crecimiento se ve afectado por
58.6 48.5 40.2 29.2 17.8
la cantidad de CO2.
64.6 50.4 38.5 24.1 22.1
50.9 35.2 30.2 22.6 22.6
56.2 49.9 27.0 32.7 16.8
52.3 42.6 40.0 24.4 15.9
62.8 41.6 33.9 29.6 8.8
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 (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 de 2 factores
(ANOVA)

(Two-ways)
ANOVA de una vía o

FACTOR 1
A B C
E 3.2 2.3 3.4

F 4.2 2.7 3.9
FACTOR 2
G 4.1 4.1 4.0

H 3.9 3.8 2.3
I 3.7 3.6 3.5
Diseño del modelo ANOVA de dos factores sin
interacción
Diseño del modelo ANOVA de dos factores sin
interacción
ANOVA de dos factores sin interacción
Diseño por bloques
• Interesa saber si la variable Y tiene la misma media para los distintos niveles del factor A.
Los valores pueden depender de los niveles de un segundo factor B.
• El factor A tiene I niveles; el factor B, J niveles.
• Para cada nivel de A se realizan J mediciones de Y y una medición en cada nivel de B (en
total de I × J mediciones).
EJEMPLOS
• Eficiencia de varios modelos de un tipo de máquina. Se controla la influencia del medio
ambiente. Factores: modelo de la máquina, condiciones ambientales.
• Análisis de muestras. Factores: muestra, analista.
• Eficacia de distintos tratamientos (dosis) con un determinado medicamento. Factores:
tratamiento, edad del paciente.
• Tiempo de permanencia en sangre del principio activo de un medicamento. Factores:
preparación, individuo.
ANOVA de dos factores sin interacción
Origen de las Promedio de los

Suma de cuadrados gl F
variaciones cuadrados
Entre Bloques
Entre filas
SCBL= L-1 CMBL=
Entre Muestras
o Tratamientos SCTR = K-1 CMTR=
Entre columnas
Dentro de los
grupos SCE =SCT-(SCBL+SCTR) (L-1)(K-1) CME=
Por el Error
Total SCT= N-1

 Este caso también se
denomina sin repetición o de
diseño aleatorio
Ejemplo
• 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 A B C
experiencia
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.
Datos
Sistemas
(tratamientos)
Nivel de
experiencia 1 2 3
(filas)
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 sin

repetición o con una sola muestra
por fila.
Datos
Sistemas
(tratamientos)
Número de Columnas
Nivel de o Tratamiento
experiencia 1 2 3 k=3
(filas)
1 27 21 25
Número 2 31 33 35
de Filas
L=5 3 42 39 39
4 38 41 37
5 45 46 45
N = 15
36.267
𝝈 𝒕𝒐𝒕𝒂𝒍 =𝟕 . 𝟑𝟑𝟒𝟓
Número de Datos
Sistemas (tratamientos) Columnas o
Tratamiento
k=3
Nivel de
experiencia 1 2 3 ni si
(filas)
1 27 21 25 3 24.333 3.055
Número 2 31 33 35 3 33 2.
de Filas
L=5 3 42 39 39 3 40 1.732
4 38 41 37 3 38.667 2.082
5 45 46 45 3 45.333 0.577
nj 5 5 5
N = 15
36.6 36 36.2 36.267
sj 7.503 9.592 7.294 𝝈 𝒕𝒐𝒕𝒂𝒍 =𝟕 . 𝟑𝟑𝟒𝟓
Sumatorias:
Filas o Bloques:
SCBL=
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 Suma de Cuadrados del
Columnas o Tratamientos: Error:
SCTR= SCE = SCT-(SCBL+SCTR)
SCBL = 5(36.6-36.267)2+5(36-36.267)2+5(36.2-36.267)2
SCE = 806.933-(764.944+0.933)
SCTR = 0.933
SCE = 41.056
Total:
SCT= , donde; = (7.335)2 = 53.796
SCT = (53.796)(15)
SCT = 806.933
Tabla ANOVA 2 factores
Origen de las
Entre Bloques
Entre filas
SCB =764.944 L-1 CMBL=
Entre
Muestras
o SCTR =0.933 K-1 CMTR=
Tratamientos
Entre columnas
SCE =SCT-
Por el Error
(SCBL+SCTR)
L*K CME=
Total 806.933 N-1

Tabla ANOVA 2 factores
 =
 =

 =
Reglas de decisión
Origen de Fcrit
SC gl CM F
variaciones
Entre Bloques
Entre filas SCB =764.933 4 191.233 37.253 3.8379
Tratamientos SCTR = 0.933 2 0.467 0.0909 4.4590

Entre columnas
Dentro de los
grupos SCE = 41.067 8 5.133 =4
Por el Error
= 8
Total SCT=806.933 14

α = 0.05
3.8379
=2
= 8
α = 0.05
4.4590
Conclusiones
Origen de Fcrit
SC gl CM F
variaciones
Entre Bloques
Entre filas SCB =764.933 4 191.233 37.253 3.8379
Tratamientos SCTR = 0.933 2 0.467 0.0909 4.4590

Entre columnas
Dentro de los
grupos SCE = 41.067 8 5.133 =4
Por el Error
= 8
Total SCT=806.933 14

α = 0.05
3.8379
Rechazamos Ho
=2
= 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 de dos factores
(ANOVA)

(Two-ways)
ANOVA de una vía o

FACTOR 1
A B C
3.2 2.3 3.4

E
3.4 2.6 3.6
4.2 2.7 3.9
F
3.9 3.4 2.9
FACTOR 2
G 4.1 4.1 4.0
4.0 3.8 4,3
3.9 3.8 2.3
H
3.6 4.6 2.6
3.7 3.6 3.5
I
3.2 4.2 3.7
Diseño del modelo ANOVA de dos factores
con interacción
Diseño del modelo ANOVA de dos factores
con interacción
ANOVA dos vías (con interacción)
Origen de las
Filas
Entre filas
SCFil L-1 CMBL=
Columnas
Entre columnas
SCCol K-1 CMTR=
Iteracción SCI (L-1)(K-1) CMI=
Error
Por el Error
SCE gl=glt-(Σgl) CME=
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
FACTOR A
Ho: μmujer = μhombre
H1: Por lo menos una media es diferente.
FACTOR AB
Ho: μA = μB = μC
INTERACCIÓN AB
Ho: Existe interacción entre sexo y fármaco
H1:No existe
El resultado de la tabla ANOVA es:
Origen de las Suma de Grados de Promedio de Valor crítico

variaciones cuadrados libertad los 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
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
grupo 387.6 24 16.15
Total 937.867 29
Ho: μmujer = μhombre
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.
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
grupo 387.6 24 16.15
Total 937.867 29 Ho: μA = μB = μC

En el caso de Tipo de fármaco;
Valor P = 0.00002654 < α = 0.05.
Se rechaza Ho, por lo menos una media es diferente.
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
grupo 387.6 24 16.15
Total 937.867 29
Ho: Existe interacción entre sexo y fármaco
H1: No existe interacción
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.
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R
APLICACIÓN CON R

Anova de Un Factor

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Anova de Un Factor

Cargado por

Copyright:

Formatos disponibles

ANÁLISIS DE VARIANZA

• H1 : Por lo menos una media es

ANOVA de dos vía o factores

ANOVA de una vía o

FACTOR 1 FACTOR 1 FACTOR 1

• Las poblaciones tienen la

SCMT + SCME = SCMT

Error (dentro de las

Total SCT = SCTR + SCE N-1

Valores críticos en la Tabla A-5 con grados de Libertad del Numerador = k - 1 y

• Un estudio compara los efectos sobre las ventas de 4

Muestras Regalo de un Reembolso en

Ventas (US$ miles)

Muestras Regalo de un Reembolso en

Calculamos las medidas: n, , s y

Ventas (US$ miles)

Muestras Regalo de un Reembolso en

Ventas (US$ miles)

Muestras Regalo de un Reembolso

Ventas (US$ miles)

Muestras Regalo de un Reembolso

Por el Error 388

Por el Error 388 19

Por el Error 388 ÷ 19 =

Por el Error 388 ÷ 19 = 20.4211

Por el Error 388 19 20.4211

Origen de las Suma de Grados de Promedio de los

Existe evidencia muestral

1. Estudio de los datos: Número de grupos, observaciones por grupo y

Dado que el número de observaciones por grupo no es constante, se trata de un modelo no

La representación gráfica mas útil antes de realizar un ANOVA es el modelo Box-Plot.

Este tipo de representación permite

3. Análisis de varianza ANOVA

En el estudio realizado se ha observado un tamaño de efecto pequeño y la técnicas de inferencia

0.0 0.083 0.29 0.50 0.86

ANOVA de dos vía o factores

ANOVA de una vía o

E 3.2 2.3 3.4

G 4.1 4.1 4.0

Origen de las Promedio de los

Total SCT= N-1

• Este caso también se denomina sin

Total 806.933 N-1

Tratamientos SCTR = 0.933 2 0.467 0.0909 4.4590

Tratamientos SCTR = 0.933 2 0.467 0.0909 4.4590

• Solo en el caso de las Filas o

ANOVA de dos vía o factores

ANOVA de una vía o

3.2 2.3 3.4

Iteracción SCI (L-1)(K-1) CMI=

Total SCT N-1

 ¿Hay diferencia entre los tiempos de respuesta entre los fármacos

Origen de las Suma de Grados de Promedio de Valor crítico

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

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

En el caso de la comparación de acuerdo al sexo;

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

Total 937.867 29 Ho: μA = μB = μC

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