Ejercicios de Anàlisis de Varianza

Universidad Nacional de
Cajamarca

FACULTAD DE EDUCACIN

Especialidad Lenguaje y Literatura

TEMA
EJERCICIOS DE ANLISIS DE VARIANZA

ASIGNATURA : ESTADISTSTICA APLICADA

PROFESOR : JORGE PONCE

ALUMNA : CHUGDEN TOLEDO, EDITH

Cajamarca, octubre del 2011

Ejercicios: Anlisis de varianza
EJERCICIO 1
Una egresada de contadura tiene ofertas de trabajo de cuatro empresas. Para examinar un poco ms las
propuestas, solicit a una muestra de personas de nuevo ingreso, decirle cuntos meses trabajaron cada
una para su compaia, antes de recibir un aumento de sueldo. La informacin muestral es:

Nmero de meses antes del primer aumento de sueldo
CPA, Inc AB Intl Acct Ltd Pfisters
12
10
14
12
14
12
10
10
18
12
16
12
14
16
Al nivel de significancia de 0,05; existe alguna diferencia entre las cuatro empresas, en el nmero medio
de meses antes de recibir un aumento de sueldo?

EJERCICIO 2
La ciudad de Maumee est dividida en cuatro distritos. El jefe de policia quiere determinar si hay alguna
diferencia en el nmero promedio de crmenes cometidos en cada distrito. Registr el nmero de crmenes
reportados en cada distrito en una muestra de seis das. Al nivel de significancia 0,05; puede el funcionario
concluir que hay diferencia en el nmero promedio de crmenes?

EJERCICIOS
1. IDENTIFIQUE LOS MODELOS EN CADA CASO
2. PLANTEEE LAS HIPOTESIS QUE CONTESTAN
3. CUALES EFECTOS SON SIGNIFICATIVOS Y PORQUE

Anlisis de la varianza
Variable N R R Aj CV
Retbiotot 18 0.47 0.09 35.37
Cuadro de Anlisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 12849338.89 7 1835619.84 1.24 0.3644
bl 1307448.08 2 653724.04 0.44 0.6542
especie 2917379.47 2 1458689.74 0.99 0.4059
per 1624708.78 1 1624708.78 1.10 0.3189
especie*per 6999802.55 2 3499901.28 2.37 0.1437
Error 14763636.00 10 1476363.60
Total 27612974.89 17
Hojatotret 18 0.53 0.21 16.04
Modelo 2218355.03 7 316907.86 1.63 0.2330
bl 481010.40 2 240505.20 1.24 0.3310
especie 731038.47 2 365519.23 1.88 0.2027
per 177356.93 1 177356.93 0.91 0.3620
especie*per 828949.24 2 414474.62 2.13 0.1693
Error 1943845.67 10 194384.57
Total 4162200.70 17

Retbiotot 18 0.77 0.36 29.68
F.V. SC gl CM F p-valor (Error)
Modelo 21375293.27 11 1943208.48 1.87 0.2285
bl 1307448.08 2 653724.04 0.63 0.5650
especie 2917379.47 2 1458689.74 0.68 0.5551 (bl*especie)
bl*especie 8525954.38 4 2131488.60 2.05 0.2061
per 1624708.78 1 1624708.78 1.56 0.2578
especie*per 6999802.55 2 3499901.28 3.37 0.1046
Error 6237681.62 6 1039613.60
Total 27612974.89 17
Hojatotret 18 0.84 0.55 12.13
F.V. SC gl CM F p-valor (Error)
Modelo 3495220.73 11 317747.34 2.86 0.1044
bl 481010.40 2 240505.20 2.16 0.1961
especie 731038.47 2 365519.23 1.15 0.4044 (bl*especie)
bl*especie 1276865.70 4 319216.42 2.87 0.1200
per 177356.93 1 177356.93 1.60 0.2534
especie*per 828949.24 2 414474.62 3.73 0.0886
Error 666979.97 6 111163.33
Total 4162200.70 17

Coeficientes de correlacin
Correlacion de Pearson: coeficientes\probabilidades
Retbiotot Hojatotret x n
Retbiotot 1.00 5.6E-04 0.03 0.32
Hojatotret 0.73 1.00 0.87 0.48
x 0.52 -0.04 1.00 0.28
n 0.25 0.18 0.27 1.00
Retbiotot 18 0.52 0.09 35.47
F.V. SC gl CM F p-valor Coef
Modelo 14254291.79 8 1781786.47 1.20 0.3928
bl 431663.85 2 215831.92 0.15 0.8667
especie 363370.33 2 181685.16 0.12 0.8862
per 139461.74 1 139461.74 0.09 0.7662
especie*per 5286570.81 2 2643285.41 1.78 0.2230
x 1404952.90 1 1404952.90 0.95 0.3560 8.93
Error 13358683.10 9 1484298.12
Total 27612974.89 17
Hojatotret 18 0.53 0.12 16.88
F.V. SC gl CM F p-valor Coef
Modelo 2225042.86 8 278130.36 1.29 0.3533
bl 115742.94 2 57871.47 0.27 0.7702
especie 563241.32 2 281620.66 1.31 0.3171
per 154306.97 1 154306.97 0.72 0.4191
especie*per 827726.42 2 413863.21 1.92 0.2017
x 6687.83 1 6687.83 0.03 0.8640 -0.62
Error 1937157.84 9 215239.76
Total 4162200.70 17
Anlisis de regresin lineal
Variable N R R Aj ECMP AIC BIC
Retbiotot 18 0.06 3.5E-03 2177405.10 312.31 314.98
Coeficientes de regresin y estadsticos asociados
Coef Est. E.E. LI(95%) LS(95%) T p-valor CpMallows
const 2905.18 595.91 1641.90 4168.46 4.88 0.0002
n 9.35 9.09 -9.91 28.62 1.03 0.3187 2.06
Modelo 1714490.28 1 1714490.28 1.06 0.3187
n 1714490.28 1 1714490.28 1.06 0.3187
Error 25898484.61 16 1618655.29
Total 27612974.89 17
Hojatotret 18 0.03 0.00 329112.41 278.83 281.50
const 2602.22 235.12 2103.78 3100.66 11.07 <0.0001
n 2.58 3.59 -5.02 10.18 0.72 0.4823 1.55
Modelo 130369.78 1 130369.78 0.52 0.4823
n 130369.78 1 130369.78 0.52 0.4823
Error 4031830.92 16 251989.43
Total 4162200.70 17

Anlisis de regresin lineal
Retbiotot 18 0.11 0.00 2370777.16 313.45 317.02
const 3892.69 1302.27 1116.96 6668.42 2.99 0.0092
n -36.10 53.96 -151.12 78.92 -0.67 0.5136 2.48
n^2 0.37 0.43 -0.55 1.29 0.85 0.4061 2.75
Cuadro de Anlisis de la Varianza (SC tipo I)
Modelo 2917379.47 2 1458689.74 0.89 0.4328
n 1714490.28 1 1714490.28 1.04 0.3237
n^2 1202889.19 1 1202889.19 0.73 0.4061
Error 24695595.41 15 1646373.03
Total 27612974.89 17
Modelo 2917379.47 2 1458689.74 0.89 0.4328
n 2917379.47 2 1458689.74 0.89 0.4328
Error 24695595.41 15 1646373.03
Total 27612974.89 17
Hojatotret 18 0.18 0.07 329391.57 277.93 281.49
const 3300.05 485.41 2265.41 4334.69 6.80 <0.0001
n -29.54 20.11 -72.42 13.33 -1.47 0.1626 4.08
n^2 0.26 0.16 -0.08 0.60 1.62 0.1260 4.52

1. Hal l ar l a desvi aci n medi a, l a vari anza y l a desvi aci n t pi ca de l a
ser i es de nmer os si gui ent es :
2, 3, 6, 8, 1 1 .
1 2, 6, 7, 3, 1 5, 1 0, 1 8, 5.
2, 3, 6, 8, 1 1 .
Medi a

Vari anza

1 2, 6, 7, 3, 1 5, 1 0, 1 8, 5.
Medi a

Vari anza

2. Un pedi at r a obt uvo l a si gui ent e t abl a sobr e l os meses de edad de 50
ni os de s u consul t a en el moment o de andar por pr i mer a vez:
Meses Ni os
9 1
10 4
11 9
12 16
13 11
14 8
15 1
Cal cul ar l a vari anza.
xi f i Ni xi f i xi f i
9 1 1 9 81
10 4 5 40 400
11 9 14 99 1089
12 16 30 192 2304
13 11 41 143 1859
14 8 49 112 1568
15 1 50 15 225
50 610 7526

Medi a ari t mt i ca

Vari anza

3. El r esul t ado de l anz ar dos dados 1 20 vec es vi ene dado por l a t abl a:
Sumas 2 3 4 5 6 7 8 9 10 11 12
Veces 3 8 9 11 20 19 16 13 11 6 4
1. Cal cul ar desvi aci n t pi ca.

xi f i xi f i xi
2
f i
2 3 6 12
3 8 24 72
4 9 36 144
5 11 55 275
6 20 120 720
7 19 133 931
8 16 128 1024
9 13 117 1053
10 11 110 1100
11 6 66 726
12 4 48 576
120 843 6633

4. Cal cul ar l a vari anza de una di st r i buci n est ad st i ca que vi ene dada por
l a si gui ent e t abl a:

[10,
15)
[15,
20)
[20,
25)
[25,
30)
[30,
35)
f i 3 5 7 4 2

xi f i xi f i xi
2
f i
[10,
15)
12. 5 3 37. 5 468. 75
[15,
20)
17. 5 5 87. 5 1537. 3
[20,
25)
22. 5 7 157. 5 3543. 8
[25,
30)
27. 5 4 110 3025
[30,
35)
32. 5 2 65 2112. 5
21 457. 5 10681. 25

Medi a

Vari anza

5. Cal cul ar l a vari anza de l a di st r i buci n de l a t abl a:
xi f i xi f i xi
2
f i
[10, 20) 15 1 15 225
[20, 30) 25 8 200 5000
[30, 40) 35 10 350 12 250
[40, 50) 45 9 405 18 225
[50, 60 55 8 440 24 200
[60, 70) 65 4 260 16 900
[70, 80) 75 2 150 11 250
42 1 820 88 050

6. Las al t ur as de l os j ugador es de un equi po de bal oncest o vi enen dadas por
l a t abl a:
Al t ura
[ 1 70,
1 75)
[ 1 75,
1 80)
[ 1 80,
1 85)
[ 1 85,
1 90)
[ 1 90,
1 95)
[ 1 95,
2. 00)
N de
j ugadores
1 3 4 8 5 2
Cal cul a l a var i anza.

xi f i Fi xi f i xi
2
f i
[1. 70, 1. 75) 1. 725 1 1 1. 725 2. 976
[1. 75, 1. 80) 1. 775 3 4 5. 325 9. 453
[1. 80, 1. 85) 1. 825 4 8 7. 3 13. 324
[1. 85, 1. 90) 1. 875 8 16 15 28. 128
[1. 90, 1. 95) 1. 925 5 21 9. 625 18. 53
[1. 95, 2. 00) 1. 975 2 23 3. 95 7. 802
23 42. 925 80. 213

Medi a

Vari anza

7. Dada l a di st r i buci n est ad st i ca:

[0,
5)
[5,
10)
[10,
15)
[15,
20)
[20,
25)
[25,
)
f i 3 5 7 8 2 6
Cal cul ar l a vari anza.
xi f i Fi
[0, 5) 2. 5 3 3
[5, 10) 7. 5 5 8
[10, 15) 12. 5 7 15
[15, 20) 17. 5 8 23
[20, 25) 22. 5 2 25
[25, ) 6 31
31

Medi a
No se puede cal cul ar l a medi a, por que no se puede hal l ar l a mar ca de
cl ase del l t i mo i nt er val o.
Vari anza
Si no hay medi a no es posi bl e hal l ar l a vari anza.
8. Consi dr ense l os si gui ent es dat os: 3, 8, 4, 1 0, 6, 2. Se pi de:
1. Cal cul ar s u medi a y su vari anza.
2. Si l os t odos l os dat os ant er i or es l os mul t i pl i camos por 3, cul
ser l a nueva medi a y vari anza.
xi xi
2

2 4
3 9
4 16
6 36
8 64
10 100
33 229

1

2

Ejercicios de Anlisis de la Varianza con R
1. Introduccin
En este documento se resuelven algunos de los problemas del libro Problemas de
Probabilidades y Estadstica vol. 2 de C.M. Cuadras [2] con el programa estadstico
R. Los enunciados de los problemas se encuentran en dicho libro.
Para profundizar en la teora subyacente al Anlisis de la Varianza se puede consultar,
entre otros, el libro de Modelos lineales[1]. Si se quiere aprender R desde el principio o
practicar su utilizacin en la Estadstica elemental un buen libro es el de J. Verzani [5].
Para estudiar modelos lineales avanzados con R se puede leer el libro de J.J. Faraway
[3].
2. Diseo de un factor
Problema 10.1
Se trata de una comparacin entre tres poblaciones.
En primer lugar procedemos a leer los datos
> Iris.setosa <- c(5.1, 4.9, 4.7, 4.6, 5, 5.4, 4.6, 5, 4.4, 4.9,
+ 5.4, 4.8, 4.8, 4.3, 5.8)
> Iris.versicolor <- c(7, 6.4, 6.9, 5.5, 6.5, 5.7, 6.3, 4.9, 6.6,
+ 5.2, 5, 5.9, 6, 6.1, 5.6)
> Iris.virginica <- c(6.3, 5.8, 7.1, 6.3, 6.5, 7.6, 4.9, 7.3, 6.7,
+ 7.2, 6.5, 6.4, 6.8, 5.7, 5.8)
Pero esta no es la forma adecuada para trabajar con un programa estadstico. Mejor
ponemos los datos
en un nico vector y aadimos una variable cualitativa o factor que nos indique la
poblacin de cada dato.
> Longitud <- c(Iris.setosa, Iris.versicolor, Iris.virginica)
> Especie <- rep(1:3, each = 15)
> Especie <- factor(especie, labels = c("Iris setosa", "Iris versicolor",
+ "Iris virginica"))

En R es imprescindible definir el vector especie como un factor, ya que en caso
contrario se podra confundir con un vector numrico.
Una nica instruccin realiza los dos pasos
> Especie <- gl(3, 15, labels = c("Iris setosa", "Iris versicolor",
+ "Iris virginica"))
Con la instruccin split podemos separar los datos
> split(longitud, especie)

Ahora podemos realizar un resumen de los datos y el grafico que puede verse en la
gura 1.
> tapply (longitud, especie, summary)
> plot (longitud ~ especie)
Asumiendo que la variable longitud sigue una distribucin normal con varianza comn
para las tres poblaciones.
ANLISIS DE VARIANZA
1. Introduccin
El anlisis de la varianza (o Anova: Analysis of variance) es un mtodo para comparar dos o
ms medias, que es necesario porque cuando se quiere comparar ms de dos medias es
incorrecto utilizar repetidamente el contraste basado en la t de Student. Por dos motivos:
En primer lugar, y como se realizaran simultnea e independientemente varios contrastes
de hiptesis, la probabilidad de encontrar alguno significativo por azar aumentara. En cada
contraste se rechaza la H0 si la t supera el nivel crtico, para lo que, en la hiptesis . Si se
realizan m contrastes independientes, lanula, hay una probabilidad probabilidad de que,
en la hiptesis nula, ningn estadstico supere el valor ) m, por lo tanto, la probabilidad de
que alguno lo supere es 1crtico es (1 - )m, que para- (1 - valores m. Una primera
solucin, prximos a 0 es aproximadamente igual a de , usando en sudenominada
mtodo de Bonferroni, consiste en bajar el valor de /m, aunque resulta un mtodo muy
conservador.lugar
Por otro lado, en cada comparacin la hiptesis nula es que las dos muestras provienen de
la misma poblacin, por lo tanto, cuando se hayan realizado todas las comparaciones, la
hiptesis nula es que todas las muestras provienen de la misma poblacin y, sin embargo,
para cada comparacin, la estimacin de la varianza necesaria para el contraste es distinta,
pues se ha hecho en base a muestras distintas.

El mtodo que resuelve ambos problemas es el anova, aunque es algo ms que esto: es un
mtodo que permite comparar varias medias en diversas situaciones; muy ligado, por tanto,
al diseo de experimentos y, de alguna manera, es la base del anlisis multivariante.
2. Bases del anlisis de la varianza
Supnganse k muestras aleatorias independientes, de tamao n, extradas de una nica
poblacin normal. A partir de ellas existen dos maneras independientes 2:de estimar la
varianza de la poblacin
1) Una llamada varianza dentro de los grupos (ya que slo contribuye a ella la varianza
dentro de las muestras), o varianza de error, o cuadrados medios del error, y habitualmente
representada por MSE (Mean Square Error) o MSW (Mean Square Within) que se calcula
como la media de las k varianzas muestrales (cada 2 y la media de k estimadores varianza
muestral es un estimador centrado de centrados es tambin un estimador centrado y ms
eficiente que todos ellos). MSE es un cociente: al numerador se le llama suma de cuadrados
del error y se representa por SSE y al denominador grados de libertad por ser los trminos
independientes de la suma de cuadrados.
2) Otra llamada varianza entre grupos (slo contribuye a ella la varianza entre las distintas
muestras), o varianza de los tratamientos, o cuadrados medios de los tratamientos y
representada por MSA o MSB (Mean Square Between). Se calcula a partir de la varianza de
las medias muestrales y es tambin un cociente; al numerador se le llama suma de
cuadrados de los tratamientos (se le representa por SSA) y al denominador (k-1) grados de
libertad.
MSA y MSE, estiman la varianza poblacional en la hiptesis de que las k muestras
provengan de la misma poblacin. La distribucin muestral del cociente de dos
estimaciones independientes de la varianza de una poblacin normal es una F con los
grados de libertad correspondientes al numerador y denominador respectivamente, por lo
tanto se puede contrastar dicha hiptesis usando esa distribucin.
Si en base a este contraste se rechaza la hiptesis de que MSE y MSA estimen la misma
varianza, se puede rechazar la hiptesis de que las k medias provengan de una misma
poblacin.
Aceptando que las muestras provengan de poblaciones con la misma varianza, este rechazo
implica que las medias poblacionales son distintas, de modo que con un nico contraste se
contrasta la igualdad de k medias.
Existe una tercera manera de estimar la varianza de la poblacin, aunque no es
independiente de las anteriores. Si se consideran las kn observaciones como una nica
muestra, su varianza muestral tambin es un estimador centrado de s 2:

Se suele representar por MST, se le denomina varianza total o cuadrados medios totales, es
tambin un cociente y al numerador se le llama suma de cuadrados total y se representa por
SST, y el denominador (kn -1) grados de libertad.
Los resultados de un anova se suelen representar en una tabla como la siguiente:
Fuente de variacin G.L. SS MS F
Entre grupos
Tratamientos
k-1 SSA SSA/(k-1) MSA/MSE
Dentro
Error
(n-1)k SSE SSE/k(n-1)
Total kn-1 SST
Y el cociente F se usa para realizar el contraste de la hiptesis de medias iguales. La regin
crtica para dicho contraste es F > (k-1,(n-1)k)F
Algunas propiedades
Es fcil ver en la tabla anterior que
GLerror+ GLtrata = (n - 1) k + k - 1 = nk - k + k - 1 = nk - 1 = GLtotal
No es tan inmediato, pero las sumas de cuadrados cumplen la misma propiedad, llamada
identidad o propiedad aditiva de la suma de cuadrados:
SST = SSA + SSE
El anlisis de la varianza se puede realizar con tamaos muestrales iguales o distintos, sin
embargo es recomendable iguales tamaos por dos motivos:
La F es insensible a pequeas variaciones en la asuncin de igual varianza, si el tamao es
igual.
Igual tamao minimiza la probabilidad de error tipo II.
3. Modelos de anlisis de la varianza
El anova permite distinguir dos modelos para la hiptesis alternativa:
Modelo I o de efectos fijos en el que la H1 supone que las k muestras son muestras de k
poblaciones distintas y fijas.
Modelo II o de efectos aleatorios en el que se supone que las k muestras, se han
seleccionado aleatoriamente de un conjunto de m>k poblaciones.
Un ejemplo de modelo I de anova es que se asume que existen cinco poblaciones (sin
tratamiento, con poca sal, sin sal, etc.) fijas, de las que se han extrado las muestras.

Un ejemplo de modelo II sera: un investigador est interesado en determinar el contenido,
y sus variaciones, de grasas en las clulas hepticas de cobayas; toma del animalario 5
cobayas al azar y les realiza, a cada una, 3 biopsias hepticas.
La manera ms sencilla de distinguir entre ambos modelos es pensar que, si se repitiera el
estudio un tiempo despus, en un modelo I las muestras seran iguales (no los individuos
que las forman) es decir corresponderan a la misma situacin, mientras que en un modelo
II las muestras seran distintas.
Aunque las asunciones iniciales y los propsitos de ambos modelos son diferentes, los
clculos y las pruebas de significacin son los mismos y slo difieren en la interpretacin y
en algunas pruebas de hiptesis suplementarias.
Anlisis de la varianza de dos factores
Es un diseo de anova que permite estudiar simultneamente los efectos de dos fuentes de
variacin.
En cualquier caso, el investigador puede estar interesado en estudiar si hay, o no, diferencia
en la evolucin segn el sexo. En un anova de dos vas se clasifica a los individuos de
acuerdo a dos factores (o vas) para estudiar simultneamente sus efectos. En este ejemplo
se haran cinco grupos de tratamiento para los hombres y otros cinco para las mujeres, en
total diez grupos; en general, si el primer factor tiene a niveles y el segundo tiene b, se
tendrn ab muestras o unidades experimentales, cada una con n individuos o repeticiones.
Una observacin individual se representa como:
El primer subndice indica el nivel del primer factor, el segundo el nivel del segundo factor y
el tercero la observacin dentro de la muestra. Los factores pueden ser ambos de efectos
fijos (se habla entonces de modelo I), de efectos aleatorios (modelo II) o uno de efectos fijos
y el otro de efectos aleatorios (modelo mixto). El modelo matemtico de este anlisis es:
modelo I
modelo II
modelo mixto
jdonde m es la media global, a i o Ai el efecto del nivel i del 11 factor, ijk las desviaciones
aleatoriaso Bj el efecto del nivel j del 2 factor y alrededor de las medias, que tambin se
asume que estn normalmente distribuidas, son independientes y tienen media 0 y
varianza s 2.
A las condiciones de muestreo aleatorio, normalidad e independencia, este modelo aade la
de aditividad de los efectos de los factores.
A los trminos (a b )ij, (AB)ij, (a B)ij, se les denomina interaccin entre ambos factores y
representan el hecho de que el efecto de un determinado nivel de un factor sea diferente
para cada nivel del otro factor.

Para entender mejor este concepto de interaccin veamos un ejemplo sencillo sobre un
anova de dos factores, cada uno con dos niveles: supngase un estudio para analizar el
efecto de un somnfero teniendo en cuenta el sexo de los sujetos. Se eligen al azar dos
grupos de hombres y otros dos de mujeres. A un grupo de hombres y otro de mujeres se les
suministra un placebo y a los otros grupos el somnfero. Se mide el efecto por el tiempo que
los sujetos tardan en dormirse desde el suministro de la pldora.
Se trata de un anova de dos factores (sexo y frmaco) fijos, cada uno con dos niveles
(hombre y mujer para el sexo y somnfero y placebo para el frmaco). Los dos tipos de
resultados posibles se esquematizan en la figura

A B
A se observa que las mujeres tardan ms en dormirse, tanto en el grupo tratado como en el
grupo placebo (hay un En la figura efecto del sexo) y que los tratados con placebo tardan
ms en dormirse que los tratados con somnfero en ambos sexos (hay un efecto del
tratamiento). Ambos efectos son fcilmente observables.
Sin embargo en la figura B es difcil cuantificar el efecto del somnfero pues es distinto en
ambos sexos y, simtricamente, es difcil cuantificar el efecto del sexo pues es distinto en
ambos grupos de tratamiento. En este caso, se dice que existe interaccin.
Podra, incluso, darse el caso de que se invirtieran los efectos de un factor para los distintos
niveles del otro, es decir, que las mujeres se durmieran antes con el somnfero y los
hombres antes con el placebo.
La interaccin indica, por tanto, que los efectos de ambos factores no son aditivos: cuando
se dan juntos, su efecto no es la suma de los efectos que tienen cuando estn por separado,
por lo que, si en un determinado estudio se encuentra interaccin entre dos factores, no
tiene sentido estimar los efectos de los factores por separado. A la interaccin positiva, es
decir, cuando el efecto de los factores actuando juntos es mayor que la suma de efectos
actuando por separado, en Biologa se le denomina sinergia o potenciacin y a la
interaccin negativa inhibicin. En el ejemplo de la figura B, se dira que el ser mujer inhibe
el efecto del somnfero, o que el ser hombre lo potencia (segn el sexo que se tome como
referencia).
4. Contrates de hiptesis en un anlisis de la varianza de dos factores
Del mismo modo que se hizo en el anova de una va, para plantear los contrastes de
hiptesis habr que calcular los valores esperados de los distintos cuadrados medios. Los
resultados son:
Modelo I
MS Valor esperado
MSA

MSB

MSAB

MSE

Por lo tanto, los estadsticos MSAB/MSE, MSA/MSE y MSB/MSE se distribuyen como una
F con los grados de libertad correspondientes y permiten contrastar, respectivamente, las
hiptesis:
no existe interaccin (MSAB/MSE)

no existe efecto del primer factor, es decir, diferencias entre niveles del primer factor
(MSA/MSE)

no existe efecto del segundo factor (MSB/MSE)

Si se rechaza la primera hiptesis de no interaccin, no tiene sentido contrastar las
siguientes. En este caso lo que est indicado es realizar un anlisis de una va entre las ab
combinaciones de tratamientos para encontrar la mejor combinacin de los mismos.

Ejercicios de Anàlisis de Varianza

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Ejercicios de Anàlisis de Varianza

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Nacional de

S-ar putea să vă placă și