Análisis

de varianza
(ANOVA)
b ab a

Daniel Griffith
Diseño Experimental y Métodos
Estadís9cos
Maestría en Química Aplicada
 Esquema del tema

I.  El diseño de un experimento

II.  ¿Qué es un análisis de varianza?

III.  Las suposiciones para un análisis de varianza

IV.  Pruebas de comparaciones múl9ples (a posteriori o

post hoc)
Pasos para
seguir para
ajustar un
modelo lineal
I.  Diseño
experimental Diseño experimental: términos

•  Unidad experimental: el objeto en el que se toma

una medición o mediciones

•  Factor: una variable independiente cuyos valores

son controlados y variados por el/la inves9gador/a

•  Nivel: el escenario de intensidad de un factor

•  Tratamiento: una combinación específica de niveles

de factor

•  Respuesta: es la variable dependiente medida por

el/la inves9gador/a
I.  Diseño
experimental Diseño experimental: terminos
Ejemplo 1: Un grupo de personas se divide al azar en un grupo de
control, que se le da un examen de ap9tud después de haber
tomado un desayuno completo, y un grupo experimental, que se le
da el mismo examen sin haber tomado ningún desayuno.
¿Cuáles son las unidades experimentales, factores, niveles y
tratamientos en este experimento?
Solución:
Unidades experimentales: personas
Factores: “comida”
Niveles: “desayuno” y “no desayuno”
Tratamientos: “desayuno” y “no desayuno”
(el único factor controlado por el
inves9gador)
II.  Introducción ¿Qué es un análisis de varianza?
•  ANOVA: un modelo lineal en el cual las variables indepen-
dientes son categóricas.
•  Las categorías de una variable se llaman niveles de la
variable.
b ab a

•  Dos Variables:
o  INDEP: Categórica (los grupos)
o  DEP: Cuan9ta9va (lo medido)

•  Nota: si se trata solamente de dos grupos se hace una

Prueba de t no pareado. Si se trata de 3 o más grupos se
usa ANOVA.
II.  Introducción Hipótesis
Hipótesis nula
H0: µ1 = µ2 = µ3
Los promedios de todos los grupos son iguales.

Hipótesis alterna9va
Ha: µ1 ≠ µ2 ≠ µ3 (µ1 ≠ µ2 = µ3 o µ1 = µ2 ≠ µ3 )
No todos los promedios son iguales (existe al menos uno
dis9nto)
—  No dice cómo o cuáles son diferentes
—  Para esto se debe aplicar una “prueba post hoc
de múl9ples comparaciones”.
III.  Suposiciones Suposiciones para un ANOVA
1.  Muestras independientes entre sí.
2.  Las poblaciones de donde provienen las muestras
deben tener distribuciones normales.
3.  Las varianzas de cada población deben ser iguales
(homoscedasticidad), aunque los promedios sean
diferentes.

Si no se cumplen estas suposiciones, se puede:

•  Efectuar transformaciones adecuadas (ln(x), √x,
1/x, etc.)
•  Usar un test no paramétrico - generalmente
Kruskal-Wallis
 Procedimiento de hacer ANOVA
III.  Suposiciones
Pasos para
seguir para
ajustar un
modelo lineal
IV.  Comparaciones
múl9ples Prueba de comparaciones múl9ples
Son pequeñas pruebas que sirven para comparar entre los niveles
de un factor cuando F resulta significa>vo, por ejemplo:
•  Prueba de Tukey: se basa en la construcción de intervalos de
confianza de las diferencias por pares. Si estos intervalos
incluyen al cero, entonces no se rechaza la hipótesis nula.
•  Scheffé: si el tamaño de los grupos es diferente
library(agricolae)
anova.agua <- aov(agua$resultado ~ agua$laboratorio)
scheffe.test(anova.agua,“laboratorio", group=TRUE)
•  Duncan (rango múlCple): variante del método de Newman-
Keuls
duncan.test(, factor, group=TRUE)
•  Bonferroni: prueba conservadora
pairwise.t.test(x, grouping factor, p.adj = "bonferroni")
IV.  Comparaciones
múl9ples Prueba de comparaciones múl9ples
Ejemplo 2: ¿La concentración de ozono (ppb) en el aire de Nueva York
cambia entre los meses de mayo a sep9embre?

data(airquality)
airquality$Month <- as.factor(airquality$Month)
plot(Ozone ~ Month, xlab="Month", ylab="Ozono (ppb)",
col="blue", data=airquality)

# ANOVA
lm.ozone <- lm(Ozone ~ Month, data=airquality)
summary(lm.ozone)

# Prueba Bonferroni
pairwise.t.test(x=airquality$Ozone, airquality$Month,

p.adj = "bonferroni”)
IV.  Comparaciones
múl9ples Prueba de comparaciones múl9ples
Ejemplo 2: ¿La concentración de ozono (ppb) en el aire de Nueva York
cambia entre los meses de mayo a sep9embre?
Pairwise comparisons using t tests with pooled SD
data: airquality$Ozone and airquality$Month

5 6 7 8 a ab bc bc a
6 1.00000 - - -
7 0.00029 0.10225 - -
8 0.00019 0.08312 1.00000 -
9 1.00000 1.00000 0.00697 0.00485




P value adjustment method: bonferroni