Analisis de Varianza 2012 PDF

i
ANLISIS DE VARIANZA
Comparando tres o ms medias
Jorge Fallas
2012
i
Contenido
1. Introduccin 1
1.1. Terminologia 2
2. Anlisis de varianza de una va o completamente aleatorio (modelo I, efectos fijos) 4
2.1 Lgica del anlisis de una va 5
2.2 Estimaciones de las varianzas 8
2.3 La prueba F (igualdad de varianzas) 11
2.4 Pruebas a posteriori 13
A. Diferencia mnima significativa irrestricta LSD 14
B. Diferencia mnima significativa restringida de Fisher 16
C. Prueba de rangos mtliples de Duncan 17
D. Prueba de Student-Newman-Keuls (S.N.K) 18
E. Tukey 20
F. Scheff 21
G. Dunnett (comparacin con un control) 22
H. Intervalo de Bonferroni o correccin de Bonferroni 23
2.4.1. Limitaciones de las pruebas a posteriori 24
2.5. Pruebas a priori o planeadas 25
3. Diseo de bloques completos al azar 28
3.1. ANDEVA de dos vas 30
3.1.1. ANDEVA de dos vas con una observacin por celda 31
A. Tabla de anlisis de varianza 34
3.2 Diseo factorial con n observaciones por celda 40
3.2.1 Qu es la interaccin? 44
3.2.2 Tabla de anlisis de varianza para un diseo factorial 44
3.2.3. Ventajas del diseo de dos vas 46
4. Transformaciones 46
5. Comentario final 48
6. Bibliografa 48
ii
7. Ejercicios 50
El presente documento se distribuye bajo licencia CC BY-NC-SA de Creative Commons

reconocimiento-No comercial-Compartir bajo la misma licencia; la cual permite a otros
entremezclar, ajustar y construir con base en su trabajo para fines no comerciales, siempre y
cuando se de crdito y licencia de sus nuevas creaciones, en los trminos idnticos.
1
1. Introduccin
En las secciones previas del curso hemos estudiado el tema de prueba de hiptesis para dos
medias independientes (1 y 2). La pregunta que nos hacamos era: Existe suficiente evidencia
estadstica en el set de datos como para creer que las muestras provienen de dos poblaciones
diferentes?; o por el contrario Indica la evidencia que se trata de dos muestras de la misma
poblacin?.
En el presente captulo extendemos esta pregunta a tres o ms muestras y lo denominamos

anlisis de varianza- ANDEVA (ANOVA en ingls). En este caso comparamos las estimaciones de
la varianza entre muestras y al interior de cada muestra para determinar mediante una prueba F s
se trata de una misma poblacin (Ho: las muestras provienen de la misma poblacin) o s por el
contrario, provienen de diferentes poblaciones. Una vez probado que al menos un par de medias
es diferente se procede a aplicar una prueba de comparaciones mltiples de medias para
determinar cules de ellos son estadsticamente diferentes. Un mtodo de anlisis alternativo es
realizar comparaciones planeadas; para las cuales no es necesario realizar primero una prueba F
(Fig. 1)
Tipo de estudio
1. Diseo experimental: 2. Estudio no experimental:

Tratamientos son asignados Tratamientos no son asignados
al azar a las unidades al azar a las unidades
experimentales. experimentales.
Existen tres o ms tratamientos

o condiciones a probar.
Tabla de anlisis de varianza

Ho: las medias son iguales (provienen de la misma poblacin)
Ha: al menos un par de medias es diferente
Pruebas a posteriori Pruebas a priori

Comparaciones mltiples Comparaciones planeadas
Figura 1: Flujograma de un anlisis de varianza.
El anlisis de varianza permite analizar el efecto de una o ms variables o categoras en un

conjunto de datos. Cada tratamiento puede tener varias observaciones (e.g. 20 plntulas por
tratamiento) o por el contrario tener una nica observacin por tratamiento (e.g nmero de
semillas germinadas por lote de cien semillas). Veamos algunos ejemplos:
Diseo experimental
En este caso el investigador(a) tiene control sobre los grupos a investigar (tratamientos) y asigna
cada tratamiento a los sujetos experimentales de manera aleatoria.
2
A. Un tratamiento y diferentes niveles del mismo
Usted desea determinar el efecto de tres mtodos de plantacin (bolsa, raz desnuda y plantn) en
la sobrevivencia de rboles de laurel. El tratamiento es mtodo de plantacin y estamos
interesados es determinar si al menos uno de los mtodos utilizados es estadsticamente superior a
los otros; o si por el contrario el tratamiento no tiene efecto y por lo tanto podemos asumir que
todos brindan el mismo resultado.
B. Dos tratamientos y diferentes niveles de cada uno

Ahora, supongamos que utilizamos plntulas tres especies arbreas (A, B y C) y que adems
utilizamos dos mtodos de plantacin (bolsa y raz desnuda). En este caso tenemos seis
tratamientos: dos mtodos de plantacin y tres especies de rboles y por esta razn a este
anlisis de varianza se le denomina de dos vas.
Diseo no experimental
En este caso el investigador(a) no tiene control sobre los grupos a investigar y solo puede
asignarlos a una de varias posibles categoras.
A. Un tratamiento y diferentes niveles del mismo

Usted desea saber si ENOS (El Nio Oscilacin Sur) tiene un efecto en la cantidad de lluvia anual
en su rea de estudio. Para el estudio usted divide los aos con datos de precipitacin en Neutro,
Nia y Nio y luego realiza un anlisis de varianza de una va.
B. Dos tratamiento y diferentes niveles de cada uno

Usted desea saber cmo afecta ENOS (El Nio Oscilacin Sur) y la elevacin la precipitacin
anual a nivel nacional. Para el estudio usted divide los aos con datos de precipitacin en Neutro,
Nia y Nio y adems los clasifica por rangos de elevacin y luego realiza un anlisis de varianza
de dos vas.
El tema de anlisis de varianza es complejo y por lo tanto en el presente captulo slo se tratarn
dos de los modelos ms simples de ANDEVA: el anlisis de varianza simple o de una va y el
anlisis de dos vas.
Antes de proceder a los mtodos de anlisis, se definirn algunos trminos de uso frecuente en
esta rea de la estadstica inferencial.
1.1. Terminologia
Poblacin: Es el total o universo al cual se desea aplicar la inferencia o conclusin del estudio.
Muestra: Es una parte o porcin de la realidad bajo estudio.
Deduccin: A partir del todo (poblacin) se deriva una afirmacin que aplica a una condicin
particular (muestra).
3
Induccin: A partir de una porcin de la realidad (muestra) se hace una afirmacin sobre el todo
(poblacin).
Unidad experimental: Individuo, objeto, grupo o conjunto de sujetos experimentales a los cuales
se les aplica un determinado tratamiento. Por ejemplo, la unidad experimental puede ser una
parcela en una plantacin, un grupo de semillas, una persona entrevistada o un rbol que se mide.
En algunos textos se le denomina a la unidad experimental caso.
Tratamientos o variables: Procesos o acciones cuyos efectos sern medidos en el material

experimental y posteriormente comparados entre s para determinar si existen diferencias
estadsticamente significativas. Los tratamientos pueden ser cualitativos (e.g. ENOS)
cuantitativos (e.g. dosis de fertilizantes).
Observacin: Es la medicin realizada en una unidad experimental.
Testigo: Unidad experimental al cual no se le aplica el tratamiento (sirve de referencia) que es

utilizado para determinar s los tratamientos tienen un efecto estadsticamente discernible sobre el
material experimental.
Variable respuesta: Es aquella propiedad o cualidad de la unidad experimental que se cuantifica.

Para mayor detalle sobre niveles de medicin ver captulo uno.
Repeticin: Rplica estadsticamente independiente de un tratamiento. En este caso el tratamiento

es aplicado dos o ms veces a diferentes unidades experimentales; cada aplicacin brinda una
estimacin independiente de la respuesta del sujeto experimental al tratamiento. Cuantas ms
rplicas se tenga mejor ser la estimacin del error experimental. En la mayora de los casos se
recomienda un mnimo de tres observaciones independientes por tratamiento.
Seudo replicacin: Es el resultado de muestrear dos o ms veces la misma condicin (muestras no

independientes). Por ejemplo, al evaluar la densidad de peces en dos ros; uno contaminado y otro
no, si se muestrean cinco sitios al azar en cada uno de ellos, dichas muestras no representan
rplicas ya que se est muestreando el mismo ro. En el sentido estadstico para que se consideren
rplicas debera de elegirse al azar dos o ms ros por condicin (contaminado-no contaminado) y
luego obtener muestras independientes de cada uno de ellos. Esto permitira estimar la
variabilidad natural de cada uno de los sistemas acuticos en los cuales viven los peces que se
muestrean. Aun cuando el anlisis de los datos presupone la existencia de rplicas independientes,
en la mayora de los estudios en el rea de recursos naturales no es posible cumplir con este
supuesto.
Medicin: Proceso de asignar un valor (nominal, ordinal, razn, intervalo) a un fenmeno,

proceso u objeto
4
Significancia estadstica: Esta es una regla que permite afirmar que la diferencia observada entre
dos o ms tratamientos o grupos es el resultado del efecto del tratamiento o de la variable de
clasificacin y no del azar. Con frecuencia se declaran como significativas aquellas diferencias
que tienen una probabilidad inferior a 0,1 (o sea 10%) de ocurrir en forma aleatoria.
En algunos textos de estadstica se recomienda utilizar un asterisco (*) para designar las
diferencias significativas a un 5% (P<0.05), dos asteriscos (**) para designar diferencias
significativas al 1% (P<0,01) y tres asteriscos (***) para designar diferencias significativas al
0,1% (P<0.001). Sin embargo, dado que los paquetes estadsticos le brindan el valor de P, se
recomienda reportarlo conjuntamente con el tamao de la muestra.
Consistencia: Un mtodo de anlisis estadstico es consistente cuando la significancia de la

prueba depende exclusivamente de: 1).la diferencia entre las dos medias, 2) el error estndar de
las diferencias, 3) el nmero de grados de libertad del error, y 4)el nivel de significancia al cual se
hace la prueba.
Aleatorizacin: Asignacin aleatoria de los tratamientos a los sujetos o unidades experimentales.

Esto elimina cualquier sesgo conocido o desconocido en la asignacin de los tratamientos.
Error experimental: Variacin natural del material experimental no controlado por el

investigador(a). Este no es un error adrede o derivado de la aplicacin errnea de tcnicas de
medicin sino simplemente un componente propio del material experimental.
Cuasi o seudo experimento: Estudio en el cual se utilizan los principios propuestos para el diseo
de experimentos; sin embargo no es posible asignar los tratamientos en forma aleatoria. Este tipo
de estudios es comn en el rea de ecologa y en general en estudios de tipo observacional.
2. Anlisis de varianza de una va o completamente aleatorio (modelo I, efectos fijos)

Este es el diseo experimental ms sencillo y es similar al muestreo simple al azar. Los
tratamientos se asignan al azar a una serie de unidades experimentales seleccionadas previamente.
En general, este no el diseo ms eficiente en el rea de experimentacin sin embargo es flexible y
le permite al investigador(a) someter a prueba cualquier nmero de tratamientos. Es deseable
que se asigne el mismo nmero de unidades experimentales por tratamiento. Otra ventaja del
diseo es que determina el error experimental utilizando el mximo nmero posible de grados de
libertad.
El diseo es apropiado para condiciones de laboratorio sin embargo es poco utilizado en

experimentos de campo ya que otros diseos como el de bloques al azar brinda una mayor
precisin en la estimacin del error. El nmero mnimo de unidades experimentales requeridas
para el experimento ser igual al nmero de tratamientos por el nmero de repeticiones.
5
Recuerde que los tratamientos se deben asignar al azar a cada una de las unidades
experimentales; por ejemplo, si se tienen tres tratamientos y tres repeticiones (nueves opciones
para asignar el tratamiento) se puede utilizar una tabla de nmeros al azar para seleccionar valores
de1 a 9, los primeros tres nmeros se asignarn al tratamiento uno, los segundos tres al
tratamiento dos y los ltimos tres al tratamiento tres. En sntesis, este diseo es apropiado cuando
se desea someter a prueba pocos tratamientos con material experimental homogneo y cuando
existe la posibilidad de que algunas de las unidades experimentales se pierdan.
Bajo este modelo de ANDEVA los sujetos son asignados en forma aleatoria a n tratamientos.
La premisa es que si los tratamientos no tienen ningn efecto sobre los diferentes grupos
experimentales entonces sus promedios sern estadsticamente iguales. La hiptesis nula a probar
es la siguiente:
Ho: 1 = 2 = 3 = 4 =........
La hiptesis alternativa es que la media de al menos dos grupos es diferente.

Ha: al menos un par de medias es diferente
A diferencia de la prueba t o Z presentada en el captulo sobre prueba de hiptesis, en este

caso no aplica el concepto de direccionalidad en la prueba; ya que Ho puede ser falsa por diversas
razones. Por ejemplo, dados tres tratamientos, 1 puede ser diferente de 2 pero a su vez igual a 3.
2.1 Lgica del anlisis de una vaError! Marcador no definido.

Supongamos que sesenta plntulas de pochote son elegidas al azar de un vivero y que luego son
asignadas al azar a cada uno de tres tratamientos de fertilizacin (no fertilizacin-testigo; abono
orgnico y abono qumico)1. Los estadsticos descriptivos se muestran en el cuadro 1 y la figura 2
presenta el comportamiento de los datos por tratamiento.
Algunas observaciones sobre el set de datos:
1. Si no existieran diferencias en cuanto a la respuesta de las plntulas a los tratamientos, las

medias de los tres tratamientos deberan ser iguales. Por el contrario, de existir un efecto
atribuible a alguno de los tratamientos, al menos un par de medias deberan ser diferentes.
La media de los tratamientos es mayor que la media del grupo control, esto es un primer
indicio de que posiblemente las plantas responden de manera diferenciada a los
tratamientos.
2. La diferencia en altura entre el fertilizante orgnico y el qumico es de 1,1 cm. El valor
parece pequeo y por lo tanto no es fcil confirmar o desechar un efecto de tratamiento.
Otra forma de valorar esta diferencia es desde una perspectiva prctica: es para usted
como responsable del vivero importante la diferencia? Otra pregunta que podra hacerse es
cul es el costo de cada tratamiento? Estara usted dispuesto a sacrificar crecimiento en
beneficio del ambiente?
1 Los datos se encuentran en el archivo anova_cuadro1.xlsx-

6
3. Las grficas indican que no existen valores extremos y que las observaciones tienden a
agruparse de manera ms homognea en el fertilizante qumico que en el orgnico.
Cuadro 1: Estadsticos descriptivos para sesenta plntulas de pochote sometidas a tres

tratamientos de fertilizacin. Altura total (cm) despus de 6 meses.
Tratamiento Media (cm) Tamao Desviacin Coef. Variacin

muestra estndar (cm) (%)
No fertilizante (k=1) 1 = 30,34 20 3,04 10,0
Fertilizante orgnico (k=2) = 32,31 20 3,37 10,4
Fertilizante qumico (k=3) 3= 33,42 20 3,99 11,9
Media general G = 31,02 60 3,66 11,8
45 45
40 Media general
35 40
30
Peso
25 Ht (cm) 35
20
30
15
10
25
5
0
20
Testigo FO FQ Testigo FO FQ
Tratamiento Tratamiento
8 8 FO
7
Testigo
7
6 6
5 5
FA
4
FA
4
3 3
2 2
1 1
0 0
25.3 26.9 28.4 30 31.5 33.1 34.6 36.2 37.7 39.3 25.3 26.9 28.4 30 31.5 33.1 34.6 36.2 37.7 39.3
Altura total (cm) Altura total (cm)
8 FQ
7
6
5
FA
4
3
2
1
0
25.3 26.9 28.4 30 31.5 33.1 34.6 36.2 37.7 39.3
Altura total (cm)
Figura 2: Diagrama de Box-Whisker e histogramas por tratamiento.

Bajo los supuestos del diseo irrestricto al azar el valor esperado de cualquier observacin Xij
puede estimarse mediante el modelo:
X ij = + i + ij (1)
con i = 1,....n; j = 1, ....n y ij = (0, ) 2
7
en donde:
: representa la media de la poblacin
i : representa el efecto del tratamiento i
ij: representa el error con una distribucin normal (0, 2)
La estimacin de mximo verosimilitud de los parmetros anteriores son los siguientes

estadsticos:
^
= X Estimador de , media general (2)
^
= ( Xi - X ) estimador de j, variacin explicada por el tratamiento (3)

ij = X ij - X i estimador de ij, error experimental (4)
El error asociado a cada observacin es el resultado de la variabilidad no explicada por el diseo

experimental y es el que se debe minimizar a travs de la eleccin de un diseo estadstico
apropiado. La implicacin de un error grande es que no se detectarn diferencias significativas
entres los tratamientos.
^ ^ ^
ij = Xij - - (5)
A continuacin se muestra cmo se calculan los diferentes componentes del anlisis de varianza
completamente al azar.
Variacin al interior de los tratamientos

El cuadro 2 presenta los estadsticos descriptivos por tratamiento. Observe que el coeficiente de
variacin oscila entre 10,0 % (testigo) y 11.9% (FQ); esta variabilidad es inherente o propia del
grupo experimental y no puede atribuirse a los tratamientos. La respuesta observada en el presente
caso es tpica de experimentos con organismos vivos; ya que cada sujeto responde en forma
diferente a un mismo estmulo o tratamiento.
La variacin al interior de los grupos refleja la variabilidad inherente de los

individuos que componen el grupo y es independiente del tratamiento que recibe
dicho grupo.
8
Cuadro 2: Estadsticos descriptivos por tratamiento para la variable altura total (cm) de 60 plantas
de pochote a la edad de seis meses.
Tratamiento Todos Testigo FO FQ

Number 60 20 20 20
Media 32,02 30,34 32,31 33,42
S 3,66 3,04 3,37 3,99
CV % 11,8 10,0 10,4 11,9
Asimetra 0,13 -0,08 -0,48 0,17
Mnimo 24,54 24,54 25,42 27,34
Q1 29,09 28,20 30,61 30,09
Mediana 32,22 30,37 33,32 33,02
Q3 34,31 32,56 34,31 36,75
Mximo 40,08 36,07 39,10 40,08
Variacin entre tratamientos

Si observamos la figura 2 es evidente que la respuesta de las plntulas asignadas a cada uno de
los tratamientos no es homognea. La variabilidad entre grupos refleja tanto la influencia del
tratamiento como la variabilidad natural o inherente de los indiviudos que conforman cada uno de
los grupos experimentales. Sin embargo, para que la hiptesis nula sea falsa el efecto del
tratamiento debe ser tal que cause una respuesta lo suficientemente diferente en los individuos de
cada uno de los grupos. En otras palabras, la variabilidad entre grupos debe ser mayor que la
variabilidad dentro de grupos.
La variacin entre grupos refleja tanto la variabilidad propia de los individuos que componen
el grupo ms la variabilidad atribuible al efecto diferencial del tratamiento que recibe cada
grupo.
Cuando la hiptesis nula es verdadera (no hay diferencia entre tratamientos) las dos
estimaciones de varianza (dentro de grupos y entre grupos) mediran lo mismo: variabiliad
inherente; y por lo tanto su valor debera ser muy cercano a uno. Por el contrario, cuando Ho es
falsa, la estimacin de la variabilidad entre grupos debera ser mayor que la variabilidad dentro
de grupos; ya que la primera mide tanto la variabilidad inherente ms la variabilidad asociada a
los tratamientos.
2.2 Estimaciones de las varianzas

El anlisis de varianza se basa en la particin de la variabilidd total asociada al experimento
(SCtotal) en dos estimaciones independientes de varianza: la varianza dentro de los grupos
experimentales y la varianza entre los grupos experimentales. Dado que Ho sea verdadera, ambas
2
estimaciones de varianza son una estimacin de la varianza poblacional y por lo tanto la razn
de varianzas debe ser cercana a uno. En el captulo dos se defini la varianza como la desviacin
cuadrtica de las observaciones con respecto a la media dividido entre n-1. En el anlisis de
9
varianza de una va se utiliza el mismo concepto; con la diferencia de que existen las siguientes
desviaciones cuadrticas:
Variacin dentro de grupos: En este caso se calculan las desviaciones cuadrticas con
respecto a la media en cada uno de los grupos experimentales. Esta estimacin de varianza
representa la variacin inherente de los individuos en cada uno de los tratamientos.
( 6)
2
Variacin entre grupos: La estimacin de entre los grupos experimentales mide tanto la
variabilidad inherente de cada grupo experimental como la varibilidad asociada al tratamiento
asignado a cada grupo. Para su clculo se utiliza la media de cada tratamiento y la media
general. En otras palabras, esta estimacin mide cuan variable es la media de cada tratamiento
con respecto a la media general. Cuando cada tratamiento tiene el mismo nmero de casos, la
media general es una estimacin de la media de cada uno de los grupos experimentales.
(7)
Variacin con respecto a la media general o variacin total: Esta es una estimacin de la
variacin total asociada al experimento sin considerar los grupos experimentales o
tratamientos. La variacin total es igual a la suma de la variacin al interior de los grupos y
entre grupos.
(8)
Las frmulas utilizadas para estimar las varianzas anteriores son:
Varianza dentro de grupos:

SC dentro = SC W /gl (9)
en donde: SC dentro: suma de cuadrados al interior de cada grupo
gl: grados de libertad (N- k); N: total observaciones; k: No. de tratamientos.
Varianza entre grupos:
SC entre = SC k /gl (10)
en donde: SC entre : suma de cuadrados entre grupos
gl: grados de libertad (k-1); k: nmero de tratamientos
Varianza total:
SC total = SC dentro + SCentre (11)
10
La tabla de anlisis de varianza de una va contiene los siguientes elementos para el modelo de
efectos fijos (modelo tipo I):
Cuadro 3: Tabla de anlisis de varianza
Fuente de variacin Gl SC CM F CM esperado
Entre (K) k-1 SCk SCk / k-1 CM k / CMdentro 2 + n 2k
Dentro (error) N-k SCdentro SCdentro / N-k 2
Total N-1 SCT
Los resultados de aplicar las frmulas anteriores se resumen en una tabla de anlisis de varianza
como la que se muestra en el cuadro 4.
Cuadro 4: Tabla de anlisis de varianza de una va.

H0: All population means (of Ht) are equal
H1: Not all population means (of Peso) are equal
p-value = 0,02362
ANOVA Table
Fuente DF SS MS F
Tratamientos 2 97,4977 48,7489 4,00273
Error 57 694,197 12,1789
Total 59 791,695
Software: XLSTatistics
Simbologa:
DF: grados de libertad SS: suma de cuadrados
MS: cuadrado medio F: Estadstico F
p-value: Probabilidad de que Ho sea verdadera
Comentarios:
1. El cuadrado medio de los tratamientos 48,75 cm2 representa la varianza esperada para los
tratamientos ms el error experimental (2).
2. El cuadrado medio del error representa la varianza no explicada esperada para el

experimento (2); en este caso 12,18 cm2 (recuerde que este nmero representa una
varianza y por lo tanto tiene unidades al cuadrado). Si se desea disminuir el error
experimental debe aumentarse el nmero de repeticiones; algo que no siempre es
econmico o posible. El valor del cuadrado medio del errores igual a: 2 = (S21+
S22+S23)/T; en donde T representa el nmero de tratamientos.
3. El valor de P es 0,02362 y por lo tanto las diferencias se declaran como estadsticamente

significativas a un nivel de significancia de 0,05.
11
4. La prueba F indica la relacin entre la variabilidad explicada por el experimento (CM k ) y
la variabilidad no explicada o error (CM dentro). Cuanto mayor sea el valor de F mayor ser
la probabilidad de que el experimento se declare como significativo; o sea que al menos
dos pares de medias sean diferentes.
5. El anlisis de varianza presentado asume que existe el mismo nmero de observaciones

por tratamiento (n=20 en este caso; diseo balanceado). Cuando no se cuente con el
mismo nmero de observaciones por tratamiento deben hacerse los ajustes necesarios en
el clculo de las medias y de las sumas de cuadrados. Algunos paquetes estadsticos hacen
el ajuste en forma automtica.
Un mtodo altnerno de realizar una inferencia sobre los tratamientos es calcular sus interavalos
de confianza como se muetra a continuacin:
A. IC 95% considerando las varianzas iguales

Category ME Lower Upper
40
Testigo 1.63 28.70 31.97
35
FO 1.63 30.67 33.94
30
FQ 1.63 31.78 35.05
25
H t (cm)
20
A. IC 95% considerando las varianzas diferentes
15
Categora ME Lower Upper
10
Testigo 1.42 28.91 31.76
5
FO 1.58 30.73 33.88
0
FQ 1.87 31.55 35.29 Testigo FO FQ
Tratamiento
ME: cuadrado medio de error
Note que la eleccin del mtodo de calculo tiene un pequeo efecto en la amplitud de los
intervalos de confianza. En este caso, lo correcto es utilizar varianzas iguales basodos en el
resultado de la prueba de Hartley (Fmax) (ver cuadro 5).
2.3 La prueba F (igualdad de varianzas)

La prueba F fue introducida en el captulo sobre prueba de hiptesis y se utiliz para probar la
igualdad entre varianzas obtenidas de dos muestras independientes. El estadstico F se
denomin as en honor de R. A. Fisher, quien cre el mtodo de anlisis de varianza en los aos
20s. La razn de F se forma a partir de la comparacin de dos estimaciones independientes de la
varianza poblacional (2).
Cuanto mayor sea el valor de CM entre mayor ser el valor de F y
F = CM entre / CM dentro menor ser el valor del p calculado.
12
Dado que Ho sea verdadera, el estadstico F seguir la distribucin terica de F con N-k, k-1
grados de libertad; en donde N es el tamao de la muestra y k el nmero de tratamientos. Recuerde
que la distribucin F es positiva; ya que no existen varianzas negativas.
Interpretacin de F
Los resultados de la tabla de anlisis de varianza (cuadro 4) indican que el valor de F es 4,00273
y que el valor de P (p-value) equivalente para dicho valor de F es 0,02362. Si se utiliza un alfa de
0,05 se debe rechazar Ho; ya que el p calcualado es inferior al p crtico. Note sin embargo que si
hubisemos seleccionado previamente un nivel de significancia de 1% (=0,01) no se deberia
rechazar Ho. Es refuerza la importancia de definir el nivel de significancia antes de realiza
cualquier prueba estadstica.
Qu sabemo hasta ahora? Al rechazar Ho sabemos que al menos dos pares de medias son
diferentes; sin embargo el ANOVA no nos indica cules son. Para responder a esta interrogante
debemos hacer una prueba de medias a posteriori como se indica en la seccin 2.4.
Los supuestos de la prueba F para un anlisis de varianza de una va son los mismos que para una
prueba t de dos muestras independientes; a saber:
Muestras independientes y muestreo aleatorio. Esto asegura la validz de los resultados.
Homogeneidad de varianzas ( 1 2 = 2 2 = 3 2 = ...). La prueba F es robusta a la violacin de

este supuesto siempre y cuando el nmero de observaciones sea igual por tratamiento. La
prueba de Bartlett puede utilizarse para probar por la homogeneidad de las varianzas.
Los errores son independientes al interior de los tratamientos y entre tratamientos. Un buen
diseo experimental asegura que este supuesto se cumpla.
La distribucin de errores es normal al interior de cada tratamiento. La prueba F es robusta a la

violacin de este supuesto siempre y cuando los datos muestren el mismo patrn de asimetra
y curtosis. Graficando los datos por tratamiento se puede evaluar este supuesto.
El complemento XLXTatiscs ofrece las grficas que se muestran en la figura 3 para evaluar los
supuestos del anlsisis de varianza.
Comentarios:
1- La grfica de probabilidad normal y el histograma de residuos indican que los datos no se

apartan del supuesto de normalidad.
2- Los graficos de residuso para los valores ajustados y por tratamiento indican que la varianza es
homgenea para el set de datos. La prueba de igualdad de varianzas de Hartley (Fmax) (cuadro
5) confirma esta apreciacin visual (el p calculado 0,1966 es mayor que p critico 0,05).
13
8
8
6
6
4
4
2
Residuo
2
Residual0 0
-2 -2
-4 -4
-6 -6
-8 -8
-4 -2 0 2 4 30 30.5 31 31.5 32 32.5 33 33.5 34
Z
Valores ajustados
8
6
4
Residual
2
0
-2
-4
-6
-8
Testigo FO FQ
Tratamiento
Figura 3: Anlisis grafico de los residuos.
Cuadro 5: Prueba de Barlett para igualdad de varianzas.

Data
Number of Groups 3
Total Sample Size 60
Smax2 15,93
2
Smin 9,257
H0: Population variances of all categories equal

H1: Population variances of all categories not equal
Fmax 1,7208
DF1 3
DF2 19
p-value = 0,1966
Los supuestos de normalidad e igualdad de varianzas son crticos para realizar las pruebas de
hiptesis; sin embargo el anlisis de varianza es robusto a dichas violaciones; especialmente
conforme aumenta el tamao de la muestra. En la prctica, se pueden aceptar violaciones a dichos
supuestos sin invalidad los resultados. Tambin es posible transformar los datos (e.g. raz
cuadrada, logartmos, recproco, angular) para hacerlos compatibles con los supuestos del anlisis
de varianza; sin embargo dichas transformaciones afectar la magnitud de las interacciones y en
general se recomiendan con la ltima opcin. Otro alternativa es utilizar pruebas no paramtricas
incluido el remuestreo.
2.4 Pruebas a posteriori

Dado que el anlisis de varianza indica que al menos uno de las medias es diferente de las otras,
procedemos a realizar pruebas a posteriori. A continuacin se listan algunas de las pruebas a
posteriori ms comunes; sin embargo en un caso real el investigador deber seleccionar aquella
que mejor se ajuste a los objetivos de su investigacin.
14
El (la) investigador(a) debe tener claro que cuando se realizan pruebas a posteriori el error tipo I
(rechazar Ho cuando sea verdadera) puede ser muy superior al nominal indicado por el valor de
alfa utilizado en las mismas. Las pruebas a posteriori son apropiadas para comparar set de
tratamientos que no provienen de un diseo experiemental (e.g.efecto de ENOS en precipitacin
media anual) y en especial cuando el objetivo del estudio es realizar un anlisis preliminar o
cuando se desea seleccionar el mejor tratamiento.
En general, estas pruebas no son apropiadas para ensayos que incluyan tratamientos
estructurados tales como concentraciones de un factor (e.g fertilizante, humedad, luz) o diseos
factoriales para los cuales la variable respuesta es evaluada para todos las combinaciones de los
diferentes niveles de dos o ms factores. En estos casos los constrastes planeados son preferidos.
Cuando no sea posible aplicar comparaciones planeadas ortogonales (independientes), el
intervalo de Bonferroni es el apropiado ya que reparte el error tipo I por igual entre todas las
comparaciones.
A. Diferencia mnima significativa irrestricta LSD

Segn Saville (1990) esta es la mejor opcin para realizar un anlisis explotario de las
diferencias entre tratamientos. Entre sus ventajas estn: simpleza, es concistente, se puede utilizar
en diseos no balanceados y con desigualdad de varianzas; su potencia es excelente y su error tipo
I es conocido y constante. Cuando se trabaja con diseos con igual numero de observaciones por
tratamiento (balanceados), esta prueba es equivalente a la prueba de la diferencia mnima
significativa de Fisher para toda comparacin de medias de efectos principales.
Se denomina irrestricto porque no requiere de la significancia previa de una prueba F (anlisis de

varianza). Entre las desventajas se citan: muchas de las comparaciones estn correlacionadas o sea
son no independientes (sin embargo esto aplica tambin a los otros mtodos) y existe una mayor
probabilidad de declarar Ho como falsa siendo en realidad verdadera (prueba es ms liberal, error
tipo I es superior al indicado por el valor de alfa).
Otros autores (Little y Hills,1976; Lowry, 1992) recomiendan que esta prueba se utilice slo
para comparaciones independientes y con promedios adyacentes. Es estadstico de prueba es el
siguiente:
Diferencia: to = |(y1 - y2)| / (2*S2p / r)0.5 = diferencia/error estndar de las diferencias (13)
_ _
En donde: y1 : media 1; y2 : media 2
r: nmero de unidades experimentales que recibe el tratamiento
S2p: Varianza ponderada de las dos medias
S2p =[(r1 - 1)*S21 + (r2 - 1)*S2] /(r1 + r2 ) - 2 (14)
El valor absoluto de la expresin 13 se compara con el valor de t crtico correspondiente y se

declaran como significativas todas aquellas diferencias superiores a dicho valor (t /2, gl).
15
2
A continuacin se presenta el resultado del anlisis realizado con BioEstat para los datos del
archivo cuadro1_bioestat.csv.
Interface grafica del programa

BioEstat.
Columna 1: Testigo (no fertilizante)
Columna 2: Fertilizante orgnico
Columna 3: Fertilizante qumico
Comentarios:
1. El programa realiza el anlisis de varianza y adems calcula un valor de t de Estudiante
para cada uno de los contrastes o comparaciones. Los datos del anlisis de varianza son los
mismos obtenidos con XLSTatistics.
2. La prueba LSD irrestricta indica que sola la diferencia entre testigo (media 1) y fertilizante
qumico (media 3) es estadsticamente significativa (p < 0,01).
Contraste Valor (cm) t de Estudiante p

Testigo - FO |30.34 - 32.31| = 1.97 1,7874 NS
Testigo - FQ |30.34 - 33,42| = 3,08 2,7932 0,0071 (S)
FO - FQ |32.31 - 33.42 |= 1,11 1,0058 NS
NS: no significativo S: significativo
2 http://mamiraua.org/cms/content/public/documents/BioEstat-5.3-Portugues.zip
16
B. Diferencia mnima significativa restringida de Fisher
La prueba LSD de Fisher es una de las ms antiguas (conocida como LSD restringida) y se
aplica en dos pasos. Primero, se debe declarar el anlisis de varianza para el experimento como
significativo y luego se aplica la prueba LSD. Sin embargo segn Saville (1990) esta prueba
brinda resultados inconsistentes. Esto significa que su veredicto cambiar de experimento a
experimento an cuando no cambien las diferencias entre tratamientos, los grados de libertad ni el
cuadrado medio del error. Por lo anterior Saville (1990) recomienda utilizar la LSD irrectricta con
un alfa de 0.01 para resguardar al investigador contra los errores tipo I. El estadstico de prueba es
el siguiente:
_ _
Diferencia: to =(yi - yj) / (2CME /r)0,5 (15)
_ _
En donde: yi : media i; yj : media j
r: nmero de repeticiones por tratamiento
CME: Cuadrado medio del error obtenido de la tabla de anlisis de varianza
El valor absoluto de la expresin 15 se compara con el t crtico correspondiente y se declaran

como significativas todas aquellas diferencias superiores a dicho valor (t/2, gl). Algunas veces el
anlisis de varianza ser significativo sin embargo el LSD no mostrar diferencias significativas
entre tratamientos.
A continuacin se presenta el resultado del anlisis realizado con InfoStat 3 para los datos del
archivo anova_cuadro.xls.
3 http://www.infostat.com.ar/
17
Comentarios:
1. Se presentan los resultados de LSD para dos niveles de significancia (0,05 y 0,01). Note
que al cambiar el valor de alfa, cambia el valor de DMS (diferencia mnima significativa).
Para un alfa de 0,01 se requiere una diferencia superior a 2,94 cm entre dos tratamientos
para declarar el contraste como significativo, en tanto que para un alfa de 0,05 solo se
requiere de una diferencia de 2,12cm.
2. Observe que los datos del anlisis de varianza son los mismos obtenidos con XLSTatistics
y BioEstat.
3. El error estndar (EE) es igual a (CME / n) 0,5 = (12,18 / 20) 0,5 = 0,78
4. La prueba LSD indica que la media del fertilizante qumico (FQ) y del orgnico (FO) es
igual y que la media del fertilizante orgnico es igual a la media del testigo. Observe que
solo el testigo es diferente del fertilizante qumico. Las diferencias son las siguientes:
Comparacin Valor (cm) DMS (0,05) (cm) DMS (0,01) (cm)

Testigo - FO |30.34 - 32.31| = 1,97 NS 2,21 2,94
Testigo - FQ |30.34 - 33,42| = 3,08 S 2,21 2,94
FO - FQ |32.31 - 33.42 |= 1,11NS 2,21 2,94
5. El resultado de la prueba LSD restringida es consistente con el de la prueba LSD

irrestricta.
C. Prueba de rangos mtliples de Duncan

En este caso las comparaciones entre las medias no se hacen utilizando una nica diferencia
crtica como se hace por ejemplo en una prueba t de Estudiante o en la LSD de Fischer. La prueba
de Duncan ajusta la diferencia crtica considerando si los dos promedios que se comparan son
adyacentes o s por el contrario existe uno o ms medias entre las medias que se estn
comparando.
La prueba de Duncan tiene una consistencia moderada; sin embargo no debe utilizarse cuando
las varianzas son heterogneas. Sin embargo Lehmann y Shaffer (1977) argumenta que dicha
prueba no debe utilizarse porque la derivacin de las tasas de error dependen de una condicin de
monotocidad en los datos (siempre crecen o decren; pero no oscilan); la cuale no se presenta en
datos reales. La frmula para la prueba de Duncan es:
--
Diferencia crtica: Kr (CME dentro de grupos/ n )0,5 (16)
--
18
El valor de Kr se obtiene de la tabla de comparaciones de rangos mltiples de Duncan y n
corresponde al tamao medio de las muestras. A continuacin se presenta el resultado del anlisis
realizado con InfoStat para los datos del archivo anova_cuadro1.cvs.
Comentarios:
1. Se presentan los resultados de la prueba de Duncan para dos niveles de significancia (0,05
y 0,01). La significancia de los contrastes no cambia con el nivel de significancia.
3. La prueba de Duncan indica que la media del fertilizante qumico (FQ) y del orgnico
(FO) es igual y que la media del fertilizante orgnico es igual a la media del testigo.
Observe que solo el testigo es diferente del fertilizante qumico. Las diferencias son las
siguientes:
Comparacin Valor (cm) Resultado
Testigo - FO |30.34 - 32.31| = 1,97 NS
Testigo - FQ |30.34 - 33,42| = 3,08 S
FO - FQ |32.31 - 33.42 |= 1,11 NS
D. Prueba de Student-Newman-Keuls (S.N.K)

La prueba de Student-Newman-Keuls utiliza una filosofa similar a la de Duncan para calcular el
valor de la diferencia crtica; sin embargo utiliza otra tabla para obtener los valores de los rangos
crticos. En opinin de los estadsticos la tabla de Newman-Keul y de rangos mltiples de Tukey
son ms defendibles desde el punto de vista matemtico que la de Duncan y por lo tanto los
resultados obtenidos son ms confiables. Esta prueba no debe utilizarse cuando las varianzas no
sean homogneas. La prueba opera de la siguiente manera:
1. Prueba por la homogeneidad de las k medias a un nivel de significacin k. Si se rechaza

Ho (las medias son homogneas) se procede con la siguiente prueba, de lo contrario se
detiene el proceso.
2. El paso dos es probar por la homogeneidad de cada subconjunto de k-1 medias, usando un
nivel de significacin k1, si no se rechaza Ho, el procedimiento se detiene.
19
3. El procedimiento se repite con k-2 medias y as sucesivamente hasta que no sea posible
rechazar Ho (o se las medias son homogneas).
El nivel de significacin en la etapa i-sima es: i =1-(1-)i-1; el mtodo controla tasa de error por
comparacin sin embargo no la tasa de error por experimento. El incremento en la tasa de error
puede conducir a una disminucin del error de tipo II, razn por la cual algunos autores afirman
que esta prueba es ms potente.
La frmula para la prueba de Newman-Keuls es:
--
Diferencia crtica: qr (CME dentro de grupos/ n )0,5 (17)
El valor de q se obtiene de la tabla de comparaciones mltiples de Newman-Keul y rangos

mltiples de Tukey. A continuacin se presenta el resultado del anlisis realizado con InfoStat
para los datos del archivo anova_cuadro1.cvs.
Comentarios:
y 0,01). La significancia de los contrastes no cambia con el nivel de significancia.
2. El error estndar (EE) es igual a (CME / n) 0,5 = (12,18 / 20) 0,5 = 0,78.
3. Para un alfa de 0,05 y 0,01, la prueba de Student-Newman-Keuls declara como

significativos todos los contrastes.

Testigo - FO |30.34 - 32.31| = 1.97 S
Testigo - FQ |30.34 - 33,42| = 3,08 S
FO - FQ |32.31 - 33.42 |= 1,11 S
20
Con fines ilustrativos, a continuacin se muestra el resultado de realizar tres pruebas de hiptesis
por separado utilizando XLSTatistics. Para u alfa de 0,05 solo los contrastes testigo Vs
fertilizantes son significativos. En otras palabras, esta prueba no detecta una diferencia
significativa entre la aplicacin de fertilizante orgnico y qumico.
F. orgnico > testigo F. qumico > testigo F. qumico > F. Orgnico
E. Tukey
La prueba de Tukey es similar a una prueba t de Estudiante en cuanto a que se calcula una nica
diferencia crtica para para realizar todas las comparaciones entre las medias; sin embargo es
tambin similar a la prueba de Duncan y de Newman-Keuls en cuanto a que el valor de esta
diferencia crtica depende del nmero de comparaciones que se haga.
Una desventaja de la prueba de Tukey es que es la ms incosistente de entre las pruebas para
realizar comparaciones mltiples. Esto significa que su veredicto cambiar de experimento a
experimento an cuando no cambien las diferencias entre tratamientos, los grados de libertad el
cuadrado medio del error (Saville, 1990). El valor de q r se obtiene de la tabla de Newman-Keul
y de rangos mltiples de Tukey. La frmula para la prueba de Tukey es:
--
Diferencia honestamente significativa: HSD= qr (CME dentro de grupos/ n )0,5 (18)
Esta prueba no es apropiada cuando existen grandes diferencias en el tamao de la muestra por
tratamiento. A continuacin se presenta el resultado del anlisis realizado con InfoStat para los
datos del archivo anova_cuadro1.cvs.
21
Comentarios:
y 0,01). La significancia de los contrastes cambia con el nivel de significancia.
3. Para un alfa de 0,05 la prueba de Tukey declara como significativa nicamente la

diferencia entre la media del testigo y del fertilizante qumico.

Testigo - FO |30.34 - 32.31| = 1.97 NS
Testigo - FQ |30.34 - 33,42| = 3,08 S
FO - FQ |32.31 - 33.42 |= 1,11 NS
4. Para un alfa de 0,01 la prueba de Tukey declara como no significativos ninguno de los
contrastes (Ver intervalos de Bonferroni).
Con fines ilustrativos, a continuacin se muestra el resultado de la prueba realizada con el

programa BioEstat para un alfa de 0,05. La conclusin es que solo el contraste testigo Vs
fertilizante qumico alcanz un valor de p inferior a 0,05.
BioEstat.
Columna 1: Testigo (no
fertilizante)
Columna 2: Fertilizante
orgnico
Columna 3: Fertilizante
qumico
F. Scheff
La prueba de Sheffe es similar a la prueba de Tukey pues se calcula un nico valor crtico para
realizar las comparaciones entre las medias. La principal diferencia entre Scheffe y los otros
mtodos de comparaciones mltiples es que utiliza la tabla F y no las tablas de rangos
estandarizados segn la distribucin t de estudiante de las otras pruebas.
La prueba de Scheff es la ms rigurosa (conservadora) y por lo tanto la probabilidad del error

tipo I es menor (rechazar Ho cuando es verdadera); sin embargo es poco utilizado en la vida real
(Saville, 1990). Una ventaja de Scheff es que puede utilizarse para realizar comparaciones que
involucran ms de dos medias; por ejemplo, testigo versus abono1 y abono2. La frmula para la
prueba de Scheff es:
22
--
Diferencia crtica:((K-1)*Fd f N-1, d f error )0,5 (2*CME dentro de grupos/n)0,5 (19)
Donde, K es el nmero de grupos o tratamientos y F es el valor de la tabla F con los respectivos

grados de libertad. Esta prueba no es apropiada cuando existen grandes diferencias en el tamao
de la muestra por tratamiento. Ni Infostat ni BioEstat permiten calcular esta prueba.
G. Dunnett (comparacin con un control)

La prueba debe utilizarse cuando se quiere comparar la media del grupo control (o sea aquel
grupo al que no se le aplica tratamiento) con las medias de los grupos experimentales (grupos que
reciben tratamiento). El mtodo de clculo de la prueba de Dunnett es similar a una prueba t y a la
prueba de Scheffe. Dunnett utiliza una nica diferencia crtica para realizar las comparaciones
mltiples. La prueba de Dunnett no requiere que la prueba F del anlisis de varianza sea
significativa para aplicarla. La frmula para la prueba de Dunnett es:
--
Diferencia crtica: d r (CME dentro de grupos / n)0,5 (20)
El valor de d r se obtienen de la tabla de Dunnett y corresponde a : t D / 2; k, v ; endo donde K es el

nmero de tratamientos (incluido el control) y v los grados de libertad del CME.
A continuacin se muestra el resultado de la prueba realizada con el programa BioEstat para un

alfa de 0,05.
Configuracin de la ventana de dilogo.

Asegrese que la primera columna
contiene los datos del testigo.
Seleccione una prueba unilateral (de una

cola).
Se seleccion un alfa de 0,05 para la
prueba.
Comentarios:
1. El error estndar (EE) es igual a (CME / n) 0,5 = (12,18 / 20) 0,5 = 0,78.
23
2. Para un alfa de 0,05 la prueba de Dunnett declara como significativas las diferencias entre
testigo y fertilizante orgnico y testigo y fertilizante qumico.

Testigo - FO |30.34 - 32.31| = 1.97 P < 0,05 S
Testigo - FQ |30.34 - 33,42| = 3,08 P < 0,05 S
H. Intervalo de Bonferroni o correccin de Bonferroni

Como ya se ha mencionado, la principal limitante de las pruebas mltiples es controlar el error
tipo I. La correccin de Bonferroni se sustenta en la idea de que si usted somete a prueba "n"
hiptesis dependientes o independientes (pareadas) para un mismo set de datos, la forma de
mantener la tasa de error constante para el estudio es probar cada hiptesis individual a un nivel de
significancia 1/n veces ms de lo que sera si slo se sometiera a prueba una hiptesis.
El objetivo es mantener igual el nivel de significancia ( ) para toda la familia de pruebas y por
lo tanto la correccin de Bonferroni somete a prueba cada uno de los contrastes a un nivel de
significancia de /n. Por ejemplo, si se realizan tres contrastes simultneos y se desea mantener el
nivel de significancia en 0,05; el alfa elegido para la prueba debe ser 0,05/3= 0,0166.
La prueba permite controlar el error tipo I de los contrastes de manera simultnea utilizando la
siguiente expresin: c=k(k-1)/2); donde k es el nmero de tratamientos a comparar. El nivel de
significancia de cada contraste es ajustado de acuerdo al nmero de comparaciones realizadas.
A continuacin se presenta el resultado del anlisis realizado con InfoStat para los datos del
archivo anova_cuadro1.cvs.
Comentarios:
1. Para un alfa de 0,05, la correccin de Bonferroni declara como significativa solo la diferencia
entre el testigo y fertilizante qumico. Para el alfa 0,01 no declar ningn contraste como
significativo.
24
Con fines ilustrativos, a continuacin se muestra el resultado de la prueba realizada con el
programa BioEstat para un alfa de 0,025. La conclusin es que solo el contraste testigo Vs
fertilizante qumico alcanz un valor de p inferior a 0,025.
Para tres
comparaciones,
el programa
sugiero utilizar
un alfa de
0,025.
Resumen
Como ya se mencion, la filosofa y rigurosidad estadstica de cada uno de los mtodos para
realizar comparaciones mltiples es diferente; sin embargo, para el ejemplo analizado, la mayora
de los mtodos solo detect diferencias significativas entre la media del testigo y el fertilizante
qumico (p<0,05). Por lo tanto, se puede concluir que no existe una difencia significativa (p>
0,05) entre los mtodos de fertilizacin. Solo la prueba de Dunnett declar como significativa (p <
0,05) dicha diferencia.
Conclusiones:
Los resultados del anlisis de varianza indican que no existe diferencia en el crecimiento de las
plntulas a las cuales se les aplic el abono orgnico con respecto a aquellas a las cuales se les
aplic el abono qumico a un nivel de significancia de 0,05%.
El crecimiento de los rboles con abono qumico o orgnico fue superior al de los rboles sin
abono a un nivel de significancia de 0,05.
Dados los resultados, no es posible saber cul de los dos abonos es el mejor.
2.4.1. Limitaciones de las pruebas a posteriori

Las pruebas a posteriori deben aplicarse slo cuando la prueba F del anlisis de varianza indica
que existen diferencias entre algunas de las medias de los tratamientos. Esto minimiza la
probabilidad de incurrir en un error tipo I (rechazar Ho cuando es verdadera). Las diferencias
25
crticas o significativas en las pruebas a posteriori son mayores comparadas con las pruebas
planeadas con el objeto de evitar rechazar Ho cuando esta es verdadera. En este sentido, estas
pruebas tienden a ser conservadoras.
Las comparaciones planeadas son aquellas que se definen antes de realizar el experimento y por
lo tanto no requieren de un valor de F significativo previo a su aplicacin. Para un experimento
con c comparaciones independientes entre medias, la probabilidad de obtener al menos una
comparacin significativa por efecto de azar est dada por:
1 - (1- ) C (21)
Lo que es aproximadamente igual a C* para valores pequeos de . Si comparamos la media

menor y mayor de un experimento (usualmente el testigo versus el mejor tratamiento) se
esperaran los siguientes resultados en funcin del nmero de comparaciones:
No. de tratamientos alfa nominal % de veces en que el valor tabulado ser excedido
y por lo tanto Ho rechazada (error tipo I)
3 0.05 13
6 0.05 40
10 0.05 60
20 0.05 90
Fuente: Kirk, 1968.
Para evitar cometer errores tipo I m all de lo deseado por el investigador (a), siempre que sea
posible se debe optar por las pruebas planeadas. En opinin de algunos autores el mtodo de
Duncan muestra un buen control del error tipo I; su potencia es superior a Newman-Keuls, Tukey
y Scheffe (Snedecor y Cochran, 1980); adems es un mtodo con una consistencia moderada y en
la prctica se muestra mucho ms consistente que las otras pruebas mltiples (Saville, 1990). A
continuacin se ordenan las pruebas para comparaciones mltiples de acuerde a su tendencia a
cometer errores tipo I (rechazar Ho cuando es verdadera).
Liberales Conservadoras
LSD------------------Duncan-----------------NK--------------------Tukey-------------------Scheff
Liberales Conservadoras
Se detecta ms diferencias y Se detecta menos diferencias y
diferencias pequeas son diferencias pequeas no son
declaradas como significativas. declaradas como significativas
2.5. Pruebas a priori o planeadas

En la seccin anterior se mencion que se recomienda utilizar las pruebas a posteriori con fines
exploratorios; o sea en aquellos estudios en los que no es posible definir las hiptesis que se
desean someter a prueba antes de realizar el experimento.
26
Se espera que en la mayora de los experimentos el o la investigadora tenga una idea clara de
cules comparaciones son de inters y cules no lo son. Una de las propiedades de los contrastes
planeados es que son independientes y por lo tanto no padecen de las limitaciones mencionadas
para las pruebas a posteriori (error tipo I).
Dado un experimento no T tratamientos existes T-1" contrastes o comparaciones

independientes (ortogonales). Por ejemplo, en el caso anterior con tres tratamientos (tipos de
fertilizantes) solo sera posible hacer dos comparaciones; una de ellas puede ser el efecto del
fertilizante orgnico con respecto al qumico (equivalente a una prueba t de dos poblaciones) y la
otra, la respuesta del testigo con respecto al fertilizante qumico o al orgnico. Note sin embargo
que este caso la comparacin de inters debe ser entre los fertilizantes (orgnico vs qumico).
Un contraste es una combinacin lineal de medias en el cual la suma de los coeficientes de cada
una de las medias suma cero.
Ci 1 en donde Ci = 0 (22)
Al disear una tabla de coeficientes de comparacin, utilice los siguientes criterios como una
gua:
1. Recuerde que siempre se realizar una comparacin entre dos grupos o medias. Si ambos
grupos tienen el mismo nmero de tratamientos; asigne el valor 1 a uno de los grupos y el
valor -1 al otro grupo. Por ejemplo, si se desea comparar el efecto del fertilizante orgnico
versus el efecto del fertilizante qumico, asigne un 1 a los tratamientos que incluyen el
fertilizante qumico y un -1 a los tratamientos que incluyen el fertilizante orgnico; note
que la suma de los coeficientes es igual a cero.
2. Cuando los grupos que se comparan no tienen el mismo nmero de tratamientos (e.g. tres
tratamientos con factor A Vs dos tratamientos con factor B) asgnele al primer grupo un
coeficiente igual al nmero de tratamientos del segundo grupo y al segundo grupo un valor
igual al nmero de tratamientos del primer grupo pero de signo opuesto. Por ejemplo, si
tenemos tres tratamientos (A,B,C) y deseamos comparar los primeros dos (A y B) versus
el tercero (C) debemos asignar los coeficientes as: +1,+1, -2; note que la suma de los
coeficientes es igual a cero.
3. Aplique un divisor comn a todos los coeficientes de tal forma que su valor se reduzca al
entero ms pequeo posible. Por ejemplo, dado un experimento factorial de tres niveles
del factor A y dos niveles del factor B, tenemos seis tratamientos (A, B, C, D, E, F). Si se
desea comparar el efecto de los tratamientos A y B versus los tratamientos C, D, E, F; los
coeficientes deberan ser:+4 +4 -2 -2 -2 -2; sin embargo estos valores pueden dividirse
entre dos y reducir los coeficientes a: +2 +2 -1 -1 -1 -1; note que la suma de los
coeficientes es igual a cero. A continuacin se muestra otro ejemplo:
27
A B C D E F
A versus B, C, D, E, F 5 -1 -1 -1 -1 -1 Ci = 5+-1+-1+-1+-1+-1= 0
A B C D E F
A y B versus C, D, E -3 -3 2 2 2 0 Ci = -3+-3+2+2+2 = 0
Nota: observe que F es cero porque no se incluye en la comparacin.
A B C D E F
C y D versus E, F 0 0 -2 -2 2 2 Ci = -2+-2+2+2 = 0
Nota: observe que A y B son cero porque no se incluye en la comparacin.
4. Si desea probar por el efecto de la interaccin entre cualquier par de comparaciones

simplemente multiplique los coeficientes correspondientes de los efectos principales. Para
que un conjunto de comparaciones planeadas sean independientes u ortogonales es
necesario que cumplan con las siguientes condiciones:
a. La suma de los coeficientes de las comparaciones debe ser igual a cero. Observe
que la matriz de coeficientes planteada en el numeral tres cumple con esta
condicin.
b. La suma de los productos para cualquier par de comparaciones debe ser igual a
cero. Observe que la matriz de coeficientes planteada en el numeral tres para A
versus B, C, D, E, F no cumple con esta condicin.
Ejemplo: A continuacin se muestre el resultado de dos contrastes utilizando InfoStat:
Testigo versus fertilizante orgnico

Matriz de contraste
NF FO FQ
-1 1 0
Para un alfa de 0,05 no se rechaza
Ho.
Testigo versus fertilizante qumico

Matriz de contraste
NF FO FQ
-1 0 1
Para un alfa de 0,01 se rechaza Ho.
El valor de p para la prueba de

hiptesis de dos medias
independientes es 0,0045.
28
Si usted necesita hacer un nmero pequeo de contrastes y algunos de ellos no son
independientes, puede utilizar el intervalo de Bonferroni; el cual depende del nmero de
comparaciones que se desea hacer, del nivel de significancia seleccionado y de los grados de
libertad del cuadrado medio del error.
La prueba de Bonferroni utiliza una prueba t de Estudiante para realizar comparaciones

mltiples; sin embargo a diferencia de los otros mtodos presentados previamente, permite
controlar la tasa de error general del estudio mediante la asignacin de un error a cada
comparacin igual al error general del experimento dividido entre el nmero de comparaciones.
De esta forma el nivel de significancia es ajustado segn el nmero de comparaciones realizadas.
3. Diseo de bloques completos al azar

Este diseo experimental es equivalente a un muestreo estratificado en donde los tratamientos se
asignan al azar a un conjunto de unidades experimentales denominado bloques; en algunos textos
de estadstica tambin se les denomina repeticiones (e.g. Steel y Torrie, 1980); sin embargo el
primer trmino es ms apropiado para evitar la confusin con las repeticiones de un diseo
Los adjetivos completo y al azar indican que cada bloque contiene todos los tratamientos y que
stos son asignados al azar al interior del bloque. Tambin se puede tener un diseo de bloques
balanceados incompletos al azar; en este caso uno de los tratamientos es omitido en cada bloque;
sin embargo en todos los casos el efecto de los tratamientos y sus diferencias son estimados con la
misma precisin; ya que todos los bloques tienen igual nmero de repeticiones. Por ejemplo, si se
tienen cuatro tratamientos (a, b, c y d) se puede omitir uno por bloque como se muestra a
continuacin:
Bloque Tratamientos tratamiento omitido

1 bac d
2 abd c
3 acd b
4 bcd a
El objetivo del diseo es seleccionar los bloques de tal forma que su variabilidad interna sea
mnima, a la vez que se maximiza la variabilidad entre los bloques. En otras palabras, las unidades
experimentales de un bloque deben ser lo ms similares posibles entre s pero a la vez lo ms
disimilares con respecto a los otros bloques.
El xito del diseo depende de la capacidad del investigador(a) de formar bloques homogneos y
a la vez de aplicar los tratamientos por bloque en forma uniforme. Uno de los supuestos del diseo
de bloques al azar es que el efecto de los bloques es independiente del efecto de los otros factores
(tratamientos) y por lo tanto en este tipo de diseo no interesa la interaccin entre tratamientos y
bloques; aun cuando el investigador(a) puede calcularlo si lo desea. El diseo podra analizarse
como un experimento de dos factores sin repeticiones (Manly, 1992).
29
En el caso de experimentos de campo que involucren parcelas (e.g. plantaciones, respuesta a
raleos, respuesta a fertilizacin) es recomendable ubicar las parcelas de un bloque lo ms cercanas
una de las otras; ya que esto tiende a reducir la variabilidad del bloque. En caso de presentarse una
gradiente en el rea de estudio (e.g. pendiente, pluviosidad, humedad), los bloques deben ubicarse
a lo largo de la gradiente y las parcelas por bloque deben ubicarse paralelas al gradiente (Fig. 4).
Dado el espacio fsico requerido por este tipo de diseo con frecuencia se incluyen pocos
tratamientos y una nica repeticin. Aunque no se requiere que cada bloque tenga la misma forma
s es una caracterstica deseable para evitar incluir una fuente de variabilidad adicional en el
diseo.
La asignacin de tratamientos por bloque debe ser aleatoria; por ejemplo, si se tienen tres
tratamientos por bloque usted puede enumerar sus tratamientos de uno a cuatro y luego utilizar
una tabla de nmeros al azar para asignar los tratamientos por bloque como se ilustra a
continuacin:
Figura 4: Ubicacin de bloques y unidades experimentales en un terreno con una gradiente. La

flecha indica el sentido de la gradiente. Los tratamientos A, B, C, D fueron asignados en forma
aleatoria en cada uno de los bloques (1 a 5).
En sntesis, bajo condiciones de campo este diseo experimental permite obtener estimaciones
ms precisas que un diseo completamente al azar. El diseo permite incluir cualquier nmero de
tratamientos y repeticiones; tambin es posible incluir dos o ms repeticiones de un tratamiento
por bloque.
En presencia de datos perdidos puede utilizarse la tcnica de la parcela perdida desarrollada por
Yates para realizar el anlisis. Este diseo no es apropiado cuando se espera un alto nmero de
datos perdidos en el estudio; bajo estas condiciones es mejor utilizar un diseo completamente al
azar.
A continuacin se muestra cmo se calculan los diferentes componentes del anlisis de varianza x
dos vas.
30
3.1. ANDEVA de dos vas
La ANDEVA de dos vas permite evaluar la respuesta del grupo experimental al efecto
combinado de dos factores. Normalmente cada factor provee dos o ms tratamientos. Por ejemplo,
podemos evaluar la respuesta en crecimiento de plntulas de pochote a los siguientes factores:
Factor 1: dos formulaciones de fertilizante (1 y 2). Cada formulacin es un tratamiento.

Factor 2: tres tipos de enviases (A,B,C). Cada tipo de envase es un tratamiento.
El efecto de los tratamientos anteriores podra analizarse realizando dos experimentos por
separado y utilizando un diseo de varianza de una va (irrestricto al azar) en cada caso. Sin
embargo, esto no permitira saber s existe una interaccin entre los mtodos de fertilizacin y los
tipo de envases.
Al igual que en el caso del ANDEVA de una va, en el anlisis de dos vas se divide la
variabilidad total del experimento en diversas fuentes de variacin (estimaciones independientes
de varianza) y luego se realizan las pruebas F para determinar la significancia de los tratamientos
principales (e.g. fertilizante y tipo de envase) y la interaccin (fertilizante * tipo de envase).
En el anlisis de varianza de dos vas el investigador(a) debe tener claridad del modelo de
ANDEVA que est utilizando. Por ejemplo, representan los niveles de los factores una muestra
de n posibles niveles? o por el contrario son los nicos niveles de importancia para el
experimento? La respuesta a esta pregunta permite definir los factores o efectos principales como
fijos o aleatorios.
Factor fijo: Los niveles incluidos en el experimento son los nicos relevantes para la
investigacin. Por ejemplo, extraccin con bueyes, chapuln y tractor de orugas; medicin de
dimetros con forcpula y cinta diamtrica; medicin de pH con dos instrumentos.
Factor aleatorio: Los niveles del factor incluidos en el experimento representan una muestra
aleatoria de n posibles niveles. Por ejemplo, tres niveles de N (nitrgeno) en un ensayo de
fertilizante dos procedencias de semilla de n posibles sitios.
La combinacin de los dos tipos de factores brindan los siguientes modelos de ANDEVA:
Niveles de Factor 1 Niveles de Factor2 Designacin Comentario

Fijo Fijo Modelo I, Fijo Uso muy frecuente
Aleatorio Aleatorio Modelo II, Aleatorio Uso poco frecuente
Fijo Aleatorio Modelo III, Mixto Uso frecuente
Aleatorio Fijo Modelo III, Mixto Uso frecuente
31
En cuanto al diseo experimental, este puede implementarse mediante tratamientos con una sola
observacin o con mltiples observaciones por tratamiento como se ilustra a continuacin.
3.1.1. ANDEVA de dos vas con una observacin por celda

La tabla de anlisis de varianza de dos vas con una observacin por celda contiene los siguientes
elementos (Modelo de efectos fijos):
Fuente de variacin Gl SC CM F CM Esperado
Total FC-1 SCT ---------- ---------- ------

2 2
Filas (F) F-1 SCF SCF / F-1 CMF /CME 2 + C 2 F
Columnas (C) C-1 SCC SCC / C-1 CMC /CME 2 + F C
Error (R-1)(C-1) SCE SCE /(R-1)(C-1)
Al igual que en el anlisis de varianza de una va, el objetivo del diseo es repartir la varianza
total en tres componentes: efecto de filas (tratamiento 1) , columnas (tratamiento 2) y error. Los
supuestos del anlisis son los mismos que para el diseo de una va, a saber: errores
independientes; con una distribucin normal, varianzas homogneas y aditividad en los efectos
principales. El modelo lineal que describe la relacin entre los componentes del diseo es:
X ij = + j + i + ij con i = 1,.. n; j = 1, ....n; ij = (0, 2) (23)
En donde:
: representa la media de la poblacin, constante para todas las observaciones.
j: representa el efecto del tratamiento j, constante para todas las observaciones en
tratamiento j.
i: representa el efecto del tratamiento i, constante para todas las observaciones en
tratamiento i.
ij: representa el error experimental, independiente y con una distribucin normal para
cada tratamiento (0, 2).
El error asociado a cada observacin es el resultado de la variabilidad no explicada por el diseo

experimental y es el que se debe minimizar a travs de la eleccin de un diseo estadstico
apropiado. La implicacin de un error experimental grande es que no se detectarn diferencias
significativas entres los tratamientos.
A continuacin se muestra cmo se calculan los diferentes componentes del anlisis de varianza
para un diseo de bloques completos al azar con una observacin por tratamiento. El experimento
consiste en determinar el efecto de cuatro tratamientos pregerminativos en semillas de teca
(Tectona grandis). La investigacin previa realizada por el (la) responsable del ensayo indica que
los mtodos ms utilizados han sido:
32
1. Someter las semillas a remojo (agua)
2. Asolear las simillas previo a su siembra (sol)
3. Escarificar las semillas (abracin)
Adems y con fines de control se decidi incluir un lote se semillas sin ningn tratamiento. La
variable respuesta fue el nmero de semillas germinadas por lote de cien semillas al cabo de diez
das.
En este caso se asume que los tres mtodos pregerminativos representan los nicos tratamientos
de inters para el experimento y por lo tanto el diseo se define como de efecto fijo. Para aumentar
el poder del experimento se decidi dividir el lote de semillas en ocho bloques y aplicar a cada
bloque los tratamientos en forma aleatoria (efecto aleatorio). En este tipo de experimento la
respuesta de inters es la tasa de germinacin y no la variabilidad entre bloques.
Un diseo alterno sera instalar cada uno de los bloques en viveros diferentes; nuevamente en
este caso no estaramos interesados en el efecto del vivero sobre la germinacin y por tanto no es
una prueba de hiptesis que nos interese someter a prueba.
El cuadro 6 resume los resultados del ensayo al cabo de las diez semanas y la figura 5 presenta el
porcentaje de semillas germinadas por tratamiento y por bloque.
Cuadro 6: Respuesta hipottica de semillas de Tectona grandis a tres tratamientos

pregerminativos. Los valores representan germinacin por lotes de cien semillas al cabo de diez
das del tratamiento.
Tratamientos Bloques % Germinacin

1 2 3 4 5 6 7 8 Total
T1: control 40 70 40 40 20 30 30 30 300 37,5
T2: agua 80 90 80 70 60 70 60 70 580 72,5
T3: Sol 50 60 50 40 30 40 50 40 360 45,0
T4: Abrasin 80 90 100 90 100 100 100 100 760 95,0
Total 250 310 270 240 210 240 240 240 2000 62,5
% Germinacin 62,55 77,5 67,5 60,0 52,5 60,0 60,0 60,0 62,5 62,5
33
90 100
80 90
70 80
% germinacin
70
% germinacin
60
60
50
50
40 40
30 30
20 20
10 10
0 0
B1 B2 B3 B4 B5 B6 B7 B8 T1: control T3: Sol T2: agua T4: Abrasin
Bloques Tratamiento
120 120
100 100
Germinacin_%
80
Germinacin_%
80
60 60
40 40
20 20
0 0
T1: control T2: agua T3: Sol T4: Abrasin B1 B2 B3 B4 B5 B6 B7 B8
Tratamiento Bloque
Figura 5: Porcentaje de germinacin por lotes de 100 semillas. El testigo representa la

germinacin esperada en ausencia de un tratamiento.
A continuacin se brindan los estadsticos descriptivos por tratamiento y por bloque.
Cuadro 7: Estadsiticos descriptios por tratamiento y bloque para el porcentaje de germinacin de

semillas de Tectona grandis sometidas a tres tratamientos pregerminativos. Los valores
representan germinacin por lotes de cien semillas al cabo de diez das del tratamiento.
Tratamiento Total T1: control T2: agua T3: Sol T4: Abrasin
Number 32 8 8 8 8
Mean 62,5 37,5 72,5 45 95
St Dev 25,4 14,88 10,35 9,26 7,56
Skew 0,116 1,604 0,386 5,3E-17 -1,323
Min 20 20 60 30 80
Q1 40 30 67,5 40 90
Median 60 35 70 45 100
Q3 82,5 40 80 50 100
Max 100 70 90 60 100
34
Bloque All B1 B2 B3 B4 B5 B6 B7 B8
Number 32 4 4 4 4 4 4 4 4
Mean 62,5 62,5 77,5 67,5 60 52,5 60 60 60
St Dev 25,4 20,62 15,00 27,54 24,50 35,94 31,62 29,44 31,62
Skew 0,117 -0,200 -0,370 0,323 0,544 0,889 0,632 0,941 0,632
Min 20 40 60 40 40 20 30 30 30
Q1 40 47,5 67,5 47,5 40 27,5 37,5 45 37,5
Median 60 65 80 65 55 45 55 55 55
Q3 82,5 80 90 85 75 70 77,5 70 77,5
Max 100 80 90 100 90 100 100 100 100
COMENTARIOS:
1. Los bloques proveen una fuente adicional de variacin conocida y por tanto esta variacin
puede sustraerse de la suma total de cuadrados, lo que a su vez hace que se reduzca el error
no explicado por el experimento. El cuadrado medio del error (MS) representa la
variabilidad que permanece como no explicada una vez que se ha eliminado la
variabilidad debido a los bloques y a los tratamientos.
En este caso la reduccin debido a los bloques es pequea y por ende su incidencia en la
potencia del ensayo es tambin pequea. Cuanto ms pequeo sea el valor del cuadrado
medio del error (MS) mayor ser la posibilidad de rechazar la hiptesis nula y por ende
declarar a los tratamientos como significativos. El grfico 5 permite apreciar que la mayor
variabilidad en el nmero de semillas germinadas (variable respuesta) se presenta entre los
tratamientos; esto es lo deseable en un diseo de bloques completos al azar; ya que las
columnas representan repeticiones.
2. El testigo y el tratamiento de sol presentaron la menor germinacin: 37.5% y 45%,

respectivamente.
3. El mtodo de abrasin es el que muestra la mayor germinacin (95%).
Este anlisis de tipo exploratorio nos brinda una primera impresin sobre cules tratamientos
podran ser iguales y cules diferentes. A continuacin se analiza el resultado de la tabla de
anlisis de varianza.
A. Tabla de anlisis de varianza

La tabla de anlisis de varianza de dos vas permite, al igual que para el anlisis de una va,
dividir la variabilidad total asociada al experimento en tres fuentes de variacin; a saber:
Variacin inherente de cada tratamiento. Estimacin de 2. En los paquetes estadsticos a

esta valor se le denomina error.
35
Efecto principal del factor de las columnas (repeticiones, en este caso). Estimacin de 2
ms el efecto principal de los bloques.
Efecto principal del factor de las filas (mtodos pregerminativos, en este caso). Estimacin
de 2 ms el efecto principal de los tratamientos.
A continuacin se presenta el resultado del anlisis de varianza obtenidos con el complemento

para Excel XLStatistics (1Num2Cat).
Cuadro 8: Tabla de anlisis de varianza de dos vas.
ANOVA Table
Source DF SS MS F p-value
Tratamiento 3 16700 5566,667 64,944 8,569E-11
Bloque 7 1500 214,286 2,5 0,0490957
Error 21 1800 85,714
Total 31 20000
Hypothesis Tests
Note: Tests for main effects (due to Tratamiento and Bloque separately) may not be appropriate
if interaction is present and serious
H0: Germinacin_% does not depend on Tratamiento
H1: Germinacin_% depends on Tratamiento
p-value = 8.569E-11
H0: There is no variability in Germinacin_% due to Bloque

H1: There is variability in Germinacin_% due to Bloque
p-value = 0.0490957
Fuente de variacin Valor de F Valor de P Ho:

Tratamientos 64,944 (5566,667/85,714) 0.001 1=2 = 3= 4
Bloques 2,50 (214.29/85.71) 0.05 1=2 = 3= 4= 5 = 6=7 = 8
36
COMENTARIOS:
La prueba F para los tratamientos indica que al menos la media de un par de tratamientos es
estadsticamente diferente (P0,001). En cuanto a los bloque, las diferencias no son
significativas a un alfa de 0,01; sin embargo s lo seran a un alfa de 0,05. En este tipo de
diseo experimental los bloques tienen como objetivo reducir la estimacin del error estndar
de los tratamientos y por tanto no tienen inters como un tratamiento en s mismos.
Observe que el valor del cuadrado medio de los bloques (214,29) es 2,5 veces el tamao del
cuadrado medio del error (85,71); esto indica que el diseo de bloque al azar mejor la
exactitud del experimento.
La eficiencia del diseo en bloques al azar (BA) con respecto al diseo irrestricto o
completamente al azar (CA) puede evaluarse mediante la siguiente expresin (Snedecor and
Cochran, 1980):
2 CA / 2 BA (24)
En donde,
-- (J-1) S b2 + J (I-1) S2
S = CA = ----------------------------
2 2
(25)
( IJ-1 )
En donde,
I: tratamientos
J: Bloques o repeticiones
S b2: Cuadrado medio del error de los bloques o repeticiones
Para nuestro ejemplo tenemos:
I: 4
J: 8
S b2: 214,29
S2: 85,71
2 CA / 2 BA = {(8-1)*214,29 + 8(4-1)* 85,71} / 85,71*{4*8}-1 = 1,33
Los datos indican que si se hubiese utilizado un diseo completamente al azar se habran
requerido once rplicas (1.33*8) para lograr el mismo error estndar para los tratamientos del
diseo de bloques al azar. Los clculos anteriores no consideran el hecho de que el diseo
completamente al azar proveer un mayor nmero de grados de libertad para el error comparado
con el diseo de bloques al azar (en este caso 40 Vs 21) y por lo tanto Fisher (1935-1951, citado
por Snedecor and Cochran, 1980) sugiere modificar la expresin anterior para considerar el efecto
de los grados de libertad:
37
2
(glBA) * (glCA) (2
CA / BA ) / (glBA + 3) * (glCA +1)
{(21+1) (40+3) * 1.33} / (21+3)*(40+1) = 1,27
Observe que aun con la correccin de Fisher, todava se requeriran unas diez rplicas para logar
el mismo nivel de error que con el diseo de bloques completos al azar.
El xito del diseo de bloques completos al azar est en elegir material muy similar entre s para
luego aplicar los tratamientos. Por ejemplo, dos sitios con condiciones de suelo, clima, pendiente
y uso previo muy similares son candidatos para servir como rplicas en un experimento de manejo
o restauracin forestal.
Una vez detectadas diferencias entre los tratamientos se procede a aplicar alguna de las pruebas
a posteriori o contrastes planeados para determinar cules medias son diferentes. A continuacin
se ilustra cmo utilizar BioEstat para realizar un anlisis de varianza de dos vas con la prueba a
posteriori de Tukey.
1. Importar el archivo cuadro_6_bioestat.csv a BioEstat

Para asignar la etiqueta
a cada columna,
seleccinela y haga un
clic sobre F2. Luego
digite el texto.
2. Seleccione de men de Estadsticas, Anlise da Variancia, ANOVA: dois criterios
3. Selecionar columnas 1 a 4
38
5. Executar Estadstica
6. Marcar Tukey y Executar
7. Editar y copiar resultados
8. Pegar resultados en documento de Word
FONTES DE VARIAO GL SQ QM
Tratamentos 3 16700,0 5566,667
Blocos 7 1500,0 214,286 Anlisis de varianza
Erro 21 1800,0 85,714
F (tratamentos) = 64,9444 Valor de F para tratamientos

p (tratamentos) = < 0,0001 Valor de p calculado para tratamientos
F (blocos) = 2,5000 Valor de F para bloques
p (blocos) = 0,0488 Valor de p calculado para bloques
Mdias (tratamentos):
Mdia (Coluna 1) = 37,5 F y p calculado para bloques
Mdia (Coluna 2) = 72,5 Medias por tratamiento
Mdia (Coluna 3) = 45,0
Mdia (Coluna 4) = 95,0
Tukey Q (p)
Mdias ( 1 a 2) = 10,6927 < 0,01
Resultado de comparaciones
Mdias ( 1 a 3) = 2,2913 ns
mltiples de Tukey.
Mdias ( 1 a 4) = 17,5665 < 0,01
Mdias ( 2 a 3) = 8,4014 < 0,01
ns: No significativo.
Mdias ( 2 a 4) = 6,8739 < 0,01
Mdias ( 3 a 4) = 15,2753 < 0,01
39
Mdias (blocos):
Mdia (Linha 1) = 62,5
Mdia (Linha 4) = 60,0 Medias por bloque
Tukey Q (p)
Mdias ( 1 a 2) = 3,2404 ns
Mdias ( 1 a 3) = 1,0801 ns
Mdias ( 1 a 4) = 0,5401 ns
Mdias ( 1 a 5) = 2,1602 ns
Mdias ( 1 a 6) = 0,5401 ns
Mdias ( 1 a 7) = 0,5401 ns
Mdias ( 1 a 8) = 0,5401 ns
Mdias ( 2 a 3) = 2,1602 ns
Mdias ( 2 a 4) = 3,7804 ns
Mdias ( 2 a 5) = 5,4006 < 0,05
Mdias ( 2 a 6) = 3,7804 ns
Mdias ( 2 a 7) = 3,7804 ns Resultado de comparaciones
Mdias ( 2 a 8) = 3,7804 ns mltiples de Tukey para diferencias
Mdias ( 3 a 4) = 1,6202 ns entre bloques.
Mdias ( 3 a 5) = 3,2404 ns
Mdias ( 3 a 6) = 1,6202 ns ns: No significativo.
Mdias ( 3 a 7) = 1,6202 ns
Mdias ( 3 a 8) = 1,6202 ns
Mdias ( 4 a 5) = 1,6202 ns
Mdias ( 4 a 6) = 0,0000 ns
Mdias ( 4 a 7) = 0,0000 ns
Mdias ( 4 a 8) = 0,0000 ns
Mdias ( 5 a 6) = 1,6202 ns
Mdias ( 5 a 7) = 1,6202 ns
Mdias ( 5 a 8) = 1,6202 ns
Mdias ( 6 a 7) = 0,0000 ns
Mdias ( 6 a 8) = 0,0000 ns
Mdias ( 7 a 8) = 0,0000 ns
40
La prueba Fmax de Hartley indica que las varianzas son iguales entre tratamientos (p>0,05); la
razn entre la varianza mxima y mnima es 3,87. Al evaluar los resultados de esta prueba
recuerde que es sumamente sensible a las desviaciones de normalidad en el set de datos y por lo
tanto rechazar Ho puede significar no-normalidad en vez de desigualdad de varianzas. Por lo
anterior,muchos estadsticos no recomiendan esta prueba (Sokal y Rohlf, 1969).
prueba Fmax de Hartley (XLSTatistics)
COMENTARIOS: Las comparaciones mltipes de Tukey declaran como significativas (p<0,01)

todas las comparaciones con la excepcin del testigo) versus sol y por lo tanto se recomendara el
tratamiento No. 4 (abracin) como el ms efectivo. Una ventaja del tratamiento 4 es que tambin
present la menor variabilidad (7,6%).
3.2 Diseo factorial con n observaciones por celda

Un experimento factorial es aquel en el cual dos o ms factores se prueban en todas las
combinaciones posibles. Cada uno de los factores debe estar representado por dos o ms niveles.
Por ejemplo, en un experimento factorial de 2*2 existen 4 tratamientos; en uno de 3*3 existen 9
combinaciones o tratamientos y as sucesivamente. Este tipo de experimento permite evaluar la
interaccin entre los tratamientos; o sea, el efecto diferencial de un factor sobre el otro. Algunos
ejemplos de diseos factoriales son:
Medir la respuesta de un cultivo a dos niveles de fertilizacin y tres niveles de pH.

Medir la erosin asociada a dos mtodos de preparacin de terreno en dos tipos de suelos.
Comparar la eficiencia de dos mtodos de divulgacin en tres grupos de edad.
Para ilustrar el anlisis de varianza de dos vas con mediciones mltiples por tratamiento
utilizaremos tambin un set de datos hipottico. Suponga que un(a) viverista est interasado(a) en
determinar s el mtodo de inoculacin de micorriza en roble y el mtodo de trasplante tienen un
efecto en el crecimiento de las plntulas. Su diseo experimental consiste de dos mtodos de
inoculacin y dos mtodos de trasplante con veinte plntulas por tratamiento (cuadro 9).
Cuadro 9: Asignacin de plntulas por tratamiento. Anlisis de varianza factorial de 2*2. Diseo
Tratamiento Mtodo Inoculacin 1 Mtodo Inoculacin 2 Subotal
Mt. Trasplante 1 n (I1T1 ) = 20 n (I2T1 )= 20 nT1 I1 y 2= 40
Mt. Trasplante 2 n ( I1T2 ) = 20 n (I2T2 )= 20 n T2 I1 y 2= 40
Subtotal n (I1 y T1 y 2 ) = 40 n (I2 yT 1 y 2) = 40 N total = 80
41
En este caso, todos los tratamientos tienen el mismo nmero de plantas y por lo tanto el diseo se
denomina balanceado u ortogonal. Observe que el diseo considera todos los niveles del facor I y
todos los niveles del factor J y por lo tanto se denomina factorial. El diseo es completamente al
azar con n rplicas por tratamiento. Los supuestos expuestos para los diseos de varianza
anteriores tambin aplican al presente.
El cuadro 10 y las figuras 6 y 7 muestran la respuesta en altura total (cm) de las rboles de roble
al cabo de 6 meses. Para diseos balanceados la media general es igual a la medio de todos los
datos, as como tambin a la media de columnas y filas (ver cuadro 10).
Cuadro 10: Estadsticos para la altura media de las plntulas (cm) al cabo de seis meses.
Tratamiento Todos Inoc_1_T1 Inoc_1_T2 Inoc_2_T1 Inoc_2_T2

Number 80 20 20 20 20
Mean 29.28 26.91 33.54 26.17 30.51
St Dev 3.81 3.45 1.66 2.56 1.58
Skew -0.37 -0.20 -0.20 -0.78 0.22
Min 20.34 20.34 30.22 21.18 27.35
Q1 27.02 24.93 32.53 24.81 29.73
Median 29.79 26.88 33.17 27.11 30.63
Q3 32.17 29.41 35.05 27.95 31.14
Max 36.46 32.37 36.46 29.90 34.28
Software: XLSTatistics
40 40
35 35
30 30
Ht_cm
25 25
Ht (cm)
20 20
15 15
10 10
Media general
5 5
0 0
Inoc_1_T1 Inoc_1_T2 Inoc_2_T1 Inoc_2_T2 Inoc_1_T1 Inoc_1_T2 Inoc_2_T1 Inoc_2_T2
Tratamiento Tratamiento
Categora ME L. Inf. L. Sup.

Inoc_1_T1 1,613 25,3 28,5
Inoc_1_T2 0,775 32,8 34,3
Inoc_2_T1 1,200 25,0 27,4
Inoc_2_T2 0,738 29,8 31,2
Figura 6: Altura total (cm) al cabo de seis meses para plntulas de roble sometidas a dos mtodos
de inoculacin y dos de trasplante. Tamao de muestra veinte plantas por tratamiento. A.
Diagrama de cajas. B. Diagrama de barras con intervalo de confianza al 95%.
42
14 Inoc_1_T2 14 Inoc_2_T1
12 12
10 10
8 8
FA
FA
6 6
4 4
2 2
0 0
21.2 23.6 26.1 28.5 30.9 33.4 35.8 21.2 23.6 26.1 28.5 30.9 33.4 35.8
Ht(cm) Ht (cm)
14 Inoc_2_T1 14 Inoc_2_T2
12 12
10 10
8 8
FA
FA
6 6
4 4
2 2
0 0
21.2 23.6 26.1 28.5 30.9 33.4 35.8 21.2 23.6 26.1 28.5 30.9 33.4 35.8
Ht (cm) Ht (cm)
16 14
Trasplante Inoculo
14 12
T1 Inoc_1
12 10
T2 Inoc_2
10
8
FA
FA
8
6
6
4 4
2 2
0 0
20 22 23 25 27 29 30 32 34 35 37 20 22 23 25 27 29 30 32 34 35 37
Ht (cm) Ht (cm)
Media T1: 26,5 3,02 cm. CV: 11,4%. Media I1: 30,2 4.3 cm. CV: 14,2%.
Media T2: 32,0 2,21 cm. CV: 6,9%. Media I2: 28,3 3,0 cm. CV: 10,6%.
Diferencia: 5,5 cm Diferencia: 1,9 cm
40 32 34
Transplante 33
35 31
T1
32
30 T2 30
Ht (cm)
31
25
H t (cm)
29
Ht (cm)
30
20
28 29
15
27 28
10 27
26
5 26
25
0 Inoc_1 Inoc_2 25
Inoc_1 Inoc_2 Inoculacin T1 Trasplante T2
Figura 7: Altura total (cm) de plntulas de roble al cabo de seis meses por tratamiento. Tamao de
muestra veinte plantas por tratamiento. Barras indican intervalo de confianza al 95%.
COMENTARIOS:
1. Los datos indican que las plntulas roble de responden de manera diferente a los mtodos
inoculacin y de trasplante (figs. 6 y 7) y que el mtodo de trasplante parece ejercer una mayor
influencia en el crecimiento de las plantas.
2. La mayor variabilidad entre los tratamientos corresponde a los mtodos de inoculacin 10, 6 a
14, 2%.
43
3. Los intervalos de confianza (95%) para las medias por tratamiento indican que probablemente
ambos sean estadsticamente significativos a un alfa de 0,05.
4. La prueba Fmax de Hartly indica que las varianzas no son homogneas entre los tratamientos
(p<0,01).
Data H0: Population variances of all categories equal

Number of Groups 4 H1: Population variances of all categories not equal
Total Sample Size 80 Fmax 4.77783002
Smax2 11.879 DF1 4
Smin2 2.4862 DF2 19
p-value = 0.007742136
Software: XLSTatistics.
5. El anlisis de residuos evidencia que la distribucin de los datos es normal sin embargo la
varianza entre tratamientos no es homognea.
8 8 35
6 Residual 6 30
4 4 25
Frequency
2 2 20
Residuo
0 0 Z 15
-4 -2 0 2 4
-2 -2 10
-4 -4 5
-6 -6 0
0
-3s
-2s
-s
-8
-8
Inoc_1_T1 Inoc_1_T2 Inoc_2_T1 Inoc_2_T2 Residual
Tratamiento s = 2.43311903195957
Figura 8: Anlisis de residuos para la respuesta en altura total (cm) de plntulas sometidas a dos
mtodos de inoculacin y dos de trasplante. Altura total a los seis meses.
El anlisis anterior es de tipo exploratorio y por lo tanto debe confirmarse mediante el anlisis de
varianza; el cual permite responder a las siguientes preguntas:
1. Cul es el efecto de los mtodos de inoculacin? Ho : 1= 2

2. Cul es el efecto de los mtodos de transplante? Ho : 1 = 2
3. Cul es el efecto de combinar el mtodo de inoculacion con el mtodo de transplante?
Ho : 1 = 2= 3 = 3
Las hiptesis anteriores prueban por los efectos principales (mtodos de inocuoacion y mtodos
de trasplante) ; o sea se realiza una variante de un anlisis de varianza de una va para las columnas
(Ho: 1= 2) y otro para las filas (Ho: 1 = 2). La diferencia media entre mtodos de
transplante y de inoculacin es la siguiente:
Media T1: 26,5 3,02 cm. CV: 11,4%.

Media T2: 32,0 2,21 cm. CV: 6,9%.
Diferencia: 5,5 cm
44
Media I1: 30,2 4.3 cm. CV: 14,2%.
Media I2: 28,3 3,0 cm. CV: 10,6%.
Diferencia: 1,9 cm
Al interpretar el valor de los efectos principales se debe recordar que representan medias de un
factor asumiendo que la respuesta de los individuos no es afectada por los niveles del otro factor;
o sea bajo el supuesto de que no existe interaccin que sta es mnima. El concepto de
interaccin se discute a continuacin.
3.2.1 Qu es la interaccin?
El diseo factorial con mltiples observaciones por tratamiento permite probar por la interaccin
entre los diferentes niveles de cada factor. Por ejemplo, es la respuesta de las plntulas de roble
independiente de los mtodos de trasplante o por el contrario, su crecimiento se debe parcialmente
al efecto del mtodo de trasplante? En caso de existir un efecto conjunto (positivo o negativo) el
mismo recibe el nombre de interaccin y su significancia puede determinarse a travs de una
prueba F.
Si la prueba F en la tabla de anlisis de varianza es significativa entonces se puede concluir que

la respuesta de las plntulas no es independiente de los mtodos de trasplante. La forma ms
simple de apreciar s existe interaccin en el set de datos es graficando las medias de las celdas del
cuadro 10 como se ilustra en la figura 9A. En ausencia de interaccin, las lneas deben ser
paralelas; an cuando las diferencias entre tratamientos para un factor no sean exactamente
iguales debido a la variabilidad muestreal. La presencia de interaccin se ilustra en la figura 9B.
Trasplante 1 Trasplante 2
Tratamiento 1 Tratamiento 2
40 45
40
35
35
30
H t (cm)
H t (cm)
30
25
25
20
20
15
15
10 10
5 5
0 0
Inoculo 1 Inoculo 2 Trat. 1 Trat. 2 Trat. 3
9A 9B
Figura 9: A. Ausencia de interaccin entre factores. B. Interaccin fuerte entre factores.
Cuando la presencia de un factor incrementa o afecta positivamente la respuesta del material

experimental del otro factor se dice que existe un efecto de sinergia; en tanto que cuando se
produce un efecto adverso se dice que los factores ejercen una accin de interferencia.
3.2.2 Tabla de anlisis de varianza para un diseo factorial

La tabla de anlisis de varianza factorial permite, al igual que para el anlisis de una va, dividir
la variabilidad total asociada al experimento en cuatro fuentes de variacin:
45
2
Variacin inherente de cada celda (tratamiento). Estimacin de . En algunos paquetes
estadsticos a esta valor se le denomina error o within cells.
Efecto principal del factor de las columnas (mtodo de inoculacin, en este caso). Estimacin
de 2 ms el efecto principal de las columnas.
Efecto principal del factor de las filas (mtodo de trasplante, en este caso). Estimacin de 2
ms el efecto principal de las filas.
Interaccin (mtodo de inoculacin y mtodo de trasplante). Estimacin de 2 ms el efecto

principal de la interaccin columnas*filas.
A continuacin se presenta el resultado del anlisis de varianza obtenidos con el programa

XLSTATistics.
ANOVA Table
Source DF SS MS F p-value
Inculo 1 71,234 71,234 12,033 0,0009
Trasplante 1 601,979 601,979 101,684 1,152E-15
Inculo*Trasplante 1 26,163 26,163 4,419 0,0388
Error 76 449,925 5,920
Total 79 1149,301
H0: Ht_cm does not depend on Inoculo

Prueba por el efecto principal del
H1: Ht_cm depends on Inoculo
factor uno: mtodo de inoculacin.
p-value = 0,000864
H0: Ht_cm does not depend on Trasplante Prueba por el efecto principaldel
H1: Ht_cm depends on Trasplante fctor dos: mtodo de trasplante.
p-value = 1,152E-15
Hypothesis Tests
Note: Tests for main effects (due to Inoculo and Transplante separately) may
not be appropriate if interaction is present and serious Prueba por la
H0: There is no interaction between Inoculo and Transplante in interacion entre
their effect on Ht_cm mtodo de
H1: There is interaction between Inoculo and Transplante in their inoculacin y de
effect on Ht_cm
trasplante
p-value = 0,0388
46
Comentarios:
1. Las pruebas F indican, al igual que en el anlisis de varianza de una va, la razn entre
estimaciones independientes de la varianza. Si el valor p asociado a cada razn es menor que el
p crtico, entonces se daclara la misma como significativa. O sea, al menos un par de medias
asociadas a dicha prueba es estadsticamente diferente.
Fuente de variacin Valor de F Valor de P Ho:

A (Mtodos Inococ.) 71,234 / 5,920 = 12,033 0,0009 1 = 2
B (Mtodos Transp.) 601,979/ 5,920 = 101,684 1,152E-15 1= 2
AB (interaccin) 26,163 / 5,920 = 4,419 0,0388 1=2=3=4
En el presente caso y para un alfa de 0,01 tanto los mtodos de inoculacin (A) como los
mtodos de trasplante (B) son estadsticamente significativos. La interaccin entre los dos
factores no es significativa (P >0.01).
3.2.3. Ventajas del diseo de dos vas

El diseo de dos vas con mltiples observaciones por tratamiento tiene las siguientes ventajas
con respecto al de una va:
Permite obtener conclusiones sobre un mbito mayor de situaciones con un solo

experimento.
Se puede dar respuesta a dos preguntas con la misma inversin. Por ejemplo, se pueden
utilizar las mismas 80 plntulas de roble para evaluar el efecto de los mtodos de inoculacin
y de trasplante.
El diseo de dos vas es ms eficiente que el de una va. La eficiencia se mide en trminos del
tamao de muestra requerido para lograr un determinado error.
4. Transformaciones
La validez de las conclusiones del anlisis de varianza depende de que los datos cumplan con los
supuestos del anlisis. Con frecuencia y como se observ en la seccin anterior, dichos supuestos
no se cumplen. Ya se mencion, que cuando del tamao de muestra es el mismo para todos los
tratamientos la prueba F es robusta a violaciones en el supuesto de homogeneidad de varianzas y
que el supuesto de normalidad puede obtenerse con muestras de tamao mediano (30 o ms
observaciones).
Para remediar la violacin de los supuestos del anlisis de varianza se aplican transformaciones
a los datos originales y el anlisis es realizado con los datos transformados. Una desventaja de
transformar los datos es que las conclusiones aplican a los datos transformados y no a los
originales. Las transformaciones ms frecuentes son (Snedecor y Cochran, 1980):
47
Transformacin logartmica
Esta transformacin es til cuando la desviacin estndar de cada tratamiento tiende a ser
proporcional a su respectiva media; o sea cuando el coeficiente de variacin tiende a ser constante
(Manly, 1992). Otro criterio para elegir esta transformacin es que los efectos principales son
multiplicativos y no aditivos. Esta transformacin presenta las siguientes limitaciones: no se
puede aplicar a valores negativos ni a ceros. Esta limitacin puede eliminarse sumando 1 o
cualquier otra constante al valor de cada tratamiento antes de aplicarla.
Se puede utilizar cualquier logaritmo; sin embargo con frecuencia se utiliza el de base 10. La
transformacin logartmica tiende adems a reducir el grado de asimetra positiva del set de datos.
Esta transformacin es muy utilizada para datos sobre crecimiento de organismos. Una vez
aplicada una transformacin logartmica a los datos las conclusiones deben expresarse en
trminos de tasas de cambio (proporciones o porcentajes) y no en trminos absolutos
Transformacin de raz cuadrada (conteos)

Esta transformacin se aplica normalmente a datos obtenidos a partir de conteos y para muestras
pequeas (n <20); en general estos datos siguen la distribucin conocida como Poisson y se aplica
cuando la probabilidad de presencia de un evento (Ej. individuo con una caracterstica dada) es
muy baja.
Cuando los muestra es mayor que veinte, la distribucin de Poisson y la Normal son muy
similares y por tanto es probable que no se requiera de una transformacin (Fry, 1996). Algunos
ejemplos de conteos son nmero de semillas germinadas por lotes de 100 semillas, nmero de
rboles infestados con una bacteria por parcela de 1000 m2 nmero de animales silvestres
atropellados por autos en carreteras. En estos casos, la varianza tiende a ser proporcional a la
media. Cuando el set de datos incluye ceros se recomienda codificarlos antes de aplicar la
transformacin; para ello simplemente adicione 0,5 al valor de cada observacin.
Transformacin angular o de arcoseno

Esta transformacin aplica a datos que expresan porcentajes o proporciones obtenidas a partir de
un conteo o experimento. Por ejemplo, porcentaje de semillas que germinan por lote de 100
semillas o fraccin de rboles bifurcados por parcela de 500 m2. La transformacin aplicada es
arcoseno (x)0.5 (nota: x debe expresarse como una fraccin).
La transformacin es poco efectiva cuando los valores se encuentran en el mbito 40 a 100%

(0,4 a 1); y en general se recomienda para aquellos casos en que la mayora de las observaciones
se encuentran entre 0 y 0,3 y 0,7 a 1,0.
Para tamaos de muestra (n) inferiores a 50, los valores de 0 y 1 deben reemplazarse por 1/4n y
(n-1/4)/n; respectivamente. Al utilizar un paquete estadstico para realizar la transformacin debe
asegurarse que el clculo se haga en grados y no en radianes; en caso de utilizar radianes el
resultado debe multiplicarse por 57,296 para convertirlos a grados decimales.
48
Recuerde que al utilizar transformaciones se modifica la escala original de medicin y por lo tanto
los intervalos de confianza deben reportarse para los datos transformados y no para los originales.
Estos nuevos intervalos sern asimtricos con respecto a la media.
Ley de potencia de Taylor

Esta transformacin utiliza un anlisis de regresin lineal entre el log10 de la varianza de los
grupos y el log10 de las medias de los grupos. El objetivo del anlisis de regresin es determinar la
transformacin ptima que se debe aplicar a los datos.
La transformacin es X*P en donde P= 1- (b/2); en donde b es la pendiente de una regresin

lineal simple. El mtodo es apropiado para aquellos datos que muestran un relacin lineal entre
log10 de la varianza y log10 de las medias por tratamiento o grupo (Fry, 1996).
5. Comentario final
El tema de anlisis de varianza en uno de los ms interesantes y tiles en el rea de la estadstica
inferencial; sin embargo, es tambin uno de los ms complejos. En el presente captulo se han
presentado los elementos bsicos relacionados con el tema y por lo tanto, se recomienda al
estudiante que busque asesoramiento cuando requiera disear un experimento o cuando se
enfrente al reto de analizar datos obtenidos en ambientes no controlados.
Cuando se utilice un paquete estadstico debe leerse cuidadosamente el manual con el objeto de
determinar la forma correcta en que deben estructurarse los datos. Tambin se debe entender la
terminologa utilizada por el autor del manual o de cualquier libro de estadstica; ya que diferentes
autores expresan el mismo concepto con diferentes nombres y smbolos matemticos.
6. Bibliografa
Bernhardson, C. S. 1975. Type I error rates when multiple comparisons procedures follow a
significant F test ANOVA. Biometrics 31:229.
Carmer, S. G. and Swanson, M. R. 1971. Detection of differences between means: A Monte

Carlo study of five pairwise multiple comparison procedure. Agronomy Journal, 63:940-945.
Carmer, S. G. and Swanson, M. R. 1973. An evaluation of ten pairwise multiple comparisons

procedures by Monte Carlo methods. Journal of The American Statistician Association,
74:122-124.
Cochran William y Cox Gertrude. 1974. Diseos experimentales. Trillas. Mxico. Tercera
reimpresin. 661p.
Duncan, D. B. 1955. Multiple range and multiple F tests. Biometrics, 11:1-42.

49
Dunnett, C. W. 1955. A multiple comparisons procedure for comparing several treatments with a
control. Journal American Statistical Association, 50:1096.
Dunnett, C. W. 1964. New tables for multiple comparisons with a control. Biometrics 20: 482.
Gill, J. L. 1973. Current Status of multiple comparisons of means in designed experiments.
Journal Dairy Science, 56:973.
Lehmann, E. L. and Shaffer, J. P.1977.On a fundamental theorem in multiple comparisons.

Journal American Statistical Association, 72:576.
Lowry, S. R. 1992. Use and misuse of multiple comparisons in animal experiments. Journal
Animal Science, 70:1971-1977.
Manly, B. F.J.1992. The design and analysis of research studies. Cambridge University Press.
Great Britain. 353p.
Mize, C. W. and Schultz, R. C. 1985. Comparing treatment means correctly and appropriately.
Canadian Journal of Forestry Research 15(6): 1142.
Saville, D. J. 1990. Multiple comparison procedures: the practical solution. The American
Statistician, Vol 44(2): 174-180.
Scheff, H. 1953. A method for judging all contrasts in the analysis of variance. Biometrika, 40:
87-104.
Snedecor, G.W. and Cochran, W.G. 1980. Statistical methods. Seventh Ed. Iowa, The Iowa State
University Press. 507p.
Sokal, R. R. and Rohlf, 1969. Biometry. W. H. Freeman and Company. USA.
Steel, R.G.D. y Torrie, J.H. 1980. Principles and procedures of Statistics: A Biometrical
Approach (2nd Ed.). McGraw-Hill, New York. 629p.
Tukey, J. W. 1949. Comparing individual means in the analysis of variance. Biometrics,

5:99-114.
50
7. Ejercicios
1. Defina los siguientes trminos: ANDEVA, Fcrtico, CM, Df, varianza inherente, varianza total,
varianza entre grupos, varianza dentro de grupos, significancia, tabla de anlisis de varianza,
pruebas a posteriori, Tukey, Dunnett, Scheffe, Newman-Keuls, comparaciones planeadas,
normalidad, ANDEVA de dos vas, interaccin, efectos principales, diferencia prctica, error.
2. Dados seis tratamientos (A,B,C,D,E,F) determine el nmero de pruebas t requeridas para

probar todas las posibles combinaciones de tratamientos.
3. Una investigadora desea someter a prueba cuatro mtodos de escarificacin de semillas para
una especie del bosque seco tropical. Para ello selecciona al azar cuatro grupos de 100 semillas
cada una y les asigna a cada grupo un tratamiento al azar. Plantee la hiptesis nula y alternativa.
Desde un punto de vista terico por qu sera incorrecto plantear Ha como: 1 2 3 4?
4. Realice un anlisis de varianza para los datos del archivo ejercicio_p4.xlsx. El Alcalde de
Liberia desea saber s existe alguna diferencia estadstica entre la disponibilidad de pago asociada
a los entrevistadores.
5. Realice un anlisis de varianza para los datos del archivo ejercico_p5.xlsx. Si el anlisis de
varianza es significativo, utilice una prueba a posteriori para determinar cules tratamientos son
diferentes. Cul tratamiento recomendara usted? Por qu?
6. Un investigador desea saber s la altura total de la especie X est asociada al tipo de suelo
donde crece. Para ello selecciona un parche de bosque no alterado en cuatro tipos de suelos y en
cada uno de ellos establece una parcela de 1000 m2 y mide la altura de los rboles. Los resultados
se presentan en el archivo ejercico_p6.xlsx. Realice un anlisis de varianza para someter a
prueba la hiptesis de que el crecimiento en altura total es independiente del tipo de suelo. Incluya
el anlisis exploratorio (grafico y numrico).
Sugerencias:
Grafique los datos (Box-Whisker). Observe la tendencia de los datos. Qu es evidente en la

grfica?
Calcule estadsticos descriptivos por sitio. Analice la variabilidad al interior de cada sitio.
Qu le indica esto?
Realice el anlisis de varianza.
Seleccione uno o dos mtodos de comparaciones mltiples.
Redacte su conclusin estadstica y prctica. Qu sugerencias hara usted en cuanto a la
muestra?
51
2
7. A continuacin se brindan valores de compactacin de suelo (Kg/cm ) para tres sitios en la
Estacin Experimental Horiozontes, Gunacaste y para un sitio en Pital de San Carlos. Cada sitio
representa las condiciones de suelo despus de iniciado el proceso de sucesin natural. Los datos
provienen de Alfaro, R. Ernesto. 1998. Efecto del desarrollo del bosque secundario en diferentes
etapas sucesionales en las propiedades fsicas y qumicas del suelo, Estacin Experimental
Horizontes, Guanacaste. Costa Rica. Anteproyecto de tesis de Ing. Forestal. Esc. Ciencias
Ambientales. UNA.
La pregunta a responder es: Muestran los datos evidencia estadstica para suponer que
conforme se avanza en la sucesin la compactacin del suelo se reduce?. Datos en archivo
ejercico_p7.xlsx.
Sugerencias:

grfica?
Qu le indica esto?
Redacte su conclusin estadstica y prctica. Qu sugerencias hara usted en cuanto a la
muestra?
8. El archivo ejercico_p7.xlsx contiene 240 mediciones de altura (cm) para dos especies forestales
a las cuales se le aplicaron los siguientes tratamientos:
Testigo: no recibi tierra micorrizada
Tierra 25%: Plntulas se trasplantaron en bolsas que contenan un 25% de tierra micorrizada.
Realice un anlisis de varianza para dicho experimento. Recomendara usted alguno de los
tratamientos. Por qu?
Sugerencias:

grfica?
Qu le indica esto?
Redacte su conclusin estadstica y prctica.

Analisis de Varianza 2012 PDF

Cargado por

Copyright:

Formatos disponibles

Analisis de Varianza 2012 PDF

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

Analisis de Varianza 2012 PDF

Cargado por

Copyright:

Formatos disponibles

i

El presente documento se distribuye bajo licencia CC BY-NC-SA de Creative Commons

En el presente captulo extendemos esta pregunta a tres o ms muestras y lo denominamos

1. Diseo experimental: 2. Estudio no experimental:

Existen tres o ms tratamientos

Tabla de anlisis de varianza

Pruebas a posteriori Pruebas a priori

Figura 1: Flujograma de un anlisis de varianza.

El anlisis de varianza permite analizar el efecto de una o ms variables o categoras en un

B. Dos tratamientos y diferentes niveles de cada uno

A. Un tratamiento y diferentes niveles del mismo

B. Dos tratamiento y diferentes niveles de cada uno

Muestra: Es una parte o porcin de la realidad bajo estudio.

Tratamientos o variables: Procesos o acciones cuyos efectos sern medidos en el material

Observacin: Es la medicin realizada en una unidad experimental.

Testigo: Unidad experimental al cual no se le aplica el tratamiento (sirve de referencia) que es

Variable respuesta: Es aquella propiedad o cualidad de la unidad experimental que se cuantifica.

Repeticin: Rplica estadsticamente independiente de un tratamiento. En este caso el tratamiento

Seudo replicacin: Es el resultado de muestrear dos o ms veces la misma condicin (muestras no

Medicin: Proceso de asignar un valor (nominal, ordinal, razn, intervalo) a un fenmeno,

Consistencia: Un mtodo de anlisis estadstico es consistente cuando la significancia de la

Aleatorizacin: Asignacin aleatoria de los tratamientos a los sujetos o unidades experimentales.

Error experimental: Variacin natural del material experimental no controlado por el

2. Anlisis de varianza de una va o completamente aleatorio (modelo I, efectos fijos)

El diseo es apropiado para condiciones de laboratorio sin embargo es poco utilizado en

La hiptesis alternativa es que la media de al menos dos grupos es diferente.

A diferencia de la prueba t o Z presentada en el captulo sobre prueba de hiptesis, en este

2.1 Lgica del anlisis de una vaError! Marcador no definido.

Algunas observaciones sobre el set de datos:

1. Si no existieran diferencias en cuanto a la respuesta de las plntulas a los tratamientos, las

1 Los datos se encuentran en el archivo anova_cuadro1.xlsx-

Cuadro 1: Estadsticos descriptivos para sesenta plntulas de pochote sometidas a tres

Tratamiento Media (cm) Tamao Desviacin Coef. Variacin

Figura 2: Diagrama de Box-Whisker e histogramas por tratamiento.

La estimacin de mximo verosimilitud de los parmetros anteriores son los siguientes

El error asociado a cada observacin es el resultado de la variabilidad no explicada por el diseo

Variacin al interior de los tratamientos

La variacin al interior de los grupos refleja la variabilidad inherente de los

Tratamiento Todos Testigo FO FQ

Variacin entre tratamientos

2.2 Estimaciones de las varianzas

Las frmulas utilizadas para estimar las varianzas anteriores son:

Varianza dentro de grupos:

Cuadro 4: Tabla de anlisis de varianza de una va.

2. El cuadrado medio del error representa la varianza no explicada esperada para el

3. El valor de P es 0,02362 y por lo tanto las diferencias se declaran como estadsticamente

5. El anlisis de varianza presentado asume que existe el mismo nmero de observaciones

A. IC 95% considerando las varianzas iguales

2.3 La prueba F (igualdad de varianzas)

Muestras independientes y muestreo aleatorio. Esto asegura la validz de los resultados.

Homogeneidad de varianzas ( 1 2 = 2 2 = 3 2 = ...). La prueba F es robusta a la violacin de

La distribucin de errores es normal al interior de cada tratamiento. La prueba F es robusta a la

1- La grfica de probabilidad normal y el histograma de residuos indican que los datos no se

Figura 3: Anlisis grafico de los residuos.

Cuadro 5: Prueba de Barlett para igualdad de varianzas.

H0: Population variances of all categories equal

2.4 Pruebas a posteriori

A. Diferencia mnima significativa irrestricta LSD

Se denomina irrestricto porque no requiere de la significancia previa de una prueba F (anlisis de

S2p =[(r1 - 1)S21 + (r2 - 1)S2] /(r1 + r2 ) - 2 (14)

2 CA / 2 BA = {(8-1)214,29 + 8(4-1) 85,71} / 85,71{48}-1 = 1,33