Análisis de la

varianza (ANOVA)
PID_00276234

Ferran Reverter
© FUOC • PID_00276234 Análisis de la varianza (ANOVA)

Ferran Reverter

El encargo y la creación de este recurso de aprendizaje UOC han sido coordinados

por la profesora: Teresa Sancho Vinuesa

Primera edición: septiembre 2020

© de esta edición, Fundació Universitat Oberta de Catalunya (FUOC)
Av. Tibidabo, 39-43, 08035 Barcelona
Autoría: Ferran Reverter
Producción: FUOC
Todos los derechos reservados

Ninguna parte de esta publicación, incluido el diseño general y la cubierta, puede ser copiada,
reproducida, almacenada o transmitida de ninguna forma, ni por ningún medio, sea este eléctrico,
mecánico, óptico, grabación, fotocopia, o cualquier otro, sin la previa autorización escrita
del titular de los derechos.
© FUOC • PID_00276234 Análisis de la varianza (ANOVA)

Índice

1. Análisis de la varianza de un factor............................................ 5

1.1. Diseño completamente aleatorizado .......................................... 6
1.2. Modelo estadístico ...................................................................... 8
1.3. Estimación de los efectos ............................................................ 10
1.4. Mecánica del ANOVA .................................................................. 10
1.5. Tabla ANOVA ............................................................................... 11
1.5.1. ¿Por qué funciona el ANOVA? ...................................... 12
1.6. Contrastes .................................................................................... 14
1.7. Contrastes múltiples ................................................................... 16
1.7.1. Test de Bonferroni ......................................................... 16
1.8. Comprobación de las suposiciones del modelo .......................... 18
1.8.1. Evaluando el cumplimiento de los supuestos de
modelización .................................................................. 19
1.8.2. Evaluando la normalidad .............................................. 21
1.8.3. Evaluando el cumplimiento de la constancia de la
varianza (homocedasticidad) ......................................... 22
1.8.4. Corrigiendo el incumplimiento de las condiciones ...... 23
1.8.5. Formulación del modelo estadístico para analizar los
datos del experimento anterior ..................................... 25
1.8.6. Evaluación de las suposiciones de modelización
(normalidad y homocedasticidad) ................................. 25
1.8.7. Transformación de la variable respuesta (número
bacterias/cm 2) para proseguir con el análisis de los
datos ............................................................................... 27
1.8.8. Verificación de la adecuación ........................................ 28
1.8.9. Evaluar si hay diferencias significativas entre los
tratamientos ................................................................... 29
1.8.10. Estimación de los parámetros del modelo ..................... 29
1.8.11. ¿Se puede recomendar un tratamiento que mejore
los tratamientos usuales? ............................................... 30
1.9. Test de remuestreo para el ANOVA ............................................. 31
1.10. Test no paramétrico basado en rangos ....................................... 33

2. Análisis de la varianza de dos factores........................................ 35

2.1. Efectos principales e interacción ................................................ 35
2.2. Parametrización del modelo lineal de dos factores .................... 39
2.3. Análisis de la varianza en diseños balanceados .......................... 40
2.4. Diseños con efectos aleatorios .................................................... 46

Bibliografía................................................................................................. 49
© FUOC • PID_00276234 5 Análisis de la varianza (ANOVA)

1. Análisis de la varianza de un factor

Un experimento se caracteriza por las unidades experimentales bajo ob-

servación, los tratamientos a los que se verán expuestas, el modo como
los tratamientos se asignan a las unidades y las mediciones de la varia-
ble respuesta en cada una de las unidades. Los estudios experimentales,
a diferencia de los estudios observacionales, permiten la comparación
de manera controlada de tratamientos sobre una variable respuesta de
interés, siendo ésta aquella variable numérica que se pretende modeli-
zar. En los estudios observacionales también hay tratamientos, pero la
asignación de cada unidad experimental a un tratamiento no está con-
trolada por el investigador.

Estudios experimentales se presentan a menudo en la investigación biomédi- Ejemplo de estudio

ca. experimental

Comparar el efecto de tres tra-

Los estudios observacionales son aquellos en los que los investigadores obser- tamientos adelgazantes entre
grupos de ratones de laborato-
van el efecto de un factor de riesgo, una prueba de diagnóstico, un tratamiento rio con obesidad. Una variable
respuesta de interés puede ser
u otra intervención sin tratar de cambiar quién está o no expuesto a él. Los el porcentaje de tejido adiposo
después del tratamiento. En un
estudios de cohortes y los estudios de casos y controles son dos tipos de estu- estudio experimental el equi-
dios observacionales. po investigador puede garan-
tizar la homogeneidad de los
grupos que van a ser tratados,
con el ánimo de reducir posi-
1)�Estudio�de�cohorte: para fines de investigación, una cohorte es cualquier bles causas que interfieran en
grupo de personas que están vinculadas de alguna manera. Por ejemplo, una la respuesta más allá del factor
tratamiento.
cohorte de nacimiento incluye a todas las personas nacidas dentro de un pe-
riodo de tiempo determinado. Los investigadores comparan lo que les sucede a
los miembros de la cohorte que han estado expuestos a una variable particular
con lo que les sucede a los otros miembros que no han estado expuestos.

2)�Estudio�de�casos�y�controles: aquí los investigadores identifican a las per-

sonas con un problema de salud existente («casos») y un grupo similar sin el
problema («controles») y luego los comparan con respecto a una exposición
o exposiciones.

A veces, los estudios observacionales son el único modo como los investiga-
dores pueden explorar ciertas preguntas. Por ejemplo, en un estudio de con-
diciones de seguridad en el trabajo, no sería ético diseñar un ensayo controla-
do aleatorio que exponga deliberadamente a los trabajadores a una situación
potencialmente dañina. Sin embargo, los resultados de los estudios observa-
cionales están, por su naturaleza, abiertos a controversias. Corren el riesgo de
contener sesgos de confusión. Ejemplo: un estudio de cohorte podría encon-
trar que las personas que hacían yoga regularmente eran menos propensas a las
© FUOC • PID_00276234 6 Análisis de la varianza (ANOVA)

enfermedades cardíacas que las que no lo practicaban. Pero el vínculo puede

explicarse por el hecho de que las personas que realizan yoga también hacen
más ejercicio y siguen dietas más saludables. En otras palabras, aunque una
cohorte se define por una característica o exposición común, también pueden
compartir otras características equívocas que afectan al resultado.

Un experimento es aleatorizado (randomized, en inglés) si el método de asig-

nación de los tratamientos a las unidades experimentales implica un cono-
cido esquema probabilístico. Como veremos más adelante, un experimento
puede tener varias características aleatorias, además de la asignación de los
tratamientos a las unidades. La aleatorización es uno de los elementos más
importantes de un experimento bien diseñado. Es necesario distinguir entre
un esquema casual y aleatorizado de asignación de los tratamientos. La intro-
ducción de más aleatoriedad en un experimento puede parecer una medida
perversa. Después de todo, siempre estamos luchando contra el error aleatorio
experimental. Sin embargo, la asignación aleatoria de tratamientos tiene dos
consecuencias útiles:

• La aleatorización protege contra los factores de confusión.

• La aleatorización puede constituir la base para la inferencia.

La aleatorización se utiliza relativamente poco para la inferencia en la práctica,

debido principalmente a los costes y las dificultades computacionales, pero en
la actualidad su uso va en aumento, acorde con el auge de la computación. Sin
embargo, el éxito de la aleatorización en la protección contra confusión es tan
abrumador que es casi universalmente recomendada. Definimos la confusión
como algo que ocurre cuando el efecto de un factor o tratamiento no puede
ser distinguido del de otro factor o tratamiento.

1.1. Diseño completamente aleatorizado

El diseño completamente aleatorizado es el diseño más simple para

comparar varios tratamientos, es decir, un factor con varios niveles. En
general, en el ANOVA de un factor, los distintos tratamientos corres-
ponden a los distintos niveles del factor.

Por ejemplo, en la comparación de un fármaco para reducir la tensión arterial

podemos estar interesados en comparar el efecto del fármaco a cuatro concen-
traciones distintas, diríamos entonces que tenemos el factor fármaco a cuatro
niveles.

Tenemos N unidades experimentales (ya sean personas, ratones, piezas…) y g

tratamientos o niveles de un factor. El esquema de un experimento completa-
mente aleatorizado consiste en:
© FUOC • PID_00276234 7 Análisis de la varianza (ANOVA)

• Seleccionar los tamaños muestrales con .

• Elegir n1 unidades aleatoriamente para el tratamiento 1, elegir n2 unida-

des aleatoriamente de entre las N – n1 para el tratamiento 2, y así sucesi-
vamente.

Este procedimiento da como resultado un diseño completamente aleatorizado;

todas las disposiciones posibles de las N unidades en g grupos con tamaños n1
hasta ng son igualmente probables. En caso que , diremos
que el diseño es balanceado.

La aleatorización completa solo se refiere a la asignación de tratamientos a las

unidades; en el diseño del experimento también se requieren la selección de
los tratamientos, las unidades experimentales y la variable respuesta.

Ejemplo 1

Un factor importante en la selección de software para sistemas de procesamiento de tex-

tos y gestión de bases de datos es el tiempo requerido para aprender a manejar un siste-
ma en particular. Con el fin de evaluar tres sistemas de gestión de bases de datos, una
empresa diseñó una prueba para ver cuántas horas de capacitación se necesitaban para
que los operadores fueran competentes en cada uno de los tres sistemas. Para ello, se
seleccionaron dieciocho operadores, que se asignaron al azar cada uno de ellos a uno de
los sistemas de software, por lo que quedaron seis operadores por sistema. Los tiempos
se recopilan en la siguiente tabla.

Sistema 1 20 17 15 19 14 13

Sistema 2 18 17 14 29 13 12

Sistema 3 23 23 20 21 19 20

Empezamos con una descriptiva con la que visualizamos la distribución de los tiempos
según el tipo de software.

y<- c(20,17,15,19,14,13,
18,17,14,20,13,12,
23,25,20,21,19,20)
fact<-[Link](c(rep(1,6),rep(2,6),rep(3,6)))
df<-[Link](y,fact)

Obtenemos la media de los datos:

mean(y,data=df)
## [1] 17.77778

y con la función tapply obtendremos las medias dentro de cada tratamiento:

tapply(y,fact,mean,data=df)
## 1 2 3
## 16.33333 15.66667 21.33333
boxplot(y~fact,data=df,xlab="Software",ylab="Tiempo hasta la capacitación (h)")
© FUOC • PID_00276234 8 Análisis de la varianza (ANOVA)

Observamos, a nivel descriptivo, que aparentemente hay un efecto del factor, tipo de
software, sobre el tiempo necesario para adquirir capacitación. El software tipo 3 requie-
re un esfuerzo mayor para adquirir capacitación. En cambio, parece que los tipos 1 y
2 requieren un esfuerzo en tiempo parecido. Es objetivo del diseño y análisis de experi-
mentos verificar si estas diferencias que observamos son significativas y, en caso de serlo,
determinar cuáles son los niveles significativamente distintos y obtener la estimación de
los efectos sobre la variable respuesta.

1.2. Modelo estadístico

Empecemos con dos modelos básicos. Tenemos g tratamientos y N unidades

experimentales. Denotemos por yij la respuesta j-ésima en el tratamiento i-
ésimo. Por tanto, ,y .

El modelo completo considera que cada tratamiento tiene su media . Ade-

más, se asume que el error aleatorio es independiente y distribuido normal-
mente con varianza constante, pero cada tratamiento con su propia media:

Equivalentemente, podemos escribir el modelo como:

donde eij denotan los errores que son variables aleatorias independientes, con
distribución normal de media cero y varianza . Un segundo modelo corres-
ponde a un modelo reducido. Este modelo asume que todos los tratamientos
tienen la misma media, por lo que hay una única media. También considera
que el error aleatorio es independiente y distribuido normalmente con varian-
za constante,
© FUOC • PID_00276234 9 Análisis de la varianza (ANOVA)

Equivalentemente, podemos escribir el modelo como:

donde eij denotan los errores que son variables aleatorias independientes, con
distribución normal de media cero y varianza . Observad que el modelo re-
ducido es un caso especial o restringido del modelo completo que corresponde
al caso de que todas las son iguales.

Usualmente, la media de los tratamientos se expresa mediante:

donde se denomina media general y denota el efecto del tratamiento i-

ésimo. Con esta formulación el modelo reducido corresponde al caso en el que
todos los son iguales, por ejemplo a cero. Esta formulación puede parecer
ahora una complicación innecesaria pero más adelante, en el caso de los mo-
delos factoriales generales, veremos que su uso es conveniente.

Dado que hay g medias para los g tratamientos, puede parecer que con la
formulación de los efectos de los tratamientos hay un exceso de parámetros,
g + 1, la y las , con . No obstante, observamos que la diferencia
entre efectos corresponderá a la diferencia entre las medias , con
independencia de cómo se defina .

La elección más usual para es la media de la media de los tratamientos:

Con esta elección, en un diseño balanceado, la suma de los efectos de los

tratamientos es cero:
© FUOC • PID_00276234 10 Análisis de la varianza (ANOVA)

1.3. Estimación de los efectos

Un paso esencial en el modelado estadístico de los datos es la estimación de Notación de puntos

los parámetros del modelo. Resultan las siguientes estimaciones.
En el contexto del ANOVA es
habitual utilizar esta notación
Media�general para denotar el índice sobre
el cual se promedia. Por ejem-
plo, en el caso del ANOVA de
un factor indicamos con yij la
observación efectuada en la
réplica j del nivel i del factor.
Si queremos indicar la media
Media�de�los�tratamientos dentro del nivel i del factor,
deberemos promediar las ob-
servaciones en dicho nivel, es
decir, sumar j desde 1 hasta ni,
y dividir por ni. Dado que esta-
mos sumando sobre el índice j,
la manera de denotar el índice
Efectos sobre el que sumamos es con
un punto, por tanto, indicare-
mos yi., y al tratarse de un pro-
medio añadidos la barra, y re-
sulta . Pongamos otro ejem-
plo: la media general resulta-
rá de sumar para todos los ni-
En el análisis estándar de un diseño completamente aleatorizado, estamos in- veles y para todas las réplicas,
por tanto, dado que sumamos
teresados en las respuestas medias de los grupos de tratamiento. Una manera respecto de los dos índices, lo
obvia para comenzar es decidir si las medias son todas iguales, o si algunas indicaremos con dos puntos,
esto es, y... Y al tratarse de una
de ellas son diferentes. En términos de modelos, nos preguntamos si los datos media, añadiremos la barra,
resulta, .
pueden ser adecuadamente descritos por el modelo de una sola media general
( , modelo reducido) o si necesitamos el modelo de medias separa-
das por cada tratamiento ( , modelo completo).

1.4. Mecánica del ANOVA

A continuación vamos a considerar el modelo de un factor con a tratamientos

y n réplicas en cada nivel, por lo tanto, los índices van y .
De acuerdo con lo anterior, el ANOVA de un factor resuelve el siguiente con-
traste de hipótesis

Aceptar H0 implica que el factor no es significativo; por el contrario, aceptar H1

implica que el factor es significativo: al menos hay dos niveles cuyos efectos
son significativamente distintos. En caso de aceptar H1 deberemos encontrar
entre qué niveles están las diferencias. El ANOVA responde solo a la pregunta
de si hay o no diferencias, pero no responde entre qué niveles están tales di-
ferencias; para ello deberemos usar otros test adicionales, como veremos más
adelante.
© FUOC • PID_00276234 11 Análisis de la varianza (ANOVA)

Estrictamente hablando, ANOVA es un procedimiento de cálculo para descom-

poner la variabilidad en un conjunto de datos en dos cantidades, una asocia-
da a una estructura de datos con diferentes medias y otra cantidad residual.
ANOVA parte de la igualdad

Elevando al cuadrado, resulta:

Podemos sumar en los dos lados a través de j. Observamos que ,

y obtenemos:

Ahora, si sumamos en los dos lados a través de obtenemos:

Y resulta la descomposición fundamental del ANOVA. A la izquierda, la suma

de cuadrados total (SST) que se descompone, a la derecha, como la suma de
cuadrados de los tratamientos (SSA) más la suma de cuadrados del error (SSE):

SST = SSA + SSE

Para un conjunto de datos dado (y por tanto la SST fijada), tener mayor dife-
rencias entre las medias de grupos implica un mayor SSA que, a la vez, implica
tener un menor SSE. Cabe señalar que es mediante la descomposición de la
variabilidad total, de ahí el nombre de análisis de la varianza, como resolve-
mos un contraste de hipótesis que se plantea sobre medias.

1.5. Tabla ANOVA

Los cálculos ANOVA se resumen a modo de tabla con columnas para las
fuentes de variabilidad, los grados de libertad asociados a las sumas de
cuadrados (gl), las sumas de cuadrados (SS), los cuadrados medios (MS)
y el valor del estadístico F.
© FUOC • PID_00276234 12 Análisis de la varianza (ANOVA)

Fuentes gl SS MS F

Tratamientos a–1 SSA MSA = SSA/(a – 1) F = MSA/MSE

Error N–a SSE MSE = SSE/(N – a)

1.5.1. ¿Por qué funciona el ANOVA?

El cuadrado medio del error es una variable aleatoria que depende del error
aleatorio asociado a los datos. Si repitiéramos el experimento, conseguiríamos
diferentes muestras de los errores aleatorios y, por lo tanto, diferentes evalua-
ciones en el muestreo del cuadrado medio del error. El valor esperado del cua-
drado medio del error E(MSE) se puede calcular teóricamente y se comprueba
que coincide con la varianza del error , es decir,

Cabe resaltar que el MSE nos proporciona una estimación centrada de la va-
rianza . Además, el cuadrado medio de los tratamientos es también una va-
riable aleatoria, cuya esperanza puede demostrarse:

Podemos concluir que si la hipótesis nula H0 es cierta ( , ), ambas

esperanzas, E(MSE) y E(MSA) coinciden. Es decir, las cantidades MSE y MSA
serán estimadores centrados de . Si es cierta la hipótesis nula H0, esperamos
que MSE y MSA tengan valores similares, y por lo tanto

Al contrario, si la hipótesis nula H0 es falsa, hay algunos y la E(MSA)

será mayor que . Por lo tanto, el cociente F tenderá a ser mayor que 1. Así,
rechazaremos la hipótesis nula H0 para valores suficientemente grandes de F.
Teniendo en cuenta que bajo la hipótesis nula H0 conocemos la distribución
de referencia de la F, que es la de una F de Fisher con a – 1 y N – a grados
de libertad, nos es fácil determinar la región crítica del test fijado un nivel de
significación.

Ejemplo 1 (continuación)

Recordemos el ejemplo anterior, donde se planteó un diseño de un factor para decidir

usar un software para el procesamiento de textos y gestión de bases de datos. Con el fin de
evaluar tres sistemas de gestión de bases de datos, una empresa diseñó una prueba para ver
cuántas horas de capacitación se necesitaban para que los operadores sean competentes
en cada uno de los tres sistemas.

Describir�el�diseño�experimental�asociado�y�formular�el�modelo�estadístico�corres-
pondiente
© FUOC • PID_00276234 13 Análisis de la varianza (ANOVA)

La formulación del diseño experimental es:

donde y , yij es la observación para el nivel i y la replica j, es

la media general, es el efecto del nivel i y es el error aleatorio. Asumimos que
, donde es constante para todos los niveles del factor.

Empezaremos creando un data frame con los datos del enunciado

y<- c(20,17,15,19,14,13,
18,17,14,20,13,12,
23,25,20,21,19,20)
fact<-[Link](c(rep(1,6),rep(2,6),rep(3,6)))
df<-[Link](y,fact)
str(df)
## '[Link]': 18 obs. of 2 variables:
## $ y : num 20 17 15 19 14 13 18 17 14 20 ...
## $ fact: Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 2 2 2 2 ...
head(df)
## y fact
## 1 20 1
## 2 17 1
## 3 15 1
## 4 19 1
## 5 14 1
## 6 13 1
round(mean(df$y),3)
## [1] 17.778

Es importante asegurarnos de que la variable que contiene el factor es de tipo factor,

lo que podemos verificar con la función str de R.

Obtener�la�estimación�de�todos�los�parámetros�del�modelo

Próximamente comentaremos funciones R más directas para obtener la estimación de

los parámetros de un modelo, pero por ahora nos conformaremos con el cálculo a partir
de las fórmulas correspondientes.

La media general se estima con la media de los datos, esto es: .

Y los efectos de los tratamientos se estiman mediante . Por lo tanto,

Observamos que , como cabe esperar al tratarse de un diseño balanceado.

Naturalmente, aún falta la estimación de otro parámetro del modelo, la varianza del error,
. Si bien, a partir la fórmula

podemos obtener una estimación de dicho parámetro, veremos a continuación la manera

de obtenerla a partir de la tabla del análisis de la varianza.
© FUOC • PID_00276234 14 Análisis de la varianza (ANOVA)

Podemos preguntarnos si el factor tipo de software es significativo, en el sentido de que

el tiempo necesario para la capacitación se ve afectada por dicho factor. Por lo tanto,
planteamos el contraste de hipótesis

Para calcular la tabla ANOVA asociada a este problema debemos primero ajustar el modelo
mediante la función lm:

results<-lm(y~fact,data=df)

Podemos extraer la tabla ANOVA mediante:

taov<-anova(results)
taov
## Analysis of Variance Table
##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## fact 2 115.11 57.556 7.5731 0.005326 **
## Residuals 15 114.00 7.600
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Obtenemos un p-valor 0.005, claramente inferior a un nivel de significación del 5 %. Por

lo tanto, aceptamos la hipótesis alternativa y concluimos que el factor es significativo.
Es decir, el tipo de software afecta al tiempo necesario para adquirir la capacitación. La
tarea a continuación será determinar en qué niveles del factor están las diferencias.

Vale la pena recordar que la tabla ANOVA y en concreto el valor de MSE nos proporciona
una estimación de la varianza del error .

1.6. Contrastes

Formalmente, un contraste es una combinación lineal de las medias o

de los efectos , donde . Denotaremos un contraste por

Es probable que los contrastes más comunes sean las comparaciones por pare-
jas, donde comparamos la respuesta media en un tratamiento con la respuesta
media en un segundo tratamiento. Para una comparación por parejas, un coe-
ficiente del contraste es 1, mientras que el segundo coeficiente del contraste
es –1, y todos los demás coeficientes de los contrastes son 0. Por ejemplo, en
un diseño con cuatro niveles en el que a = 4, un contraste con coeficientes (0,
1, 0, –1) compara los efectos de los tratamientos 2 y 4.

Planteamos contrastes sobre las medias observadas de los tratamientos o sobre

los efectos para hacer inferencia sobre las medias o los efectos poblacionales.

Las medias muestrales de los grupos son un estimador centrado de las

. Por tanto, cualquier combinación lineal de las medias muestrales de
los tratamientos es un estimador centrado de la correspondiente combinación
© FUOC • PID_00276234 15 Análisis de la varianza (ANOVA)

lineal de las . En particular, un contraste definido en las medias muestrales

es un estimador centrado del correspondiente contraste de las medias de los
tratamientos. Por lo tanto,

Por otro lado, la varianza de es , y las medias muestrales de los tratamien-

tos son independientes. Por lo tanto resulta que la varianza de un contraste
sobre las medias muestrales es:

Usualmente no conocemos , así que usamos la estimación que obtenemos

de los cuadrados medios del error, MSE, de la tabla ANOVA.

Entonces, un intervalo de confianza para el contraste de nivel de con-

fianza es de la forma:

Este planteamiento también funciona en el caso de los test de hipótesis. Si te-

nemos una hipótesis nula , usualmente interesa . Entonces,
podemos usar un test basado en el estadístico para resolver el test:

Bajo la hipótesis nula, el estadístico t sigue una distribución t de Student de

N – a grados de libertad.

En el caso concreto de las comparaciones por parejas, esto es,

El estadístico t es de la forma:
© FUOC • PID_00276234 16 Análisis de la varianza (ANOVA)

Bajo la hipótesis nula, el estadístico t sigue una distribución t de Student de

N – a grados de libertad.

Con la práctica se concluye que la pareja de efectos y (o en equivalencia

la pareja de medias y ) son estadísticamente diferentes si

donde la cantidad LSD, denominada Least Significant Difference, viene dada por

En este resumen hemos proporcionado las fórmulas para diseños balanceados,

es decir, con el mismo número de réplicas, n, en cada tratamiento.

Ejemplo 1 (continuación)

Con la función [Link] del paquete stat podemos obtener los p-valores de
todas las comparaciones por parejas.

library(stats)
[Link](df$y,df$fact, [Link]=c("none"))
##
## Pairwise comparisons using t tests with pooled SD
##
## data: df$y and df$fact
##
## 1 2
## 2 0.6813 -
## 3 0.0067 0.0028
##
## P value adjustment method: none

Vemos que hay diferencias entre los niveles 1 y 2 con el nivel 3. No obstante, cabe re-
marcar que, en el caso de un diseño con a tratamientos, hay a(a – 1)/2 comparaciones
por parejas de tratamientos distintas. Si estamos interesados en hacer todos los contrastes
por parejas, hay que emplear técnicas de inferencia simultánea para ajustar los p-valores
obtenidos mediante el test anterior.

1.7. Contrastes múltiples

1.7.1. Test de Bonferroni

Vamos a empezar con un ejemplo. Supongamos que tenemos un conjunto de

contrastes de hipótesis que queremos testar simultáneamente. La primera idea
que se nos puede ocurrir es realizar cada contraste por separado, usando un
cierto nivel de significación .

A primera vista, esto no parece ser una mala idea. No obstante, consideremos
que tuviéramos veinte hipótesis que testar y un nivel de significación del 5 %.
¿Cuál es la probabilidad de declarar al menos un resultado significativo por
azar?
© FUOC • PID_00276234 17 Análisis de la varianza (ANOVA)

Resulta, por lo tanto, que con veinte contrastes tenemos un 64 % de proba-

bilidades de aceptar al menos un resultado significativo, incluso si todas las
pruebas de hipótesis no son realmente significativas.

Los métodos para hacer frente a las comparaciones múltiples con frecuencia
plantean ajustar el nivel de significación de alguna manera para que la pro-
babilidad de observar al menos un resultado significativo debido al azar se
mantenga por debajo del nivel de significación deseado .

El método de Bonferroni corrige el nivel de significación al punto de corte

siendo n el número de contrastes que hay que realizar. Por ejemplo, en
el ejemplo anterior, con n = 20 contrastes y nivel de significación ,
rechazaríamos hipótesis nulas en cuyo test el p-valor fuera inferior a 0,05/20
= 0,0025.

La corrección de Bonferroni tiende a ser un poco conservadora. Por ejemplo,

si calculamos la probabilidad de aceptar al menos un resultado significativo
por azar cuando usamos la corrección, esto es

En este ejemplo, estamos solo un poco por debajo del 0,05 deseado. En las
aplicaciones prácticas, la corrección de Bonferroni podría ser extremadamente
conservadora, lo que llevaría a una tasa alta de falsos negativos (mantener H0
cuando es falsa).

Ejemplo 1 (continuación)

Seguimos con el ejemplo anterior. Realicemos las comparaciones múltiples con la correc-
ción de Bonferroni. Usando el paquete agricolae y la función [Link]. Vamos a co-
mentar las dos opciones del argumento group. Empecemos con la opción FALSE.

library(agricolae)
## Warning: package 'agricolae' was built under R version 3.5.3
[Link](results,"fact",group=F,[Link]="bonferroni",console=T)
##
## Study: results ~ "fact"
##
## LSD t Test for y
## P value adjustment method: bonferroni
##
## Mean Square Error: 7.6
##
## fact, means and individual ( 95 %) CI
##
## y std r LCL UCL Min Max
## 1 16.33333 2.804758 6 13.93447 18.73220 13 20
## 2 15.66667 3.141125 6 13.26780 18.06553 12 20
## 3 21.33333 2.250926 6 18.93447 23.73220 19 25
##
## Alpha: 0.05 ; DF Error: 15
© FUOC • PID_00276234 18 Análisis de la varianza (ANOVA)

## Critical Value of t: 2.693739

##
## Comparison between treatments means
##
## difference pvalue signif. LCL UCL
## 1 - 2 0.6666667 1.0000 -3.620810 4.9541430
## 1 - 3 -5.0000000 0.0202 * -9.287476 -0.7125237
## 2 - 3 -5.6666667 0.0085 ** -9.954143 -1.3791903

En la parte superior de los resultados, observamos los intervalos de confianza para la

media de cada tratamiento. En la parte inferior encontramos listados los contrastes para
todas las comparaciones por parejas y también los IC para las diferencias de medias. Los
contrastes significativos, de acuerdo con la corrección de Bonferroni, aparecen marcados
con asteriscos.

Si establecemos la opción TRUE en el argumento group, obtenemos un listado algo dis-

tinto en lo referente a las comparaciones por parejas.

[Link](results,"fact",group=T,[Link]="bonferroni",console=T)
##
## Study: results ~ "fact"
##
## LSD t Test for y
## P value adjustment method: bonferroni
##
## Mean Square Error: 7.6
##
## fact, means and individual ( 95 %) CI
##
## y std r LCL UCL Min Max
## 1 16.33333 2.804758 6 13.93447 18.73220 13 20
## 2 15.66667 3.141125 6 13.26780 18.06553 12 20
## 3 21.33333 2.250926 6 18.93447 23.73220 19 25
##
## Alpha: 0.05 ; DF Error: 15
## Critical Value of t: 2.693739
##
## Minimum Significant Difference: 4.287476
##
## Treatments with the same letter are not significantly different.
##
## y groups
## 3 21.33333 a
## 1 16.33333 b
## 2 15.66667 b

En este caso, se hace uso de una codificación con letras. Aquellos grupos en los que no
hay diferencias significativas se codifican con la misma letra. Se distinguen dos grupos, el
grupo a con el tratamiento 3 y el grupo b con los tratamientos 1 y 2. Interpretamos de la
manera siguiente los resultados. El tipo de software 3 requiere un tiempo de capacitación
significativamente mayor que el de los tipos 1 y 2. No hay diferencias significativas en
el tiempo de capacitación de los tipos 1 y 2.

1.8. Comprobación de las suposiciones del modelo

En resumen, mediante el ANOVA analizamos los datos experimentales

comparando las respuestas medias en los distintos tratamientos y en
caso de detectar diferencias significativas procedemos a un análisis más
detallado basado en comparaciones por parejas u otros contrastes.

Todos estos procedimientos estadísticos se basan en la suposición de que los

datos se ajustan al modelo:
© FUOC • PID_00276234 19 Análisis de la varianza (ANOVA)

donde , son parámetros (cantidades fijas pero desconocidas) y eij son va-
riables aleatorias independientes y distribuidas según una normal de media 0
y varianza constante . Por lo tanto, será necesario chequear si estas suposi-
ciones se satisfacen razonablemente.

Las tres suposiciones básicas que debemos validar son que los errores eij son:

• incorrelacionados (independientes en caso de normalidad)

• distribuidos según una normal
• con varianza constante (no varía a través de los tratamientos)

La suposición de independencia es la más importante y difícil de corregir en

caso de que no se cumpla. Es el diseño del experimento, una adecuada alea-
torización en la asignación de los tratamientos y, en fin, cada paso del expe-
rimento, que debe asegurarnos que las observaciones son independientes. En
este tema vamos a centrarnos en la validación de las otras dos suposiciones:
normalidad y varianza constante. Veremos que la suposición de normalidad,
aunque importante, puede relajarse en caso de muestras grandes. La condición
de varianza constante (también llamada condición de homocedasticidad), si
no se cumple, puede afectar a nuestras inferencias. No obstante, la falta de
homocedasticidad puede corregirse en muchas situaciones.

A continuación se consideran distintos métodos de diagnóstico y posibles co-

rrecciones cuando los supuestos de modelización no se cumplen.

Hasta cierto punto podría parecer que «forzamos la máquina» porque vamos
a estudiar una serie de transformaciones con el fin de que nuestros modelos
lineales, con errores distribuidos normalmente, sean aplicables a muchos tipos
de datos. Cabe decir que hay otras metodologías que podríamos usar en su lu-
gar, por ejemplo: los modelos lineales generalizados, los métodos robustos, los
métodos de permutaciones o los métodos no paramétricos basados en rangos.
De hecho, para ciertos tipos de datos algunos de estos métodos alternativos
pueden ser considerablemente más eficientes (por ejemplo, producir interva-
los de confianza más cortos con el mismo nivel de confianza) que el modelo
lineal basado en la distribución normal.

1.8.1. Evaluando el cumplimiento de los supuestos de

modelización

Puede que las suposiciones de independencia, distribución normal de los erro-

res con varianza constante no se cumplan por completo en datos reales. No
obstante, los modelos lineales producen buenas inferencias, siempre que la
desviación de los supuestos no sea demasiado grande. Por este motivo, pode-
© FUOC • PID_00276234 20 Análisis de la varianza (ANOVA)

mos utilizar métodos gráficos y descriptivos para evaluar el grado de cumpli-

miento de las suposiciones en lugar de testar. Aunque como veremos también
disponemos de test estadísticos para tal fin.

Evaluamos el cumplimiento de las suposiciones sobre los errores aleatorios ba-

sándonos en los residuos. Los residuos rij vienen dados por la diferencia entre
el valor observado yij y el valor ajustado según el modelo para dicha observa-
ción. En el caso del ANOVA de un factor, el valor ajustado para la observación
yij es . Por lo tanto, para cada dato obtenemos un residuo dado por

Los residuos rij son una muestra de la variable aleatoria eij. Según las suposi-
ciones del modelo se asume que , por lo tanto será estudiando los
residuos como podremos validar los supuestos del modelo.

Ejemplo 1 (continuación)

Nos preguntábamos si el factor «tipo de software» era significativo, en el sentido de que

el tiempo de capacitación se ve afectado por dicho factor. Planteábamos el contraste de
hipótesis

Para resolverlo calculábamos la tabla ANOVA:

results<-lm(y~fact,data=df)

Extrajimos la tabla ANOVA mediante:

taov<-anova(results)
taov
## Analysis of Variance Table
##
## Response: y
## Df Sum Sq Mean Sq F value Pr(>F)
## fact 2 115.11 57.556 7.5731 0.005326 **
## Residuals 15 114.00 7.600
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Obtuvimos un p-valor 0.005, claramente inferior a un nivel de significación del 5 %. Por

lo tanto, aceptamos la hipótesis alternativa y concluimos que el factor es significativo.

Recordemos que las medias de cada grupo yi son:

tapply(y,fact,mean,data=df)
## 1 2 3
## 16.33333 15.66667 21.33333

Para el cálculo de los residuos, recordemos que cada residuo se calcula mediante
. Por ejemplo, el residuo de la observación correspondiente a la primera
réplica del primer nivel, es decir, i = 1 y j = 1 será:

Podemos extraer con la función residuals todos los residuos del objeto, de tal manera que
de cada observación obtenemos su residuo:

residuals(results)
© FUOC • PID_00276234 21 Análisis de la varianza (ANOVA)

## 1 2 3 4 5 6
## 3.6666667 0.6666667 -1.3333333 2.6666667 -2.3333333 -3.3333333
## 7 8 9 10 11 12
## 2.3333333 1.3333333 -1.6666667 4.3333333 -2.6666667 -3.6666667
## 13 14 15 16 17 18
## 1.6666667 3.6666667 -1.3333333 -0.3333333 -2.3333333 -1.3333333

1.8.2. Evaluando la normalidad

Los qqplot son un procedimiento gráfico para la evaluación de la nor-

malidad. Los qqplot son útiles en el diagnóstico de desviaciones de la
normalidad porque permiten la comparación de los cuantiles de la dis-
tribución de los residuos de los datos con los cuantiles de una distribu-
ción normal estándar. Si se aprecian desviaciones de la linealidad, ello
será indicio de que la normalidad no se cumple.

Ejemplo 1 (continuación)

Podemos obtener un qqplot de los residuos mediante la función qqnorm

qqnorm(residuals(results))
qqline(residuals(results))

Observamos que la mayoría de los residuos se ajustan a la recta, por lo que no hay evi-
dencia en contra del supuesto de normalidad. Alternativamente, podemos obtener el qq-
plot utilizando la [Link], llamando al slot 2, es decir, plot(results,which=2).

Adicionalmente, podemos contrastar la normalidad mediante el test de Shapiro-Wilk

(donde la hipótesis nula es aquella que afirma que la distribución es normal):

[Link](residuals(results))
##
## Shapiro-Wilk normality test
##
## data: residuals(results)
## W = 0.92953, p-value = 0.1905
© FUOC • PID_00276234 22 Análisis de la varianza (ANOVA)

A la vista del p-valor obtenido, mantenemos la hipótesis nula y podemos aceptar que la
variable aleatoria eij sigue una distribución normal. Cabe señalar que debemos aplicar la
función [Link] a los residuos, y observemos que será equivocado aplicarlo sobre las
observaciones yij.

1.8.3. Evaluando el cumplimiento de la constancia de la

varianza (homocedasticidad)

Evaluamos la constancia de la varianza mediante un plot de los residuos rij en

el eje vertical sobre los valores ajustados (fitted values) en el eje horizontal. El
valor ajustado de una observación es, en el ANOVA de un factor, la media del
grupo al que corresponde la observación. Por lo tanto, para todas las observa-
ciones que corresponden al nivel i, el valor ajustado es .

Por ejemplo, con los datos del ejemplo, todas las observaciones que corresponden al nivel
2, el valor ajustado es la media del nivel 2, .

En este tipo de gráfico de residuos aparecerán tiras verticales de puntos, una

tira por cada nivel. Si la varianza es constante, la extensión vertical de las ti-
ras será aproximadamente la misma. Si la varianza no es constante, aparece-
rá un patrón en la dispersión vertical de los residuos. Es decir, los niveles de
tratamiento mostrarán una disposición de los residuos con distinta dispersión
vertical.

Un patrón habitual cuando no se cumple la suposición de varianza constante

es aquel que aparece en caso de que la varianza depende de la media del grupo.
Por lo general, en estos casos hay un aumento de la varianza a medida que
la media del grupo aumenta. En consecuencia, el gráfico de residuos muestra
una apertura a la derecha en forma de embudo.

Sigamos analizando los datos del ejemplo. Podemos obtener un gráfico de residuos uti-
lizando la función [Link], llamando al slot 1.

plot(results,which=1)
© FUOC • PID_00276234 23 Análisis de la varianza (ANOVA)

Observamos tres tiras verticales de puntos que están situadas en las medias de cada grupo.
Como hemos dicho, estas corresponden a los valores ajustados de las observaciones. La
disposición de los residuos muestra una dispersión parecida en cada tira. Por lo tanto,
no se aprecia efecto de embudo.

Adicionalmente, podemos testar la homogeneidad de varianzas mediante el test de

Bartlett, que es aplicable en caso de normalidad. La hipótesis nula es la de homogeneidad
de varianzas a través de los niveles. Esto es

Sigamos analizando los datos del ejemplo. Evaluamos la homogeneidad de las varianzas.

[Link](y~fact,data=df)
##
## Bartlett test of homogeneity of variances
##
## data: y by fact
## Bartlett's K-squared = 0.50494, df = 2, p-value = 0.7769

A la vista del p-valor, mantenemos la hipótesis nula y aceptamos que las varianzas son
iguales.

1.8.4. Corrigiendo el incumplimiento de las condiciones

1)�Corrigiendo�la�no�normalidad

La no normalidad, sobre todo debida a la asimetría, a veces puede ser dismi-

nuida mediante la transformación de la variable respuesta a una escala dife-
rente. La asimetría hacia la derecha se ve reducida por una raíz cuadrada, un
logaritmo u otra transformación a una potencia menor que uno, mientras que
la asimetría a la izquierda se ve reducida por un cuadrado, cubo u otra trans-
formación a una potencia mayor que uno.

2)�Corrigiendo�la�no�constancia�de�la�varianza
© FUOC • PID_00276234 24 Análisis de la varianza (ANOVA)

La forma habitual de solucionar la no constancia de la varianza es por la trans-

formación de la variable respuesta. Para algunas distribuciones hay transfor-
maciones estándar que igualan o estabilizan la varianza. Hay una teoría gene-
ral de las transformaciones estabilizadoras de la varianza que se aplica a las
distribuciones donde la varianza depende de la media.

Cuando no tenemos una distribución con una transformación conocida pa-

ra la estabilización de la varianza (y por lo general no la tenemos), entonces
se suele ensayar una familia de transformaciones de potencia. El método de
Box-Cox establece un procedimiento para determinar a partir de los datos la
transformación de potencia. La familia de transformaciones de Box-Cox vie-
nen dadas por:

donde es la media geométrica de la variable respuesta.

La técnica de Box-Cox transforma los datos (variable respuesta) explorando

un rango de valores de y realizando un ANOVA para cada transformación
(es decir, para cada valor de ). En cada ANOVA obtenemos una suma de cua-
drados del error (SSE) que dependerá de la usada, . La mejor transfor-
mación será aquella para la cual el alcanza el mínimo.

Para implementar la técnica de Box-Cox utilizaremos la función boxcox del

paquete MASS.

Vamos a utilizar otro ejemplo en el que será necesario aplicar la técnica de

Box-Cox.

Ejemplo 2

La vida útil de las carnes almacenadas es el tiempo que un corte previamente envasado
es sano, nutritivo y vendible. Un paquete normal expuesto al aire ambiental tiene una
vida aproximada de 48 horas, después de las cuales la carne comienza a deteriorarse por
contaminación de microbios, degradación del color y encogimiento. El envase al vacío
es efectivo para suprimir el desarrollo de microbios; sin embargo, continúan siendo un
problema los otros aspectos.

Algunos estudios recientes sugieren las atmósferas controladas de gas como alternativa a
los envases actuales. Dos atmósferas que prometen combinar la capacidad de suprimir el
desarrollo de microbios con la conservación de las cualidades de la carne son: 1) dióxido
de carbono puro (CO2), y 2) mezclas de monóxido de carbono (CO), oxígeno (O) y ni-
trógeno (N). Según esta nueva información, un equipo investigador plantea la hipótesis
de que alguna forma de atmósfera controlada proporcionaría un entorno más efectivo
de envasado para el almacenamiento de carne.

El diseño del experimento desarrollado por el equipo investigador para evaluar la hipó-
tesis incluye diversos tipos de envasados con: 1) aire del ambiente con un envasado co-
mercial de plástico; 2) al vacío; 3) una mezcla de gases con 1 % CO, 40 % O y 59 % N, y
4)100 % CO2. Los envases con el aire del ambiente y al vacío sirven como tratamientos
de control, ya que ambos son estándares con cuya efectividad se puede comparar la de
los nuevos envasados.
© FUOC • PID_00276234 25 Análisis de la varianza (ANOVA)

Se usa un diseño totalmente aleatorizado para el experimento. A cada conjunto de con-

diciones de envasado se le asignaron al azar cortes del mismo tamaño (75 g). Cada corte
se envasa por separado en las condiciones asignadas.

Se evalúa la efectividad de cada tratamiento para suprimir el desarrollo bacteriano. Des-

pués de nueve días de almacenamiento a 4 C en una instalación normal, se midió el
número de bacterias sicotrópicas en la carne. Las bacterias sicotrópicas se encuentran en
la superficie de la carne y se asocian con la carne deteriorada. El crecimiento bacteriano
se expresa como el número de bacterias (en millones) por centímetro cuadrado.

Atmósfera

Comercial 45,7 9,5 63,1

Al vacío 0,2 0,7 0,6

Mezcla de gases 25,1 21,3 10,9

CO2 0,09 0,25 0,004

1.8.5. Formulación del modelo estadístico para analizar los datos

del experimento anterior

La variable repuesta yij es el número de bacterias sicotrópicas. El factor es el

tratamiento, que tienen cuatro niveles (envasado comercial, al vacío, mezcla
de gases y dióxido de carbono), y existen tres réplicas por nivel. Formulamos
el modelo lineal

con la restricción . Asumimos que eij sigue la distribución ,

donde es constante a través de los grupos. Las observaciones son indepen-

dientes.

1.8.6. Evaluación de las suposiciones de modelización

(normalidad y homocedasticidad)

env<-c("Comercial","Comercial","Comercial","Al vacío","Al vacío",

"Al vacío","Mezcla de gases","Mezcla de gases","Mezcla de gases",
"co2","co2","co2")
bact<-c(45.7, 9.5, 63.1, 0.2, 0.7 , 0.6,
25 , 21 , 10, 0.09 , 0.25 , 0.004)
df<-[Link](bact,env)
results<-aov(bact~env,data=df)
plot(results,which=c(1,2))
© FUOC • PID_00276234 26 Análisis de la varianza (ANOVA)

[Link](residuals(results))
##
## Shapiro-Wilk normality test
##
## data: residuals(results)
## W = 0.81445, p-value = 0.01374
[Link](bact~env,data=df)
##
© FUOC • PID_00276234 27 Análisis de la varianza (ANOVA)

## Bartlett test of homogeneity of variances

##
## data: bact by env
## Bartlett's K-squared = 28.696, df = 3, p-value = 2.594e-06

A la vista de los resultados, no se cumplen los supuestos de modelización. Es

necesario aplicar una transformación.

1.8.7. Transformación de la variable respuesta (número

bacterias/cm 2) para proseguir con el análisis de los datos

library(MASS)
## Warning: package 'MASS' was built under R version 3.5.3
bct<-boxcox(bact~env,lambda = seq(-1, 1, length = 10),data=df,plotit=T)

lambda<-bct$x[[Link](bct$y)]
lambda
## [1] 0.1313131
library(psych)
## Warning: package 'psych' was built under R version 3.5.3
gm<-[Link](bact)
gm
## [1] 1.790726
df$bactt<-(bact^lambda-1)/(lambda*gm^(lambda-1))
© FUOC • PID_00276234 28 Análisis de la varianza (ANOVA)

Con ello hemos añadido una nueva variable al [Link] con la variable
respuesta corregida.

1.8.8. Verificación de la adecuación

results<-aov(bactt~env,data=df)
plot(results,which=c(1,2))
© FUOC • PID_00276234 29 Análisis de la varianza (ANOVA)

[Link](residuals(results))
##
## Shapiro-Wilk normality test
##
## data: residuals(results)
## W = 0.89049, p-value = 0.1196
[Link](bactt~env,data=df)
##
## Bartlett test of homogeneity of variances
##
## data: bactt by env
## Bartlett's K-squared = 2.0049, df = 3, p-value = 0.5714

Una vez estimada la óptima. Claramente, la transformación corrige los in-

cumplimientos anteriores.

1.8.9. Evaluar si hay diferencias significativas entre los

tratamientos

Una vez transformada la variable, analizaremos la significación del factor en-

vasado.

results<-aov(bactt~env,data=df)
anova(results)
## Analysis of Variance Table
##
## Response: bactt
## Df Sum Sq Mean Sq F value Pr(>F)
## env 3 265.500 88.500 25.401 0.0001927 ***
## Residuals 8 27.873 3.484
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Se observa que el factor tipo de envasado es significativo.

1.8.10. Estimación de los parámetros del modelo

[Link](results,type="means")
## Tables of means
## Grand mean
##
## 1.932156
##
## env
## env
## Al vacío co2 Comercial Mezcla de gases
## -1.268 -4.014 7.239 5.771
© FUOC • PID_00276234 30 Análisis de la varianza (ANOVA)

[Link](results,type="effects")
## Tables of effects
##
## env
## env
## Al vacío co2 Comercial Mezcla de gases
## -3.200 -5.946 5.307 3.839
anova(results)[2,3]
## [1] 3.484101

1.8.11. ¿Se puede recomendar un tratamiento que mejore los

tratamientos usuales?

Deberemos realizar comparaciones múltiples.

library(agricolae)
[Link](results,"env",group=T,[Link]="bonferroni",console=T)
##
## Study: results ~ "env"
##
## LSD t Test for bactt
## P value adjustment method: bonferroni
##
## Mean Square Error: 3.484101
##
## env, means and individual ( 95 %) CI
##
## bactt std r LCL UCL Min
## Al vacío -1.268048 0.9933341 3 -3.753153 1.217057 -2.406541
## co2 -4.013854 2.2643418 3 -6.498960 -1.528749 -6.514602
## Comercial 7.239082 2.5465278 3 4.753977 9.724188 4.345194
## Mezcla de gases 5.771443 1.1565648 3 3.286337 8.256548 4.459934
## Max
## Al vacío -0.578023
## co2 -2.102466
## Comercial 9.137538
## Mezcla de gases 6.645374
##
## Alpha: 0.05 ; DF Error: 8
## Critical Value of t: 3.478879
##
## Minimum Significant Difference: 5.301992
##
## Treatments with the same letter are not significantly different.
##
## bactt groups
## Comercial 7.239082 a
© FUOC • PID_00276234 31 Análisis de la varianza (ANOVA)

## Mezcla de gases 5.771443 a

## Al vacío -1.268048 b
## co2 -4.013854 b
[Link](results,"env",group=T,console=T)
##
## Study: results ~ "env"
##
## HSD Test for bactt
##
## Mean Square Error: 3.484101
##
## env, means
##
## bactt std r Min Max
## Al vacío -1.268048 0.9933341 3 -2.406541 -0.578023
## co2 -4.013854 2.2643418 3 -6.514602 -2.102466
## Comercial 7.239082 2.5465278 3 4.345194 9.137538
## Mezcla de gases 5.771443 1.1565648 3 4.459934 6.645374
##
## Alpha: 0.05 ; DF Error: 8
## Critical Value of Studentized Range: 4.52881
##
## Minimun Significant Difference: 4.88055
##
## Treatments with the same letter are not significantly different.
##
## bactt groups
## Comercial 7.239082 a
## Mezcla de gases 5.771443 a
## Al vacío -1.268048 b
## co2 -4.013854 b

Observamos que los tratamientos al vacío y con CO2 forman un grupo homo-
géneo que provoca una reducción significativa del número de bacterias res-
pecto a los otros tratamientos.

1.9. Test de remuestreo para el ANOVA

En ocasiones, la suposición de normalidad del término aleatorio no es plausi-

ble. En este caso, es imposible aplicar la prueba F en el contraste de la signifi-
cación de los efectos del tratamiento. En tales casos, se pueden aplicar técnicas
basadas en el remuestreo.

El procedimiento básico es el siguiente:

• Calcular el valor de F para los datos experimentales (llamémosle Fobs).

© FUOC • PID_00276234 32 Análisis de la varianza (ANOVA)

• Elegir B muestras, donde cada muestra es una permutación aleatoria de

los datos originales.

• Para cada muestra, asignar las primeras observaciones n1 al primer trata-

miento, las siguientes observaciones n2 al segundo tratamiento, y así su-
cesivamente.

• Para cada remuestreo, calcular F a partir de los datos.

• Si F > Fobs, incrementar un contador.

• Calcular p dividiendo el resultado en el contador por B después de com-

pletar el remuestreo.

• Si la hipótesis nula fuera cierta, p representa la probabilidad de obtener una

F tan grande como la que obtuvimos con nuestros datos experimentales.

• Rechazar la hipótesis nula si p < α, siendo α el nivel de significación.

Ejemplo 3

Se realizó un experimento para determinar el efecto de las burbujas de aire sobre la resis-
tencia del asfalto. Para fines del experimento, las burbujas se controlan en tres niveles:
bajo (2-4 %), medio (4-6 %) y alto (6-8 %). Los datos obtenidos aparecen en la tabla si-
guiente.

Burbujas de aire

Bajo 106 90 103 90 79 88 92 95

Medio 80 69 94 91 70 83 87 83

Alto 78 80 62 69 76 85 69 85

¿Afectan de manera significativa los diferentes niveles de burbujas de aire en la resistencia

del asfalto? Tomar . Resolver el problema mediante un test de remuestreo.

Para implementar un test de remuestreo en R podemos cargar el paquete

de R coin y llamar la función oneway_test(), y mediante el argumento
distribution=approximate(nresample=9999) indicaremos que el remuestreo se
basa en 9.999 permutaciones de las observaciones.

library(coin)
## Warning: package 'coin' was built under R version 3.5.3
## Loading required package: survival
## Warning: package 'survival' was built under R version 3.5.3
df<-[Link](y=c(106,90,103,90,79,88,92,95,80,69,94,91,70,83,87,83,78,80,62,69,76,85,69,85),
b= c(rep("1. Bajo",8), rep("2. Medio",8), rep("3. Alto",8) ) )
str(df)
## '[Link]': 24 obs. of 2 variables:
## $ y: num 106 90 103 90 79 88 92 95 80 69 ...
## $ b: Factor w/ 3 levels "1. Bajo","2. Medio",..: 1 1 1 1 1 1 1 1 2 2 ...
[Link](1234)
oneway_test(y~b,data=df,distribution=approximate(nresample=9999))
##
## Approximative K-Sample Fisher-Pitman Permutation Test
##
## data: y by b (1. Bajo, 2. Medio, 3. Alto)
## chi-squared = 10.156, p-value = 0.0029
© FUOC • PID_00276234 33 Análisis de la varianza (ANOVA)

Resulta un p-valor de 0.0029, inferior al nivel de significación. Por lo tanto, rechazamos

la igualdad de los efectos. Hay diferencias significativas de la resistencia del asfalto según
el nivel de burbujas de aire.

1.10. Test no paramétrico basado en rangos

La prueba de Kruskal-Wallis no asume normalidad en los datos, en oposición

al tradicional ANOVA. Sí asume, bajo la hipótesis nula, que los datos vienen
de la misma distribución. Una forma común en que se viola este supuesto es
con datos heterocedásticos.

Sean los tamaños de cada una de los tratamientos y N el total de

observaciones. Para el cálculo del estadístico de test se ordenan las n observa-
ciones de menor a mayor y se les asignan rangos desde 1 hasta n. Si la hipótesis
nula es cierta, es de esperar que el rango promedio sea aproximadamente igual
para los k tratamientos; cuando dichos promedios sean muy diferentes, es un
indicio de que H0 es falsa.

El estadístico de prueba es:

donde, Ri es la suma de rangos de las observaciones correspondientes al grupo

i. La distribución bajo la hipótesis nula del estadístico es aproximadamente
, que requiere un mínimo de cinco observaciones por muestra.

Ejemplo 3 (continuación)

Analicemos los datos del ejemplo 3, en el que se realizó un experimento para determinar
el efecto de las burbujas de aire sobre la resistencia del asfalto, con el test de Kruskal-Wa-
llis.

[Link](y~b,data=df)
##
## Kruskal-Wallis rank sum test
##
## data: y by b
## Kruskal-Wallis chi-squared = 10.578, df = 2, p-value = 0.005047
boxplot(y~b,data=df,xlab="% de burbujas", ylab="Resistencia asfalto")
© FUOC • PID_00276234 34 Análisis de la varianza (ANOVA)

Resulta un p-valor de 0.005, inferior al nivel de significación. Por lo tanto, aceptamos que
existen diferencias significativas de la resistencia del asfalto según el nivel de burbujas de
aire. El gráfico sugiere que la resistencia del asfalto decrece a medida que el porcentaje
de burbujas de aire.
© FUOC • PID_00276234 35 Análisis de la varianza (ANOVA)

2. Análisis de la varianza de dos factores

Hasta ahora, hemos estado trabajando con diseños totalmente aleatorizados,

donde los a tratamientos eran asignados a las unidades experimentales. Los
tratamientos no tenían estructura, eran solo tratamientos.

Decimos que hay una estructura factorial de tratamientos cuando un

experimento combina los niveles de dos o más factores para crear los
tratamientos. Cuando los tratamientos son las combinaciones de los
niveles de dos o más factores. No cambiamos la asignación aleatorizada;
la diferencia es solo que ahora estamos considerando tratamientos que
tienen una estructura factorial.

En particular, vamos a considerar diseños experimentales con dos factores.

Además, nos centraremos en diseños balanceados, es decir, en experimentos
con n observaciones en cada una de las combinaciones de los niveles de los
factores.

2.1. Efectos principales e interacción

Utilizamos la notación yijk para indicar las respuestas en un diseño fac-

torial de 2 factores. Con esta notación, yijk es la réplica k en la condición
experimental correspondiente a la combinación del nivel i del factor A
con el nivel j del factor B.

Podemos organizar los datos en forma de tabla.

B1 B2 B3

A1

A2

A3
© FUOC • PID_00276234 36 Análisis de la varianza (ANOVA)

B1 B2 B3

A4

Si olvidamos por un momento el factor B, y solo consideramos el factor A (filas

en la tabla). Estaremos en un diseño de un factor. Podríamos (como en el tema
anterior) calcular la variabilidad de la respuesta atribuible al factor A mediante
la correspondiente suma de cuadrados SSA, considerando solo los niveles del

factor A. El valor esperado para la respuesta para la fila i es , .

Podemos revertir el papel de los factores A y B, y considerar el factor B (co-

lumnas en la tabla). Podríamos (como en el tema anterior) calcular la variabi-
lidad de la respuesta atribuible al factor B mediante la correspondiente suma
de cuadrados SSB, considerando solo los niveles de B. El valor esperado para

la respuesta para la columna j es , .

Los efectos y se llaman los efectos principales de los factores A y B, res-

pectivamente. Los efectos principales del factor A miden la variabilidad debi-
da solo a los niveles del factor A (filas en la matriz de datos). Los efectos prin-
cipales del factor B miden la variabilidad debida solo a los niveles del factor
B (columnas en la matriz de datos). Análogamente, las sumas SSA y SSB son
las llamadas sumas de cuadrados de los efectos principales del factor A y del
factor B, respectivamente.

La variabilidad explicada por los efectos principales es la variabilidad que ocu-

rre a través de las filas o a través las columnas de la matriz de datos. Hay otra
variabilidad por describir, que es la variabilidad que ocurre al cambiar filas y
columnas simultáneamente. Llamamos a esta variabilidad la interacción entre
los factores A y B, y la denotamos mediante SSAB.

El efecto principal de las filas nos dice cómo cambia la respuesta cuando nos
movemos de una fila a otra, promediando en todas las columnas. El efecto
principal de las columnas nos dice cómo la respuesta cambia cuando se pasa
de una columna a otra, promediado en todas las filas.

La interacción nos dice cómo el cambio en la respuesta depende de columnas,

cuando se mueve entre las filas, o cómo el cambio en respuesta depende de
filas cuando se mueve entre las columnas. En otras palabras, la interacción
entre los factores A y B nos dice el cambio en la respuesta media al pasar del
nivel i1 del factor A al nivel i2 del factor A, dependiendo del nivel de factor B
bajo consideración. No podemos decir simplemente que el cambiar de nivel
© FUOC • PID_00276234 37 Análisis de la varianza (ANOVA)

del factor A –esto conlleva un cierto cambio de la respuesta por una cantidad
dada– es posible que tengamos una cantidad diferente de cambio según sea
el nivel del factor B.

Ejemplo 4

Un equipo investigador analiza si existen diferencias en los niveles de calcio en plasma

(mg Ca ml-1) entre sexos en una especie de pájaros que recibieron o no un tratamiento
hormonal.

conc<-c(16.5, 14.5, 39.1, 32.0,18.4, 11.0, 26.2, 23.8,12.7, 10.8, 21.3,

28.8,14.0, 14.3, 35.8, 25.0,12.8, 10.0, 40.2, 29.3)
hormone<-rep(c("Treatment","Treatment","No Treatment","No Treatment"),5)
gender<-rep(c("Female","Male"),10)
df<-[Link](conc,hormone,gender)

Podemos utilizar la función [Link] para estudiar la interacción de los factores

principales.

[Link](hormone,gender,conc)

En el eje X aparecen los dos niveles del factor tratamiento, en el eje Y aparece la media
de la variable respuesta (calcio en plasma). Estrictamente, el gráfico se basa en las cuatro
medias para las cuatro condiciones experimentales, pero se unen mediante líneas las
medias que corresponden al mismo nivel del factor que no está representado en el eje
X. Vemos que tanto en machos como en hembras los niveles de calcio son mayores en
el grupo no tratado con hormona. También observamos que las hembras tienen mayor
calcio en plasma que los machos en cualquiera de los dos tratamientos. Constatamos que
el descenso en el calcio en plasma entre sexos es aproximadamente el mismo en los dos
tratamientos. Las líneas aparecen paralelas y diremos que no se aprecia interacción.

Podemos intercambiar los factores en la representación de la interacción. Llegamos a

conclusiones similares.

[Link](gender, hormone,conc)
© FUOC • PID_00276234 38 Análisis de la varianza (ANOVA)

Ejemplo 5

Un departamento de control de calidad quiere comprobar si la marca del detergente para

ropa usado y la temperatura de lavado afectan a la cantidad de suciedad eliminada de
la ropa, cantidad medida en una escala conveniente, por ejemplo, número de manchas
que desaparecen. Con este fin, se comparan dos marcas de detergente (A y B) y se fijan
tres niveles de temperatura (frío, templada y caliente). A continuación, se divide la ropa
al azar en seis montones con cuatro prendas por combinación de los niveles.

reduccion<-c(4,5,6,5 ,7,9,8,12,10,12,11,9,6,6,4,4,13,15,12,12,12,13,10,13)
temper<-rep(rep(c("frío", "templada" ,"caliente"),each=4),2)
deter<-rep(c("A","B"),each=12)
df<-[Link](reduccion,temper,deter)

Representemos la interacción

[Link](deter, temper, reduccion)

© FUOC • PID_00276234 39 Análisis de la varianza (ANOVA)

Observamos que en este ejemplo hay interacción. Vemos que el detergente B, a tempe-
ratura templada, tiene mayor eficacia en la reducción de la suciedad. Las rectas no son
paralelas.

A la misma conclusión llegamos si intercambiamos los factores en el gráfico de interac-

ción.

[Link](temper, deter, reduccion)

Observaciones

Fijaos en que el ejemplo 4 no se corresponde con un diseño completamente aleatorizado,

ya que los niveles de uno de los factores (sexo) no han sido asignados aleatoriamente.
El diseño ha sido el siguiente: primero se han elegido individuos dentro de cada sexo;
posteriormente, se han asignado al azar los tratamientos entre los machos y lo mismo
entre las hembras. Dicho de otra manera, se trata de un diseño aleatorizado dentro del
factor sexo (bloques). Ello no impide analizar los datos de la misma manera que en un
diseño completamente aleatorizado, pero sí que el efecto del factor que no se ha podido
aleatorizar no puede ser atribuido únicamente a este factor, sino a otros que pudieran
estar relacionados (confusores).

2.2. Parametrización del modelo lineal de dos factores

El diseño experimental de dos factores A y B, donde el factor A tiene a niveles,

el factor B tiene b niveles y hay n unidades experimentales asignadas a cada
combinación factor-nivel. El modelo es

donde , , , denota la respuesta k en el i -ési-

mo nivel de A y j -ésimo nivel de B, la media general, el efecto del nivel
i del factor principal A, el efecto del nivel i del factor principal B, la
interacción del nivel i del factor A con el nivel j del factor B, eijk el error es in-
dependiente y normalmente distribuido con media cero y varianza . Hay un
total de N = nab unidades experimentales (observaciones). No debemos con-
© FUOC • PID_00276234 40 Análisis de la varianza (ANOVA)

fundir con el producto de por , ya que son ideas diferentes. El efecto

de la interacción es una medida de lo lejos que los medias de los tratamientos
difieren de la simple aditividad.

Hay ab diferentes medias de tratamientos, pero tenemos 1 + a + b + ab paráme-

tros, así que tenemos sobreparametrización. Debemos elegir un conjunto de
restricciones para que los efectos de los tratamientos estén bien definidos. Las
restricciones usuales sobre los parámetros en los modelos de dos factores son:

Las estimaciones de los parámetros son:

•
•
•

2.3. Análisis de la varianza en diseños balanceados

El análisis de la varianza descansa en un algoritmo para la descomposición de

la variabilidad de los datos. Hay una fuente de variabilidad para cada término
en el modelo; en un análisis de dos factores estos son el factor A, el factor B,
la interacción AB y el error. De tal manera que la suma de cuadrados totales se
descompone en la suma de cuadrados de cada término, esto es,

SST = SSA + SSB + SSAB + SSE

donde,

•
© FUOC • PID_00276234 41 Análisis de la varianza (ANOVA)

Ahora, la tabla ANOVA correspondiente al modelo de dos factores con inter-

acción es de la siguiente forma:

Fuente SS gl MS F

A SSA a–1 MSA = SSA/(a – 1) MSA/MSE

B SSB b–1 MSB = SSB/(b – 1) MSB/MSE

AB SSAB (a – 1) (b – 1) MSAB = SSAB/(( a – 1) (b – 1)) MSAB/MSE

Error SSE (n – 1) ab MSE = SSE/((n – 1) ab)

Los test de hipótesis para inferir la significación de los factores requieren su-
posiciones sobre los errores. Asumimos que los errores eijk son independientes
y normalmente distribuidos con la varianza constante en cada una de las con-
diciones experimentales.

Cuando las suposiciones son verdaderas, los cocientes F definidos en la tabla

ANOVA son estadísticos válidos para resolver la significación de los factores.

En este sentido, para testar la significación del factor A, planteamos la hipótesis

nula: frente a la hipótesis alternativa de que alguna/s es/
son diferente/s a cero. Para resolver el test anterior usamos el estadístico F =
MSA/MSE con (a – 1) y (n – 1)ab grados de libertad.

Análogamente, para testar la significación del factor B, planteamos la hipótesis

nula frente a la hipótesis alternativa de que alguna/s es/
son diferente/s a cero. Para resolver el test anterior usamos el estadístico F =
MSB/MSE con (b – 1) y (n – 1)ab grados de libertad.

De manera similar, para testar la hipótesis de que todos los términos de inter-
acción son nulos usamos el estadístico F = MSAB/MSE con (a – 1) (b – 1) y (n
– 1)ab grados de libertad.

Ejemplo 5 (continuación)

Ajustemos�el�modelo�de�dos�factores�con�interacción

modelo <- aov(reduccion ~ temper + deter + temper:deter, data = df)

Fijaos en el uso del operador: para designar el término de la interacción dentro de la

fórmula. También es posible usar el operador *, lo cual incluye tanto el término de inter-
acción como los términos principales. Así, la anterior instrucción es equivalente a:

modelo <- aov(reduccion ~ temper*deter, data = df)

Validación�de�las�suposiciones

Para la comprobación de la homocedasticidad, podemos hacer un gráfico de residuos

frente a valores ajustados, y opcionalmente, un test de Bartlett para testar si la varianza en
las seis condiciones experimentales es la misma. Para aplicar el test de Bartlett debemos
crear una variable nueva mediante la función interaction con la que crear una variable
factor con los cruces de los niveles de los dos factores.
© FUOC • PID_00276234 42 Análisis de la varianza (ANOVA)

plot(modelo, which = 1)

condition <- with(df, interaction(temper, deter))

condition
## [1] frío.A frío.A frío.A frío.A templada.A templada.A
## [7] templada.A templada.A caliente.A caliente.A caliente.A caliente.A
## [13] frío.B frío.B frío.B frío.B templada.B templada.B
## [19] templada.B templada.B caliente.B caliente.B caliente.B caliente.B
## Levels: caliente.A frío.A templada.A caliente.B frío.B templada.B
[Link](reduccion ~ condition, data = df)
##
## Bartlett test of homogeneity of variances
##
## data: reduccion by condition
## Bartlett's K-squared = 2.665, df = 5, p-value = 0.7515

Vemos que el gráfico de residuos sugiere que podría haber una ligera falta de homoce-
dasticidad. Parece que a valores mayores de la variable respuesta se aprecia mayor va-
riabilidad de los residuos. No obstante, dado que el test de Bartlett no resulta significa-
tivo, aceptaremos mantener la homocedasticidad. Podemos comprobar la normalidad
mediante un qqplot y el test de Shapiro.

plot(modelo, which = 2) # equivalente a un qqnorm; qqline

© FUOC • PID_00276234 43 Análisis de la varianza (ANOVA)

[Link](residuals(modelo))
##
## Shapiro-Wilk normality test
##
## data: residuals(modelo)
## W = 0.95256, p-value = 0.3075

A la vista de la disposición de los cuantiles y del p-valor del test de Shapiro, aceptamos
la hipótesis de normalidad.

Pasamos a resolver los contrastes de hipótesis de interés, a saber

deberemos calcular la tabla ANOVA.

anova(modelo)
## Analysis of Variance Table
##
## Response: reduccion
## Df Sum Sq Mean Sq F value Pr(>F)
## temper 2 200.333 100.167 48.7297 5.44e-08 ***
## deter 1 20.167 20.167 9.8108 0.005758 **
## temper:deter 2 16.333 8.167 3.9730 0.037224 *
## Residuals 18 37.000 2.056
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Vemos que las F de los factores principales son significativas, y aceptamos por lo tanto
que hay efecto de la temperatura y del detergente. También se aprecia interacción signi-
© FUOC • PID_00276234 44 Análisis de la varianza (ANOVA)

ficativa entre los niveles de los factores, lo que concuerda con el patrón de los gráficos
de interacción.

Es interesante obtener la estimación de los parámetros del modelo. Por un lado, la es-
timación de la varianza del error resulta de la tabla ANOVA a partir de los MSE, es por
tanto, .

Las medias por niveles y por condiciones experimentales son:

[Link](modelo, type = "mean")

## Tables of means
## Grand mean
##
## 9.083333
##
## temper
## temper
## caliente frío templada
## 11.25 5.00 11.00
##
## deter
## deter
## A B
## 8.167 10.000
##
## temper:deter
## deter
## temper A B
## caliente 10.5 12.0
## frío 5.0 5.0
## templada 9.0 13.0

Y para obtener la estimación de los efectos principales e interacciones, haremos:

[Link](modelo, type = "effects")

## Tables of effects
##
## temper
## temper
## caliente frío templada
## 2.167 -4.083 1.917
##
## deter
## deter
## A B
## -0.9167 0.9167
##
## temper:deter
## deter
## temper A B
## caliente 0.1667 -0.1667
## frío 0.9167 -0.9167
## templada -1.0833 1.0833

Dado que los factores principales han resultado significativos, deberemos realizar com-
paraciones por parejas. Por ejemplo, mediante el test de Tukey:

library(agricolae)
[Link](modelo, "temper", console = TRUE)
##
## Study: modelo ~ "temper"
##
## HSD Test for reduccion
##
## Mean Square Error: 2.055556
##
## temper, means
##
## reduccion std r Min Max
## caliente 11.25 1.4880476 8 9 13
## frío 5.00 0.9258201 8 4 6
## templada 11.00 2.7255406 8 7 15
© FUOC • PID_00276234 45 Análisis de la varianza (ANOVA)

##
## Alpha: 0.05 ; DF Error: 18
## Critical Value of Studentized Range: 3.609304
##
## Minimun Significant Difference: 1.829545
##
## Treatments with the same letter are not significantly different.
##
## reduccion groups
## caliente 11.25 a
## templada 11.00 a
## frío 5.00 b
#[Link](modelo, "deter", console = TRUE)
#no sería necesario este paso pero nos va bien en la explicación

Detectamos un grupo homogéneo, formado por los niveles de temperatura caliente y

templada, y un segundo grupo formado por el nivel frío.

En este ejemplo, dado que el término de interacción es significativo, para determinar la

condición experimental óptima debemos hacer comparaciones múltiples de la interac-
ción con el fin de determinar la condición experimental óptima.

library(agricolae)
modelo1F <- aov(reduccion ~ condition)
[Link](modelo1F, "condition", console = TRUE)
##
## Study: modelo1F ~ "condition"
##
## HSD Test for reduccion
##
## Mean Square Error: 2.055556
##
## condition, means
##
## reduccion std r Min Max
## caliente.A 10.5 1.2909944 4 9 12
## caliente.B 12.0 1.4142136 4 10 13
## frío.A 5.0 0.8164966 4 4 6
## frío.B 5.0 1.1547005 4 4 6
## templada.A 9.0 2.1602469 4 7 12
## templada.B 13.0 1.4142136 4 12 15
##
## Alpha: 0.05 ; DF Error: 18
## Critical Value of Studentized Range: 4.49442
##
## Minimun Significant Difference: 3.221872
##
## Treatments with the same letter are not significantly different.
##
## reduccion groups
## templada.B 13.0 a
## caliente.B 12.0 ab
## caliente.A 10.5 ab
## templada.A 9.0 b
## frío.A 5.0 c
## frío.B 5.0 c

Observamos que el [Link] detecta tres grupos homogéneos: el grupo a, for-

mado por los tratamientos templada.B, caliente.B y caliente.A; el grupo b,
formado por los tratamientos caliente.B, caliente.A y templada.A, y el gru-
po c, formado por los tratamientos frio.A y frio.B. El tratamiento templada.B
no es significativamente distinto de caliente.B y caliente.A, pero sí lo es de
templada.A.
© FUOC • PID_00276234 46 Análisis de la varianza (ANOVA)

2.4. Diseños con efectos aleatorios

Los efectos aleatorios son otro enfoque para diseñar experimentos y mode-
lar datos. Los efectos aleatorios son apropiados cuando los tratamientos son
muestras aleatorias de una población de tratamientos potenciales.

Supongamos la siguiente situación experimental. Una empresa cuenta con

cincuenta máquinas que fabrican cajas de cartón para conservas y quieren en-
tender la variación en la fuerza de los cartones. Eligen diez máquinas al azar de
las cincuenta y hacen cuarenta cartones en cada máquina, asignando al azar
cuatrocientos lotes de materia prima para cartón a las diez máquinas. Los car-
tones resultantes se someten a pruebas de resistencia. Esta es un diseño alea-
torizado, con diez tratamientos y cuatrocientas unidades.

Podemos plantear un modelo lineal de un factor

Los parámetros , se consideran constantes desconocidas, tales que la su-

ma de los efectos es cero. El objetivo principal es hacer inferencia sobre los
parámetros. Estos modelos se llaman de efectos fijos porque los efectos de los
tratamientos se consideran fijos.

Los modelos de efectos fijos no son apropiados para nuestro ejemplo de los
cartones. Sigue teniendo sentido descomponer la variabilidad de los datos en
la media general, el efecto de los tratamientos y el error, pero la suposición
de efectos fijos no tiene sentido por varias razones. Primero, nosotros estamos
interesados en hacer inferencia sobre toda la población de máquinas y no solo
sobre aquellas que hemos muestreado. Segundo, si planteásemos una replica-
ción del experimento, tendríamos otro conjunto aleatorio de máquinas. Por
lo tanto, la inferencia sobre, por ejemplo, el parámetro en el primer expe-
rimento no nos diría nada respecto al del segundo experimento, de hecho
representarían probablemente a máquinas distintas de la población.

Necesitamos una nueva modelización. Los componentes del modelo son los
mismos:

Asumimos que los eij son independientes con distribución normal de media
cero y varianza , como en el caso de los modelos de efectos fijos. En los
modelos de efectos aleatorios consideramos que los efectos Ai son variables
aleatorias con distribución normal de media cero y varianza , y que eij y Ai
© FUOC • PID_00276234 47 Análisis de la varianza (ANOVA)

son variables aleatorias independientes (usamos letras latinas para indicar que
son efectos aleatorios). En consecuencia, la variable respuesta yij tiene varianza
; llamamos a y las componentes de la varianza.

Los parámetros de los modelos de efectos aleatorios son la media general , la

varianza del error y la varianza de los efectos . Los efectos Ai son variables
aleatorias, no parámetros. Para contrastar si el factor aleatorio es significativo,
planteamos el contraste de hipótesis sobre , esto es:

La tabla ANOVA en los modelos de un factor con efectos aleatorios es idéntica

a la tabla ANOVA de un factor con efectos fijos. La tabla ANOVA tiene exacta-
mente las mismas filas; factor, residuo y total, y las mismas columnas; Fuente
de variación, suma de cuadrados, grados de libertad, cuadrados medios y F.

Para estimar las componentes de la varianza y debemos tener en cuenta

la esperanza matemática de los cuadrados medios del error y del factor A. Se
verifica que

Factor E(MS)

Error

Por lo tanto, la estimación de las componentes de la varianza y se obtiene

igualando los E(MS) con los cuadrados medios respectivos en la tabla ANOVA.
Esto es,

Y, aplicando el método de los momentos para obtener las estimaciones, aisla-

mos las sigmas

Observaciones

Fijaos en que ahora las distintas observaciones de la variable respuesta yij ya no son todas
ellas independientes. Una cosa es que los errores eij sean independientes y otra cosa es
que lo sea la variable respuesta yij. Para ellos, fijémonos cuánto vale la covarianza para
dos datos de un mismo nivel i:
© FUOC • PID_00276234 48 Análisis de la varianza (ANOVA)

Observaciones

Un experimento que tiene tanto factores con efectos fijos como factores con efectos alea-
torios se dice que tiene efectos mixtos. La interacción de un efecto fijo y un efecto alea-
torio debe ser tratada como un factor aleatorio, ya que una nueva muestra aleatoria de
los niveles de factor también conducirá a una nueva muestra aleatoria de interacciones.
© FUOC • PID_00276234 49 Análisis de la varianza (ANOVA)

Bibliografía
Irizarry, R. A.; Love, M .I. (2015). Data Analysis for the Life Sciences. Leanpub.

Ugarte, M. D.; Militino, A. F.; Arnholt, R. (2015). Probability and Statistics with R (2.ª
ed.). CRC Press / Chapman and Hall. ISBN: 9781466504394.