UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE CIENCIAS DE LA SALUD

UNIDAD DE POSGRADO

MAESTRÍA EN SALUD OCUPACIONAL Y

AMBIENTAL
(Resolución N° 442-2019-CU de fecha 11 de noviembre de 2019)

ESTADÍSTICA APLICADA A LA
INVESTIGACIÓN

ANIVAL TORRE
SEMESTRE ACADÉMICO
2021B
 Clase 4

ANÁLISIS DE VARIANZA
 Introducción

Experimento

Unidad fundamental

Variables factores y niveles

Modelo de efecto fijo unidimensional

ANOVA
 Objetivos:

Al finalizar esta unidad el estudiante será capaz de:

1 Describir los elementos estadísticos de un diseño experimental.
2 Definir el objetivo de un análisis de varianza.
3 Formular hipótesis adecuadas para las diferentes situaciones.
4 Describir la distribución de F.
5 Construir la tabla de análisis de varianza.
6 Calcular F e interpretar los resultados de la prueba de hipótesis.
 Definiciones Básicas

• Es un cambio en las condiciones de operación de

un sistema o proceso, que se hace con el
Experimento objetivo de medir el efecto del cambio en una o
varias propiedades del producto.

Diseño de • Consiste en planear un conjunto de pruebas

experimentales, de tal manera que los datos
experimento generados puedan analizarse estadísticamente
para obtener conclusiones válidas y objetivas a
s cerca del sistema o proceso.

5
 Definiciones Básicas

• Es la muestra de artículos que es

Unidad necesario producir en una condición
Experimental para obtener una medición o dato
representativo.

Variables, • En todo proceso intervienen distintos

factores y tipos de variables o factores como los
que se definen a continuación:
niveles
6
 Definiciones Básicas

Entrada Salida
Factores
Características de
controlables
Factores no
Proceso calidad o variables
de respuesta
controlables

¿Cuáles características de calidad se van a medir?

¿Cuáles factores controlables deben incluirse en el experimento?

¿Qué niveles debe utilizar cada factor?
¿Cuál diseño experimental es el adecuado?

Variables de un proceso y preguntas a responder al diseñar un experimento

7
 TIPOS DE ESTUDIO

• Cuando el investigador controla los

EXPERIMENTO tratamientos y métodos de asignar el
DISEÑADO tratamiento a cada unidad experimental

• Cuando el investigador simplemente

ESTUDIO observa los tratamientos y respuestas
OBSERVACIONAL en las unidades de observación
 ANALISIS DE LA VARIANZA

Se basa en la descomposición de la
Variación Total (suma de cuadrados total) en :
Variación explicada por el tratamiento (SCtrat) + variación residual
(SCresidual)

Se testa con:

2 2
ŝentre ŝ
Fc  2  tratamientos
2
ŝdentro ŝ residual
 ANOVA (ANalysis Of Variance) Modelo I – efectos fijos

Comparar simultáneamente
Finalidad
varias medias
xij     i   ij
xBj
x
Variación total
eBj xBj   Bj
xBj  
mB
m aB  Bj  
mA
mC

A B C grupos
xij    i    xij  i  En la población

xij  x  xi  x   xij  xi  En la muestra

Elevando al cuadrado:

xij  x   xi  x   xij  xi 

2 2 2

 2xi  x  xij  xi 
Sumando: 
 xij  x
ij

2
ij
2
ij

  xi  x    xij  xi 2

Sumas de SC ENTRE SC DENTRO de

SC TOTAL
cuadrados grupos grupos (residual)
 
 xij  x
ij
2
  xi  x    xij  xi
ij
2
ij
 
2

SC TOTAL SC ENTRE SC DENTRO de

grupos grupos (residual)

2 Recordar
 ( xij  x )
2 SCentre ij
sˆentre  
glentre a 1

2
 ( xij  xi )
2 SCdentro ij
sˆdentro o residual  
gldentro na
01/09/2010 bioestadistica 13
SC dentro  SC total  SC entre

2 T2 Donde: Ti   xij En el i-ésimo grupo

SC total   x ij  j
ij n ni  Tamaño del i-ésimo grupo

Ti 2
T2 T   xij Gran total
SC entre    ij
i n n
i
n n
i
i Tamaño total de la muestra

TEST DE HIPOTESIS Fcalc = MC entre/ MC dentro

se compara con Ftab (a-1) y (n-a) grados de libertad

FUENTE DE SUMA DE GL MEDIA DE Fcalc
VARIACION CUADRADOS CUADRADOS
ENTRE SC entre a-1
SC entre (a  1) MC entre
GRUPOS
MC dentro
DENTRO DE SC dentro n-a
GRUPOS SC dentro (n  a)

TOTAL SC total n-1

0.4
f (x )

Fcalculado se compara con

0.2

Ftabulado con (a-1) y (n-a) GL

0.0
0.0 1.5 3.0 4.5
 EJEMPLO

A B C D
H 0 : i :  i  
4.4 8.6 3.4 8.9
5.9 4.5 7.3 0.0 2
6.2 8.4 8.8 1.7
 x ij  597.2
ij
6.3 8.7 0.2
0.1
n   ni  16
Ti 22.8 30.2 19.8 10.6 T =83.4 a4
ni 4 4 5 3 n = 16

SC total  597.2  83.4 2 16  162.4775

22.8 2 30.2 2 19.8 2 10.6 2 83.4 2

SC entre       39.1088
4 4 5 3 16
SC dentro  SC total  SC entre  162.4775  39.1088  123.3687
 De manera tradicional
FUENTE DE SUMA DE GL MEDIA Fc Fα
VARIACION CUADRADOS CUADRÁTICA
ENTRE 39.1088 3 13.036 1.27 3,49
GRUPOS
DENTRO DE 123.3687 12 10.281
GRUPOS

TOTAL 162.4775 15
F0.95(3, 12)= 3.49

H0: µ1=µ2= µ3=µ4

Fc <Fα  No Se rechaza Ho H1: µ1≠µ2 ≠ µ3 ≠ µ4
 las medias no difieren entre sí Región de
aceptación Región de rechazo

Como Fc está en la región de Aceptación, se acepta 1,27 3,49

Ho, lo significa que las medias son IGUALES Fc Fα
 SC entre (a  1)
gl numerador (trat - 1) Fc = SC dentro (n  a)
gl denominador (n - trat)
 Con SPSS

Tabla de ANOVA
Suma de Media
  cuadrados gl cuadrática F Sig.
RESULTADO * Entre grupos (Combinado) 39,109 3 13,036 1,268 0,329
TRATAMIENTO Dentro de grupos 123,369 12 10,281   
Total 162,478 15     

H0: µ1=µ2= µ3=µ4 Si sig. > 0,05 se acepta H0

H1: µ1≠µ2 ≠ µ3 ≠ µ4 Si sig. < 0,05 se acepta H1

Como sig (0,329) > alfa (0,05) Se acepta Ho

las medias no difieren entre sí.
 Supuestos del ANOVA

• Observaciones Independientes.
• Distribución Normal de los residuos.
• Varianzas Homogéneas de los residuos.

01/09/2010 bioestadistica 20
 1.- Independencia de las
Observaciones

• Con el fin de obtener inferencias válidas, resulta importante determinar si los

errores se encuentran correlacionados.

• El supuesto más importante es la independencia de las observaciones, pues si no

hubo asignación aleatoria de tratamientos a unidades experimentales, entonces los
resultados pueden incluir un efecto persistente de factores no considerados en el
análisis.
Esto invalida el experimento

01/09/2010 bioestadistica 21
 2.- Homogeneidad de varianzas
(Homocedasticidad)
• Cualquier situación de heterogeneidad de las varianzas invalida las
inferencias realizadas.

C A B

C A B

Cuando existe el problema de heterogeneidad de varianzas, lo

01/09/2010 apropiado es emplear transformaciones
bioestadistica o métodos no paramétricos 22
 3.-Normalidad

• No es tan importante como la Independencia de las

Observaciones, pues el ANOVA es robusto. Esto quiere
decir que, aunque las observaciones no sean normales, las
medias de los tratamientos son aproximadamente normales
debido al Teorema Central del Limite.

• Ante la falta de normalidad se puede optar por el uso de

transformaciones o, como último recurso, el uso de
métodos no paramétricos.

01/09/2010 bioestadistica 23
 Análisis de residuos

• Homogeneidad de Varianzas
• Bartlett
• Normalidad
• Kolmogorov-Smirnov
• Autocorrelación
• Durbin-Watson

• Es importante mencionar que el empleo de estadística no

paramétrica o el uso de transformaciones no elimina el
problema de la falta de aleatoriedad (falta de
independencia), es decir, la ejecución incorrecta de un
experimento no tiene un remedio en la etapa del análisis.

01/09/2010 bioestadistica 25
 Modelo de efecto fijo

• El interés es comparar las medias de k poblaciones, entonces:

• Se tiene k poblaciones identificada por alguna característica
que se estudiará en el experimento. Se seleccionan n1, n2, …,
nk muestras de las k poblaciones.
• Se tiene n unidades experimentales homogéneas y se quiere
estudiar los efectos de k tratamientos distintos, estas unidades
se dividen en k subgrupos de tamaños n1, n2, …, nk y cada
subgrupo recibe un tratamiento experimental diferente.

26
 Modelo de efecto fijo
1 2 3 ... K
Y11 Y21 Y31 ... Yk1
Y12 Y22 Y32 Yk2
Y13 Y23 Y33 Yk3
. .
. .
Y1n1 Y2n2 Y3n3 Yknk
T1 . T2 . T3 . ... Tk. T..
Y1. Y2. Y3. ... Yk . Y..
ni
Ti .   Yij
j 1
Total de las i-th respuestas al tratamiento j-th
Ti.
Yi.  Media muestral del i-th tratamiento
ni
r k ni
T ..   Ti.   Yij Total de todas las respuestas
i 1 i 1 j 1

T.. Media muestral de todas las respuestas

Y.. 
N 27
 Modelo de efecto fijo

• Se requiere crear un MODELO ESTADISITICO para ver la

forma de cómo probar la hipótesis nula de diferencias de
medias.
Yij  i  Eij
Yij    ( i   )  (Yij  i )
Yij     i  Eij

28
 Modelo de efecto fijo
Re spuesta de la j  th  respuesta  desv. respecto a media  desv. aleat. respecto a la i  th 
       
unidad exp erimental   media    global , debido a que la   media global , debido a la 
al i  th tratamiento   global  unidad recib. el i  th trat. inf luencias aleatorias 
       

Yij    ( i   )  (Yij  i )
• Prueba de Ho:
• Esta prueba requiere de ciertas condiciones:
• Las k muestras son independientes extraídas de k poblaciones
con medias µi desconocidas
• Cada una de las k poblaciones tiene distribucion normal
• Cada una de las k poblaciones tiene la misma varianza σ2.
29
 Identidad de la suma de cuadrados

k ni k k ni

 ij
(Y  Y
i 1 j 1
..)   i i.
n2
(Y  Y
i 1
..)2
  ij i
(Y  Y .)
i 1 j 1
2

k ni

 ij
(Y  Y
i 1 j 1
..) 2
SCT = Suma de cuadrados del total
k ni

 i i.
n (Y 
i 1 j 1
Y ..) 2
SC A = Suma de cuadrados de los
k ni
tratamientos
 ij i SCE
(Y  Y .)
i 1 j 1
2
= Suma de cuadrados del Error

SCTot = SCTrat + SCE

30
 Cuadrado Medio

SC A
CM A  Cuadrado Medio del tratamiento
(k  1)

SC E
CM E  Cuadrado Medio del Error
(N  k)
CM A Cuadrado Medio Esperado
CM E
31
 Estadística de prueba

CM A
F( k 1),( N  k ) 
CM E

Si Ho es verdadera, se espera que su valor sea cercano a

1, y en cualquier otro caso, que sea mayor que 1.

32
 Atajos de calculo

ni 2
k
T ..
SCT   Y  2
ij
i 1 j 1 N
ni 2 2
T T ..
SC A   
i.

i 1 ni N
SC E  SCT  SC A

33
 ANOVA del Modelo de efectos
fijos

Fuente de variación Suma de Grados de Cuadrado medio Fcalc

cuadrados libertad
ENTRE GRUPOS SCA k-1 CMA= SCA/(k-1) CMA/ CME
(Tratamiento)
DENTRO DE GRUPOS SCE n-k CME= SCE/n-k
(Error)
Total SCT n-1

34
 ANOVA
Suma de Media Factor
DESPUES cuadrados df cuadrática F Sig. Bayesa
Entre grupos 178,400 4 44,600 5,336 0,001 5,949
Dentro de grupos 376,100 45 8,358     

Total 554,500 49       

a. Factor Bayes: JZS

H0: µ1=µ2= µ3=µ4 =µ5 Se acepta H0 Si sig. > 0,05

H1: µ1≠µ2 ≠ µ3 ≠ µ4 ≠ µ5 Se acepta H1 Si sig. < 0,05
Como sig (0,001) < alfa (0,05) Se acepta H1
las medias difieren entre sí.
 EJEMPLO

• Se diseña un estudio para investigar el contenido de plomo en

niños del Callao. Se obtienen muestras en puntos
seleccionados aleatoriamente de cada barrio y la respuesta
medida es el porcentaje de plomo de cada muestra. Se
pretende detectar las diferencias que pudieran haber en el
contenido promedio de los cinco barrios. Cada una constituye
una población. Se pueden comparar las medias poblacionales
al poner a prueba:
Ho: µ1 = µ2 = . . . = µ5
H1: µi ≠ µj para algún i ≠ j

36
 EJEMPLO

Con base en muestras independientes extraídas de esas

poblaciones. El factor de estudio es los distrito y se investiga en
cinco niveles. Estos se seleccionan al azar. Se trata de un
diseño de efectos fijos. Se ilustra en la siguiente figura.

Poblacion I Poblacion II Poblacion III Poblacion IV Poblacion V

(veta I) (veta II) (veta III) (veta IV)
(veta V)

Muestra de tamano n1 Muestra de tamano n2 Muestra de tamano n3 Muestra de tamano n 4 Muestra de tamano n 5

 Los datos recopilados en un experimento se muestran de un

solo factor y algunas características muestrales se expresan
en la siguiente tabla. 37
 Factor (plomo)

T1 T2 T3 T4 T5

1.51 1.69 1.56 1.30 0.73

1.92 0.64 1.22 0.75 0.80
1.08 0.90 1.32 1.26 0.90
2.04 1.41 .139 0.69 1.24
2.14 1.01 1.33 0.62 0.82
1.76 0.84 1.54 0.90 0.72
1.17 1.28 1.04 1.20 0.57
1.59 2.25 0.32 1.18
1.49 0.54
1.30

T1. =11.62 T2. =9.36 T3. =13.14 T4. =7.04 T5. =8.8 T.. = 49.96
Y1.  1.66 Y2.  1.17 Y3.  1.46 Y4.  0.88 Y5.  0.88 Y..  1.189

Se pone a prueba las siguientes hipótesis:


H 0 : 1   2  3   4  5 H 0 : 1   2   3   4   5
H1 : i   j ; para a lg unas i, j H1 :  i   j ; para a lg unas i , j
38
 Cálculos:

T1. =11.62 T2. =9.36 T3. =13.14 T4. =7.04 T5. =8.8 T.. = 49.96
n1 =7 n2 =8 n3 =9 n4 =8 n5 =10 n = 42

ni
k
T 2 .. 49.96
SCT   Y  2
ij  67.861   8.432
i 1 j 1 N 42
ni
Ti.2 T 2 .. (11 .62) 2 (9.36) 2 (13.14) 2 (7.04) 2 (8.82 (49.96) 2
SC A           3.935
i 1 ni N 7 8 9 8 10 42
SCE  SCT  SC A  8.432  3.935  4.497
SC A 3.935
CM A    0.984
k 1 5 1
SC E 4.497
CM E    0.122
n  k 42  5
39
 CM A 0.984
Fk 1; N  k  F4;37    8.066
CM E 0.122

Puesto que el F0.05(4;37)=2.626, es posible rechazar H0

con P<0.05. se tienen evidencias estadísticas de que
al menos dos distritos del callao difieren de la media
de contenido de plomo. La tabla ANOVA estos datos
se muestra a continuación.

40
 Tabla ANOVA de los datos de las vetas de carbón

F. V. g.l. Suma de Cuadrado Fc

cuadrados medio
Tratamiento k-1 = 4 SCA = 3.935 CMA=SCA/(k-1) = 0.984 CMA/ CME = 8.066
Error n-k = 37 SCE = 4.497 CME=SCE/n-k= 0.122

Total n-1 = 41 SCT =8.432

ANOVA
Suma de Media Factor
Resultado cuadrados df cuadrática F Sig. Bayesa
Entre grupos 3,935 4 0,984 8,095 0,000 144,994
Dentro de grupos 4,497 37 0,122     
Total 8,432 41  H0:   µ1=µ2= µ3=µ4  =µ5   Se acepta H0 Si sig. > 0,05
H1: µ1≠µ2 ≠ µ3 ≠ µ4 ≠ µ5 Se acepta H1 Si sig. < 0,05
a. Factor Bayes: JZS
Como sig (0,000) < alfa (0,05) Se acepta H1
las medias difieren entre sí. 41
 DISEÑO DE EXPERIMETOS

06/08/2023 DISEÑO DE EXPERIMENTOS 42

Etapas de un experimento

Identificación del problema

• Objetivo (Hipótesis/Pregunta).
• Escoger variables de respuesta. Diseño del experimento
• Identificar variables explicativas. (¿dónde medir?)
• Vínculo entre VE y VR (modelo)

Análisis de resultados Recolección de la muestra

(respuesta a la pregunta) (medición)

• El diseño del experimento está influenciado por el

modelo para analizar los datos.
43
 ANALISIS DE VARIANZA: ANOVA

• Se refiere en general a un conjunto de situaciones

experimentales y procedimientos estadísticos para
análisis de respuestas cuantitativas de unidades
experimentales. El ANOVA más simple se conoce como
unifactorial, de clasificación única o ANOVA
unidireccional, e implica el análisis de datos
muestreados de más de dos poblaciones utilizando
mas de dos tratamientos.

06/08/2023 DISEÑO DE EXPERIMENTOS 44

 ANALISIS DE VARIANZA: ANOVA
• La característica que diferencia los tratamientos o
poblaciones una de otra se llama factor en estudio y
los distintos tratamientos se conoce como niveles del
factor. Ejemplos:
1. Un experimento para estudiar los efectos de cinco
marcas diferentes de gasolina con respecto a la
eficiencia de operación.
2. Un experimento para decidir si la densidad de color
de un tipo de tela depende de la cantidad de tinte
utilizado.

06/08/2023 DISEÑO DE EXPERIMENTOS 45

 ANOVA unifactorial
• El ANOVA unifactorial se enfoca en la comparación de más de dos
medias poblacionales o tratamientos. Sean:
1. I=el número de poblaciones o tratamientos que se están
comparando
2. μ1= media de la población 1 o la respuesta promedio
verdadera cuando se aplica el tratamiento 1.
3. .
4. .
5. .
6. μk= media de la población k o la respuesta promedio
verdadera cuando se aplica el tratamiento k.

06/08/2023 DISEÑO DE EXPERIMENTOS 46

 ANOVA unifactorial
• Modelo Lineal:
Yij = μ + τi + eij ; i = 1,...,k ; j = 1,..,n ; 
• eij ~ NID(0, σ2)  ;  τ. = 0 ;

τi = el efecto del tratamiento i - th;  eij  = error aleatorio

para j - th observación en el tratamiento k - th.
En este ejemplo tenemos k = 5=a y n = 5 ;

06/08/2023 DISEÑO DE EXPERIMENTOS 47

 ANOVA unifactorial
• Hipótesis nula y alternante:
H0 :  τi = 0 ; para todo i = 1,...,k;
H1 :  τi  ǂ0; para algún i = 1,...,k;
• Otra forma equivalente de enunciar las mismas
hipótesis es:
• H0 : μ1  = μ2  =  ...  = μk ;  en que μi es el promedio
poblacional del tratamiento i - th,  i = 1,...,k ;
H1 : No todos los promedios poblacionales de
tratamientos son iguales.

06/08/2023 DISEÑO DE EXPERIMENTOS 48

 ANOVA unifactorial
Tabla : datos típicos de un experimento con un solo factor.

Tratamiento Observaciones Totales Promedios

1 y11 y12 … y1r y1. y1.
2 y21 y22 … y2r y2. y 2.
. . . … . . .
. . . … . . .
. . . … . . .
a=k ya1 ya2 … yar ya. ya.
  y.. y. .

06/08/2023 DISEÑO DE EXPERIMENTOS 49

 ANOVA unifactorial
Tabla : datos típicos de un experimento con un solo factor.

Fuentes Sumas g.l Cuadrados F

Variación Cuadrados Medios

Entre Tratamientos SSTr. k-1 SSTr/ g.l (I) Fo= I/II

Dentro Trat. (Error) SSE k(r-1) SSE/ g.l (II)

Total SST n–1

donde: k: tratamientos; r: número de repeticiones; n=total de datos

06/08/2023 DISEÑO DE EXPERIMENTOS 50

 Ejmplo 1.
• En un experimento industrial al ingeniero responsable le
interesa la forma en que la absorción media de humedad
del concreto varia para 5 agregados de concreto
diferentes. Las muestras se exponen a la humedad
durante 48 horas. Se decidió que para cada agregado
deben probarse 6 muestras, que se presentan en la
tabla.
• El modelo que considerado es: se tomaron 6
observaciones de cada una de las 5 poblaciones, con
medias μ1, μ2, μ3, μ4, μ5, respectivamente.
• Se desea probar:
H 0 : 1   2   3   4   5
06/08/2023
H 1 : Al menos dos deDISEÑO
lasDE EXPERIMENTOS
medias son  51
 Ejmplo 1.
• TABLA: Absorción de humedad en agregados para concreto
1 2 3 4 5
551 595 639 417 563
457 580 615 449 631
450 508 511 517 522
731 583 573 438 613
499 633 648 415 656
632 517 677 555 679
3320 3416 3663 2791 3664 16854
553.3 569.3 610.5 465.2 610.7 561.8

k ni
Y..2
Y Y.. SST   Yij2 
2 2

SSTr   k

i 1
i.
SSE  SST  SSTr n
ni n i 1 j 1
06/08/2023 DISEÑO DE EXPERIMENTOS 52
 k Yi .2 Y..2 k ni
Y..2
SSTr   
i 1 n n SST   Yij2 
i
i 1 j 1 n

SSE  SST  SSTr  209376,8  85356,4667

1 16854 2

SSTr  3320  3416  3663  2791  3664 

2 2 2 2 2

6 30
 85356.4667  9468577.2  85356.4667

16854 2

SST  551  595  ...  555  679 

2 2 2 2

30
SST  9677954  94685772  209376.8
06/08/2023 DISEÑO DE EXPERIMENTOS 53
 Tabla : ANOVA de una dirección

Fuentes Sumas g.L Cuadrados F

Variación Cuadrados Medios
Entre Tratamientos 85356.4667 4 21339.1167=(I) Fo=( I)
/(II)=4.30
Dentro Trat. (Error) 124020.333 25 4960,8113=(II)

Total 209376.8 29

ANOVA
Media
Resultado Suma de cuadrados df cuadrática F Sig. Factor Bayesa
Entre grupos 85356,467 4 21339,117 4,302 0,009 1,792
Dentro de grupos 124020,333 25 4960,813     
Total 209376,800 29       
a. Factor Bayes: JZS
Como F4;25 =4.30 > 3,38= F(4;25)0,975 ; se rechaza H0 , es decir que los
agrados no tienen la misma media de absorción.
06/08/2023 DISEÑO DE EXPERIMENTOS 54
ANOVA DE UN FACTOR
Para Triola (2013), el análisis de varianza (ANOVA) está
referido al método basado en análisis de varianzas
muestrales, para someter a prueba la igualdad de tres o
más medias poblacionales. El termino un factor, es
porque los datos de la muestra se separan en grupos de
acuerdo con una característica.

Distribución F
Los métodos de análisis de varianza requieren de la
distribución F, que tienen las siguientes propiedades:
1. La distribución F no es simétrica.
2. Los valores de F no pueden ser negativos.
3. La forma exacta de la distribución F depende de los
grados de libertad.
Suposiciones para un análisis de varianza
El diseño experimental empleado para generar datos, se debe suponer que las
observaciones dentro de cada grupo de tratamiento están normalmente
distribuidas con una varianza común. El análisis de procedimientos de varianza es
más bien robusto cuando los tamaños muestrales son iguales y cuando los datos
son de forma de montículo.

Prueba de Hipótesis

H0: 1=2=…=k (las medias poblacionales son iguales)

Ha: 12…k (al menos dos medias poblacionales son distintas)
 ESTADÍSTICA
PARAMÉTRICA

Tres o más grupos: ANOVA de un factor

𝐻0 : 𝜇 1 = 𝜇 2 = 𝜇 3 …
𝐻1: 𝜇1 ≠ 𝜇2 ≠ 𝜇 3 …

Estadístico de prueba
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠
𝐹=
𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑠

• Si el valor p-valor (sig.) ≤ α , rechace la hipótesis nula de medias iguales y concluya que al
menos una de las medias poblacionales es diferente de las otras.
• Si el valor p-valor(sig.) > α, no rechace la hipótesis nula de medias iguales.
GRACIAS