Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 336 vistas

    Analisis de La Varianza

    Cargado por

    Ivan Schartun
    El análisis de la varianza (ANOVA) es una técnica estadística que permite descomponer la variación total de un conjunto de datos en componentes debidos a diferentes variables. Fue desarrollado por R.A. Fisher en los años 1920 y 1930. ANOVA compara la variación entre grupos con la variación dentro de los grupos para determinar si los grupos difieren significativamente. Existen tres tipos de modelos de ANOVA para diferentes situaciones experimentales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd

    Analisis de La Varianza

    Cargado por

    Ivan Schartun
    336 vistas5 páginas
    El análisis de la varianza (ANOVA) es una técnica estadística que permite descomponer la variación total de un conjunto de datos en componentes debidos a diferentes variables. Fue desarrollado por R.A. Fisher en los años 1920 y 1930. ANOVA compara la variación entre grupos con la variación dentro de los grupos para determinar si los grupos difieren significativamente. Existen tres tipos de modelos de ANOVA para diferentes situaciones experimentales.

    Derechos de autor

    © Attribution Non-Commercial (BY-NC)

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El análisis de la varianza (ANOVA) es una técnica estadística que permite descomponer la variación total de un conjunto de datos en componentes debidos a diferentes variables. Fue desarrollado por R.A. Fisher en los años 1920 y 1930. ANOVA compara la variación entre grupos con la variación dentro de los grupos para determinar si los grupos difieren significativamente. Existen tres tipos de modelos de ANOVA para diferentes situaciones experimentales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    336 vistas5 páginas

    Analisis de La Varianza

    Cargado por

    Ivan Schartun
    El análisis de la varianza (ANOVA) es una técnica estadística que permite descomponer la variación total de un conjunto de datos en componentes debidos a diferentes variables. Fue desarrollado por R.A. Fisher en los años 1920 y 1930. ANOVA compara la variación entre grupos con la variación dentro de los grupos para determinar si los grupos difieren significativamente. Existen tres tipos de modelos de ANOVA para diferentes situaciones experimentales.

    Copyright:

    Attribution Non-Commercial (BY-NC)
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 5

    Análisis de la varianza 1

    Análisis de la varianza
    En estadística, el análisis de la varianza (ANOVA, según terminología inglesa) es una colección de modelos
    estadísticos y sus procedimientos asociados, en el cual la varianza está particionada en ciertos componentes debidos
    a diferentes variables explicativas.
    Las técnicas iniciales del análisis de varianza fueron desarrolladas por el estadístico y genetista R. A. Fisher en los
    años 1920 y 1930 y es algunas veces conocido como "Anova de Fisher" o "análisis de varianza de Fisher", debido al
    uso de la distribución F de Fisher como parte del contraste de hipótesis.

    Introducción
    El análisis de la varianza parte de los conceptos de regresión lineal.
    El primer concepto fundamental es que todo valor observado puede expresarse mediante la siguiente función:

    Donde Y sería el valor observado (variable dependiente), y X el valor que toma la variable independiente.
    sería una constante que en la recta de regresión equivale a la ordenada en el origen, es otra constante que
    equivale a la pendiente de la recta, y es una variable aleatoria que añade a la función cierto error que desvía la
    puntuación observada de la puntuación pronosticada.
    Por tanto, a la función de pronóstico la podemos llamar "Y prima":

    Podemos resumir que las puntuaciones observadas equivalen a las puntuaciones esperadas, más el error aleatorio:
    (1.1)
    Sabiendo este concepto, podemos operar con esta ecuación de la siguiente forma:
    1) Restamos a ambos lados de la ecuación (para mantener la igualdad) la media de la variable dependiente:

    2) Substituimos el error por la ecuación resultante de despejar la ecuación 1.1:

    Por tanto...

    Y reorganizando la ecuación:

    Ahora hay que tener en cuenta que la media de las puntuaciones observadas es exactamente igual que la media de las
    puntuaciones pronosticadas:

    Por tanto:

    Podemos ver que nos han quedado 3 puntuaciones diferenciales. Ahora las elevamos al cuadrado para que
    posteriormente, al hacer el sumatorio, no se anulen:

    Y desarrollamos el cuadrado:
    Análisis de la varianza 2

    Podemos ver que tenemos los numeradores de las varianzas, pero al no estar divididas por el número de casos (n), las
    llamamos Sumas de Cuadrados., excepto en el último término, que es una Suma Cruzada de Cuadrados (el
    numerador de la covarianza), y la covarianza en este caso es cero (por las propiedades de la regresión lineal, la
    covarianza entre el error y la variable independiente es cero).
    Por tanto:

    O lo mismo que:

    de un factor, que es el caso más sencillo, la idea básica del análisis de la varianza
    es comparar la variación total de un conjunto de muestras y descomponerla como:

    Donde:
    es un número real relacionado con la varianza, que mide la variación debida al "factor", "tratamiento"
    o tipo de situación estudiado.
    es un número real relacionado con la varianza, que mide la variación dentro de cada "factor",
    "tratamiento" o tipo de situación.
    En el caso de que la diferencia debida al factor o tratamiento no sean estadísticamente significativa puede probarse
    que las varianzas muestrales son iguales:

    Donde:
    es el número de situaciones diferentes o valores del factor se están comparando.
    es el número de mediciones en cada situación se hacen o número de valores disponibles para cada valor del
    factor.
    Así lo que un simple test a partir de la F de Snedecor puede decidir si el factor o tratamiento es estadísticamente
    significativo.

    Visión general
    Existen tres clases conceptuales de estos modelos:
    1. El Modelo de efectos fijos asume que los datos provienen de poblaciones normales las cuales podrían diferir
    únicamente en sus medias. (Modelo 1)
    2. El Modelo de efectos aleatorios asume que los datos describen una jerarquía de diferentes poblaciones cuyas
    diferencias quedan restringidas por la jerarquía. Ejemplo: El experimentador ha aprendido y ha considerado en el
    experimento sólo tres de muchos más métodos posibles, el método de enseñanza es un factor aleatorio en el
    experimento. (Modelo 2)
    3. El Modelo de efectos mixtos describen situaciones que éste puede tomar. Ejemplo: Si el método de enseñanza es
    analizado como un factor que puede influir donde están presentes ambos tipos de factores: fijos y aleatorios.
    (Modelo 3)
    Análisis de la varianza 3

    Supuestos previos
    El ANOVA parte de algunos supuestos que han de cumplirse:
    • La variable dependiente debe medirse al menos a nivel de intervalo.
    • Independencia de las observaciones.
    • La distribución de los residuales debe ser normal.
    • Homocedasticidad: homogeneidad de las varianzas.
    La técnica fundamental consiste en la separación de la suma de cuadrados (SS, 'sum of squares') en componentes
    relativos a los factores contemplados en el modelo. Como ejemplo, mostramos el modelo para un ANOVA
    simplificado con un tipo de factores en diferentes niveles. (Si los niveles son cuantitativos y los efectos son lineales,
    puede resultar apropiado un análisis de regresión lineal)

    El número de grados de libertad (gl) puede separarse de forma similar y corresponde con la forma en que la
    distribución chi-cuadrado (χ² o Ji-cuadrada) describe la suma de cuadrados asociada.

    Tipos de modelo

    Modelo I: Efectos fijos


    El modelo de efectos fijos de análisis de la varianza se aplica a situaciones en las que el experimentador ha sometido
    al grupo o material analizado a varios factores, cada uno de los cuales le afecta sólo a la media, permaneciendo la
    "variable respuesta" con una distribución normal.
    Este modelo se supone cuando el investigador se interesa únicamente por los niveles del factor presentes en el
    experimento, por lo que cualquier variación observada en las puntuaciones se deberá al error experimental.

    Modelo II: Efectos aleatorios (componentes de varianza)


    Los modelos de efectos aleatorios se usan para describir situaciones en que ocurren diferencias incomparables en el
    material o grupo experimental. El ejemplo más simple es el de estimar la media desconocida de una población
    compuesta de individuos diferentes y en el que esas diferencias se mezclan con los errores del instrumento de
    medición.
    Este modelo se supone cuando el investigador está interesado epor una población de niveles, teóricamente infinitos,
    del factor de estudio, de los que únicamente una muestra al azar (t niveles) están presentes en el experimento.

    Pruebas de significación
    El análisis de varianza lleva a la realización de pruebas de significación estadística, usando la denominada
    distribución F de Snedecor.

    Tablas ANOVA
    Una vez que se han calculado las sumas de cuadrados, las medias cuadráticas, los grados de libertad y la F, se
    procede a elaborar una tabla que reuna la información, denominada "Tabla de Análisis de varianza o ANOVA", que
    adopta la siguiente forma:
    Análisis de la varianza 4

    Fuente de variación Suma de cuadrados Grados de libertad Cuadrado medio F

    Intergrupo t-1

    Intragrupo o Error N-t

    Total N-1

    Referencias

    Bibliografía
    • M.R. Spiegel; J. Schiller; R. A. Srinivasan (2007). «9. Análisis de la varianza». Probabilidad y Estadística
    [Schaum's Outline of Theory and Problems of Probability and Statistics]. Schaum (2ª edición). México D.F.:
    McGraw-Hill. pp. 335-371. ISBN 978-970-10-4231-1.
    • F. J. Tejedor Tejedor (1999). Análisis de varianza. Schaum. Madrid: La Muralla S.A.. ISBN 84-7635-388-X.
    Fuentes y contribuyentes del artículo 5

    Fuentes y contribuyentes del artículo


    Análisis de la varianza  Fuente: http://es.wikipedia.org/w/index.php?oldid=45118287  Contribuyentes: Acarabal, Alfambra, Davius, Deemonita, Futbolero, JAGT, Jcaraballo, Jjgibaja, Jkbw,
    José Daniel, Juan Manuel, Juan Mayordomo, LP, Lauranrg, Matdrodes, Mion, Paintman, PetrohsW, Rafiko77, Resped, Rorduna, Trujilloleonardo, 69 ediciones anónimas

    Licencia
    Creative Commons Attribution-Share Alike 3.0 Unported
    http:/ / creativecommons. org/ licenses/ by-sa/ 3. 0/

    También podría gustarte