Comparaciones Multiples Entre Medias PDF

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA
FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS
DEPARTAMENTO ACADÉMICO DE CIENCIAS ECONÓMICAS
TEXTO UNIVERSITARIO
COMPARACIONES MÚLTIPLES ENTRE MEDIAS
COMPARACIONES MÚLTIPLES ENTRE MEDIAS ANÁLISIS DE VARIANZA
COMPARACIONES MÚLTIPLES ENTRE MEDIAS
COMPARACIONES MÚLTIPLES
Combinación lineal de medias con coeficientes que suman cero.
Para K medias:
L  c11  c2 2   ck k
K
L   ci i
i 1
EJEMPLO:
Si desean compararse dos medias 1 y  2 , en caso de que sean iguales:

1  2
Esto puede escribirse también del modo:
L  1  2  0
Cuyos coeficientes son 1 y -1, y por tanto suman 0.
EJEMPLO:
Tres medias:
1) Una posibilidad es comparar 1 y  2 , tomadas juntas, con 3 . Es decir:

1  2
 3
2
Lo cual puede escribirse:
L1  1  2  23  0
Cuyos coeficientes son 1, 1 y -2, y por tanto suman 0.
2) Otra posibilidad es comparar
1  3
2 
2
1 Daniel Guzmán Rojas

Es decir:
L2  1  22  3  0
Cuyos coeficientes son -1, 2 y -1, y por tanto suman 0.
3) Otra comparación es:
1  3
Luego:
L3  1  3  0
Cuyos coeficientes son 1, 0 y -1, y por tanto suman 0.
ASIGNACIÓN DE COEFICIENTES A LAS MEDIAS:
1) Dividir las medias en los dos grupos que van compararse entre sí.
2) Asignar a la media de cada grupo un coeficiente igual al número de medias del otro
grupo.
3) Cambiar el signo de los coeficientes de uno de los grupos.
EJEMPLO
Cinco medias: 1 ,  2 , 3 ,  4 y 5 . Desea compararse 1 y 2 con 3 ,  4 y

5 .
1) Grupo 1: 1 y  2 . Grupo 2: 3 ,  4 y 5 .
2) Grupo 1: 31 , 32 . Grupo 2: 23 , 24 , 25 .
3) Grupo 1: 31 , 32 . Grupo 2: 23 , 24 , 25 .

Es decir:
L  31  32  23  24  25  0

COMPARACIONES ORTOGONALES:
Aquellas que no contienen información redundante. La información que proporciona una

comparación no se solapa con la proporcionada por otra comparación.

Con K medias es posible realizar K  1 comparaciones ortogonales.

REGLA PRÁCTICA: Dos comparaciones son ortogonales si el producto de sus coeficien-
tes es cero.
L1  c111  c12 2   c1k k
L2  c211  c22 2   c2k k

Son ortogonales si:
K
c c
i 1
1i 2 i 0
EJEMPLO:
COMPARACIÓN COEFICIENTES
L1  1  2  23 1 1 -2
L2  1  2 1 -1 0
L3  1  3 1 0 -1
L1 Y L2 son ortogonales:
11  1 1   2 0  0

L1 Y L3 no son ortogonales:
11  1 0   2 1  3

L2 Y L3 no son ortogonales:
11  1 0   0 1  1

COMPARACIONES MÚLTIPLES PLANEADAS O A PRIORI
Se realizan de forma independiente al ANVA. No es necesario realizar también este.
PRUEBA F PLANEADAS O A PRIORI PARA COMPARACIONES MULTIPLES:
Se aplican cuando desean realizarse dos o más comparaciones ortogonales: L1 , L2 , ...,

LC 1 .
Para una comparación L j , con tres medias:
1) Ho: L j  c j11  c j 2 2  c j 3 3  0
Ha: L j  c j11  c j 2 2  c j 3 3  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
gl1  C  1
gl2  n  K
Donde:
C  Número de comparaciones a analizar.

K  Número de medias a analizar.
n  Tamaño total de la muestra.
Se acepta H0
Se acepta Ha


Fgl1 ; gl2 ;

4) ESTADÍSTICO ESTIMADO:
CM  L j 
Fcj 
CME
Donde:
Lˆ j  c j1 X1  c j 2 X 2   c jk X k
Lˆ2j
SC  L j   K cij2
n
i 1 ij
J 1
Para C  1 comparaciones  SC  L   SCC

j 1
j
SC  L j 
CM  L j  
J 1
n K
Tk2 K
CME   X   2
ik (Cuadrado Medio del Error, tomado del cuadro
i 1 k 1 k 1 nk
ANVA)
5) CONCLUSIONES:
 Fcj  Fgl1 ; gl2 ; , entonces se acepta Ho, a un nivel de significancia del

Si
% .
 Fcj  Fgl1 ; gl2 ; , entonces se acepta Ha, a un nivel de significancia del
Si
% .
EJEMPLO:
Un investigador desea contrastar si el método presencial difiere de la enseñanza auto-

didacta y por internet. También si el método por internet difiere del autodidacta. Utili-
ce un nivel de significancia del 5% para ambas pruebas de hipótesis.

X1  6.48, X 2  4.43, X 3  3.76

CME  2.308, n  18
SOLUCIÓN:
 2  3
1 
2
2  3
L1  21  2  3  0
L2  2  3  0
Son ortogonales:
 2 0   11   1 1  0
1) Ho1: L1  21  2  3  0
Ha1: L1  21  2  3  0
Ho2: L2  2  3  0
Ha2: L2  2  3  0
2)   0.05

3) PUNTO CRÍTICO:
gl1  2  1  1
Se
gl2  18  3  15 acepta
H0
Se
0.95 acepta
Ha
0.05
F1;15;0.05  4.54
Lˆ1   2 6.48   1 4.43   1 3.76   4.77
ci21 22  1  1

2 2
3
 n
i 1 i1
 
6 6

6
1
 4.77 
2
SC  L1    22.75
1
22.75
CM  L1    22.75
1
22.75
Fc1   9.86
2.308
Lˆ2   0 6.48  1 4.43   1 3.76  0.67
ci22 02  1  1

2 2
3
 n
i 1 i 2
 
6 6

6
 0.33

 0.67 
2
SC  L2    1.35
0.33
1.35
CM  L2    1.35
1
1.35
Fc 2   0.59
2.308
C 1
SCC   SC  L j   22.75  1.35  24.10
j 1
5) CONCLUSIONES:
 Como Fc1  F1;15;0.05  9.86  4.54  , entonces se acepta Ha, es decir,

1  Promedio  2 , 3  , a un nivel de significancia del 5% .
 Como Fc 2  F1;15;0.05  0.59  4.54  , entonces se acepta Ho, es decir,

2  3 , a un nivel de significancia del 5% .
PRUEBA t-Student PLANEADAS O A PRIORI PARA COMPARACIONES MULTIPLES:
Se aplican cuando desean realizarse dos o más comparaciones ortogonales: L1 , L2 , ...,

LC 1 .
Para una comparación L j , con tres medias:
1) Ho: L j  c j11  c j 2 2  c j 3 3  0
Ha: L j  c j11  c j 2 2  c j 3 3  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
gl  n  K
Donde:


Región de Aceptación de H0
Región de Región de
Rechazo de H0 Rechazo de H0
1
 2  2
t gl ; 2 t gl ; 2
Lˆ j
tcj 
ˆ L j
Donde:
Lˆ j  c j1 X1  c j 2 X 2   c jk X k
 K cij2  2  K cij2 
ˆ L j     ˆ      CME  , Cuando las varianzas son igua-
 i 1 n
 ij   i 1 nij 
les.
n  1 S 2j
K
j
ˆ 2  i 1
 K 
  nj   K
 i 1 
n
Tk2K K
CME   X   2
i 1 k 1 k 1 nk
ANVA)

 K  cij2  2
ˆ L j     S j  , Cuando las varianzas no son iguales.
 i 1  nij 
   
5) CONCLUSIONES:
 Si tgl ; 2  tcj  tgl ; 2 , entonces se acepta Ho, a un nivel de signifi-
cancia del  % .
 Si tcj  tgl ; 2  tcj  t gl ; 2 , entonces se acepta Ha, a un nivel de
significancia del  % .
EJEMPLO:
Un investigador desea contrastar si el método presencial difiere de la enseñanza auto-

didacta y por internet. También si el método por internet difiere del autodidacta. Utili-
ce un nivel de significancia del 5% para ambas pruebas de hipótesis. (suposición: las va-
rianzas son iguales)
X1  6.48, X 2  4.43, X 3  3.76

CME  2.308, n  18
SOLUCIÓN:
 2  3
1 
2
2  3
L1  21  2  3  0
L2  2  3  0
Son ortogonales:
 2 0   11   1 1  0

1) Ho1: L1  21  2  3  0
Ha1: L1  21  2  3  0
Ho2: L2  2  3  0
Ha2: L2  2  3  0
2)   0.05
3) PUNTO CRÍTICO:
gl  18  3  15
0.95
0.025 0.025
2.13 2.13
Lˆ1   2 6.48   1 4.43   1 3.76   4.77
ci21 22  1  1

2 2
3
 n
i 1 i1
 
6 6

6
1
ˆ L 
1
1 2.308  1.519
4.77
tc1   3.14
1.519

Lˆ2   0 6.48  1 4.43   1 3.76  0.67
ci22 02  1  1

2 2
3
 n
i 1 i 2
 
6 6

6
 0.33
ˆ L 
2
 0.33 2.308  0.873
0.67
tc 2   0.77
0.873
5) CONCLUSIONES:
 Como tc1  t15;0.025  3.14  2.13 , entonces se acepta Ha, es decir,
1  Promedio  2 , 3  , a un nivel de significancia del 5% .
 Como tc 2  t15;0.025  0.77  2.13 , entonces se acepta Ho, es decir,
2  3 , a un nivel de significancia del 5% .

PRUEBA F PLANEADAS O A PRIORI PARA COMPARACIONES DE TENDENCIA:
Las variable independiente (VI) debe ser cuantitativa para poder aplicar este contras-
te. Con K medias pueden contrastarse K 1 tipos de tendencia. Las tendencias
más sencillas son:
RELACIÓN LINEAL RELACIÓN CUADRÁTICA RELACIÓN CÚBICA
RELACIÓN DE 4º GRADO RELACIÓN DE 5º GRADO RELACIÓN DE 6º GRADO

Se realizan igual que las F planeadas, tomando los coeficientes de la tabla G para el tipo
de tendencia a analizar.
EJEMPLO:
Se está estudiando el efecto de la dosis de un medicamento sobre el rendimiento de los

sujetos en una prueba de atención. Se han formado cuatro grupos de sujetos a los que se
suministra diferente dosis, y se ha medido su rendimiento. Estudiar el tipo de relación
con   0.01 , sabiendo que la SCE es 32.26.
RENDIMIENTO
DOSIS N
PROMEDIO
5 mg 3.58 5
10 mg 6.74 5
15 mg 6.90 5
20 mg 2.90 5
SOLUCIÓN:
Cómo K  4 se estudiará la tendencia lineal, cuadrática y cúbica.

PRUEBA F:
1) Ho1: LLineal  31  2  3  33  0
Ha1: LLineal  31  2  3  33  0
Ho2: LCuadrático  2  2  3  4  0
Ha2: LCuadrático  2  2  3  4  0
Ho2: LCúbico  2  32  33  4  0
Ha2: LCúbico   2  32  33  4  0

2)   0.01
3) PUNTO CRÍTICO:
gl1  1
Se
gl2  20  4  16 acepta
H0
Se
0.95 acepta
Ha
0.05
F1;16;0.01  8.53
LˆLineal   3 3.58   1 6.74   1 6.90    3 2.90   1.88
ci21  3  1 1  3

2 2 2 2
4
 n
i 1 i1

5

5

5

5
 4.0
 1.88
2
SC  L1    0.88
4.0
0.88
CM  L1    0.88
1
0.88
Fc Lineal   0.44
2.02
LˆCuadrática  1 3.58   1 6.74   1 6.90   1 2.90   7.16

ci22 1  1  1 1

2 2 2 2
4
 n
i 1 i 2

5

5

5

5
 0.8
 7.16 
2
SC  L2    64.08
0.8
64.08
CM  L2    64.08
1
64.08
Fc Cuadrática    31.78
2.02
LˆCúbica   1 3.58   3 6.74    3 6.90   1 2.90   1.16
ci23  1  3  3 1

2 2 2 2
4
 n
i 1 i 3

5

5

5

5
 4.0
 1.16 
2
SC  L3    0.34
4.0
0.34
CM  L3    0.34
1
0.34
Fc Cúbica    0.17
2.02
5) CONCLUSIONES:
 Como Fc Lineal  F1;16;0.01  0.44  8.53 , entonces se acepta Ho, es
decir, la relación no es lineal, a un nivel de significancia del 1% .
 Como Fc Cuadrático  F1;16;0.01  31.78  8.53 , entonces se acepta Ha,

es decir, la relación es Cuadrática, a un nivel de significancia del 1% .

 Como Fc Cúbico  F1;16;0.01  0.17  8.53 , entonces se acepta Ho, es
decir, la relación no es Cúbica, a un nivel de significancia del 1% .

PRUEBA t - Student:
1) Ho1: LLineal  31  2  3  33  0
Ha1: LLineal  31  2  3  33  0
Ho2: LCuadrático  2  2  3  4  0
Ha2: LCuadrático  2  2  3  4  0
Ho2: LCúbico  2  32  33  4  0
Ha2: LCúbico   2  32  33  4  0
2)   0.01
3) PUNTO CRÍTICO:
gl  20  4  16
0.99
0.005 0.005
2.92 2.92
LˆLineal   3 3.58   1 6.74   1 6.90    3 2.90   1.88

ci21  3  1 1  3

2 2 2 2
4
 n
i 1 i1

5

5

5

5
 4.0
ˆ L 
1
 4.0 2.308  2.84
1.88
tc Lineal   0.66
2.84
LˆCuadrática  1 3.58   1 6.74   1 6.90   1 2.90   7.16
ci22 1  1  1 1

2 2 2 2
4
 n
i 1 i 2

5

5

5

5
 0.8
ˆ L 
1
 0.8 2.308  1.27
7.16
tc Cuadrática    5.64
1.27
LˆCúbica   1 3.58   3 6.74    3 6.90   1 2.90   1.16
ci21  1  3  3 1

2 2 2 2
4
 n
i 1 i1

5

5

5

5
 4.0
ˆ L 
1
 4.0 2.308  2.84
1.16
tc Cúbica    0.41
2.84
5) CONCLUSIONES:
 Como t16;0.005  tc Lineal  t16;0.005  2.92  0.66  2.92  , enton-

ces se acepta Ho, es decir, la relación no es lineal, a un nivel de signifi-
cancia del 1% .

 Como tc Cuadrático  t16;0.005  5.64  2.92 , entonces se acepta

Ha, es decir, la relación es Cuadrática, a un nivel de significancia del
1% .
 Como t16;0.005  tc Cúbico  t16;0.005  2.92  0.41  2.92 , en-

tonces se acepta Ho, es decir, la relación no es Cúbica, a un nivel de signi-
ficancia del 1% .

PRUEBA DE LEVENE DE HOMOGENEIDAD DE VARIANZAS
Uno de los pasos previos a la comprobación de si existen diferencias entre las medias
de varias muestras es determinar si las varianzas en tales muestras son iguales (es
decir, si se cumple la condición de homogeneidad de varianzas o homoscedasticidad),
ya que de que se cumpla o no esta condición dependerá la formulación que empleemos
en el contraste de medias.
Existen varias pruebas que permiten comprobar la igualdad de varianzas (F de Fisher,

Fmax de Hartley, prueba de Bartlett, etc), pero aquí desarrollaremos la prueba de Le-
vene que es la que emplea SPSS. Para su cálculo se siguen los siguientes pasos:
1) Calcular la diferencia (en valor absoluto) entre cada valor y la media de su grupo:
Dki  X ki  X k
donde:
X ki : es la puntuación del sujeto i perteneciente al grupo k.
X k : es la media del grupo k.

2) Calcular la media de las diferencias de cada grupo:
nk
D ki
Dk  i 1
nk
donde:
nk
D
i 1
ki : es la suma de las puntuaciones Di en el grupo k.
nk : es el tamaño del grupo k.

3) Calcular la media total de las diferencias:
nk k
 D ki
DT  i 1 k 1
n
donde...

Dki : es la suma de las puntuaciones Di de todos los sujetos.
n : es la suma de todos los sujetos.

4) Calcular ANVA para la prueba de Homogeneidad de varianza:
ANVA
Grados de Suma de cuadrados Cuadrado medio Cociente

Fuente de Variación
libertad (gl) (SC) (CM) F
K 1
K
SCinter   nk  Dk  DT 
2 SCinter CM inter
Intergrupo CM inter  Fc 
k 1 K 1 CM intra
nK
K nk
SCintra    Dki  Dk 
2 SCintra
Intragrupo CM intra 
k 1 i 1
nK
Total ( T ) n 1 SCT  SCinter  SCintra
PRUEBA DE HIPOTESIS PARA LA HOMOGENEIDAD DE VARIANZA:
1) Ho: 12   22    k2
Ha: 12   22    k2
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
gl1  K  1
Se acepta H0
gl2  n  K
Se acepta Ha


Fgl1 ; gl2 ;

CM inter
Fc 
CM intra
5) CONCLUSIONES:
 Si Fc  Fgl1 ; gl2 ; , entonces se acepta Ho, es decir,
12  12    k2 , a un nivel de significancia del  % .
 Si Fc  Fgl1 ; gl2 ; , entonces se acepta Ha, es decir,
12   22    k2 , a un nivel de significancia del  % .

EJEMPLO:
X1 X2 X3 X4
2.6 4 9.4 3.8
2.9 4.5 7.2 4.2
2.3 5.9 5.9 2.2
2.7 6.8 7.5
7.2 4.5
9.3 1.9
2.4
ANVA
Grados de Suma de cuadrados Cuadrado medio Cociente

Fuente de Variación
libertad (gl) (SC) (CM) F
Intergrupo 3 12.02 4.01 3.83
Intragrupo 16 16.73 1.05
Total ( T ) 19 28.75
1) Ho: 12   22   32   42
Ha: 12   22   32   42
2)   0.05

3) PUNTO CRÍTICO:
gl1  K  1  4  1  3
gl2  20  4  16
Se
acepta
H0
Se
0.95 acepta
Ha
0.05
F3;16;0.05  3.24
Fc  3.83
5) CONCLUSIONES:
Como Fc  F3;16;0.05  3.83  3.24 , entonces se acepta Ha, es decir,
12   22   32   42 , a un nivel de significancia del 5% .

COMPARACIONES MÚLTIPLES NO PLANEADAS O A POSTERIORI
Se realizan después del ANVA, para descubrir donde están las diferencias entre medias,
si la F ha resultado significativa  1  2   k  0  .
COMPARACIONES PAREADAS CUANDO LAS VARIANZAS SON HOMOGENEAS
Para el caso de K medias, habrá C  K  K  1 2 contrastes posibles.
PRUEBA DMS DE FISHER:
Diferencia mínima significativa basada en la t de Student. Este método, inicialmente

propuesto por Fisher (1935) no ejerce ningún control sobre la tasa d error. Es decir, ca-
da comparación se lleva a cabo utilizando el nivel de significación establecido (general-
mente   0.05 ), por lo que la tasa de error  e  para el conjunto de comparaciones
1  1   
C
puede llegar a , siendo α el nivel de significación  y J el número de com-
paraciones llevadas a cabo. (suele encontrarse en la literatura estadística con su acróni-
mo inglés: LSD= Least Significant Differrence). Es el menos conservador de los proce-
dimientos.
PRUEBA DE HIPOTESIS PARA    :

i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
gle  n  K
Donde:


1
 2  2
t gl ; 2 t gl ; 2
Xi  X j
tc 
ˆ X  X
i j
Donde:
1 1 1 1
ˆ X  X  ˆ e      CME    
 ni n j   ni n j 
i j
n
Tk2 K K
CME   X   2
i 1 k 1 k 1 nk
ANVA)
  n  1 S i i
2
ˆ e  i 1
K
n  K
i 1
i
5) CONCLUSIONES:
 Si t gle ; 2  tc  t gle ; 2 , entonces se acepta Ho, es decir,
i   j  0 , a un nivel de confianza del 1    % .

 Si tc  tgle ; 2  tc  t gle ; 2 , entonces se acepta Ha, es decir,
i   j  0 , a un nivel de confianza del 1    % (es significativa al

 % ).
PROBABILIDAD DE t c (Significancia):
 Si 2P t  tc gle  n  K    , entonces se acepta Ho, es decir,
 Si 2P t  tc gle  n  K    , entonces se acepta Ha, es decir,

 % ).
INTERVALO DE CONFIANZA PARA     :
i j
IC  i   j    X i  X j   ˆ X i  X j t gle ; 2
1 %
X i  X j   ˆ X i  X j t gle ; 2   i   j 
1 %
  X i  X j   ˆ X i  X j t gle ; 2

EJEMPLO:
X1 X2 X3 X4
4.2 4 8.3 3.8
2.9 4.5 7.2 4.2
4.1 5.9 5.9 2.2
2.7 6.8 7.5
7.2 4.5
8.1 4
3.8
nk 4 6 7 3
Sk 0.78 1.59 1.83 1.06
Xk 3.48 6.08 5.89 3.40
n  20
K 4
C  4  4  1 2  6
  0.05
gle  20  4  16
 4  1 0.78   6  11.59   7  11.83  3  11.06 

2 2 2 2
ˆ e   1.5163
4  6  7 3 4

PRUEBA DE HIPOTESIS PARA LA DIFERENCIA DE MEDIAS:
i j Xi Xj Xi  X j ni nj ˆ X  X
i j
tc t16;0.05 2 Sig.
2 3 6.08 5.89 0.20 6 7 0.8436 0.23 2.12 0.8177
2 1 6.08 3.48 2.61 6 4 0.9787 2.66 2.12 0.0169*
2 4 6.08 3.40 2.68 6 3 1.0722 2.50 2.12 0.0235*
3 1 5.89 3.48 2.41 7 4 0.9504 2.54 2.12 0.0220*
3 4 5.89 3.40 2.49 7 3 1.0463 2.38 2.12 0.0304*
1 4 3.48 3.40 0.08 4 3 1.1581 0.06 2.12 0.9492
* Significante al 5%
INTERVALO DE CONFIANZA PARA LA DIFERENCIA DE MEDIAS
95% Interv. Conf .

i j
t16;0.05 2
Inf . Sup.
2 3 6.08 5.89 0.20 6 7 0.8436 2.12 -1.5907 1.9859
2 1 6.08 3.48 2.61 6 4 0.9787 2.12 0.5335 4.6832
2 4 6.08 3.40 2.68 6 3 1.0722 2.12 0.4105 4.9562
3 1 5.89 3.48 2.41 7 4 0.9504 2.12 0.3960 4.4254
3 4 5.89 3.40 2.49 7 3 1.0463 2.12 0.2676 4.7038
1 4 3.48 3.40 0.08 4 3 1.1581 2.12 -2.3800 2.5300

PRUEBA DE BONFERRONI:
Método basado en la distribución t de Student y en la desigualdad Bonferroni (tam-

bién conocido como método de Dunn-su promotor en 1961- o de Dunn-Bonferroni).
Controla la tasa de error dividiendo el nivel de significación α entre el número de com-
paraciones llevadas a cabo. Cada comparación se evalúa utilizando un nivel de significa-
ción    C .

i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
K!
C
2! K  2 !
gle  n  K
Donde:

C  Número de combinaciones ha analizar.
   Nivel de significancia para la prueba Bonferroni.
Región de aceptación de Ho
rechazo de Ho rechazo de Ho
1
 2  2
t gle ;  2 t gle ;  2

Xi  X j
tc 
ˆ X  X
i j
Donde:
1 1 1 1
ˆ X  X  ˆ e 

 
  CME    ,
 Cuando las varianzas
 i nj 
n  i nj 
n
i j
son iguales.
  n  1 S i i
2
ˆ e  i 1
K
n  K
i 1
i
n
Tk2 K K
CME   X   2
i 1 k 1 k 1 nk
ANVA)
5) CONCLUSIONES:
 Si tgle ;  2  tc  tgle ;  2 , entonces se acepta Ho, es decir,
 Si tc  t gle ;  2  tc  t gle ;  2 , entonces se acepta Ha, es decir,

 % ).
 Si  2CP t  t c 
gle  n  K    , entonces se acepta Ho, es de-
cir, i   j  0 , a un nivel de confianza del 1    % .

 Si  2CP t  t c 
gle  n  K    , entonces se acepta Ha, es de-
cir, i   j  0 , a un nivel de confianza del 1    % (es significati-

va al  % ).

i j
IC  i   j    X i  X j   ˆ X i  X j t gle ;  2
1 %
X i  X j   ˆ X i  X j t gle ;  2   i   j 
1 %
  X i  X j   ˆ X i  X j t gle ;  2
EJEMPLO:
X1 X2 X3 X4
4.2 4 8.3 3.8
2.9 4.5 7.2 4.2
4.1 5.9 5.9 2.2
2.7 6.8 7.5
7.2 4.5
8.1 4
3.8
nk 4 6 7 3
Sk 0.78 1.59 1.83 1.06
Xk 3.48 6.08 5.89 3.40
n  20
K 4
4!
C 6
2! 4  2 !
gle  20  4  16

  0.05
   0.0083
 4  1 0.78   6  11.59   7  11.83  3  11.06 

2 2 2 2
ˆ e   1.5163
4  6  7 3 4
i j
tc t16;0.0083 2 Sig.
2 3 6.08 5.89 0.20 6 7 0.8436 0.23 3.01 1.0000
2 1 6.08 3.48 2.61 6 4 0.9787 2.66 3.01 0.1017
2 4 6.08 3.40 2.68 6 3 1.0722 2.50 3.01 0.1413
3 1 5.89 3.48 2.41 7 4 0.9504 2.54 3.01 0.1319
3 4 5.89 3.40 2.49 7 3 1.0463 2.38 3.01 0.1821
1 4 3.48 3.40 0.08 4 3 1.1581 0.06 3.01 1.0000
95% Interv. Conf .

i j
t16;0.0083 2
Inf . Sup.
2 3 6.08 5.89 0.20 6 7 0.8436 3.01 -2.3401 2.7353
2 1 6.08 3.48 2.61 6 4 0.9787 3.01 -0.3360 5.5527
2 4 6.08 3.40 2.68 6 3 1.0722 3.01 -0.5421 5.9087
3 1 5.89 3.48 2.41 7 4 0.9504 3.01 -0.4483 5.2697
3 4 5.89 3.40 2.49 7 3 1.0463 3.01 -0.6619 5.6334
1 4 3.48 3.40 0.08 4 3 1.1581 3.01 -3.4088 3.5588

PRUEBA DE SIDAK
Al igual que el procedimiento de Bonferroni, se basa en la distribución t de Student,

pero controla la tasa de error evaluando cada comparación con un nivel de significación
   1  1   
1C
. Esta solución es algo menos conservadora que Bonferroni (es de-
cir rechaza la hipótesis de igualdad de medias en más ocasiones que el método de Bon-
ferroni).

i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
K!
C
2! K  2 !
gle  n  K
Donde:

   Nivel de significancia para la prueba Sidak.
1
 2  2
t gle ;  2 t gle ;  2

Xi  X j
tc 
ˆ X  X
i j
Donde:
1 1 1 1
ˆ X  X  ˆ e 

 
  CME    ,
 Cuando las varianzas
 i nj 
n  i nj 
n
i j
son iguales.
  n  1 S
i i
2
ˆ e  i 1
K
n  K
i 1
i
n
Tk2 K K
CME   X   2
i 1 k 1 k 1 nk
ANVA)
5) CONCLUSIONES:
 Si tgle ;  2  tc  tgle ;  2 , entonces se acepta Ho, es decir,
 Si tc  t gle ;  2  tc  t gle ;  2 , entonces se acepta Ha, es decir,

 % ).

 Si 1  1  2 P t  tc gle  n  K 
C
 , entonces se acepta Ho,
es decir, i   j  0 , a un nivel de confianza del 1    % .
 Si 1  1  2 P t  tc gle  n  K 
C
  , entonces se acepta Ha,
es decir, i   j  0 , a un nivel de confianza del 1    % (es signi-

ficativa al  % ).

i j
IC  i   j    X i  X j   ˆ X i  X j t gle ;  2
1 %
X i  X j   ˆ X i  X j t gle ;  2   i   j 
1 %
  X i  X j   ˆ X i  X j t gle ;  2

EJEMPLO:
X1 X2 X3 X4
4.2 4 8.3 3.8
2.9 4.5 7.2 4.2
4.1 5.9 5.9 2.2
2.7 6.8 7.5
7.2 4.5
8.1 4
3.8
nk 4 6 7 3
Sk 0.78 1.59 1.83 1.06
Xk 3.48 6.08 5.89 3.40
n  20
K 4
4!
C 6
2! 4  2 !
gle  20  4  16
  0.05
   0.0085
 4  1 0.78   6  11.59   7  11.83  3  11.06 

2 2 2 2
ˆ e   1.5163
4  6  7 3 4

i j
tc t16;0.0085 2 Sig.
2 3 6.08 5.89 0.20 6 7 0.8436 0.23 3.00 1.0000
2 1 6.08 3.48 2.61 6 4 0.9787 2.66 3.00 0.0974
2 4 6.08 3.40 2.68 6 3 1.0722 2.50 3.00 0.1332
3 1 5.89 3.48 2.41 7 4 0.9504 2.54 3.00 0.1249
3 4 5.89 3.40 2.49 7 3 1.0463 2.38 3.00 0.1688
1 4 3.48 3.40 0.08 4 3 1.1581 0.06 3.00 1.0000
95% Interv. Conf .

i j
t16;0.0085 2
Inf . Sup.
2 3 6.08 5.89 0.20 6 7 0.8436 3.00 -2.3315 2.7267
2 1 6.08 3.48 2.61 6 4 0.9787 3.00 -0.3261 5.5427
2 4 6.08 3.40 2.68 6 3 1.0722 3.00 -0.5311 5.8978
3 1 5.89 3.48 2.41 7 4 0.9504 3.00 -0.4386 5.2600
3 4 5.89 3.40 2.49 7 3 1.0463 3.00 -0.6513 5.6227
1 4 3.48 3.40 0.08 4 3 1.1581 3.00 -3.3970 3.5470

PRUEBA DE SCHEFFÉ:
Este método basado en la distribución F, permite controlar la tasa de error para el

conjunto total de comparaciones que es posible diseñar con K medias (una con otra,
una con todas las demás, dos con dos, etc…). Utilizada sólo para efectuar sólo con
comparaciones por pares, es un procedimiento muy conservador: tiende a considerar
significativas menos diferencias de las que debiera.

i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
gl1  K  1
gl2  n  K
Donde:

1
 2  2
  K  1 Fgl ;gl ;
1 2
 K  1 Fgl ;gl ;
1 2

Xi  X j
tc 
ˆ X  X
i j
Donde:
1 1 1 1
ˆ X  X  ˆ    
n n   CME     , Cuando las varianzas son
 i j   ni n j 
i j
iguales.
  n  1 S
i i
2
ˆ  i 1
K
n  K
i 1
i
Tk2
n K K
CME   X   2
i 1 k 1 k 1 nk
ANVA)
5) CONCLUSIONES:
 Si   K  1 Fgl ;gl ;1 2

 tc   K  1 Fgl ;gl ;
1 2 , entonces se acepta
Ho, es decir, i   j  0 , a un nivel de confianza del 1    % .
 Si tc   K  1 Fgl ;gl ;1 2

 tc   K  1 Fgl ;gl ;
1 2 , entonces se
acepta Ha, es decir, i   j  0 , a un nivel de confianza del
1    % (es significativa al  % ).

 tc2 
 Si
P  F 

gl1  K  1; gl2  n  K   , entonces se
 K 1 
acepta Ho, es decir, i   j  0 , a un nivel de confianza del
1    % .
 tc2 
Si
P  F  gl  K  1; gl  n  K   , entonces se

K 1
1 2
 
acepta Ha, es decir, i   j  0 , a un nivel de confianza del
1    % (es significativa al  % ).
i j
IC  i   j    X i  X j   ˆ X i  X j  K  1 Fgl ;gl ;
1 % 1 2
X i  X j   ˆ X i  X j  K  1 Fgl ;gl ;   i   j 1 %   X i  X j   ˆ X  X  K  1 Fgl ;gl ;

1 2 i j 1 2

EJEMPLO:
X1 X2 X3 X4
4.2 4 8.3 3.8
2.9 4.5 7.2 4.2
4.1 5.9 5.9 2.2
2.7 6.8 7.5
7.2 4.5
8.1 4
3.8
nk 4 6 7 3
Sk 0.78 1.59 1.83 1.06
Xk 3.48 6.08 5.89 3.40
n  20
K 4
  0.05
gl1  4  1  3
gl2  20  4  16
 4  1 0.78   6  11.59   7  11.83  3  11.06 

2 2 2 2
ˆ   1.5163
4  6  7 3 4

i j
tc  K  1 F3;16;0.05 Sig.
2 3 6.08 5.89 0.20 6 7 0.8436 0.23 3.12 0.9965
2 1 6.08 3.48 2.61 6 4 0.9787 2.66 3.12 0.1092
2 4 6.08 3.40 2.68 6 3 1.0722 2.50 3.12 0.1421
3 1 5.89 3.48 2.41 7 4 0.9504 2.54 3.12 0.1346
3 4 5.89 3.40 2.49 7 3 1.0463 2.38 3.12 0.1734
1 4 3.48 3.40 0.08 4 3 1.1581 0.06 3.12 0.9999
95% Interv. Conf .

i j
 K  1 F3;16;0.05
Inf . Sup.
2 3 6.08 5.89 0.20 6 7 0.8436 3.12 -2.4319 2.8271
2 1 6.08 3.48 2.61 6 4 0.9787 3.12 -0.4425 5.6592
2 4 6.08 3.40 2.68 6 3 1.0722 3.12 -0.6587 6.0254
3 1 5.89 3.48 2.41 7 4 0.9504 3.12 -0.5517 5.3731
3 4 5.89 3.40 2.49 7 3 1.0463 3.12 -0.7758 5.7472
1 4 3.48 3.40 0.08 4 3 1.1581 3.12 -3.5348 3.6848

PRUEBA DE DUNCAN:
Prueba del rango múltiple de Duncan. Método de comparación por pasos basado en la
distribución del rango estudentizado. Controla la tasa de error utilizando, para el con-
   1  1   
r 1
junto de medias separadas r pasos, un nivel de significación .
Cuando más pasos existen entre dos medias, mayor es la diferencia mínima con la que
vamos a considerar que esas medias difieren significativamente.

i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
K
r
gle  n  K
Donde:
r  Número de pasos entre medias a analizar.

1
 2  2
 Dr ; gle ; Dr ; gle ;

Xi  X j
Dc 
ˆ X  X
i j
Donde:
1 1 1 1
ˆ X  X  ˆ    
n n   CME     , Cuando las varianzas son
 i j   ni n j 
i j
iguales.
  n  1 S
i i
2
ˆ  i 1
K
n  K
i 1
i
Tk2
n K K
CME   X   2
i 1 k 1 k 1 nk
ANVA)
5) CONCLUSIONES:
 Si  Dr ; gle ;  Dc  Dr ; gle ; , entonces se acepta Ho, es decir,
 Si Dc   Dr ; gle ;  Dc  Dr ; gle ; , entonces se acepta Ha, es decir,

 % ).

PROBABILIDAD DE qc (Significancia):
 1

 Si 
1   P  q  Dc r ; gle  n  K   r 1  
 , entonces se acepta
 
Ho, es decir, i   j  0 , a un nivel de confianza del 1    % .
 1

 Si 
1   P  q  Dc r ; gle  n  K   r 1  
 , entonces se acepta
 
Ha, es decir, i   j  0 , a un nivel de confianza del 1    % (es
significativa al  % ).
INTERVALO DE CONFIANZA PARA    :

i j
IC  i   j    X i  X j   ˆ X i  X j Dr ; gle ;
1 %
X i  X j   ˆ X i  X j Dr ; gle ;   i   j 
1 %
  X i  X j   ˆ X i  X j Dr ;gle ;

EJEMPLO:
X1 X2 X3 X4
4.2 4 8.3 3.8
2.9 4.5 7.2 4.2
4.1 5.9 5.9 2.2
2.7 6.8 7.5
7.2 4.5
8.1 4
3.8
nk 4 6 7 3
Sk 0.78 1.59 1.83 1.06
Xk 3.48 6.08 5.89 3.40
n  20
K 4
  0.05
gle  20  4  16
 4  1 0.78   6  11.59   7  11.83  3  11.06 

2 2 2 2
ˆ e   1.5163
4  6  7 3 4

i j Xi Xj Xi  X j ni nj r ˆ X  X
i j
Dc Dr ;16;0.05 Sig.
2 3 6.08 5.89 0.20 6 7 2 0.8436 0.23 3.00 1.0000
2 1 6.08 3.48 2.61 6 4 3 0.9787 2.66 3.14 0.0924
2 4 6.08 3.40 2.68 6 3 4 1.0722 2.50 3.23 0.1222
3 1 5.89 3.48 2.41 7 4 2 0.9504 2.54 3.00 0.0914
3 4 5.89 3.40 2.49 7 3 3 1.0463 2.38 3.14 0.1293
1 4 3.48 3.40 0.08 4 3 2 1.1581 0.06 3.00 1.0000
95% Interv. Conf .

i j Xi Xj Xi  X j ni nj r ˆ X  X
i j
Dr ;16;0.05
Inf . Sup.
2 3 6.08 5.89 0.20 6 7 2 0.8436 3.00 -2.3314 2.7266
2 1 6.08 3.48 2.61 6 4 3 0.9787 3.14 -0.4686 5.6853
2 4 6.08 3.40 2.68 6 3 4 1.0722 3.23 -0.7850 6.1517
3 1 5.89 3.48 2.41 7 4 2 0.9504 3.00 -0.4385 5.2599
3 4 5.89 3.40 2.49 7 3 3 1.0463 3.14 -0.8037 5.7751
1 4 3.48 3.40 0.08 4 3 2 1.1581 3.00 -3.3969 3.5469

PRUEBA DE TUKEY:
Diferencia honestamente significativa de Tukey. Equivale a utilizar el método de Stu-

dent-Newman-Keuls con K  Número de medias. Por tanto, todas las comparaciones
son referidas a una misma diferencia mínima. Es uno de los métodos de mayor acepta-
ción.

i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
K
gle  n  K
Donde:

1
 2  2
qK ; gle ; qK ; gle ;

Xi  X j
qc 
ˆ X  X
i j
Donde:
 1  1 1   1  1 1 
ˆ X  X  ˆ        CME       , Cuando las va-
i j
 2   ni n j   2   ni n j 
rianzas son iguales.
  n  1 S
i i
2
ˆ  i 1
K
n  K
i 1
i
Tk2
n K K
CME   X   2
i 1 k 1 k 1 nk
ANVA)
5) CONCLUSIONES:
 Si qK ; gle ;  qc  qK ; gle ; , entonces se acepta Ho, es decir,
 Si qc  qK ; gle ;  qc  qK ; gle ; , entonces se acepta Ha, es decir,

 % ).

 Si P  q  qc K ; gle  n  K    , entonces se acepta Ho, es decir,

 Si P  q  qc K ; gle  n  K    , entonces se acepta Ha, es decir,

 % ).
i j
IC  i   j    X i  X j   ˆ X i  X j qK ; gle ;
1 %
X i  X j   ˆ X i  X j qK ; gle ;   i   j 
1 %
  X i  X j   ˆ X i  X j qK ;gle ;

EJEMPLO:
X1 X2 X3 X4
4.2 4 8.3 3.8
2.9 4.5 7.2 4.2
4.1 5.9 5.9 2.2
2.7 6.8 7.5
7.2 4.5
8.1 4
3.8
nk 4 6 7 3
Sk 0.78 1.59 1.83 1.06
Xk 3.48 6.08 5.89 3.40
n  20
K 4
  0.05
gle  20  4  16
 4  1 0.78   6  11.59   7  11.83  3  11.06 

2 2 2 2
ˆ e   1.5163
4  6  7 3 4

i j
qc q4;16;0.05 Sig.
2 3 6.08 5.89 0.20 6 7 0.5965 0.33 4.05 1.0000
2 1 6.08 3.48 2.61 6 4 0.6921 3.77 4.05 0.0728
2 4 6.08 3.40 2.68 6 3 0.7581 3.54 4.05 0.0978
3 1 5.89 3.48 2.41 7 4 0.6720 3.59 4.05 0.0924
3 4 5.89 3.40 2.49 7 3 0.7399 3.36 4.05 0.1226
1 4 3.48 3.40 0.08 4 3 0.8189 0.09 4.05 1.0000
95% Interv. Conf .

i j
q4;16;0.05
Inf . Sup.
2 3 6.08 5.89 0.20 6 7 0.5965 4.05 -2.2158 2.6111
2 1 6.08 3.48 2.61 6 4 0.6921 4.05 -0.1919 5.4085
2 4 6.08 3.40 2.68 6 3 0.7581 4.05 -0.3841 5.7508
3 1 5.89 3.48 2.41 7 4 0.6720 4.05 -0.3083 5.1297
3 4 5.89 3.40 2.49 7 3 0.7399 4.05 -0.5078 5.4792
1 4 3.48 3.40 0.08 4 3 0.8189 4.05 -3.2382 3.3882

GAMES-HOWELL:
Método similar al de Tukey. Se basa en la distribución del rango estudentizado y en un

estadístico T en el que, tras estimar las varianzas poblacionales suponiendo que son
distintas, se corrigen los grados de libertad mediante la ecuación de Welch. En térmi-
nos generales de los tres métodos para varianzas heterogéneas, este es el que mejor
controla la tasa de error en diferentes situaciones.
PRUEBA DE HIPOTESIS PARA    : i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
K
2
 Si2 S 2j 
  
ni n j 
gl   2
 Si2   S j 
2 2
   n 
 ni    j 
ni  1 n j 1
Donde:

1
 2  2
qk ; gl ; qk ; gl ;

2 2

Xi  X j
qc 
ˆ X  Xi j
Donde:
 Si2 S 2j 
ˆ X  X     , Cuando las varianzas no son iguales.
n n 
 i j 
i j
5) CONCLUSIONES:
qK ; gl ; qK ; gl ;
 Si   qc  , entonces se acepta Ho, es decir,
2 2
qK ; gl ; qK ; gl ;
 Si
qc    qc  , entonces se acepta Ha, es decir,
2 2
 % ).
 Si P q  2 qc K ; gl    , entonces se acepta Ho, es decir,
 Si P q  2 qc K ; gl    , entonces se acepta Ha, es decir,

 % ).


i j
IC  i   j    X i  X j   ˆ X i  X j
qK ; gl ;
1 % 2
 X i  X j   ˆ Xi  X j   i   j    X i  X j   ˆ X i  X j
qK ; gl ; qK ; gl ;
2 1 % 2
EJEMPLO:
Facultad de
Facultad de Facultad de Facultad de
Ingeniería en
Ciencias Industrias Ciencias
Informática y Sis-
Agrícolas Alimentarías Económicas
temas
52 37 24 18 37 43 19 13
31 22 16 19 40 40 26 21
72 24 22 24 51 35 31 26
36 17 20 30 49 33 13 24
39 88 23 24 36 69 12 12
15 18 24 55 16 32
35 40 30
26
nk 10 12 15 13
Sk 41.80 21.08 40.87 21.15
Xk 22.74 4.23 11.47 7.53
n  20
K 4
  0.05


q4; gl ;0.05
i j Xi Xj Xi  X j ni nj Si Sj ˆ X  X
i j
qc gl Sig.
2
1 3 41.80 40.87 0.93 10 15 22.74 11.47 7.7781 0.12 12.09 2.97 0.9993
1 4 41.80 21.15 20.65 10 13 22.74 7.53 7.4891 2.76 10.52 3.03 0.0780
1 2 41.80 21.08 20.72 10 12 22.74 4.23 7.2953 2.84 9.52 3.09 0.0733
3 4 40.87 21.15 19.71 15 13 11.47 7.53 3.6231 5.44 24.35 2.76 0.0001*
3 2 40.87 21.08 19.78 15 12 11.47 4.23 3.2034 6.18 18.49 2.82 0.0000*
4 2 21.15 21.08 0.07 13 12 7.53 4.23 2.4184 0.03 19.17 2.81 1.0000
95% Interv. Conf .

q4; gl ;0.05
i j
gl
2
Inf . Sup.
1 3 41.80 40.87 0.93 10 15 22.74 11.47 7.7781 12.09 2.97 -22.1343 24.0010
1 4 41.80 21.15 20.65 10 13 22.74 7.53 7.4891 10.52 3.03 -2.0602 43.3525
1 2 41.80 21.08 20.72 10 12 22.74 4.23 7.2953 9.52 3.09 -1.8072 43.2405
3 4 40.87 21.15 19.71 15 13 11.47 7.53 3.6231 24.35 2.76 9.7285 29.6972
3 2 40.87 21.08 19.78 15 12 11.47 4.23 3.2034 18.49 2.82 10.7527 28.8139
4 2 21.15 21.08 0.07 13 12 7.53 4.23 2.4184 19.17 2.81 -6.7241 6.8651

PRUEBA T2 DE TAMHANE:
Método basado en la distribución de t de Student. Controla la tasa de error evaluando

   1  1   
1C
cada comparación con un nivel de significación .
PRUEBA DE HIPOTESIS PARA    :i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
K
K  K  1
C
2
Donde:

   Nivel de significancia para la prueba de Tamhane.
1
 2  2
t gl ; ´ 2 t gl ; ´ 2

2
 Si2 S 2j 
  
ni n j 
gl   2
 Si2   S j 
2 2
   n 
 ni    j 
ni  1 n j 1
Xi  X j
tc 
ˆ X  X
i j
Donde:
 Si2 S 2j 
ˆ X  X      , Cuando las varianzas no son iguales.
n n 
 i j 
i j
5) CONCLUSIONES:
 Si t gl ; ´ 2  tc  t gle ; ´ 2 , entonces se acepta Ho, es decir,
 Si tc  tgl ; ´ 2  tc  tgl ; ´ 2 , entonces se acepta Ha, es decir,

 % ).
 Si 1  1  2 P t  tc gl 
C
  , entonces se acepta Ho, es decir,

 Si 1  1  2 P t  tc gl 
C
  , entonces se acepta Ha, es decir,

 % ).
i j
IC  i   j    X i  X j   ˆ X i  X j t gl ; ´ 2
1 %
X i  X j   ˆ X i  X j t gl ; ´ 2   i   j 
1 %
  X i  X j   ˆ X i  X j t gl ; ´ 2
EJEMPLO:
Facultad de
Ingeniería en
Informática y Sis-
temas
52 37 24 18 37 43 19 13
31 22 16 19 40 40 26 21
72 24 22 24 51 35 31 26
36 17 20 30 49 33 13 24
39 88 23 24 36 69 12 12
15 18 24 55 16 32
35 40 30
26
nk 10 12 15 13
Sk 41.80 21.08 40.87 21.15
Xk 22.74 4.23 11.47 7.53
n  20
K 4
  0.05

C
 4  4  1  6
2
1
´ 1  1     0.0085
6
i j
tc gl t gl ; ´ 2 Sig.
1 3 41.80 40.87 0.93 10 15 22.74 11.47 7.7781 0.12 12.09 3.14 1.0000
1 4 41.80 21.15 20.65 10 13 22.74 7.53 7.4891 2.76 10.52 3.23 0.1107
1 2 41.80 21.08 20.72 10 12 22.74 4.23 7.2953 2.84 9.52 3.30 0.1054
3 4 40.87 21.15 19.71 15 13 11.47 7.53 3.6231 5.44 24.35 2.86 0.0001*
3 2 40.87 21.08 19.78 15 12 11.47 4.23 3.2034 6.18 18.49 2.94 0.0000*
4 2 21.15 21.08 0.07 13 12 7.53 4.23 2.4184 0.03 19.17 2.93 1.0000
95% Interv. Conf .

i j
gl t gl ; ´ 2
Inf . Sup.
1 3 41.80 40.87 0.93 10 15 22.74 11.47 7.7781 12.09 3.14 -23.4662 25.3328
1 4 41.80 21.15 20.65 10 13 22.74 7.53 7.4891 10.52 3.23 -3.5186 44.8109
1 2 41.80 21.08 20.72 10 12 22.74 4.23 7.2953 9.52 3.30 -3.3801 44.8134
3 4 40.87 21.15 19.71 15 13 11.47 7.53 3.6231 24.35 2.86 9.3422 30.0835
3 2 40.87 21.08 19.78 15 12 11.47 4.23 3.2034 18.49 2.94 10.3539 29.2128
4 2 21.15 21.08 0.07 13 12 7.53 4.23 2.4184 19.17 2.93 -7.0185 7.1595

PRUEBA T3 DE DUNNETT:
Modificación propuesta por Dunnett al estadístico T2 de Tamhane. Se basa en la dis-

tribución del Módulo máximo estudentizado.

i j
1) Ho: i   j  0
Ha: i   j  0
2)   0.01, 0.05, 0.10, etc.

3) PUNTO CRÍTICO:
K
K  K  1
C
2
Donde:

1
 2  2
M C ; gl ; M C ; gl ;

2
 Si2 S 2j 
  
ni n j 
gl   2
 Si2   S j 
2 2
   n 
 ni    j 
ni  1 n j 1
Xi  X j
Mc 
ˆ X  X
i j
Donde:
 Si2 S 2j 
ˆ X  X      , Cuando las varianzas no son iguales.
n n 
 i j 
i j
5) CONCLUSIONES:
 Si M C ; gl ;  M c  M C ; gl ; , entonces se acepta Ho, es decir,
 Si M c  M C ; gl ;  M c  M C ; gl ; , entonces se acepta Ha, es de-

cir, i   j  0 , a un nivel de confianza del 1    % (es significati-
va al  % ).
PROBABILIDAD DE Mc (Significancia):
 Si P  M  M c C ; gl    , entonces se acepta Ho, es decir,
 Si P  M  M c gl ; C    , entonces se acepta Ha, es decir,

 % ).


i j
IC  i   j    X i  X j   ˆ X i  X j M C ; gl ;
1 %
X i  X j   ˆ X i  X j M C ; gl ;   i   j 
1 %
  X i  X j   ˆ X i  X j M C ; gl ;
EJEMPLO:
Facultad de
Ingeniería en
Informática y Sis-
temas
52 37 24 18 37 43 19 13
31 22 16 19 40 40 26 21
72 24 22 24 51 35 31 26
36 17 20 30 49 33 13 24
39 88 23 24 36 69 12 12
15 18 24 55 16 32
35 40 30
26
nk 10 12 15 13
Sk 41.80 21.08 40.87 21.15
Xk 22.74 4.23 11.47 7.53
n  20
K 4
  0.05
C
 4  4  1  6
2

i j
Mc gl M gl ;C ; Sig.
1 3 41.80 40.87 0.93 10 15 22.74 11.47 7.7781 0.12 12.09 3.09 1.0000
1 4 41.80 21.15 20.65 10 13 22.74 7.53 7.4891 2.76 10.52 3.17 0.0989
1 2 41.80 21.08 20.72 10 12 22.74 4.23 7.2953 2.84 9.52 3.23 0.0929
3 4 40.87 21.15 19.71 15 13 11.47 7.53 3.6231 5.44 24.35 2.85 0.0001*
3 2 40.87 21.08 19.78 15 12 11.47 4.23 3.2034 6.18 18.49 2.92 0.0000*
4 2 21.15 21.08 0.07 13 12 7.53 4.23 2.4184 0.03 19.17 2.91 1.0000
95% Interv. Conf .

i j
gl M gl ;C ;
Inf . Sup.
1 3 41.80 40.87 0.93 10 15 22.74 11.47 7.7781 12.09 3.09 -23.1073 24.9740
1 4 41.80 21.15 20.65 10 13 22.74 7.53 7.4891 10.52 3.17 -3.0756 44.3679
1 2 41.80 21.08 20.72 10 12 22.74 4.23 7.2953 9.52 3.23 -2.8603 44.2937
3 4 40.87 21.15 19.71 15 13 11.47 7.53 3.6231 24.35 2.85 9.3966 30.0290
3 2 40.87 21.08 19.78 15 12 11.47 4.23 3.2034 18.49 2.92 10.4269 29.1398
4 2 21.15 21.08 0.07 13 12 7.53 4.23 2.4184 19.17 2.91 -6.9664 7.1075

Comparaciones Multiples Entre Medias PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Comparaciones Multiples Entre Medias PDF

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS

DEPARTAMENTO ACADÉMICO DE CIENCIAS ECONÓMICAS

COMPARACIONES MÚLTIPLES ENTRE MEDIAS

Combinación lineal de medias con coeficientes que suman cero.

Si desean compararse dos medias 1 y  2 , en caso de que sean iguales:

1) Una posibilidad es comparar 1 y  2 , tomadas juntas, con 3 . Es decir:

2) Otra posibilidad es comparar

1 Daniel Guzmán Rojas

3) Otra comparación es:

ASIGNACIÓN DE COEFICIENTES A LAS MEDIAS:

3) Cambiar el signo de los coeficientes de uno de los grupos.

Cinco medias: 1 ,  2 , 3 ,  4 y 5 . Desea compararse 1 y 2 con 3 ,  4 y

2) Grupo 1: 31 , 32 . Grupo 2: 23 , 24 , 25 .

3) Grupo 1: 31 , 32 . Grupo 2: 23 , 24 , 25 .

L  31  32  23  24  25  0

Aquellas que no contienen información redundante. La información que proporciona una

2 Daniel Guzmán Rojas

Con K medias es posible realizar K  1 comparaciones ortogonales.

L1  c111  c12 2   c1k k

L2  c211  c22 2   c2k k

11  1 1   2 0  0

11  1 0   2 1  3

11  1 0   0 1  1

3 Daniel Guzmán Rojas

COMPARACIONES MÚLTIPLES PLANEADAS O A PRIORI

Se realizan de forma independiente al ANVA. No es necesario realizar también este.

PRUEBA F PLANEADAS O A PRIORI PARA COMPARACIONES MULTIPLES:

Se aplican cuando desean realizarse dos o más comparaciones ortogonales: L1 , L2 , ...,

Para una comparación L j , con tres medias:

2)   0.01, 0.05, 0.10, etc.

C  Número de comparaciones a analizar.

4 Daniel Guzmán Rojas

Para C  1 comparaciones  SC  L   SCC

 Fcj  Fgl1 ; gl2 ; , entonces se acepta Ho, a un nivel de significancia del

Un investigador desea contrastar si el método presencial difiere de la enseñanza auto-

5 Daniel Guzmán Rojas

X1  6.48, X 2  4.43, X 3  3.76

 2 0   11   1 1  0

6 Daniel Guzmán Rojas

Lˆ1   2 6.48   1 4.43   1 3.76   4.77

ci21 22  1  1

ci22 02  1  1

7 Daniel Guzmán Rojas

 Como Fc1  F1;15;0.05  9.86  4.54  , entonces se acepta Ha, es decir,

 Como Fc 2  F1;15;0.05  0.59  4.54  , entonces se acepta Ho, es decir,

Se aplican cuando desean realizarse dos o más comparaciones ortogonales: L1 , L2 , ...,

Para una comparación L j , con tres medias:

2)   0.01, 0.05, 0.10, etc.

8 Daniel Guzmán Rojas

K  Número de medias a analizar.

9 Daniel Guzmán Rojas

 Si tgl ; 2  tcj  tgl ; 2 , entonces se acepta Ho, a un nivel de signifi-

 Si tcj  tgl ; 2  tcj  t gl ; 2 , entonces se acepta Ha, a un nivel de

Un investigador desea contrastar si el método presencial difiere de la enseñanza auto-

X1  6.48, X 2  4.43, X 3  3.76

 2 0   11   1 1  0

10 Daniel Guzmán Rojas

Lˆ1   2 6.48   1 4.43   1 3.76   4.77

ci21 22  1  1

11 Daniel Guzmán Rojas

Lˆ2   0 6.48  1 4.43   1 3.76  0.67

ci22 02  1  1