ANOVA

El análisis de la varianza (o ANOVA: Analysis of variance) es un método para

comparar grupos a través de sus medias, Es particularmente útil cuando ya que si
se quiere comparar más de dos medias no es correcto utilizar repetidamente el
contraste basado en la t de Student. por dos motivos:
a. En primer lugar, y como se realizarían simultánea e independientemente
varios contrastes de hipótesis, la probabilidad de encontrar alguno
significativo por azar aumentaría. En cada contraste se rechaza la H0 si la t
supera el nivel crítico, para lo que, en la hipótesis nula, hay una probabilidad
. Si se realizan m contrastes independientes, la probabilidad de que, en la
hipótesis nula, ningún estadístico supere el valor crítico es (1 - )m, por lo
tanto, la probabilidad de que alguno lo supere es 1 - (1 - )m, que para
valores de  próximos a 0 es aproximadamente igual a m. Una primera
solución, denominada método de Bonferroni, consiste en bajar el valor de ,
usando en su lugar /m, aunque resulta un método muy conservador.
b. En cada comparación la hipótesis nula supone que las dos muestras
provienen de la misma población, por lo tanto, hechas todas las
comparaciones, la hipótesis nula supone una misma población y, sin
embargo, para cada comparación, la estimación de la varianza necesaria para
el contraste es distinta, pues se ha hecho en base a muestras distintas.
Supónganse r muestras aleatorias e independientes entre sí, de tamaño n, extraídas
de una única población normal. A partir de ellas existen dos maneras
independientes de estimar la varianza de la población:
1. Una llamada varianza dentro de los grupos o intra grupos (ya que sólo
contribuye a ella la varianza dentro de las muestras), o varianza de error, o
cuadrados medios del error, y habitualmente representada por MSE (Mean
Square Error) o MSW (Mean Square Within) que se calcula como la media de
las r varianzas muestrales (cada varianza muestral es un estimador centrado
de 2 y la media de r estimadores centrados es también un estimador
centrado y más eficiente que todos ellos). MSE es un cociente: al numerador
se le llama suma de cuadrados del error y se representa por SSE y al
denominador grados de libertad por ser los términos independientes de la
suma de cuadrados.
2. Otra llamada varianza entre grupos (sólo contribuye a ella la varianza entre
las distintas muestras), o varianza de los tratamientos, o cuadrados medios
de los tratamientos y representada por MSA o MSB (Mean Square Between).
Se calcula a partir de la varianza de las medias muestrales y es también un
 cociente; al numerador se le llama suma de cuadrados de los tratamientos
(se le representa por SSA) y al denominador (r-1) grados de libertad.
MSA y MSE, estiman la varianza poblacional en la hipótesis de que las r muestras
provengan de la misma población. La distribución muestral del cociente de dos
estimaciones independientes de la varianza de una población normal es una F (F se
usa para realizar el contraste de la hipótesis de medias iguales. La región crítica
para dicho contraste es F > F (k-1,(n-1)k ) con los grados de libertad correspondientes
al numerador y denominador respectivamente, por lo tanto, se puede contrastar
dicha hipótesis usando esa distribución.
Si en base a este contraste se rechaza la hipótesis de que MSE y MSA estimen la
misma varianza, se puede rechazar la hipótesis de que las r medias provengan de
una misma población.
Aceptando que las muestras provengan de poblaciones con la misma varianza, este
rechazo implica que las medias poblacionales son distintas, de modo que con un
único contraste se contrasta la igualdad de r medias.
Existe una tercera manera de estimar la varianza de la población, aunque no es
independiente de las anteriores. Si se consideran las rn observaciones como una
única muestra, su varianza muestral también es un estimador centrado de ϭ2.
Se representa por MST, se le denomina varianza total o cuadrados medios totales,
es también un cociente y al numerador se le llama suma de cuadrados total y se
representa por SCT, y el denominador (rn-1) grados de libertad.
Los resultados de un ANOVA se suelen representar en una tabla como la siguiente:
Tabla 1
Fuente de variación gl SC CM F
Entre Grupos r-1 SCE 𝑆𝑆𝐸 𝑀𝐶𝐸
𝑀𝐶𝐸 = 𝐹=
(𝑟 − 1) 𝑀𝐶𝐼
Dentro de los Grupos (n-1)r SCI 𝑆𝑆𝐼
𝑀𝐶𝐼 =
𝑟(𝑛 − 1)
Total nr-1 SCT
El ANOVA permite distinguir dos modelos para la hipótesis alternativa:

Modelo I o de efectos fijos en el que la H1 supone que las k muestras son muestras
de k poblaciones distintas y fijas.

Modelo II o de efectos aleatorios en el que se supone que las k muestras, se han

seleccionado aleatoriamente de un conjunto de m>k poblaciones.

Dada la siguiente distribución muestral de una población de N=nr individuos dividida

en r grupos con n individuos cada uno:
 Tabla 2
G1 G2 Gr
2 2
1 X11 (X11) X12 (X12) X1r (X1r)2
2 X21 (X21)2 X22 (X22)2 X2r (X2r)2
…
n Xn1 (X31)2 Xn2 (X32)2 Xnr (X3r)2
𝑛 𝑛 𝑛
∑ ∑𝑛𝑖=1 ∑𝑟𝑗=1 𝑥𝑖𝑗
∑ 𝑥𝑖1 ∑ 𝑥𝑖2 ∑ 𝑥𝑖𝑟 (1)
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 2
∑x2 ∑𝑛𝑖=1 ∑𝑟𝑗=1(𝑥𝑖𝑗 )
∑(𝑥𝑖1 )2 ∑(𝑥𝑖2 )2 ∑(𝑥𝑖𝑟 )2
(1)
𝑖=1 𝑖=1 𝑖=1
𝑛 2 1
(∑𝑛𝑖=1 𝑥𝑖1 )2
1 1
(∑𝑛𝑖=1 𝑥𝑖1 )2 (∑𝑛𝑖=1 𝑥𝑖2 )2
1
(∑𝑛𝑖=1 𝑥𝑖𝑟 )2 ∑𝑚 𝑛
𝑗=1(∑𝑖 𝑥𝑖𝑗 )
2
1 𝑛 𝑛 𝑛 𝑛
(∑ 𝑥𝑖𝑗 ) (2) (2) (2) (2) 𝑛
𝑛
𝑖
2
𝑛 𝑟

(∑ ∑ 𝑥𝑖𝑗 )
𝑖=1 𝑗=1

Esta tabla recoge los diferentes grupos, así como los diversos cálculos intermedios
necesarios para la aplicación de la ANOVA.
A continuación se pondrán en evidencia la importancia de las sumatorias que
aparecen en la Tabla 2
La variación total es por definición:
𝑛 𝑟

𝑆𝐶𝑡 = ∑ ∑(𝑥𝑖𝑗 − 𝑥̅𝑡 )2

𝑖=1 𝑗=1

Desarrollando el cuadrado se tiene:

2 2 2 2
(𝑥𝑖𝑗 − 𝑥̅𝑡 ) = (𝑥𝑖𝑗 − 𝑥̅𝑗 + 𝑥̅𝑗 − 𝑥̅𝑡 ) = (𝑥𝑖𝑗 − 𝑥̅𝑗 ) + 2(𝑥𝑖𝑗 − 𝑥̅𝑗 )(𝑥̅𝑗 − 𝑥̅𝑡 ) + (𝑥̅𝑗 − 𝑥̅𝑡 )

El término central de este desarrollo al colocarlo en la sumatoria se anula. En

efecto:
𝑛 𝑟 𝑛 𝑟

2 ∑ ∑(𝑥𝑖𝑗 − 𝑥̅𝑗 )(𝑥̅𝑗 − 𝑥̅𝑡 ) = 2 ∑(𝑥̅𝑗 − 𝑥̅𝑡 ) [∑(𝑥𝑖𝑗 − 𝑥̅𝑗 )]

𝑖=1 𝑗=1 𝑖=1 𝑗=1

Este paso se motiva a que para cada valor de j, 𝑥̅𝑗 − 𝑥̅𝑡 es constante y puede salir
como factor común. La última expresión es igual a:
𝑟 𝑛

2 ∑(𝑥̅𝑗 − 𝑥̅𝑡 ) [∑ 𝑥𝑖𝑗 − 𝑛𝑥̅𝑗 ]

𝑖=1 𝑖=1

Pero
∑𝑛𝑖=1 𝑥𝑖𝑗
𝑥̅𝑗 =
𝑛
Sustituyendo en la expresión anterior:
 𝑟 𝑛 𝑟 𝑛 𝑛
∑𝑛𝑖=1 𝑥𝑖𝑗
2 ∑(𝑥̅𝑗 − 𝑥̅𝑡 ) [∑ 𝑥𝑖𝑗 − 𝑛 ] = 2 ∑(𝑥̅𝑗 − 𝑥̅𝑡 ) [∑ 𝑥𝑖𝑗 − ∑ 𝑥𝑖𝑗 ] = 0
𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1

y por lo tanto el valor dentro de los corchetes es 0. Por lo tanto y finalmente:

𝑛 𝑟
2 2
𝑆𝐶𝑡 = ∑ ∑ [(𝑥𝑖𝑗 − 𝑥̅𝑗 ) + (𝑥̅𝑗 − 𝑥̅𝑡 ) ]
𝑖=1 𝑗=1
𝑛 𝑟 𝑛 𝑟
2 2
= ∑ ∑(𝑥𝑖𝑗 − 𝑥̅𝑗 ) + ∑ ∑(𝑥̅𝑗 − 𝑥̅𝑡 ) = 𝑆𝐶𝑖𝑔 + 𝑆𝐶𝑒𝑔
𝑖=1 𝑗=1 𝑖=1 𝑗=1

El método tabulado en el presente material se apoya en las siguientes igualdades:

𝑛 𝑟 𝑛 𝑟
2
𝑆𝐶𝑡 = ∑ ∑(𝑥𝑖𝑗 − 𝑥̅𝑡 ) = ∑ ∑(𝑥𝑖𝑗 2 − 2𝑥𝑖𝑗 𝑥̅𝑡 + 𝑥̅𝑡 2 )
𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑛 𝑟 𝑛 𝑟 𝑛 𝑟

= ∑ ∑ 𝑥𝑖𝑗 − 2 ∑ ∑ 𝑥𝑖𝑗 𝑥̅𝑡 + ∑ ∑ 𝑥̅𝑡 2

2

𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1

𝑛 𝑟

[∑ ∑ 𝑥𝑖𝑗 2 ] − 2𝑥̅𝑡 (𝑛𝑟𝑥̅𝑡 ) + 𝑛𝑟𝑥̅𝑡 2

𝑖=1 𝑗=1

𝑛 𝑟

[∑ ∑ 𝑥𝑖𝑗 2 ] − 𝑛𝑟𝑥̅𝑡 2
𝑖=1 𝑗=1

Haciendo 𝑎𝑏 = 𝑁 el segundo término queda como:

2 2
2
∑𝑛𝑖=1 ∑𝑟𝑗=1 𝑥𝑖𝑗 2 (∑𝑛𝑖=1 ∑𝑟𝑗=1 𝑥𝑖𝑗 ) (∑𝑛𝑖=1 ∑𝑟𝑗=1 𝑥𝑖𝑗 )
𝑛𝑟𝑥̅𝑡 = 𝑛𝑟 ( ) = 𝑛𝑟 =
𝑛𝑟 (𝑛𝑟)2 𝑁
Es decir:
𝑛 𝑟 2
2
(∑𝑛𝑖=1 ∑𝑟𝑗=1 𝑥𝑖𝑗 )
𝑆𝐶𝑡 = [∑ ∑ 𝑥𝑖𝑗 ] −
𝑁
𝑖=1 𝑗=1

En este punto se hace evidente el cálculo de ∑𝑛𝑖=1 ∑𝑟𝑗=1 𝑥𝑖𝑗 2 y ∑𝑛𝑖=1 ∑𝑟𝑗=1 𝑥𝑖𝑗 . (1)

Por otro lado:

𝑛 𝑟 𝑛 𝑟
2
𝑆𝐶𝑒𝑔 = ∑ ∑(𝑥̅𝑗 − 𝑥̅𝑡 ) = ∑ ∑(𝑥̅𝑗 2 − 2𝑥̅𝑗 𝑥̅𝑡 + 𝑥̅𝑡 2 )
𝑖=1 𝑗=1 𝑖=1 𝑗=1

𝑛 ∑ 𝑥̅𝑗 2 − 2 ∑ ∑ 𝑥̅𝑗 𝑥̅𝑡 + ∑ ∑ 𝑥̅𝑡 2

𝑗=1
 𝑟 𝑛 𝑟

𝑛 ∑ 𝑥̅𝑗 − 2𝑥̅𝑡 ∑ ∑ 𝑥̅𝑗 + 𝑛𝑟𝑥̅𝑡 2

2

𝑗=1 𝑖 𝑗
𝑚 𝑟
∑𝑛𝑖 𝑥𝑖𝑗
𝑛 ∑( ) − 2𝑥̅𝑡 𝑛 ∑ 𝑥̅𝑗 + 𝑛𝑟𝑥̅𝑡 2
2
𝑛
𝑗=1 𝑗
𝑚 𝑟 𝑛
(∑𝑛𝑖 𝑥𝑖𝑗 )2 1
𝑛∑ 2
2𝑥̅𝑡 𝑛 ∑ ∑ 𝑥𝑖𝑗 + 𝑛𝑟𝑥̅𝑡 2
𝑛 𝑛
𝑗=1 𝑗 𝑖
𝑚 𝑟 𝑛
(∑𝑛𝑖 𝑥𝑖𝑗 )2
𝑛∑ − 2𝑥̅𝑡 ∑ ∑ 𝑥𝑖𝑗 + 𝑛𝑟𝑥̅𝑡 2
𝑛2
𝑗=1 𝑗 𝑖
𝑚
(∑𝑛𝑖 𝑥𝑖𝑗 )2
𝑛∑ − 2𝑛𝑟𝑥̅𝑡 𝑥̅𝑡 + 𝑛𝑟𝑥̅𝑡 2
𝑛2
𝑗=1
𝑚 𝑛
1
∑(∑ 𝑥𝑖𝑗 )2 − 𝑛𝑟𝑥̅𝑡 2
𝑛
𝑗=1 𝑖
𝑚 𝑛 2
1 ∑𝑛𝑖 ∑𝑚
𝑗 𝑥𝑖𝑗
2
∑(∑ 𝑥𝑖𝑗 ) − 𝑁 ( )
𝑛 𝑁
𝑗=1 𝑖
𝑚 𝑛 2
1 (∑𝑛𝑖 ∑𝑚
𝑗 𝑥𝑖𝑗 )
∑(∑ 𝑥𝑖𝑗 )2 − 𝑁
𝑛 𝑁2
𝑗=1 𝑖
𝑚 𝑛 2
1 2
(∑𝑛𝑖 ∑𝑚
𝑗 𝑥𝑖𝑗 )
∑(∑ 𝑥𝑖𝑗 ) −
𝑛 𝑁
𝑗=1 𝑖

O bien
2
∑𝑚 𝑛
𝑗=1(∑𝑖 𝑥𝑖𝑗 )
2
(∑𝑛𝑖 ∑𝑚
𝑗 𝑥𝑖𝑗 )
−
𝑛 𝑁
Es decir:
𝑛 𝑟 2
2 ∑𝑚 𝑛
𝑗=1(∑𝑖 𝑥𝑖𝑗 )
2
(∑𝑛𝑖 ∑𝑚
𝑗 𝑥𝑖𝑗 )
∑ ∑(𝑥̅𝑗 − 𝑥̅𝑡 ) = −
𝑛 𝑁
𝑖=1 𝑗=1

Aquí la importancia de los términos (2) en la Tabla.

Esto permite elaborar la Tabla ANOVA

Ejemplo:

Un laboratorio mide los grosores del recubrimiento de plomo de ciertos dispositivos

de protección contra la radiación obteniéndose los siguientes resultados para cuatro
muestras de 12 individuos cada una:
 G1 G2 G3 G4
1 0,25 1,18 0,19 0,23
2 0,27 0,28 0,25 0,3
3 0,22 0,21 0,27 0,28
4 0,3 0,23 0,24 0,28
5 0,27 0,25 0,18 0,24
6 0,28 0,2 0,36 0,34
7 0,32 0,27 0,28 0,2
8 0,24 0,19 0,24 0,18
9 0,31 0,24 0,25 0,24
10 0,26 0,22 0,2 0,28
11 0,21 0,29 0,21 0,22
12 0,28 0,16 0,19 0,21
De acuerdo con la teoría antes desarrollada se completa la tabla de la siguiente
manera:

1 0,25 0,06250 0,18 0,03240 0,19 0,03610 0,23 0,05290

2 0,27 0,07290 0,28 0,07840 0,25 0,06250 0,3 0,09000
3 0,22 0,04840 0,21 0,04410 0,27 0,07290 0,28 0,07840
4 0,3 0,09000 0,23 0,05290 0,24 0,05760 0,28 0,07840
5 0,27 0,07290 0,25 0,06250 0,18 0,03240 0,24 0,05760
6 0,28 0,07840 0,2 0,04000 0,26 0,06760 0,34 0,11560
7 0,32 0,10240 0,27 0,07290 0,28 0,07840 0,2 0,04000
8 0,24 0,05760 0,19 0,03610 0,24 0,05760 0,18 0,03240
9 0,31 0,09610 0,24 0,05760 0,25 0,06250 0,24 0,05760
10 0,26 0,06760 0,22 0,04840 0,2 0,04000 0,28 0,07840
11 0,21 0,04410 0,29 0,08410 0,21 0,04410 0,22 0,04840
12 0,28 0,07840 0,16 0,02560 0,19 0,03610 0,21 0,04410
∑xij 3,21 2,72 2,76 3 11,69
∑xij2 0,8713 0,635 0,6478 0,7738 2,9279
(∑xij)2 10,3 7,4 7,62 9 34,3201
136,6561
FC 2,847002
SCT 0,080898
SCE 0,013006
Al hacer la Tabla de ANOVA se obtiene:

Tabla 1
Fuente de gl SC CM F
variación
Entre Grupos 3 0,013006 𝑀𝐶𝐸 = 0,000433 𝐹 = 2,80967
Dentro de los 44 0,067892 𝑀𝐶𝐼 = 0,001543
Grupos
Total 47 0,08089
Al 1% de confiabilidad F(3;44;0,99)=4,26064
Se acepta la hipótesis nula de igualdad de medias.

Otro Ejemplo:

Ejemplo:

A B C
48 47 49
49 49 51
50 48 50
49 48 50
De donde se obtiene la tabla:

Variacion GL Cuad Med F

8 2 4 6
6 3 0,66666667
14 11

Pero 𝐹0.05; 2;9 = 4.26 para 𝛼 = 0.05. Como F0.05;2;9 <6=F se rechaza la hipótesis nula
de igualdad de medias y se acepta la diferencia entre los grupos.

Para determina cuales grupos pueden ser significativamente iguales se puede

aplicar varios métodos entre los que destacan:

1) Fisher
2) Schefe
3) Dunett
4) Duncan
5) Tukey Snedecor (Tabla particular)

Fisher:

Fórmula para la razón crítica:

 𝑋̅𝑖 − 𝑋̅𝑗
𝑡=
1 1
√𝑀𝐶𝐼(𝑛 − 𝑛 )
𝑖 𝑗

Este valor se usa para tomar decisión sobre las hipótesis:

𝐻0 : 𝜇𝑖 = 𝜇𝑗
{
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗
|𝑋̅𝑖 −𝑋̅𝑗 | |𝑋̅𝑖 −𝑋̅𝑗 |
Para cada pareja de determina 𝑡𝑖𝑗 = =
1 1 0,5774
√0,667( + )
4 4

En nuestro caso se calculan las diferencias:

|𝑋̅𝐴 − 𝑋̅𝐵 | |1|
𝑡𝐴𝐵 = = = 1,7319
0,5774
√0,667(1 + 1)
4 4

|𝑋̅𝑖 − 𝑋̅𝑗 | |1|

𝑡𝐴𝐶 = = = 1,7319
0,5774
√0,667(1 + 1)
4 4

|𝑋̅𝑖 − 𝑋̅𝑗 | |2|

𝑡𝐵𝐶 = = = 3.4638
0,5774
√0,667(1 + 1)
4 4
El valor critico es 𝑡 𝛼,9 con un 𝛼 = 0.01 que según tabla es: t=3,25.
El tratamiento más consistente parece ser el C que es único que presenta diferencia
significativa.
Scheffé:
Se usa cuando los grupos son de igual tamaño. Con las mismas hipótesis
𝐻0 : 𝜇𝑖 = 𝜇𝑗
{
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗

El estadístico de prueba es F siendo la razón crítica:

̅̅̅𝑖 − 𝑋̅𝑗 )2
(𝑋 𝑑𝑖𝑗 2
𝐹= =
1 1 1 1
𝑀𝐶𝐼( − )(𝑟 − 1) 𝑀𝐶𝐼( − )(𝑟 − 1)
𝑛𝑖 𝑛𝑗 𝑛𝑖 𝑛𝑗

Despejando 𝑑𝑖𝑗 se obtiene:

1 1
𝑑𝑖𝑗 = √𝑀𝐶𝐼( − )(𝑟 − 1)𝐹𝛼,𝑟−1,𝑁−1
𝑛𝑖 𝑛𝑗

Estableciendo 𝛼 = 0,01Se determina el valor crítico y se comparan las diferencias y

se comparan con el valor obtenido.
 𝑑𝑖𝑗 = √(0,6667)(0,5)2(7,21) = 2,1925

𝑑𝐴𝐵 = 1

𝑑𝐴𝐶 = 1
𝑑𝐵𝐶 = 2

Todos los 𝑑𝑖𝑗 son menores que la razón critica. Se rechazan las hipótesis nulas de
igualdad en pareja. Luego, todos los tratamientos son iguales.

Análisis de la varianza con dos factores:

Supóngase que se tiene dos factores actuando sobre un conjunto de grupos

sometidos a r tratamientos, pero distribuidos en n bloques que se constituyen en un
factor por la categorización que genera la selección tales bloques. Una tabla con una
configuración así se muestra a continuación precisión:

BLOQUES
B1 B2 …. Bn
T1 X11 X12 …. X1n
Tratamientos

T2 X21 X22 …. X2n

…. …. …. …. ….

Tr Xr1 Xr2 …. Xrn

La variación total se define, de forma natural, como en el caso de un único factor:

𝑛 𝑟

𝑉 = ∑ ∑(𝑥𝑖𝑗 − 𝑥̅ )2
𝑖=1 𝑗=1

Siendo
𝑛 𝑟
𝑥𝑖𝑗
𝑥̅ = ∑ ∑
𝑛𝑟
𝑖=1 𝑗=1

Usando la igualdad:

𝑥𝑖𝑗 − 𝑥̅ = (𝑥𝑖𝑗 − 𝑥̅𝑗 − 𝑥̅𝑘 + 𝑥̅ ) + (𝑥̅𝑗 − 𝑥̅ ) + (𝑥̅𝑘 − 𝑥̅ )

Se puede demostrar que:

𝑉 = 𝑉𝐸 + 𝑉𝑅 + 𝑉𝐶

Siendo VE la variación debido al error o la casualidad, VR la variación debido a los

tratamientos y VC la variación debida a los bloques.

A fin de simplificar los cálculos se establecen los siguientes términos:

 𝑛 𝑟

𝑇 = ∑ ∑ 𝑥𝑖𝑗
𝑖=1 𝑗=1

𝑇𝑗 = ∑ 𝑥𝑖𝑗
𝑖=1

Con estas abreviaturas las diferentes variaciones se pueden determinar con las
formulas:
𝑛 𝑟
2 𝑇2
𝑉 = ∑ ∑(𝑥𝑖𝑗 ) −
𝑛𝑟
𝑖=1 𝑗=1

𝑟
1 2 𝑇2
𝑉𝑅 = ∑(𝑇𝑖𝑗 ) −
𝑛 𝑛𝑟
𝑗=1

𝑛
1 2 𝑇2
𝑉𝐶 = ∑(𝑇𝑖𝑗 ) −
𝑟 𝑛𝑟
𝑖=1

𝑉𝐸 = 𝑉 − (𝑉𝑅 + 𝑉𝐶 )

La Tabla para el análisis de la varianza de dos factores se muestra a continuación:

Variación Grados de Suma de F
Libertad cuadrados
𝑟
1 𝑇2 r-1 𝑉𝑅 𝑆𝑅 2
2
𝑉𝑅 = ∑(𝑇𝑖𝑗 ) − 𝑆𝑅 2 =
𝑛 𝑛𝑟 𝑟−1 𝑆𝐸 2
𝑗=1
r-1 y (r-1)(n-1) gl
𝑛
1 𝑇2 n-1 𝑉𝐶 𝑆𝐶 2
2
𝑉𝐶 = ∑(𝑇𝑖𝑗 ) − 𝑆𝐶 2 =
𝑟 𝑛𝑟 𝑛−1 𝑆𝐸 2
𝑖=1
n-1 y (r-1)(n-1) gl
𝑉𝐸 = 𝑉 − (𝑉𝑅 + 𝑉𝐶 ) (r-1)(n-1) 𝑉𝐸
𝑆𝐸 2 =
(𝑟 − 1)(𝑛 − 1)
𝑉 = 𝑉𝐸 + 𝑉𝑅 + 𝑉𝐶 Nr-1

Para un nivel de confianza determinado se establece los valores críticos y se

contrastan las hipótesis para tratamientos y bloques:
1) Para los Tratamientos:
H0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑟
a) { H : 𝜏 = 𝜏 ∀𝑖 ≠ 𝑗
1 𝑖 𝑗
2) Para los Bloques
H0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑛
a) {
H1 : 𝛽𝑖 = 𝛽𝑗 ∀𝑖 ≠ 𝑗

Se construye el cuadro
 T1 T2 T3 T4 Σ
B1 9,8 96,04 12,1 146,41 15,8 249,64 11,7 136,89 49,4 2440,4
B2 9,5 90,25 11,8 139,24 15,5 240,25 11,7 136,89 48,5 2352,3
B3 11,8 139,24 15,5 240,25 17,2 295,84 13,6 184,96 58,1 3375,6
B4 13,9 193,21 15,4 237,16 17,2 295,84 14,6 213,16 61,1 3733,2
Σ 45 518,74 54,8 763,06 65,7 1081,57 51,6 671,9 217,1 11901
2025 3003 4316 2663 12007,1
47132
217,1
3035,27

Y aplicando las fórmulas se tiene:

FC 2945,77563
Σ(xij)2 3035,27
Σ(x.j)2 2975,3575
Σ(xi.)2 3001,7725
SCT 89,494375
SCB 29,581875
SCt 55,996875
SBE 3,915625
Finalmente se llena la Tabla Anova:

Fuente gl SC CM F F(0,01;v1;v2)
Tratam 3 55,996875 18,665625 42,9026337 6,99191722
Bloq 3 29,581875 9,860625 22,6644852 6,99191722
err 9 3,915625 0,43506944
Tot 15
Ambos valores de F indican que se rechazan las dos hipótesis nulas: para
Tratamientos y para los bloques. Seguidamente se aplican los métodos estudiados
antes para determinar los tratamientos o bloques que resulten diferentes.