Estadística 2

Jonathan Hurtado Moscoso

Trabajo de investigación

Una de las herramientas más utilizadas dentro de la estadística es el análisis de la varianza

(ANOVA). Esta herramienta se usa ampliamente en ramas de investigación como la
psicología, biología, medicina, educación, sociología, antropología, ciencias políticas,
economía y comercio.

La razón para su uso tan extenso del ANOVA se da por su adaptabilidad para diferentes
tipos de diseños de estudio. Los procedimientos aplicados en el análisis son métodos
aplicables a estudios de tipo experimental, cuasi experimental y de datos no experimentales.
El ANOVA permite el examen de las relaciones entre un número determinado de variables
adjuntadas por grupos. Un anova factorial permite conocer la influencia de dos o más
factores en una variable dependiente. Otra característica de su popularidad es que se adapta a
la mayoría de las concepciones de efectos que el analista desea probar (Tibshirani &
Friedman, 2008).

Históricamente esta herramienta fue utilizada y concebida por Ronald A. Fisher, su propósito
principal fue ayudar en el análisis de datos obtenidos de experimentos agrícolas. Debido a lo
útil de la herramienta fue aplicada y desarrollada en distintos técnicas en paralelo por
diferentes grupos de investigadores que analizaban distintos temas de investigación. El
ANOVA lo aplicaron en datos experimentales, distintos a los agrícolas, pero aun así se
consideró como solo una forma de determinar si las puntuaciones promedio de los grupos
diferían significativamente.

Dentro del ANOVA también se puede pensar en términos de un modelo más un error. Aquí,
las puntuaciones de las variables dependientes constituyen los datos, las condiciones
experimentales constituyen el modelo y el componente de los datos que no se acomodaron en
el modelo, nuevamente, está representado por el término de error (Rutherford, 2001). Por lo
general, el investigador que aplica ANOVA está interesado en saber si las puntuaciones
medias variables dependientes obtenidas en las condiciones experimentales difieren
significativamente. Esto se logra al determinar cuánta variación en los puntajes de las
variables dependientes es atribuible a las diferencias entre los puntajes obtenidos en las
condiciones experimentales, y comparando esto con el término de error, que es atribuible a la
variación en los puntajes de las variables dependientes dentro de cada una de las condiciones
experimentales.

El tipo de diseño experimental determina la forma particular de ANOVA que debe aplicarse.
Existe una amplia variedad de diseños experimentales y procedimientos ANOVA pertinentes.
Los más sencillos de estos son los diseños de medidas independientes. La característica de
definición de los diseños de medidas independientes es que se asume que las puntuaciones de
las variables dependientes son estadísticamente independientes o no correlacionadas. En la
práctica, esto significa que los sujetos se asignan a condiciones experimentales de forma
aleatoria y cada sujeto proporciona solo una puntuación variable dependiente.

Considere el diseño de medidas independientes con tres condiciones presentadas en la Tabla,

donde los números de los sujetos indican su asignación cronológica a las condiciones. Aquí,
se ha implementado un procedimiento de muestreo sin reemplazo .Los sujetos se asignan al
azar con la condición de que un sujeto se haya asignado a todas las condiciones antes de que
se asigne un segundo sujeto a cualquier condición. Este procedimiento distribuye cualquier
diferencia de temas que varíe a lo largo del experimento de forma aleatoria en todas las
condiciones.

Para analizar estos datos utilizando pruebas t, deberían llevarse a cabo al menos dos. La
primera podría comparar las condiciones A y B, mientras que la segunda compararía las
condiciones B y C. Sería necesaria una tercera prueba t para comparar las condiciones A y C.
El problema con este análisis de prueba t es que la probabilidad de una el error de tipo 1 (es
decir, rechazar la hipótesis nula cuando es verdadera) aumenta con el número de pruebas de
significación realizadas.

Condición A Condición B Condición C

Sujeto 3 Sujeto 2 Sujeto 1
Sujeto 5 Sujeto 6 Sujeto 4
 Sujeto 8 Sujeto 9 Sujeto 7
Sujeto 12 Sujeto 10 Sujeto 11
Normalmente, la probabilidad de que se produzca un error de tipo 1 es igual al nivel de
importancia elegido (p. ej., 0.05), pero cuando se aplican dos pruebas t, aumenta hasta casi el
doble del nivel de importancia presentado, y cuando se aplican tres pruebas t, se eleva a casi
tres veces el nivel de significación de tabla. En contraste, ANOVA examina simultáneamente
las diferencias entre cualquier número de condiciones mientras mantiene el error de tipo 1 en
el nivel de importancia elegido (generalmente 0.05). De hecho, ANOVA puede considerarse
como la extensión de la prueba t para más de dos condiciones que mantiene constante el error
de tipo 1.

Para permitir un análisis más profundo de tales sucesos, la lógica dicta que las hipótesis no
direccionales siempre deben ser probadas. Los temas de ajustes apropiados para el error de
tipo 1 en el contexto de comparaciones múltiples (ver más de una prueba t) y las pruebas de
hipótesis direccionales o no direccionales han generado una discusión considerable. Se debe
observar en los ejemplos presentados en la tabla que un número igual de sujetos se asigna a
condiciones experimentales. Esta es una buena práctica de diseño por al menos tres razones.
Primero, es más fácil generalizar a partir del experimento si se evita la complicación de
números desiguales de sujetos en condiciones experimentales (también conocidos como datos
no balanceados).

En segundo lugar, las fórmulas matemáticas para ANOVA con igual número de sujetos en
cada condición experimental se reducen, debido a que los términos se acomodan a los
diferentes números por grupo que se cancelan, por lo que son mucho más simples de seguir,
implementar e interpretar. Tercero, cuando hay un número igual de sujetos en cada condición
experimental, ANOVA es bastante sólido con respecto a ciertas violaciones de supuestos (es
decir, normalidad de distribución y homogeneidad de varianza). De hecho, los beneficios de
los datos equilibrados son tales que vale la pena invertir algún esfuerzo para lograrlos. Todos
los análisis presentados en este texto emplean datos equilibrados y sería erróneo suponer que
los datos no equilibrados analizados exactamente de la misma manera proporcionarían los
mismos resultados y permitirían la misma interpretación (Lind, Marchal, & Wathen, 2015).

Para ilustrar como ejemplo tenemos el estudio realizado en la Universidad de León

(Martínez, 2016) a un grupo de atletas de alto rendimiento en donde analizaban el clima
motivacional y la autoconfianza. Este estudio se aplica a un tema de deporte, esto demuestra
la amplitud de uso del ANOVA.

Dentro de este trabajo se presentó la hipótesis entre el ego, los años practicando el deporte y
su relación que se tiene entre la motivación y autoconfianza. Este trabajo concluyó que los
atletas de alto rendimiento no existía una variación motivacional antes de las competencias,
debido al alto nivel de autoconfianza que tienen y esto se debe a altas horas de preparación
que conlleva este deporte.

De esta manera vemos como mediante el uso correcto del ANOVA y la aplicación de
distintos factores que puedan modificar sus resultados, se puede llegar a conclusiones para
tener un mayor aumento del rendimiento de los deportistas, que en este caso no fue necesario
aumentar el autoestima, por lo tanto los deportistas de alto nivel como los atletas veteranos
tienen mayores niveles de autoconfianza debido a la 21 experiencia que consiguen en las
competiciones, así como la madurez deportiva que han ido adquiriendo con los años.

Bibliografía

Lind, D. A., Marchal, W. G., & Wathen, S. A. (2015). Estadística aplicada a los negocios y

la economía decimoquinta edición. México: McGraw-Hill. Recuperado de

http://www.ingebook.com/ib/NPcd/IB_BooksVis?cod_primaria=1000187&codigo_li

bro=5687

Martínez, A. (2016). Clima motivacional y autoconfianza en atletas federados de fondo.

Universidad de León, España.

Rutherford, A. (2001). Introducing ANOVA and ANCOVA: a GLM approach. London ;

Thousand Oaks, Calif: SAGE.

Tibshirani, S., & Friedman, H. (2008). the Elements of statisical learneing (Vol. 2). Springer.