Cómo Se Calculan Los Grados De Libertad Para El Error

Calcula los grados de libertad asociados al error en ANOVA, regresión y otros diseños experimentales

Guía Completa: Cómo se Calculan los Grados de Libertad para el Error

Los grados de libertad (df) son un concepto fundamental en estadística que determina la cantidad de información independiente disponible para estimar parámetros poblacionales. En el contexto del error experimental, los grados de libertad para el error (df_error) son esenciales para calcular estadísticos como el error estándar, los intervalos de confianza y los valores p en pruebas de hipótesis.

1. ¿Qué son los grados de libertad para el error?

Los grados de libertad para el error representan el número de observaciones independientes que contribuyen a la estimación de la variabilidad no explicada por el modelo. En términos simples:

• df_total: Grados de libertad totales (N – 1, donde N es el tamaño muestral total).
• df_{entre grupos}: Grados de libertad asociados a las diferencias entre grupos (k – 1, donde k es el número de grupos).
• df_error: Grados de libertad restantes después de explicar la variabilidad entre grupos (df_total – df_{entre grupos}).

2. Fórmulas Clave según el Diseño Experimental

ANOVA de un factor

Para un diseño con k grupos y n sujetos por grupo (asumiendo grupos balanceados):

df_error = N – k
donde N = k × n

Ejemplo: Con 3 grupos y 10 sujetos cada uno (N=30), df_error = 30 – 3 = 27.

ANOVA de dos factores

Para un diseño factorial con factores A (a niveles) y B (b niveles):

df_error = N – (a × b)
donde N = a × b × n (n = sujetos por celda)

Ejemplo: Factor A (2 niveles) × Factor B (3 niveles) con 5 sujetos por celda (N=30), df_error = 30 – (2×3) = 24.

Medidas Repetidas

Para diseños con medidas repetidas en k condiciones:

df_error = (n – 1)(k – 1)
donde n = número de sujetos

Ejemplo: 20 sujetos medidos en 4 condiciones, df_error = (20-1)(4-1) = 57.

Regresión Lineal

Para un modelo con p predictores (incluyendo la intercepto):

df_error = N – p – 1

Ejemplo: Regresión simple (1 predictor + intercepto) con N=50, df_error = 50 – 2 = 48.

3. Tabla Comparativa de Grados de Libertad

Diseño Experimental	Fórmula dferror	Ejemplo (N=60)	dferror Resultante
ANOVA unifactorial (3 grupos)	N – k	60 sujetos, 3 grupos	57
ANOVA bifatorial (2×3)	N – (a × b)	60 sujetos, 6 celdas	54
Medidas repetidas (4 condiciones)	(n-1)(k-1)	15 sujetos, 4 condiciones	42
Regresión múltiple (3 predictores)	N – p – 1	60 sujetos, 3 predictores	56

4. Errores Comunes y Cómo Evitarlos

1. Confundir df_total con N: Los grados de libertad totales siempre son N – 1, no N.

   “El error más frecuente es olvidar restar 1 al tamaño muestral para obtener df_total.”

2. Ignorar el balanceo en ANOVA: En diseños no balanceados (grupos con n desigual), df_error se calcula como N – k, pero el análisis requiere ajustes (ej: Tipo II o III SS).
3. Malinterpretar df en medidas repetidas: Usar df = N – k (como en ANOVA entre sujetos) en lugar de (n-1)(k-1) lleva a errores en el valor p.

5. Aplicaciones Prácticas

En Investigación Médica

Un estudio clínico que compara 4 tratamientos para la hipertensión con 25 pacientes por grupo (N=100) tendría:

df_error = 100 – 4 = 96
Esto permite detectar diferencias pequeñas (mayor potencia estadística).

En Psicología Experimental

Un experimento de memoria con 30 participantes evaluados en 3 condiciones (diseño de medidas repetidas):

df_error = (30-1)(3-1) = 58
Menos df que en un diseño entre sujetos equivalente (df=87).

6. Relación con Otros Conceptos Estadísticos

• Error estándar: Se calcula como EE = σ / √(N), pero los df determinan la distribución t de Student usada para intervalos de confianza.
• Pruebas t: En una t de Student, df = n₁ + n₂ – 2 (para muestras independientes).
• Chi-cuadrado: En tablas de contingencia, df = (filas – 1)(columnas – 1).

7. Fuentes Autorizadas

Para profundizar en el cálculo de grados de libertad, consulta estas fuentes académicas:

1. NIST/Sematech e-Handbook of Statistical Methods → Sección 4.5.1 (Grados de Libertad)

   Explicación técnica con ejemplos de ANOVA y regresión, mantenida por el Instituto Nacional de Estándares y Tecnología (EE.UU.).

2. BYU Statistics → Notas sobre ANOVA (PDF)

   Material docente de la Universidad Brigham Young con derivaciones matemáticas de df en diseños complejos.

3. NIH/PMC → “Understanding Degrees of Freedom” (Bewick et al., 2004)

   Artículo revisado por pares en BMC Medical Research Methodology que aborda aplicaciones en ciencias de la salud.

8. Preguntas Frecuentes

¿Por qué restamos 1 para calcular df?

Porque si conoces la media de una muestra y n-1 valores, el último valor está determinado (no es “libre”). Esto evita sobreestimar la variabilidad.

¿Cómo afectan los df al valor p?

A menores df, la distribución t de Student tiene colas más pesadas, requiriendo efectos más grandes para alcanzar significancia (valor p < 0.05).

¿Qué pasa si df no es un número entero?

En diseños no balanceados o modelos mixtos, se usan aproximaciones como el método de Satterthwaite o Kenward-Roger.

¿Los df cambian en ANOVA robusta?

Sí. Métodos como Welch ANOVA ajustan los df para corregir heterocedasticidad (ej: df_error ≈ (1/(k-1)) Σ (1 – n_i/N)²).