Análisis de la Covarianza

Métodos Avanzados
en Control de Calidad

Diseño Experimental

Master Organización Industrial y Gestión de Empresas

Safae Temsamani
Aurora Muñoz de Escalona Pavón
1
 Indice

1. Introducción
2. Análisis de la Covarianza
3. Caso práctico
4. Aplicaciones

2
 Se elimina la variación debida a la/s
Covariable/s de la estimación de la
varianza del error y se la evalúa
como un efecto principal separado
1. Introducción

 Este procedimiento es la combinación de las técnicas:

– Análisis de la Varianza
– Análisis de Regresión
 Objetivos
Estudiar la relación de una variable cualitativa
(factor) con una variable cuantitativa (covariable).

La variable cualitativa (t) recibe el La variable cuantitativa (X) recibe el

nombre de factor, dicha variable es nombre de covariable y no es controlada
controlada por el experimentador y por el experimentador pero puede medirla
se presenta a varios niveles al mismo tiempo que la variable respuesta
3 (Y: variable dependiente)
 2. Análisis de la Covarianza

 Análisis de la Covarianza Unifactorial

 Modelo Unifactorial con una covariable

 Diseños en bloques completos aleatorios con una covariable

 Diseños en bloques completos aleatorios con dos covariables

 Diseños factoriales con dos factores y una covariable.

 Diseño factoriales con dos factores y dos covariables

4
 2.1. Análisis de la Covarianza Unifactorial

Describe a una situación que involucra:

– Una variable independiente cualitativa con diversos niveles.
– Una o más covariables (variables independiantes cuantitativas)

Modelo Unifactorial con una covariable

En un diseño con un solo factor y una sola covariable, si se supone que existe
relación lineal entre la variable respuesta y la covariable:

ti: Es el efecto producido por el tratamiento i-ésimo

b: Es el coeficiente de regresión lineal que representa la cantidad en que
varia la variable respuesta por cada cambio unitario de la covariable.
xij: Es el valor de la covariable correspondiente a la observación yij.
5 :es la media de la covariable.
 2.1.1. Modelo Unifactorial con una covariable

En un diseño completamente aleatorizado la suma total de cuadrados

puede descomponerse en suma de cuadrados entre tratamientos y en
suma de cuadrados residual.

6
 2.1.1. Modelo Unifactorial con una covariable

A.- Contraste de hipótesis

1. Todos los niveles del factor producen el mismo efecto (Ho: ti = 0 ∀i) vs
(H1: ti ≠ 0 por lo menos para algún i).
2. El coeficiente de regresión b es 0
Ho: b = 0
H1: b ≠ 0
B.- Contraste de los efectos del factor
El estadístico de contraste para contrastar la hipótesis nula Ho: ti = 0 ∀i es:

Se rechazará Ho cuando Fexp > al nivel de significación a

7
 2.1.1. Modelo Unifactorial con una covariable

C.- Contraste del coeficiente de regresión (b)

El estadístico de contraste para contrastar la hipótesis nula Ho: b = 0
viene dada por la expresión:

Si este valor es mayor que el valor teórico al nivel de significación de a se

rechaza la hipótesis de que el coeficiente de regresión es igual a 0.

8
 Diseño en bloques completos aleatorios con
una covariable

El modelo estadístico para este diseño es:

Siendo
 ti el efecto producido por el nivel i-ésimo del factor principal ( )
 gj el efecto producido por el nivel j-ésimo bloque ( )
 b es el efecto (ij)-ésimo valor observado en la covariable

9
 Diseño en bloques completos aleatorios con
una covariable

Las Sumas de Cuadrados y productos Cruzados tienen las siguientes expresiones:

10
 Diseño en bloques completos aleatorios con
una covariable

11
 Diseño en bloques completos
aleatorios con dos covariables

 Modelo estadístico

12
 Diseños factoriales con dos factores y
una covariable

 Modelo estadístico
Consideramos un diseño unifactorial equilibrado con dos
factores, supongamos que hay a niveles para el factor A y b
niveles del factor B y cada réplica del experimento contiene los
ab tratamientos posibles

Siendo
r: nº de replicaciones
(tg)ij: el efecto producido por la interacción entre A y B.

13
 Diseño factoriales con dos factores y
dos covariables

 Modelo estadístico

Siendo
r: nº de replicaciones
(tg)ij: el efecto producido por la interacción entre A y B.

14
 Caso práctico

Se tiene ocho variedades de fresas (A, B, C, D, E, F, G y H)

sembradas a lo largo de cuatro franjas de un terreno. Cada franja se ha
dividido en ocho parcelas donde se siembran las ocho variedades de
fresas. No se tiene seguridad de que el terreno sea igual de fértil en
todas las franjas, por lo que la cantidad de fresas recolectada podría
depender de la franja en la que se siembra.
Además, en el límite este del terreno hay un seto que podría quitar
elementos de tierra beneficiosas para las fresas, influyendo de alguna
manera en la cosecha recogida.

Los datos de los kilos recolectados y la distribución del cultivo de

las fresas en terreno se representan a continuación en la tabla 1

15
 Caso práctico

A B C D E F G H
I
5.8 6.3 4.9 6.5 4.5 5.2 6.5 3.8

G H F E A B D C
II
6.9 7.6 7.9 5.6 7 5.5 4 2.7
Franja Seto
B D C A H G E F
III
7.6 6.4 5 6.9 7.4 5.3 5.2 3.2

G E F H A D B C
IV
7.5 7 6.1 7.2 6.5 5.6 5.8 1.4

Distancia al seto
8 7 6 5 4 3 2 1
(en metros)

Tabla 1
16
 Bibliografia
– Miller G.A. & Chapman, J.P (2001). Misunderstanding analysis of covariance.
Journal of Abnormal Psychology, 110, 40-48.
– J. Rodríguez Cano, Universidad de Viña del Mar
– Manuel Milla; Franklin Chapín, Análisis Estadístico de Covarianza Múltiple No
Paramétrico. Caso: Covariables ordinales vs Variables respuesta cuantitativa. Rev.
Fac. Agron. (Maracay) 32:77-86. 2006.
– Conover, W.; R. Iman. 1982. Analysis of covariance using the rank transformation.
Biometrics 38:715-724.
– Milla, M.; F. Chacín. 2005. Una contribución al Análisis Estadístico No Paramétrico
de Covarianza Múltiple a través de la transformación de rangos. Tesis de Doctorado.
Maracay, Venezuela. Facultad de Agronomía, Universidad Central de Venezuela.
– Tisha Hooks, David Marx, Stephen Kachman,Jeffrey Pedersen3, Roger Eigenberg.
Análisis de covarianzas con variables secundarias correlacionadas Espacialmente.
Revista Colombiana de Estadística. Junio 2008, volumen 31, no. 1, pp. 95 a 109
– Lara Porras A.M. (2000). “Diseño estadístico de experimentos, análisis de la
varianza y temas relacionados: tratamiento informático mediante SPSS”. Ed.:
Proyecto Sur.
– Kleinbaum, Kupper, Muller, Nizam . Applied regression analysis and other
multivariate methods. Ed. Duxbury Press 1998
Huitema, B The analysis of covariance and alternatives, Ed. Wiley 1980
17 – Manual Statgraphics Plus 5.1
 Bibliografia

 Web
– http://es.wikipedia.org/wiki/An%C3%A1lisis_de_covarianza
– http://repositorio.uvm.cl/gsdl/collect/sociol/index/assoc/HASH01c0.dir/doc.pdf
– http://www.ugr.es/~bioestad/_private/cpfund6.pdf
– http://www.agro.unalmed.edu.co/cursos/material/3000010/Analisis_de_Covaria
nza.pdf
– http://erfa.com.ve/revista/revistas2006/322/Revista32-2art3.pdf
– http://www.seio2006.ull.es/files/202/resumen_202_VviLrZ6PsW.pdf
– http://209.85.129.132/search?q=cache:Gr0cnyvWAXYJ:academic.uprm.edu/rm
acchia/agro6600/lab13key.pdf+analisis+de+covarianza&hl=es&ct=clnk&cd=22
&gl=es
– http://www.ine.es/revistas/estaespa/117_3.pdf

18