UNIDAD ACADEMICA SANTA C
Modelo de diseños
experimentales
Análisis de covarianza (andecova)
ESTUDIANTE: Luis Enrique Figueredo Jimenez S8115-9
Yordy Porfirio Puña salto 8557-X
Víctor Fernando Andrade López S8828-5
Wilder encinas Vargas S7841-1
Tte AO. Dorian Carlos Fernández Suxo A2469-1
Romina Padilla Lino S8565-0
CARRERA: Ingeniería Industrial
SEMESTRE: 5to
DOCENTE: Francisco Eddy Martinez Solaris
Santa Cruz. 14/ 11 / 2023
INDICE
1 INTRODUCCION.......................................................................................................................................3
2 OBJETIVOS..............................................................................................................................................3
3 MARCO TEORICO....................................................................................................................................4
3.1 Modelo de covarianza para un DCA................................................................................................4
3.2 Supuestos........................................................................................................................................4
3.3 Ecuaciones......................................................................................................................................4
3.4 Hipótesis.........................................................................................................................................5
3.5 Tabla de ANCOVA............................................................................................................................5
4 APLICACIONES.........................................................................................................................................6
5 EJEMPLO.................................................................................................................................................6
5.1 InfoStat...........................................................................................................................................8
5.2 MINITAB........................................................................................................................................11
1 INTRODUCCION
El análisis de covarianza es una de las técnicas usadas para reducir el error experimental, y con
ello poder detectar diferencias entre tratamientos. Y resulta ser una combinación entre el ANOVA
y el análisis de regresión.
Es frecuente encontrar que, al realizar experimentos, los resultados de una característica
determinada (variable estudiada Y) se vean afectados por la variación en otra de las
características (X), la cual se puede medir, pero no se puede controlar experimentalmente.
Una covariable (X) es una medición o característica de cada unidad experimental, la cual se
supone independiente de los tratamientos, y se conoce que está relacionada con la medición de
interés (Y).
Cuando varía X, se espera un cambio o variación de Y; este cambio afectará el efecto de los
tratamientos sobre Y.
2 OBJETIVOS
Los usos más frecuentes del análisis de covarianza son:
Para aumentar la precisión de los experimentos.
Para remover el efecto de variables que afectan estudios observacionales.
Para dar más información sobre la naturaleza de los tratamientos.
Para ajustar regresiones en modelos de clasificación múltiple.
Para corregir por observaciones perdidas
Aumento de precisión de los experimentos.
Cuando el error experimental se reduce, se logra un aumento en la precisión del
experimento. Esto sucederá si la correlación entre X y Y es mayor que 0.3
aproximadamente.
Remoción del efecto de variables adicionales que afectan la respuesta de interés.
Obtener más información sobre la naturaleza de los tratamientos.
Si las diferencias entre tratamientos desaparecen después de ajustar por covarianza, o si
cambian de algún modo, esto sugerirá al investigador que las diferencias entre
tratamientos pueden proceder de las diferencias entre los promedios de X, no de las
diferencias en respuesta (Y).
Ajuste de regresiones en modelos de clasificación múltiple.
El análisis de covarianza nos puede servir para conocer si las pendientes de regresión de
diferentes factores son homogéneas (paralelas).
Corrección por observaciones perdidas.
El Andecova permite ajustar las sumas de cuadrados del Andeva por observaciones
perdidas en el caso de diseños en bloques al azar o en cuadro latino.
3 MARCO TEORICO
3.1 Modelo de covarianza para un DCA
El modelo lineal para el análisis de covarianza dependerá del diseño experimental empleado, de
la estructura de los tratamientos y del número de covariables considerado.
El caso más sencillo es el de un diseño Completamente al Azar, con r repeticiones por
tratamiento, con una estructura de tratamientos simple, de t tratamientos, y con una covariable
(X).
Con i = 1, 2, ..., r ; j = 1, 2, …, r
Yij : Observación ij-ésima de la variable respuesta Y
μ : Promedio general de Y
τi : Efecto del tratamiento i-ésimo
ß : Coeficiente de regresión entre X y Y
Xij : Observación ij-ésima de la covariable X
X: Promedio general de la covariable X
εij : Error aleatorio de la observación ij-ésima.
3.2 Supuestos
1. El modelo es el verdadero, lineal en sus parámetros.
2. La covariable está medida sin error.
3. La relación entre la variable respuesta (Y), y la covariable (X), no cambia con los tratamientos.
4. La variable Y tiene distribución aproximadamente normal
5. Los errores aleatorios son independientes, con media igual a 0 y varianza σ2 (error).
La suposición que hay que confirmar generalmente es la tercera, ya que, si los tratamientos
afectan la relación entre X y Y, el modelo de covarianza no es el adecuado.
3.3 Ecuaciones
3.4 Hipótesis
3.5 Tabla de ANCOVA
4 APLICACIONES
El análisis de covarianza se aplica fundamentalmente en el campo de la estadística aplicada.
Se usa frecuentemente en investigación; sin embargo, el tipo de investigación en el que se puede
utilizar varía, pudiendo ser una investigación educativa, clínica, agrícola, de salud, etc.
El análisis de covarianza nos permite estudiar, por ejemplo, la relación entre la edad (covariable) y los
niveles de ansiedad (variable dependiente) por estados (tratamientos), dentro de una investigación de
psicología clínica.
Investigación agrícola: una posible aplicación de esta sería si queremos estudiar la relación entre el tamaño
de los tomates (covariable) y el rendimiento por hectárea de nuestro huerto (variable dependiente) según la
variedad del tomate (diferentes tratamientos).
5 EJEMPLO
Se considera un estudio para determinar si existe diferencia en la resistencia de una fibra producida por tres
laboratorios diferentes. Se piensa que el grosor de las fibras (x) influye también, obteniéndose los
siguientes datos, use un alfa de 0,01.
Primero se debe acomodar en dos tablas distintas de x-y para mayor facilidad al momento de aplicar las
ecuaciones.
Una vez acomodadas las tablas, calcular las sumatorias respectivas y luego las Sumas de Cuadrados, según
ecuaciones.
Posteriormente, llenar la tabla de ANCOVA para llegar a sus respectivas conclusiones.
Finalmente, emitimos conclusiones.
Dependiendo del resultado de la hipótesis de los tratamientos se hará o no prueba de rangos múltiples para
determinar cuál(es) tratamiento(s) ejercen el efecto distinto. En este caso, nos salió que no hay rechazo de la
hipótesis nula, ósea que tenemos μ iguales estadísticamente, entonces no hacemos PRM.
5.1 InfoStat
En seguida ya que tenemos
acomodados los valores los
pasamos a minitab y
continuaremos con el proceso
donde vamos a irnos al apartado de
<Estadísticas=,
Acomodamos los valores de la siguiente manera en Excel:
Copiamos la tabla a InfoStat y elegimos la opción de “Pegar incluyendo nombre de columnas”.
Nos debería quedar de la siguiente manera:
Entramos al apartado de “Estadísticas” en la parte superior y ahí mismo clickeamos “Análisis de la
varianza”.
Una vez dentro debemos clasificar la variable dependiente, la variable de clasificación y la covariable de la
siguiente manera y darle a “Aceptar”.
Damos en “Aceptar” nuevamente.
Si hicimos todo bien, nos deberia arrojar el siguiente resultado:
Conclusión: A un 99% de confiabilidad se concluye que no hay efectos significativos en los laboratorios,
pero si hay un efecto del grosor de las fibras en la resistencia.
5.2 MINITAB
Acomodamos los valores de la siguiente manera en Excel:
Nos debería quedar de la siguiente manera:
Seguimos los pasos como se muestra en la imagen:
Una vez dentro debemos clasificar la respuesta, los factores y la covariable de la siguiente manera y darle a
“Aceptar”.
Si hicimos todo bien, nos debería salir el siguiente resultado:
Conclusión: A un 99% de confiabilidad se concluye que no hay efectos significativos en los laboratorios,
pero si hay un efecto del grosor de las fibras en la resistencia.
En seguida ya que tenemos
acomodados los valores los
pasamos a minitab y
continuaremos con el proceso
donde vamos a irnos al apartado de
<Estadística
