Anlisis de la Covarianza

Mtodos Avanzados en Control de Calidad

Diseo Experimental
Master Organizacin Industrial y Gestin de Empresas

Safae Temsamani Aurora Muoz de Escalona Pavn

Indice
1. 2.

3.
4.

Introduccin Anlisis de la Covarianza Caso prctico Aplicaciones

1. Introduccin

Se elimina la variacin debida a la/s Covariable/s de la estimacin de la varianza del error y se la evala como un efecto principal separado

Este procedimiento es la combinacin de las tcnicas:

Anlisis de la Varianza Anlisis de Regresin

Objetivos
Estudiar la relacin de una variable cualitativa (factor) con una variable cuantitativa (covariable).

La variable cualitativa (t) recibe el nombre de factor, dicha variable es controlada por el experimentador y se presenta a varios niveles

La variable cuantitativa (X) recibe el nombre de covariable y no es controlada por el experimentador pero puede medirla al mismo tiempo que la variable respuesta (Y: variable dependiente)

2. Anlisis de la Covarianza

Anlisis de la Covarianza Unifactorial Modelo Unifactorial con una covariable

Diseos en bloques completos aleatorios con una covariable

Diseos en bloques completos aleatorios con dos covariables Diseos factoriales con dos factores y una covariable. Diseo factoriales con dos factores y dos covariables

2.1. Anlisis de la Covarianza Unifactorial

Describe a una situacin que involucra: Una variable independiente cualitativa con diversos niveles. Una o ms covariables (variables independiantes cuantitativas)

Modelo

Unifactorial con una covariable

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

ti: Es el efecto producido por el tratamiento i-simo b: Es el coeficiente de regresin 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 observacin yij. :es la media de la covariable.

2.1.1. Modelo Unifactorial con una covariable

En un diseo completamente aleatorizado la suma total de cuadrados puede descomponerse en suma de cuadrados entre tratamientos y en suma de cuadrados residual.

2.1.1. Modelo Unifactorial con una covariable

A.- Contraste de hiptesis
1.

2.

Todos los niveles del factor producen el mismo efecto (Ho: ti = 0 i) vs (H1: ti 0 por lo menos para algn i). El coeficiente de regresin b es 0 Ho: b = 0 H1: b 0

B.- Contraste de los efectos del factor

El estadstico de contraste para contrastar la hiptesis nula Ho: ti = 0 i es:

Se rechazar Ho cuando Fexp >

al nivel de significacin a

2.1.1. Modelo Unifactorial con una covariable

C.- Contraste del coeficiente de regresin (b)
El estadstico de contraste para contrastar la hiptesis nula Ho: b = 0 viene dada por la expresin: Si este valor es mayor que el valor terico al nivel de significacin de a se rechaza la hiptesis de que el coeficiente de regresin es igual a 0.

Diseo en bloques completos aleatorios con una covariable

El modelo estadstico para este diseo es:

Siendo ti el efecto producido por el nivel i-simo del factor principal ( gj el efecto producido por el nivel j-simo bloque ( )

b es el efecto (ij)-simo valor observado en la covariable

Diseo en bloques completos aleatorios con una covariable

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

10

Diseo en bloques completos aleatorios con una covariable

.

11

Diseo en bloques completos aleatorios con dos covariables

Modelo estadstico

12

Diseos factoriales con dos factores y una covariable

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

Siendo r: n de replicaciones (tg)ij: el efecto producido por la interaccin entre A y B.

13

Diseo factoriales con dos factores y dos covariables

Modelo estadstico

Siendo r: n de replicaciones (tg)ij: el efecto producido por la interaccin entre A y B.

14

Caso prctico
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 frtil en todas las franjas, por lo que la cantidad de fresas recolectada podra depender de la franja en la que se siembra. Adems, en el lmite este del terreno hay un seto que podra quitar elementos de tierra beneficiosas para las fresas, influyendo de alguna manera en la cosecha recogida.

Los datos de los kilos recolectados y la distribucin del cultivo de las fresas en terreno se representan a continuacin en la tabla 1

15

Caso prctico
I A 5.8 G 6.9 B 7.6 G 7.5 B 6.3 H 7.6 D 6.4 E 7 C 4.9 F 7.9 C 5 F 6.1 D 6.5 E 5.6 A 6.9 H 7.2 E 4.5 A 7 H 7.4 A 6.5 F 5.2 B 5.5 G 5.3 D 5.6 G 6.5 D 4 E 5.2 B 5.8 H 3.8 C 2.7 Seto III F 3.2 C 1.4

II Franja

IV

Distancia al seto (en metros)

16

Tabla 1

Caso prctico
Se pide:
1. 2.

Describir el problema planteado, identificando los elementos. Escribir el modelo matemtico asociado donde se introduzca el inverso de la distancia al seto como variable concomitante. Es necesario controlar la influencia de esta variable? Es el terreno igual de frtil en todas las franjas? Analizar las diferencias entre las ochos variedades de fresas. De existir diferencias entre las cantidades recolectadas, decidir por el mtodo de Bonferroni cules son las variedades de las que recoge ms cosecha.

3.

4.

17

Caso prctico

18

Caso prctico
1.- Describir el problema planteado, identificando los elementos.
La variable respuesta que se mide es el nmero de kilos recogidos de cada variedad de fresa. El factor de inters es la variedad de fresa. Las unidades experimentales son las parcelas, a las que se les anota el nmero de kilos recogidos de fresa. El hecho de que las franjas de terreno puedan influir sobre las cosechas, hace que se deba incluir tambin el seto, se tomar como posible variable concomitante el inverso de la distancia al seto. As los tratamientos son los ochos tipos de fresa.

19

Caso prctico
2.- Modelo matemtico (variable concomitante: INV_distancia al seto) .

El modelo matemtico asociado a esta situacin es:

yij = m + ai + gj + b(xij ..) + eij ; eij N(0,) independientes

i=1, , 8;

j=1, , 4

yij: kilos de fresa de variedad i recolectados en la franja j. xij: inverso de la distancia al seto de la parcela de la franja j donde se siembra la fresa i. m: nmero medio de kilos recolectados. ai: efecto medio adicional sobre la cosecha media de la variedad de fresa i. gj: efecto medio adicional sobre la cosecha media de la franja j. b: influencia de la distancia al seto sobre la cosecha media.
As,

yij N(m + ai + gj + b(xij

), )

independientes

20

Caso prctico
Para realizar el estudio de la varianza se comprueba Normalidad Homocedasticidad yij ~ N (+i ,) Para verificar si se trata o no de una distribucin Normal se realiza un contraste Chi-cuadrado A continuacin, vamos a verificar la condicin de Homocedasticidad mediante un Contraste de Varianza.

21

Caso prctico

Por lo tanto, P-valor > 0,10. As que, no se rechaza H0 al nivel del 10% de significacin. De este modo, podemos concluir que la distribucin es normal.

22

Caso prctico
3.- Es necesario controlar la influencia de esta variable? Es el terreno igual de frtil en todas las franjas?

p-valor asociado a la variable concominante es 0,0000. El inverso de la distancia al seto influye sobre la cantidad de fresa recolectada. Si es necesario incluir en el anlisis la distancia al seto. Sin embargo, las franjas de terreno no son influyentes sobre las cosechas recogidas, lo que hace suponer que todas ellas son igual de frtiles.

23

Caso prctico
4.- Analizar las diferencias entre las 8 variedades de fresas

Se replantea el modelo, suprimiendo del mismo el factor bloque. La variable concominate (INV_SETO) es significativa e influye sobre la cosecha recogida.

24

Con respecto a las diferencias entre las variedades de fresa, obtenemos un (p-valor)fresa=0,0110 < a, siendo significativa las diferencias a un nivel del 95%, pero no al 99%.

Caso prctico
4.- Analizar las diferencias entre las 8 variedades de fresas

Las diferencias encontradas entre las cantidades medias recogidas de las variedades son C y H. Y de la cosecha que ms se recoge es de la variedad H, siendo su media 6.7.

25

Aplicaciones

Efecto de fertilizantes en el estudio de las plantas Efecto de formas nuevas de promocin en la venta de sus vinos en supermercados. Las formas de promocin son: Degustaciones, Aumento de espacio en los estantes, Muestrarios en los extremos del pasillo Efecto de las dietas en cerdos de la misma edad Efecto de la renta, segn zona geogrfica, pero ajustando previamente por variables cuantitativas como la proteccin social (covariable). Efecto de las horas trabajadas segn la educacin y sexo. Efecto de reducir las diferencias salariales entre hombres y mujeres al asistir a los cursos de formacin que antes han sido planificados. Efecto de la religin en la actitud hacia el divorcio segn nivel educacional Efecto de los mtodos de enseanza en el rendimiento segn habilidades de los alumnos (cov). Efecto de documentales en el deseo de viajar a la Patagonia. Efecto de corregir resultados observados de conocimientos iniciales sobre una materia determinada. Efecto de comparar rendimientos en un proceso qumico segn los porcentajes de impureza en la materia prima a diversas temperaturas. Efecto de distintos mtodos de aprendizaje en los alumnos. Efecto de mtodos de adelgazamiento en pacientes. Efecto de un tratamiento y efecto de una o ms variables de confusin potenciales segn puntuaciones previas a la prueba, edad, educacin, nivel social y nivel de ansiedad. Efecto de la hipertensin segn la edad y sexo. Efecto en la produccin al utilizar diferentes insecticidas en un cultivo de patatas.

26

Bibliografia

27

Miller G.A. & Chapman, J.P (2001). Misunderstanding analysis of covariance. Journal of Abnormal Psychology, 110, 40-48. J. Rodrguez Cano, Universidad de Via del Mar Manuel Milla; Franklin Chapn, Anlisis Estadstico de Covarianza Mltiple No Paramtrico. 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. Chacn. 2005. Una contribucin al Anlisis Estadstico No Paramtrico de Covarianza Mltiple a travs de la transformacin de rangos. Tesis de Doctorado. Maracay, Venezuela. Facultad de Agronoma, Universidad Central de Venezuela. Tisha Hooks, David Marx, Stephen Kachman,Jeffrey Pedersen3, Roger Eigenberg. Anlisis de covarianzas con variables secundarias correlacionadas Espacialmente. Revista Colombiana de Estadstica. Junio 2008, volumen 31, no. 1, pp. 95 a 109 Lara Porras A.M. (2000). Diseo estadstico de experimentos, anlisis de la varianza y temas relacionados: tratamiento informtico 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 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

28