Análisis de

Covarianza
Diseño de Experimentos

Mtro. Raúl Rodríguez A.

• Suponer un ANOVA con “a”
tratamientos (niveles) de un factor, y
una variable de respuesta “y”
• Se desea determinar si los “a”
tratamientos tienen efecto significativo
sobre la variable de respuesta y
• Suponer una variable no controlable
pero que se puede cuantificar
(covariable x), tal que esté
correlacionada con y
2
• Un supuesto básico en este estudio
es que los tratamientos no influyen
sobre la covariable
• También se supone que los
coeficientes de regresión de cada
tratamiento son idénticos
• La suma de los efectos de los
tratamientos es cero

3
 Modelo

yi j = µ + α i + β ( xi j − x •• ) + ε i j
i=1, 2,..., a; j=1,2,.., n. ε ij ~ NID(0, σ )
2

αi : Efecto tratamiento i
xij : Medición de la covariable
Meda de las mediciones de la
x •• : covariable
µ: Media global 4
Ejemplo
• Una pieza metálica se va a platinar.
Se estudian 3 proveedores
• Se sabe que el grosor de la capa de
platino (Y) depende del grosor de la
pieza metálica que se va a platinar (X)
• Se desea determinar si la capa de
platino es igual en los 3 proveedores
• Datos a continuación. El grosor se
mide en 10-6 m
5
Pro Pro Pro
vee vee vee
dor X Y dor X Y dor X Y
A 61 24 B 63 28 C 112 41

A 75 32 B 90 24 C 74 37

A 40 14 B 45 22 C 94 29

A 138 35 B 59 13 C 97 48

6
Minitab
• Verificar que x – y estén
correlacionados: Graph – Scatterplot
• También se puede correr una regresión
lineal simple y calcular el coeficiente de
correlación
• Stat – Anova – General Linear Model
• Response: la variable de respuesta
• Covariates: la covariable
• Solicitar análisis de residuales 7
 Scatterplot of Y vs X
50

40

30
Y

20

10
50 75 100 125 150
X

Correlations: X, Y
Pearson correlation of X and Y = 0.684
P-Value = 0.014 8
 Fitted Line Plot
Y = 9.171 + 0.2499 X
50 S 7.97836
R-Sq 46.7%
R-Sq(adj) 41.4%

40

30
Y

20

10
50 75 100 125 150
X

9
10
 Residual Plots for Y
Normal Probabilit y Plot of t he Residuals Residuals Versus t he Fit ted Values
99 10

90 5

Residual
Percent

50 0

-5
10

1 -10
-10 0 10 20 25 30 35 40
Residual Fitted Value

Histogram of t he Residuals Residuals Versus the Order of the Dat a

10
2.0

1.5 5
Frequency

Residual
0
1.0

0.5 -5

0.0 -10
-10 -5 0 5 10 1 2 3 4 5 6 7 8 9 10 11 12
Residual Observation Order

11
General Linear Model: Y versus Proveedor

Factor Type Levels Values

Proveedor fixed 3 A, B, C

Analysis of Variance for Y, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P

X 1 558.38 203.80 203.80 4.40 0.069
Proveedor 2 266.09 266.09 133.05 2.87 0.115
Error 8 370.45 370.45 46.31
Total 11 1194.92 1
S = 6.80485 R-Sq = 69.00% R-Sq(adj) = 57.37%

Term Coef SE Coef T P

Constant 15.566 6.660 2.34 0.048
X 0.16899 0.08055 2.10 0.069 2
12
Conclusión 1
• No se rechaza hipótesis nula (de
igualdad de medias de los
proveedores), con valor p = 0.115
• De modo que se tiene evidencia
muestral de que no hay un efecto
significativo del proveedor sobre el
grosor del platinado

13
Conclusión 2
• La regresión no es significativa en el
nivel 0.05, sin embargo es significativa
en el nivel 0.07
• Hay evidencia débil de relación lineal

14
 Sin análisis de covarianza
• A continuación se corre un anova, sin
el enfoque de análisis de covarianza,
para los mismos datos de platinado
• Nótese que ahora la decisión es
contraria: rechazar H0 (valor p =
0.037), y concluir que si hay efecto
significativo del proveedor sobre el
grosor de platinado
15
One-way ANOVA: Y versus Proveedor
Source DF SS MS F P
Proveedor 2 620.7 310.3 4.86 0.037
Error 9 574.3 63.8
Total 11 1194.9

S = 7.988 R-Sq = 51.94% R-Sq(adj) = 41.26%

Individual 95% CIs For Mean Based on

Pooled StDev
Level N Mean StDev -------+---------+---------+---------+--
A 4 26.250 9.394 (--------*--------)
B 4 21.750 6.344 (--------*--------)
C 4 38.750 7.932 (--------*--------)
-------+---------+---------+---------+--
20 30 40 50

16
• Al emplear este diseño (análisis de
covarianza), la contribución de la
variabilidad del factor perturbador no
controlable (pero que se puede
cuantificar) se separó de la
variabilidad aleatoria y del factor, lo
que permitió mejorar la sensibilidad
de la prueba para detectar diferencias
entre los tratamientos
17
 Tarea
• Libro: Montgomery (2004). Diseño y
Análisis de Experimentos, 2ª Edición.
• Pág. 627, 628: # 14-10, 14-14, 14-16

18