Diseño en bloques con usa sola covariable

Por:
José Miguel Ortega Salas, Juan Sebastián Adams Ramos

Introducción
En el diseño de experimentos, uno de los mayores problemas al que se enfrenta un
investigador, es controlar algunas variables que no son posibles de medir y que
tienen efecto en la variable de respuesta.[1] Desde hace mucho tiempo los
investigadores han tratado de buscar mecanismos en los cuales se disminuya el
error experimental debido a estos factores. Para esto se han desarrollado varios
métodos, como la aleatorización y la utilización de materiales homogéneos para los
experimentos[1]. Pero estos métodos no siempre son muy efectivos debido a que
muchas veces el material no es del todo homogéneo como es el caso de los
experimentos con animales o muchas veces los experimentos se quedan a escala
de laboratorio debido a que al hacerlos en campo las influencias externas no
permiten su realización eficientemente[2].
Para tratar de hacer análisis más eficientes se desarrolló una técnica que se basa
en el análisis de la regresión junto con el análisis de la varianza, esta es el análisis
de la covarianza. Esta se basa en elegir una o más variables que estén relacionadas
con la variable de respuesta. Evitando que los promedios de los tratamientos se
confundan con los de las covariables incrementando así la precisión del
experimento.[2]

Diseño de bloques al azar con una sola covariable

En diseños de bloques al azar con una variable de respuesta o factor y una

covariable o variable concomitante tienen como objetivo disminuir cualquier error
sistemático que se escapa al control del investigador[3] y genera un sesgo en los
resultados, corresponde a un diseño unifactorial donde, junto a cada observación Yij
de la variable respuesta, se dispone de la información adicional aportada por la
variable Xij , relacionada linealmente con ella, el análisis de covarianza se hace
mediante un modelo lineal aditivo, él modelo matemático para este diseño consta
los siguientes componentes:
Además, β es el coeficiente de regresión lineal entre Yij y Xij y ij es el habitual error
aleatorio de un modelo lineal del diseño experimental[4], modelizado mediante una
distribución normal con esperanza nula y varianza σ2, ij∼ N (0, σ2). El modelo anterior
puede ser reescrito, eliminando de la observación Yij la información aportada por la
covarianza como[3]
Zij = Yij − β(Xij − X) = µ + αi + ij
En tanto la hipótesis propuesta para este diseño viene dada por

La tabla de análisis de varianza para diseños con una covariable se conoce

como ANCOVA, donde se deben cumplir los supuestos del Anova, está dada
por.
Metodología:
Para el desarrollo de esta investigación bibliográfica se hizo uso de conocimientos en
modelos de efectos aleatorios y el diseño de bloques, para recopilar información se
ocuparon las bases de datos de revistas proporcionadas por la Universidad y Google
academy, para el procesamiento de los datos y estudio de las variables se usaron los
programas estadísticos Infostat y SPSS

Ejemplo:

Programa estadístico usado: Infostat

Ejercicio de aplicación: tomado Escobar R. Experimentación de agricultura 2010

Tabla de datos en el programa infostat, siendo Ta, tratamiento a, Tb, tratamiento b, Tc tratamiento
c y Td, tratamiento d, el factor de bloqueo cada árbol con 4 ramas principales, “Y” la variable de
respuesta (la productividad) y “X” la covariable (# de ramos fructíferos de cada rama).
Pruebas prueba de Shapiro wilks para verificación de supuestos de normalidad de los
residuos, siendo H0 que los residuos distribuyen normalmente, y H1 que los residuos no distribuyen
normalmente. En este caso se acepta la H0 ya que P (0.81) es mayor que α (0.05) dando a entender
que los residuos presentan una distribución normal

Prueba de
Q/Q para verificación de la normalidad de los residuos. La grafica muestra que los cuantiles de
los residuos no están alejados de la distribución normal
Tabla ancova: Aquí se puede observar que la variable Y obtuvo un coeficiente de variación de 10,84.
También se pudo observar que los tratamientos tienen un efecto significativo ya que el valor p es
menor a 0.0001 y que los bloques no tuvieron un efecto significativo, ya que el valor p es de 0.6446.
También se observa que la covariable tuvo un efecto significativo ya que su valor p es menor a
0.0001 además de esto se observa que el coeficiente angular de variación es de 0.30 lo que quiere
decir que al aumentar en 1 los ramos fructíferos por rama se incrementa la producción un 30%.

Prueba de Tukey para comparaciones múltiples entre los tratamientos: se puede observar que el
tratamiento que tiene una mayor productividad es el tratamiento A ya que este presenta una media de 18.62, por
otra parte, los tratamientos b y c no tienen una diferencia significativa. Además de esto el tratamiento D es el
que presenta una menor producción.
Conclusiones:

El análisis de la covarianza es un método confiable para descartar errores

experimentales dados por variables que no se pueden controlar, debido a que este
tiene en cuenta la variación dada por algunos factores que están relacionados
directamente con la variable de respuesta.

Bibliografía:
[1] N. N, “Analisis de Ancova,” slideshare, 2010. [Online]. Available:
https://es.slideshare.net/edwin1005/62005183-analisisdecovarianzaancova-1.
[Accessed: 07-Feb-2021].
[2] G. C. Londoño, “El Análisis de Covarianza como Mecanismo de Control de
Factores de Confusión NOTA TÉCNICA,” 2013.
[3] María Dolores Fernández de Henestrosa González, “Grado en Matemáticas
ESCUELA POLITÉCNICA SUPERIOR Y FACULTAD DE CIENCIAS
EXPERIMENTALES División de Ciencias Experimentales,” 2014.
[4] M. Gonzalez, “Analisis de la covarianza,” 2009. [Online]. Available:
https://es.slideshare.net/neuroneter/anlisis-de-covarianz-amg-1431330.
[Accessed: 07-Feb-2021].