UNIVERSIDAD NACIONAL DE SAN MARTÍN -TARAPOTO

FACULTAD DE CIENCIAS AGRARIAS

DEPARTAMENTO ACADÉMICO AGROSILVO PASTORIL
ESCUELA ACADÉMICO-PROFESIONAL DE AGRONOMÍA

TEMA : Covarianza en DBCA

CURSO : Métodos Estadisticos para la Investigación

CICLO : VII

DOCENTE : Dr. Orlando Ríos Ramírez

ESTUDIANTE: Milton Ushiñahua Vasquez

Tarapoto – Perú
2018
ANÁLISIS DE COVARIANZA
Cuando en experimentación, simultáneamente a los valores de las
características en estudio, se observa sobre cada UE los valores de una o más
variables fijas cuya medida se realiza prácticamente sin error y además es
importante determinar su efecto sobre las características de interés, entonces se
logra una reducción del EE, a este método de reducción se conoce como Análisis
de Covarianza. Este método es otro de los tantos que se recomienda en el
análisis de varianza para reducir el EE. Como se ha dicho en los capítulos
anteriores estos métodos se basan en:
a. La selección de un material homogéneo, o realizar el experimento en un
medio ambiente homogéneo.
b. Estratificar el medio ambiente en grupos homogéneos, llamados normal-
mente bloques.
c. El refinamiento de la técnica experimental.
Este análisis, en particular, de reducción se recomienda cuando la variación
experimental no puede ser controlada por estratificación (bloqueo), entonces, en
este caso es bueno introducir unas variables concomitantes o covariables las
cuales deben ser usadas cuidadosamente.

ANÁLISIS DE COVARIANZA EN UN DBCA

El modelo estadístico para un diseño de bloques es:

Con i = 1, 2,. . ., t (número de tratamientos) y j = 1, 2,. . ., r (número de bloques).

Los supuestos que se hacen para este modelo son básicamente los mismos del
DCA con una covariable:
1. Los x son fijos, medidos sin error e independientes de los tratamientos.
2. La regresión de Y con respecto a X luego de eliminar las diferencias
debidas a los tratamientos y a los bloques es lineal e independiente de
bloques y tratamientos.
3. Los residuos se distribuyen normalmente con media cero y varianza
común.
La varianza de los residuos se estima siguiendo la metodología de los mínimos
cuadrados. A partir de ésta se llega a los siguientes estimadores:

Y un estimador insesgado de la varianza poblacional 𝜎 2 , es:

Donde 𝐸𝐴 = Eyy − (𝐸 2 xy/Exx) y, Exx, Exy y Eyy corresponden a las sumas de

cuadrados para el error experimental.

Algunos de los resultados de la tabla se obtienen a partir de las siguientes

expresiones:
Las sumas de cuadrados y productos cruzados para el total son:
Las sumas de cuadrados y productos cruzados para bloques son:

Las sumas de cuadrados y productos cruzados para tratamientos son:

Las sumas de cuadrados y productos para el error son:

Adicionalmente,
Finalmente el cuadrado medio de los tratamientos ajustado por covariable es:

A partir de la tabla se puede llevar a cabo tanto un análisis de varianza para la

variable Y, antes del ajuste, como un análisis de varianza para X.
Posteriormente, una vez hecho el ajuste, se realiza el análisis de covarianza. Al
comparar los dos resultados del análisis de varianza y el análisis de covarianza
se puede ver el efecto de la covariable.
Probar la hipótesis:

Para antes del ajuste, el estadístico de prueba es:

Si este valor es mayor que el valor de la tabla F(t−1;(t−1)(r−1);α) se rechaza H0.

Después del ajuste, el estadístico de prueba para H0 es:

Al igual que antes, si este valor es mayor que F(t−1;(t−1)(r−1)−1;α) se rechaza

H0 y se concluye que hay diferencia de los tratamientos a través de la covariable.
Para contrastar la hipótesis Ho: β = 0 contra Ho : β = 0, se hace uso del
estadístico de prueba:

Si este valor es mayor que F(1;(t−1)(r−1)−1;α) se rechaza la hipótesis de no

asociación de la covariable con respecto a la variable respuesta.
Después de realizar el análisis de covarianza es necesario ajustar las medias de
los tratamientos si la covariable produjo alguna reducción real en el error
experimental. La ecuación para una media ajustada es:

La varianza de la media ajustada dada en la expresión anterior es:

La varianza de la diferencia de dos medias ajustadas está dado por:

Esta ecuación se usa cuando los grados de libertad para el error son menores
de 20. Si son mayores de 20 se puede usar la siguiente aproximación sugerida
por Finney (1946):

Para saber si se presentó algún aumento por el uso de la covariable, se usa la

siguiente ecuación de eficiencia relativa (ER)

Si ese valor es por ejemplo 150 %, quiere decir que 100 repeticiones con
covarianza son tan efectivas como 150 repeticiones sin covarianza.