Este documento describe tres modelos de análisis de varianza (ANOVA) y el diseño completamente al azar (DCA). El Modelo I usa efectos fijos, el Modelo II usa efectos aleatorios, y el Modelo III usa efectos mixtos. El DCA asigna tratamientos aleatoriamente sin bloques, lo que reduce la variabilidad pero también la potencia del diseño para experimentos externos.
Este documento describe tres modelos de análisis de varianza (ANOVA) y el diseño completamente al azar (DCA). El Modelo I usa efectos fijos, el Modelo II usa efectos aleatorios, y el Modelo III usa efectos mixtos. El DCA asigna tratamientos aleatoriamente sin bloques, lo que reduce la variabilidad pero también la potencia del diseño para experimentos externos.
Este documento describe tres modelos de análisis de varianza (ANOVA) y el diseño completamente al azar (DCA). El Modelo I usa efectos fijos, el Modelo II usa efectos aleatorios, y el Modelo III usa efectos mixtos. El DCA asigna tratamientos aleatoriamente sin bloques, lo que reduce la variabilidad pero también la potencia del diseño para experimentos externos.
Un tipo de diseño experimental seleccionado debe tener la potencia
necesaria, que permita separar las fuentes de variación que en forma obvia manifieste un determinado material experimental MODELOS LINEALES DEL ANÁLISIS DE VARIANZA MODELO I (EFECTOS FIJOS): Este tipo de modelo es el que generalmente se utiliza en la planeación de los experimentos. Consiste en que los factores y sus niveles o tratamientos son fijados por el investigador, de acuerdo al interés por obtener resultados específicos. Las conclusiones que se deduzcan de un experimento de efectos fijos, tendrán un rango de validez circunscrito únicamente al efecto de los tratamientos que se estudiaron en el experimento. MODELO II (EFECTOS ALEATORIOS): En este modelo, los tratamientos son seleccionados al azar de entre todo un grupo (población) de tratamientos disponibles. Un ejemplo de este modelo puede ser el estudio de 5 goteros de iguales características, pero de distintas marcas; para lo cual se cuenta con una población de 120 marcas. Es decir, los tratamientos (marcas de goteros) se establecerán al azar de entre la población de marcas. En esta situación, lo que importa ya no es la variabilidad entre los niveles, sino la variabilidad que la muestra aleatoria aporta al modelo; por lo tanto, las conclusiones que del análisis de varianza se extraigan se extenderán para toda la población. MODELO III (EFECTOS MIXTOS O COMBINADOS): El modelo III es un modelo combinado que se usa en la planeación de experimentos y consiste en utilizar factores fijos y aleatorios al mismo tiempo. En agronomía, generalmente se está utilizando este modelo cuando se recurre al diseño de bloques completos al azar, en donde los bloques constituyen el factor (aunque secundario) aleatorio del modelo. DISEÑO COMPLETAMENTE AL AZAR
El DCA es el diseño más simple y su potencia reside en la asignación
aleatoria de tratamientos a un conjunto de unidades experimentales previamente determinado. Por su aleatorización completa, es conveniente que se utilicen unidades experimentales lo más homogéneamente posibles y en ambientes controlados, por ello, su uso está indicado para experimentos que se realizan en laboratorios, casi exclusivamente. Ventajas del DCA - Es muy fácil de planear. Su aleatorización se puede realizar a través de la tabla de número aleatorios o mediante algún tipo de sorteo. - Es un diseño flexible, ya que no es necesario que el número de repeticiones sean iguales. - Por su flexibilidad, en este diseño no es necesario el cálculo de unidades experimentales perdidas. - Ya que se usa en medios homogéneos y al no necesitar de bloqueos, es el tipo de diseño que más grados de libertad le otorga al error experimental; lo que evita el cometimiento del error tipo II. Desventajas del DCA
- Su potencia se ve disminuida cuando las unidades experimentales tienen
características heterogéneas. Por esto, es un diseño que no está recomendado para utilizarse, en el caso de la agronomía, en el estudio de plantas a campo abierto. - Debido a que no tiene restricciones de bloqueo por su aleatorización total, toda la variación que pudieran tener intrínsecamente las unidades experimentales se cargan al error experimental, haciéndolo más grande; y consecuentemente, aumentando las probabilidades de cometer un error tipo II. Matriz del DCA