Guía Metodológica para Investigadores Agrícolas

Guía metodológica
para investigadores agrícolas
Introducción práctica a la investigación participativa

e investigación científica
de lngrid Arning
Red de Acción en Alternativas al uso de Agroquímicos

Arning, Ingrid: Guía metodológica para investigadores agrícolas. Introducción práctica
a la investigación participativa e investigación científica. RAAA. Lima, Perú. 2001.
ISBN 1501012001-2463
O Red de Acción en Alternativas al uso de Agroquímicos (RAAA)

Julio Rodavero 682
Urb. Las Brisas
Cercado, Lima 1
Apartado postal 11-0581
Telefax: 0051-1-3375170 / 4257955
Colaborador: José Luis Mendoza Benites
e-mail: raaaper Q terra.com.pe

www.raaa.org
www.geocities.corn/raaaperu
Primera Edición: Julio 2001
Diagramación: lngrid Arning

Ilustraciones: Rolando Tejada T.
Carátula: Rolando Tejada T.
Impresión: Solvima Graf S.A.C.
Jr. Saint Saenz 670 - San Borja, Tel.: 224 2923, Telefax: 476 1206
ISBN: 1501012001-2463
Se autoriza la reproducción parcial de la presente guía, siendo la única condición

indicar la fuente y enviar dos ejemplares a la RAAA.
Contenido
Prefacio ....................................................................................................................
5
Introducción ..............................................................................................................
7
Sobre la investigación............................................................................................... 9
Investigación científica o convencional............................................................... 10
Investigación participativa .................................................................................. 10
Parte 1
Investigación participativa .......................................................................................13
1. Principios de la investigación participativa......................................................15
2. Actores ...........................................................................................................
17
3. Tipos de investigación participativa ................................................................19
4 . Métodos participativos....................................................................................19
4.1 Visualización ............................................................................................ 24
4.2 Facilitador ................................................................................................25
5. Principales pasos de trabajo en la investigación participativa.........................28
5.1 Diagnóstico .............................................................................................. 29
5.2 Planificación............................................................................................. 34
5.3 Diseño .....................................................................................................36
5.4 Evaluación o toma de datos .....................................................................37
5.5 Análisis y conclusiones ............................................................................39
5.6 Recomendaciones .................................................................................. -40
6. Bibliografía .....................................................................................................
40
Parte 2
. .
Investigación cientifica ............................................................................................41
1. Sobre la estadística ........................................................................................ 43
2 . Principios básicos de la planificación..............................................................45
2.1 Repeticiones............................................................................................ 47
2.2 Randomización........................................................................................ 48
2.3 Bloques.................................................................................................... 50
2.4 Tratamientos ............................................................................................53
2.5 Testigo....................................................................................................-54
2.6 Investigaciones factoriales ....................................................................... 54
2.7 Forma y ubicación de parcelas ...............................................................-55
2.8 Tamaño de parcelas ...............................................................................-58
2.9 Efecto vecinal .......................................................................................... 61
2.1 0 Efecto marginal ......................................................................................62
2.1 1 Simetría .................................................................................................62
3. Diseño experimental....................................................................................... 63
3.1 Diseño Completamente Aleatorio............................................................ -63
3.2 Diseño de Bloques Completos Aleatorizados ...........................................64
3.3 Diseño en Cuadrado Latino .....................................................................65
3.4 Diseño de Parcelas Divididas...................................................................66
4 . Toma de datos .............................................................................................. -69
4.1 Tamaño de muestra ................................................................................. 70
4.2 Área de muestre0 .................................................................................... 70
4.3 ¿Que es lo que se evalúa? ...................................................................... 71
5. Análisis de datos ............................................................................................ 75
5.1 Niveles de datos ...................................................................................... 75
5.2 El análisis de varianzas .ANVA ............................................................... 77
Supuestos para el ANVA ......................................................................... 77
¿Qué se tiene que tener en cuenta en un ANVA? ...................................81
Valor F..................................................................................................... 81
El ANVA para factoriales ......................................................................... 83
Análisis de varianza de parcelas divididas...............................................87
5.3 Transformación de datos ......................................................................... 93
5.4 Cálculo de datos perdidos........................................................................ 95
Cálculo de datos perdidos para diseño de bloques completos al azar .....95
5.5 Análisis de comparación múltiple de medias............................................ 98
Prueba de comparación de medias: Tukey.............................................. 99
Método de presentación ........................................................................ 106
5.6 Pruebas no paramétricas....................................................................... 107
Kruskal-Wallis-Test o H-Test ................................................................. 107
Prueba de comparación de medias: Nemenyi ....................................... 110
Friedman-Test....................................................................................... 114
Prueba de comparación de medias: Wilcoxon-Wilcox ...........................116
5.7 Grado de eficacia ................................................................................... 119
5.8 Análisis de datos registrados en escala ................................................. 124
6. Interpretación de los datos ........................................................................... 127
7. Presentación de datos e informes ................................................................ 128
7.1 Tablas .................................................................................................... 128
7.2 Gráficos ................................................................................................. 130
8. Recomendaciones para redactar avances o informes finales .......................135
9.Bibliografía .................................................................................................... 137
Anexos ..................................................................................................................
139
lndice ....................................................................................................................
151
Prefacio
Desde 1945 la investigación como estrategia para la generación de tecnologías ha

estado ligada a sectores involucrados en el quehacer académico y científico,
excluyendo en muchos casos a los agricultores, lo que además contribuyó a la
incorporación de tecnologías propias de la "revolución verde" desde las universidades
hacia el campo. Durante los años 80, tras la generación de los SIPAs, hoy INIAs, la
investigación prioriza y afina sus herramientas para la medición de resultados y
efectos que buscan promover la replicabilidad de las recetas obtenidas en los campos
experimentales.
La investigación agrícola en el Perú ha dejado de significar una herramienta para la

generación de alternativas que solucionen los problemas de los agricultores; por lo
menos en la concepción de los gobiernos durante los últimos 15 años, lo que a su vez
a contribuido al estancamiento del sector agrícola.
A partir de 1992, luego de la desactivación de los centros de investigación y extensión,

la generación de tecnologías en el sector agrícola ha estado ligada al trabajo
desarrollado por organizaciones promotoras del desarrollo rural, lo que permitió una
mayor reflexión .sobre el proceso de investigación, sus enfoques conceptuales y
metodológicos en la perspectiva de implementar el desarrollo sustentable, con
participación activa y reivindicativa en el caso de involucrar a las universidades, y
agricultores respectivamente.
La experiencia de la Red de Acción en Alternativas al uso de Agroquímicos (RAAA) es

analizada y sistematizada de una manera didáctica para servir de insumo a los
investigadores agrícolas a fin de que puedan recoger herramientas validadas para
implementar procesos de investigación. En este sentido lngrid Arning, asesora del
Servicio Alemán de Cooperación Social Técnica (DED) para la Unidad de
Investigación de la RAAA, hace una presentación de la investigación participativa con
la finalidad de demostrar una correspondencia entre la investigación y la participación
de los agricultores para identificar y solucionar los problemas relacionados al sector
agrícola y así construir su propio desarrollo. La investigación participativa pretende
recoger de manera precisa las demandas de los productores así como propiciar el
intercambio de conocimientos entre innovadores campesinos e investigadores.
Consideramos que la orientación hacia modelos productivos alternativos requiere de

estrategias de innovación, tanto a nivel tecnológico, como metodológico de manera
constante, recogiendo en muchos casos el conocimiento tradicional y la participación
activa de los agricultores. Por esta razón el presente manual constituye una guía
metodológica básica tanto para los investigadores agrícolas, técnicos y promotores
que pretenden realizar procesos de adaptación e innovación con participación de los
agricultores, actores centrales del proceso de investigación en el escenario de la
Agricultura Sustentable.
Héctor Velásquez Alcántara

Coordinador Unidad Investigación RAAA
Introducción
Este manual quiere ser una guía metodológica para interesados en investigaciones
agrícolas, ya sea utilizando métodos participativos como los que trabajan dentro de los
enfoques tradicionales.
Es una recopilación de una gran cantidad de información producida al respecto a nivel

nacional e internacional sobre los fundamentos y métodos más básicos que se pueden
aplicar en investigación. La selección de los temas se realizó en base a las
experiencias hechas en la RAAA en la Unidad de Investigación, teniendo en cuenta
preguntas y errores frecuentes de los proyectos apoyados por la Unidad.
La parte de investigación participativa se debe entender como una guía de

posibilidades. Los métodos participativos no pueden ser tomados como un libro de
recetas de cocina. De nada valen los métodos si el facilitador no está convencido de la
utilidad que tiene el dejar participar a los agricultores. Los métodos no funcionan con
estilo autoritario, es necesario soltar las riendas y atreverse a dejarse llevar por la
dinámica y desarrollar ideas no planificadas. Sólo puede ser aplicado por personas
decididas a trabajar ellos mismos en equipo. Cada uno de los métodos presentados
tienen un propósito, una situación adecuada e inadecuada, por lo que resulta
necesario conocer las circunstancias antes de aplicarlas y elegir los métodos según
las condiciones del público.
Este manual no puede dar una presentación completa, más bien se escogieron
algunos ejemplos.
La parte de investigación convencional contiene muchos temas conocidos, a los que

no se les da la importancia debida en la práctica, por lo que la autora trata de enfatizar
estos puntos y su influencia en la investigación. Muchos de estos temas son sobre
todo las condiciones básicas a respetar para poder transferir el trabajo de
investigación a otros interesados, sin que éstos se den con la sorpresa de no poder
replicar las experiencias. No se tocarán los análisis conocidos, reconocidos y usados
con frecuencia en el Perú, ya que estos pueden ser consultados en muchos otros
libros. El presente trabajo pretende contribuir a la calidad de los futuros trabajos y a la
aplicabilidad de ellos.
Para facilitar la lectura de este manual, se usa la forma masculina como única forma,
incluyendo a las mujeres en esta expresión.
La autora
Sobre la investigación
La investigación agrícola es un proceso que se viene realizando desde tiempos

remotos y un agricultor siempre ha sido también un investigador. Su permanente
curiosidad de mejorar, cambiar y probar han hecho de la investigación lo que es hoy
día. Lo que antes era una actividad cotidiana se ha ido transformando a una actividad
científica, para la cual se necesita un estudio específico para poder realizarla. Poco a
poco se ha creado un círculo cerrado, un mundo aparte de investigadores, que han
desarrollado su propio idioma, sus propias normas sólo válidas, y el agricultor ha
quedado afuera, muchas veces sin tener acceso a la información producida y sin
poder influenciar temas de investigación.
Investigaciones científicas o convencionales problematizan: a los investigadores no

les es suficiente conocer el funcionamiento de una técnica, etc., más bien es necesario
saber el porqué funciona tal como lo hace, conocer las normas básicas y el
mecanismolteoría detrás del resultado. Lo importante siempre es alcanzar el pleno
conocimiento sobre el problema y entenderlo, no tanto su solución práctica.
Es así que muchas investigaciones fueron realizadas por el sólo hecho de realizarlas,
sin salir del mundo investigador y sin ser aplicadas. Los resultados obtenidos son
difundidos en los círculos científicos, cerrados a los agricultores por el difícil acceso a
las publicaciones y el lenguaje usado en ellos. Pero difundir los resultados es
importante para asegurar que las innovaciones no sólo son desarrolladas, sino
también difundidas hacia el grupo meta: los agricultores.
No por esto se puede rechazar a la investigación científica. Al contrario, tiene su razón

de ser y ha contribuido con muchos conocimientos básicos mejorando el
entendimiento de problemas y pudiendo solucionarlos a raíz de esto. Pero cada vez
más se ha abierto la brecha entre las necesidades del pequeño agricultor y los
resultados de los centros de investigación. Se ha perdido el mutuo contacto y la
retroalimentación. Pero aún así, haber reconocido esta evolución no ha sido el origen
de la investigación participativa, aunque influenció y jugó un papel importante.
La "investigación participativa" ha sido creada por parte de los programas de

desarrollo agrícola a raíz del reconocimiento, que el éxito de los proyectos de
desarrollo era muy pobre - la producción agrícola no aumentaba por la no adopción
por parte del agricultor de la tecnología propagada. En evaluaciones se llegó a la
conclusión, que esto no era por ignorancia de los agricultores, sino por lo inadecuado
que eran las tecnologías promovidas.
En los años 80 fueron desarrollados los métodos de "On-Farm-Research", en los

cuales se analizó sistemáticamente las condiciones de producción y sistemas de
producción del punto de vista de los agricultores. Posibles soluciones a los problemas
agrícolas son investigadas en el campo de los agricultores, bajo sus condiciones y se
consideró que los estudios económicos de las tecnologías son tan importantes como
las agrícolas.
Según la opinión de la autora no existe línea que separa con exactitud las dos formas,
más bien se puede realizar una libre combinación entre los dos modelos teóricos,
pudiendo dar muy buenos resultados bajo las circunstancias pertinentes.
Los dos modelos de investigación tienen sus ventajas y desventajas y cada una tiene
su habilitación. Como nos muestra el dibujo 1 (El elefante y el ciego) para comprender
una cosa o un tema, se necesita entender y ver varios puntos o subtemas. Así la
Manual para investigadores
investigación participativa y la investigación convencional van de la mano y se

complementan una a la otra.
En lo que refiere a la estadística, que en la investigación convencional juega un rol

mucho más importante que en la participativa, no hay que olvidar que la estadística y
todas sus fórmulas se han creado para poder demostrar diferencias que a simple vista
no se ven o son distorsionadas por la subjetividad del ojo. Muchos sobrestiman la
estadística, sin tener en cuenta que con fórmulas mal usadas se pueden distorsionar
ensayos. Cada resultado puede ser manipulado y presentado con la estadística a
manera de ver del autor. Depende de la sinceridad de éste en no desfigurar los
resultados.
Investigación científica o convencional
Con investigación científica entendemos investigaciones realizadas en campos

experimentales de universidades o centros de investigación. En su mayoría se trata de
investigaciones básicas, en laboratorios o invernaderos, donde las condiciones son
mayormente conocidas y manipulables.
Para poder calificar una investigación científica como tal, suponemos que ha sido
realizada bajo normas de planificación, con diseños reconocidos, normas estadísticas
para demostrar diferencias y realizadas por personal calificado y entrenado para estos
trabajos. Es así que el reconocimiento de las tesis depende del reconocimiento
científico del patrocinador, no del tesista, que con su poca experiencia no es aceptado
como investigador de peso.
A través de los años la investigación se ha ido evolucionando. Con el afán de

garantizar objetividad y replicabilidad, se han creado normas y se han diseñado
sistemas cada vez más complejos para situaciones y condiciones específicas, que
tienen su validez sólo bajo esas circunstancias. Cada una de las fórmulas requiere de
su sustento teórico y tiene sus limitaciones, que muchas veces son ignorados por
investigadores menos capacitados y versados. Por ende, sólo pueden realizarse por
especialistas.
Investigación participativa
La investigación participativa tiene como objetivo elaborar conocimientos prácticos,

que ayudan a solucionar problemas sólidos, concretos, cambiar la realidad agrícola y
con esto contribuir a desarrollar. Los resultados obtenidos son aplicables, no teóricos.
La investigación parte del supuesto, qué métodos científicos de investigación también
pueden ser aplicados por personas menos capacitadas en esa área.
La investigación participativa, como el nombre ya lo indica, hace participar a los

agricultores o es manejada directamente por ellos. Como veremos en el capítulo
siguiente hay diferentes formas y niveles de participación y diferentes métodos de
realización, pero todos tienen en común su realización fuera de los campos
experimentales. Los diseños y métodos estadísticos aplicados varían, pero en caso
ideal son manejados por los agricultores. Esto supone que, sobre todo en estadísticas,
se regresa a la forma manual de los análisis básicos para poder manejarlos sin excluir
a personas con menos conocimientos técnicos y hacer entender todos los pasos de la
sistematización y llegar en conjunto a las respectivas conclusiones.
El rol del investigador, el cual puede ser un investigador, extensionista o recnico, es

más el de un facilitador, el de dinamizar y dar seguridad y confianza, resolviendo
dudas, estimulando innovaciones. Requiere sobre todo de tiempo para el seguimiento
al grupo de los agricultores - investigadores más que tiempo para evaluar y manejar la
investigación. Una investigación al mismo tiempo es una capacitación a los
participantes, tanto al investigador como a los agricultores. Por el simple hecho de
motivar a "probar" se cambia la situación social de los agricultores, se aumenta la
autoestima, aunque al final quizás no se obtengan datos científicamente "nuevos" o
datos sustentables.
Sea la investigación que se use, el investigador debe tener claro sus objetivos y la
meta principal, dentro de la cual se realiza la investigación (ver dibujo 1: El elefante y
el ciego). Cada investigación es una parte que contribuye a un total. Una investigación
sobre el efecto de trampas amarillas es una parte que contribuye al manejo ecológico
de plagas, que dentro del sistema de cultivos tiene efectos directos, los que se
evaluarán en la investigación y efectos indirectos a todo el sistema, los cuales se
deben tener en cuenta y quizás es necesario una siguiente investigación evaluando la
técnica en el ámbito del sistema. Para reconocer e interpretar correctamente los datos
obtenidos en la investigación se necesita más que la información de un ANVA. Se
necesita poder vincular estos datos obtenidos a su entorno. Es como tener un polo
elegante de color amarillo, que combinado con un pantalón viejo y desgastado de color
violeta destruye la buena presentación personal.
Parte 1
Investigación participativa
1. Principios de la investigación participativa'
La investigación participativa se basa, como dice su nombre, en la participación de los

agricultores en los procesos de la investigación y10 es manejada directamente por
ellos.
Los investigadores, que pueden ser tanto investigadores en el sentido tradicional como
extensionistas o técnicos, como primer paso deben tratar de entender a los
agricultores, los beneficiarios de sus investigaciones. Esto garantiza hasta cierto punto
una mayor aceptación de las innovaciones introducidas en la zona y evita trabajar con
agricultores sin poder llegar a ellos. Además permite partir de los conocimientos
existentes y aprovecha ideas de los mismos agricultores. Los agricultores deciden que
producir o consumir según sus preferencias y costumbres, tanto como según factores
naturales, socioeconómicos, políticos, etc. Estos factores también influyen en la
aceptación de una nueva tecnología, por lo
que deben ser tomados en cuenta a la
hora de la investigación. Si se les hace
participar, esto ocurre de manera natural.
Nadie conoce mejor que ellos sus criterios,
intereses y técnicas usadas a partir de los
cuales se desarrollará una nueva
tecnología. Las mejores tecnologías,
agronómicamente hablando, a veces son
rechazadas por razones de costumbre,
facilidad de ejecución, etc., aunque la
tecnología sea muy efectiva. Como se observa en los dos dibujos, una cultura, región
o zona tiene una forma de solucionar su problema, lo que para otra no es viable.
Son ellos los que deben fijar el tema de la

investigación y elegir la tecnología más
apropiada bajo sus circunstancias. El
investigador cumple un rol sobre todo de
facilitador, para que los agricultores puedan
expresar sus demandas y es el que ofrece
diferentes posibilidades para satisfacer estas
demandas. El investigador además provee de
métodos y principios para las investigaciones,
/- pero no decide que es lo que los agricultores
necesitan.
Hay situaciones, donde es necesario despertar el interés o la demanda por una

tecnología, haciéndola conocer o capacitando sobre un problema, sobre todo
problemas que se ven recién a largo plazo. Por ejemplo, nadie solicita un celular, sin
conocer que existe esta posibilidad de comunicarse y nadie requiere de terrazas o
zanjas de infiltración sin conocer y reconocer el problema de erosión. Pero siempre es
el agricultor el que debe solicitar el tema de una investigación y, de antemano,
reconocer su problema, al cual se busca solución. La investigación puede ser una
forma de capacitación o transferencia de tecnología hacia los agricultores.
Partiendo de esta base, hay diferentes modos de actuar. Hay centros de investigación,
que recogen los problemas de los agricultores, los discuten con ellos y se retiran para
hacer sus investigaciones y luego presentar las soluciones elaboradas en los centros.
1
El capítulo se elaboró en base al libro: Werner, J. 1993. Participatory Development of Agricultura1
Innovations. Procedures an Methods of On-Farm-Research.
15
Algunos ofrecen días de campo para informar a los agricultores sobre avances. La
participación por parte de los agricultores se reduce a ser fuente de ideas y
beneficiarios, pero no son ejecutores. No se les da la oportunidad de experimentar
ellos mismos las ventajas o desventajas de la nueva tecnología. Por eso, las
investigaciones deben llevarse a cabo en la misma chacra del agricultor, bajo su
manejo y sus condiciones de práctica. Esto presume, que ya se tiene resultados
preliminares de investigaciones básicas, los cuales se pueden llevar al campo, que ya
se cuenta con alternativas viables comprobadas en centros experimentales o chacras
demostrativas. La idea tampoco es llevar todas las investigaciones a la chacra,
arriesgando la cosecha (y supervivencia) del agricultor, sino asegurar, confirmar o
validar resultados obtenidos en estaciones experimentales en la realidad agrícola.
Pero no debemos caer en el error de pensar, que un sistema, una tecnología

desarrollada en una estación experimental se pueda implementar de golpe en una
chacra. Teniendo en cuenta lo dicho anteriormente, más bien se trata de un proceso
lento de cambios pequeños en base al sistema tradicional. La tecnología tradicional
será transformada poco a poco por las investigaciones y resultados favorables para el
agricultor.
Principios de la investigación participativa

Agricultores son el centro de atención
Técnicos tratan de entender a los agricultores
Para qué?
9 Aprovechar la experiencia de los agricultores
9 Compartir la investigación con los que viven de ella
9 Obtener datos válidos para una región
9 Validarinvestigacionesdebase
9 Comprobar viabilidad bajo condiciones en situ
Ventaja de la investigación participativa

El agricultor es motivado, recibe confianza en s i mismo
La investigación a l mismo tiempo capacita en nuevas tecnologías
Se investiga temas realmente relevantes para la práctica
Los resultados llegan al agricultor
Desventaja de la investigación participativa

Mal manejo de las parcelas pueden hacer perder la investigación
Datos obtenidos no son científicamente precisos
El éxito de la investigación participativa se mide haciendo un análisis de aceptación

y se ve en los años sucesivos, si los agricultores/as siguen investigando o aplicando
las técnicas introducidas.
2. Actores
Los actores de la investigación participativa son: los investigadores, los extensionistas

y los agricultores. Según forma o nivel de participación cada actor tiene un diferente
peso. Como hemos visto en el capítulo anterior, el rol del agricultor puede estar
reducido a ser fuente de ideas y grupo meta, beneficiario de los resultados de las
investigaciones.
Los agricultores generalmente son mencionados como tales, suponiendo detrás de la

palabra un gran grupo homogéneo, pero hay que tener muy claro, que cada agricultor
tiene sus propios intereses, trabaja bajo condiciones diferentes a las de su vecino, etc.
Esto se debe tener en cuenta al inicio de una investigación, tanto como en el mismo
propósito de la investigación. Elaborar recomendaciones válidas para cada uno de los
agricultores es imposible, tanto como obtener recomendaciones válidas para
agricultores de toda una zona o región.
El grupo de contacto de los investigadores suelen ser los extensionistas, los cuales
difunden los resultados de las investigaciones científicas y las ponen en práctica
adaptándolas a las realidades agrícolas. Los extensionistas son quizás los más
importantes difusores de las investigaciones. Pero la demanda por tecnología por
parte del agricultor y por parte del extensionista no siempre son idénticas, ...
Lo que los investigadores crean que los productores necesitan o

piensan puede no corresponder a lo que estos en efecto necesitan o
... por lo que el investigador debe consultar tanto a los agricultores como a los técnicos
y examinar bien, a quien da más peso. Lo óptimo es un consenso entre los tres
grupos, ya que facilita el trabajo trabajar en unión con todos los involucrados.
El CIAT~, Colombia, trabaja con comités de investigación agrícola local,

conformado por agricultores líderes interesados en investigar para resolver dudas,
mejorar sus cultivos. Según este modelo se define el tema a investigar en conjunto con
toda la comunidad, el cual será trabajado por el comité, involucrando a todos los
agricultores con interés de investigar. El comité está compuesto por un(a) tesorero(a),
un(a) secretario(a), un(a) líder y un(a) extensionista, los cuales tienen las siguientes
tareas: el secretario maneja la información que resulta de los ensayos; el Iíder
coordina el trabajo de todos, programa y organiza las reuniones y consulta con los
técnicos sobre los ensayos; el tesorero maneja los recursos (dinero, herramientas e
insumos) del Comité y hace las compras necesarias para la investigación; y el
extensionista promueve y comunica los resultados, habla con la comunidad para
recoger dudas o ideas para los ensayos, busca la capacitación para los agricultores.
Los comités manejan fondos y están previstos de estatutos y cada miembro es elegido
por la comunidad. Ellos se reúnen además de los agricultores de su comunidad, con
otros comités y técnicos.
2
Ashby, 1991
CIAT, Cartillas para CIAL, No2
En el caso de Colombia, el técnico sólo tiene la función de asesor, es el intermediario

entre científicos y agricultores. También se puede trabajar en un equipo
multidisciplinario, compuesto por agricultores, técnicos, ingenieros, sociólogos y
otros.
El rol de los agricultores

descubrir las necesidades de innovaciones agrarias
seleccionar de una gama de tecnologías las más promisorias
para solucionar sus problemas
determinar condiciones y manejo de investigación
investigar y evaluar si las tecnologías seleccionadas satisfacen
las demandas
transferir conocimientos de agricultor a agricultor
El rol de los extensionistas

señalar las necesidades de los agricultores de información
sobre innovaciones
movilizar los conocimientos tradicionales de los agricultores
ayudar a los agricultores a articular sus demandas de
innovaciones
evaluar la viabilidad de la innovación dentro del sistema
extensionista
difundir conocimientos sobre la innovación
transferir conocimientos sobre como investigar y evaluar
innovaciones
El rol de los investigadores

ayudar a los agricultores a articular sus demandas de
innovaciones
hacer conocer la gama de posibilidades de solucionar
problemas, demandas
explorar y usar el conocimiento tradicional de los agricultores
proporcionar los principios y métodos de investigar la
tecnología seleccionada
Fuente: Tabla modificada de Werner, 1993.
18
Ashby (1991) recomienda un número de agricultores participantes no menor de 10,
ideal sería un grupo de 15 a 20, para obtener suficientes observaciones para el
análisis. La selección de ellos se hace en primer lugar en base al interés en participar
y poner a disposición una parte de su terreno agrícola. Los agricultores seleccionados
deben ser representativos para la zona, tanto en edad, sexo, como grupo étnico, etc.
Además menciona como criterio que los agricultores necesitan ser reconocidos como
cultivadores del cultivo en el experimento por la comunidad o conocidos como
innovadores. Su posibilidad de comunicación o expresión también es importante, para
poder exponer sus opiniones sobre el trabajo. Puede ser muy útil disponer de
informantes en la zona, que identifican los posibles productores. En caso de tener una
cantidad mayor de participantes, se los puede agrupar según condiciones sociales, por
zona o región, recursos socioeconómicos, etc. para homogeneizar el grupo.
3. Tipos de investigación participativa
Se diferencian tres tipos de investigación, según la participación activa de los

agricultores.
1. Las investigaciones con la menor participación por parte de los agricultores son
aquellas, en los que estos participan en la recolección de datos, pero el tema y método
es elegido por el investigador. Este también es el caso para la elaboración de datos
(ordenamiento y sistematización), en la cual no participan los agricultores.
2. El investigador tiene la percepción sobre un problema y motiva a un grupo de

agricultores a investigarlo. Los agricultores participan a nivel de diseño como en la
recolección de datos, la sistematización y la reflexión posterior.
3. Los agricultores participan en todo el proceso, mientras que el rol del investigador
es secundario, pero constante. Los agricultores eligen el tema, el investigador es el
que dinamiza, da seguridad y confianza, resuelve dudas y estimula innovaciones.
Además se pueden categorizar diferentes tipos de investigación participativa según el

objetivo de la investigación:
Experimentos exploratorios
Experimentos de adaptación
Experimentos de verificación
A los tres tipos se los puede entender como tres etapas de investigación. Los
experimentos exploratorios son el primer paso, los que requieren menor cantidad de
conocimientos por parte de los agricultores, mientras que los otros dos, son más
complejos y el nivel de conocimientos como conducir una investigación son más altos.
4. Métodos participativos
En la investigación participativa se utilizan métodos participativos conocidos de la

capacitación y educación popular. En general, son un medio de hacer ver a los
agricultores el poder que tienen para determinar o influenciar sus vidas y su situación.
Estos tanto en la capacitación como en la investigación no pueden ser tomados como
una fórmula matemática, en la cual se ingresan los datos y se obtiene el resultado. Es
necesario conocer las circunstancias en las que se aplican estas antes de usarlas y
elegir los métodos según las condiciones del público. Los métodos no funcionan con
un facilitador con estilo autoritario: es necesario "soltar las riendas" y atreverse a
dejarse llevar por la dinámica y desarrollar ideas no planificadas. Sólo funcionan o

pueden ser aplicados por personas decididas a trabajar ellos mismos en equipo. De
nada valen los métodos, si el facilitador no está convencido de la utilidad de dejar
participar a los agricultores. Cada una de las herramientas presentadas dentro de este
método tienen su propósito, su situación adecuada e inadecuada.
La relación entre los agricultores y los investigadores o técnicos está guiado por varios
factores. Para los agricultores los técnicos, y sobre todo, los investigadores, vienen.de
otra realidad cultural, se visten diferente, usan otro idioma, etc. Esto impide a veces el
diálogo entre los dos grupos. Los agricultores pueden tener cierta expectativa de
recibir ayuda técnica o financiera de gente que supuestamente sabe más y dispone de
otros recursos. Pero también puede haber la sospecha, si es que realmente vienen a
ayudar y10 sólo a solucionar sus propios problemas. En el área de desarrollo rural los
agricultores tienen experiencias, buenas como malas, con gente de ayuda externa, lo
que influye en su comportamiento. Se dan casos, que por razones de cortesía trabajan
con los investigadores, sin comentar realmente sus prejuicios en contra del trabajo.
Lo mismo pasa del lado de los investigadores y técnicos. Cada grupo tiene ciertas
expectativas o perjuicios antes de empezar a trabajar en conjunto, lo que influencia el
modo de trabajar y tratarse.
Importante para trabajar con metodos participativos:

establecer confianza y respeto mutuo
ver a l agricultor como participante, no como informador pasivo
e l agricultor y e l investigador/técnico tienen un rol equitativo
Es fundamental valorar los mutuos conocimientos, tanto la teoría y práctica del

investigador, como la experiencia del agricultor de toda su vida. Los dos son
expertos. El agricultor no sólo es un informante pasivo, sino debe ser animado a
hacer todas las preguntas necesarias para despejar sus dudas sobre la investigación y
sobre las nuevas tecnologías. El es el responsable de las decisiones, ya que él
arriesga su cosecha, pone su mano de obra, etc. La enseñanza durante la
investigación participativa siempre es mutua. Nunca es únicamente el agricultor que
aprende y esto durante todo el proceso de la investigación, hasta llegar en conjunto a
las conclusiones.
En la práctica, esto requiere de habilidad para empezar a trabajar una investigación

participativa, en caso que los agricultores no estén familiarizados con el trabajo en
equipos y la colaboración y discusión en un taller, acostumbrados a una capacitación
pasiva. Es clave la forma de entrar a trabajar, por lo que se sugiere, explicar lo más
detallado posible el porqué el investigadorltécnico tiene interés en trabajar con los
agricultores, cuales son sus intensiones, que es una investigación, etc. y dejar claro
las propias posibilidades e intereses (p. ej. trabajar en los cultivos de maíz, café, etc.) y
sus limitaciones (p. ej. trabajar sólo con temas agrícolas, no se pueden construir
calles).
Igualmente esencial es el modo de cómo nos presentamos (ver dibujo 2). Los
investigadores, técnicos suelen ser de mayor estatura, lo que inconscientemente
expresa una superioridad hacia los agricultores, lo que hace recomendable, que el
investigador tenga esto en cuenta en sus trabajos. Por ejemplo, en el momento de las
20
evaluaciones o encuestas, en diálogos, se debe tratar de nivelarse con los
agricultores, arrodillándose o sentándose, para estar a un mismo nivel de ojos o subir
la mirada hacia el agricultor, y no al revés. Todas las expresiones corporales influyen
r Hola, soy
María
L ¡Soy Ingeniero!
Dibujo 2: Presentación inadecuada de un ingeniero ante un agricultor.

en la aceptación por la otra persona, sea un distanciamiento físico, el tono de voz, las
expresiones faciales, etc. (ver dibujo 3).
-
17
Dibujo 3: a) Colocación de los agricultores a una distancia formal, que denota

deferencia; b) acortar la distancia física redefine el espacio social; c) la
calidad de la comunicación se mejora. Fuente: Ashby, J. A. 1991. Modificado.
Una vez introducido al grupo, con el que se quiere realizar la investigación, se pueden
utilizar diferentes herramientas, las cuales tienen en común:
Las diferentes herramientas participativas tienen en común4:

Están previstas para ser utilizadas en grupos
Están previstas para trabajar directamente en el campo con las
comunidades y los agricultores
Se aprende con y de la gente, enfocando los conocimientos, las
prácticas y las experiencias locales
Estas herramientas, usadas correctamente, permiten un
aprendizaje rápido, progresivo e interactivo
La mayor parte de las herramientas proveen información
cualitativa, pero muchas permiten también obtener datos
cuantitativos en forma confiable y comprobable.
Las herramientas permiten y necesitan la "triangulación "de
fuentes, es decir, la verificación de resultados a partir de varias
fuentes de información, varios métodos y varios participantes.
El uso de las herramientas participativas, con las que se obtiene información acerca de
los problemas, costumbres y posibles soluciones, no debe impedir de revisar otras
informaciones secundarias, antes de empezar cualquier acción de campo. Además se
pueden o deben realizar estudios más detallados, para determinar o comprobar con
mayor precisión y certeza los resultados obtenidos.
Las ventajas de los métodos participativos son4:

el empoderamiento de la comunidad: la gente local puede
analizar ella misma los resultados y tomar decisiones en base a
las informaciones que ella misma ha producido. Se pueden
identificar con los resultados y los trabajos necesarios para
cambiar su situación. Además puede tener un papel importante
en desarrollar la autoestima, sistematizando y revalorizando la
experiencia y los conocimientos locales.
Ajuste y reforzamiento del papel de servicios de la institución:
se desarrollan interacciones más estrechas con la comunidad.
Las instituciones pueden adaptar y reajustar sus servicios a las
necesidades reales de la gente/grupo meta. Además es una
capacitación permanente de los técnicos y de la institución, por
entender cada vez mejor la problemática que enfrenta la
población.
4
Fuente: Geilfus, 1997, modificado
4.1 Visualización
Un elemento clave en los métodos participativos es la visualización de todos los pasos

de un trabajo, de toda la discusión y temas tratados, etc. es muy importante para
mejorar la comunicación en grupos.
La visualización ayuda a juntar ideas, estructurarlas conjuntamente, hacer visible

procesos de discusión, anotar resultados y la presentación de temas. La visualización
ayuda a entender y retener información más rápido.
Las personas asimilan sus conocimientos (ver gráfico 1 y 2) en un 83 % por lo que ven
y sólo en un 11 % por lo que oyen. O sea, que de una charla de capacitación
netamente oral no se registrar un 89 %. Para retener conocimientos nuevos, nos
ayuda todo lo que hemos visto y oído a la vez, siendo lo mejor haberlo ejecutado. Por
esta razón resultados de investigaciones, los cuales el agricultor mismo ha elaborado
no se olvidarán tan fácil, mientras que experiencias de otros, transmitidos oralmente
en un 20 % serán olvidados.
Asimilación de conocimientos
oir ver oler tocar gusto
Gráfico 1: Asimilación de conocimientos. Fuente: PolyMedia GmbHIMetaplan GmbH
Así lo grabamos
leyendo oyendo viendo viendo y diciéndolo haciéndolo

oyendo
Gráfico 2: Grabación de conocimientos. Fuente: PolyMedia GmbHIMetaplan GmbH
Para facilitar la visualización se utilizan mayormente tarjetas, las que por su tamaño y
forma de uso son flexibles, movibles a diferentes pizarras o secciones de discusión.
24
Condición para su uso, es que todos los presentes puedan leer y escribir. Otra
limitación de las tarjetas es mucha veces la vista limitada de los agricultores, que por
falta de recursos no tienen acceso a lentes. En muchos casos se puede trabajar con
dibujos en vez de palabras.
Para el uso de tarjetas se han desarrollado normas que ayudan a su manejo y uso
adecuado:
Normas para el uso de tarjetas:

se usan tarjetas de diferentes colores y/o formas, distinguiendo
así temas, opiniones, etc.
en cada tarjeta se escribe una idea
nunca se pone más de 3 líneas por tarjeta
palabras claves en vez de frases completas
colores y formas de tarjetas se usan para estructuración
proceso de discusión hay que visualizarlo continuamente
Las tarjetas que se pegan en la pizarra, se leen en voz alta. Tarjetas repetidas sólo se
sacan si todos están de acuerdo. No se amontonan ni se sobrepegan. El uso de
tarjetas necesita de cierta práctica, tanto por los facilitadores como por los agricultores,
para poder trabajar con este modo abstracto, muchas veces lejano a la vida cotidiana
de los agricultores.
4.2 Facilitador
Como principio fundamental de los diagnósticos habíamos mencionado que todos los
participantes deben ser considerados como fuente de información y decisión y que
todos, ricos o pobres, con o sin educación formal, con o sin poder, deben merecer el
mismo respeto y tener la misma posibilidad de expresar sus opiniones. Que esto se dé
es tarea del facilitador.
Importante para cualquier trabajo relacionado con personas, sobre todo para trabajos
en equipo, es la motivación. Un paso para motivar es el interés demostrado en lo que
dicen o hacen las otras personas. Esto puede ser tanto verbal como no-verbal. En
caso de una encuesta, con la que se quiere obtener información sobre un tema, motiva
al encuestado a dar información si el encuestador asiente, toma una posición de
cuerpo inclinada hacia la otra persona, tiene contacto de vista, sonríe, etc., mientras
que si contradice la información recibida, interrumpe, muestra su desacuerdo o su
aburrimiento hace callar a la persona. El idioma corporal es tan importante como el
verbal (Werner, 1993). Esto se debe tener en cuenta en los diagnósticos, durante las
evaluaciones y sobre todo al analizar los resultados y para las conclusiones y
recomendaciones. Para un trabajo participativo Frans Geilfus (1997) concluye con los
siguientes requerimientos para un facilitador:
Perfil de un facilitador:
tener fe en la gente y en sus capacidades
crear una atmósfera de confianza
tener cualidades de paciencia y capacidad de escuchar
estar consciente de sus límites y siempre dispuesto a aprender
tener confianza en sí mismo sin arrogancia
respetar las opiniones y no imponer las suyas
ser creativo
ser flexible, adaptar los métodos a la situación y no seguir
programas rígidos
ser sensible al estado de ánimo y a la sensibilidad de los
participantes
tener capacidad para dibujar y escribir
tener capacidad de síntesis y análisis
El investigador o técnico viene a ser un facilitador/motivador de actividades, las que se

quieren desarrollar durante el trabajo de investigación; está para compartir
experiencias, apoyar a la gente y sacar lo mejor de sus potencialidades.
En todos los métodos que usamos, sean encuestas, diálogos, lluvias de ideas, etc. es
importante presentar claramente nuestras preguntas y preguntar si es que se
entendieron.
Para preguntar hay unos principios básicos que ayudan a promover el diálogo lograr la
participación de la gente.
Preguntas buenas: 5
provocan curiosidad
estimulan la discusión
ponen al grupo a reflexionar
hacen avanzar el proceso
sacan a relucir los conocimientos y capacidades del grupo
revelan el deseo de entender y ayudar
Fuente: Geilfus, 1997.

26
Ejemplos para preguntas buenas, preguntas abiertas.
Son preguntas que empiezan con:
¿Ud.cree ...?
¿Ud. piensa que
Para aclarar dudas o detallar más un tema, se puede usar las siguientes frases:
Otra forma es usar las palabras claves usadas por el agricultor para preguntar por más
detalles.
Una de las normas es: preguntar en lugar de decir. Preguntando se puede

averiguar los conocimientos de la gente y asesorar en justamente esos temas
m donde es necesario. Partir de las necesidades de los participantes motiva y alivia

el procedimiento.
Ejemplo: Agricultor: "Esto es más fácil de usar."

Investigador: "¿Cómo puede usarlo más fácil?" o "¿Qué resulta más fácil?"
Preguntas malas: 6
son preguntas cerradas con respuestas evidentes
son declaraciones genera les, mal definidas
sólo pueden ser respondidas por los expertos
amenazan la colaboración del grupo
enfocan a l facilitador, empiezan por una conferencia
revelan paternalismo
5. Principales pasos de trabajo en la investigación participativa
El primer paso en la investigación participativa es, en conjunto con los agricultores, la

identificación de sus problemas agrícolas y la selección de un tema principal. Esto se
puede realizar con un diagnóstico participativo, reuniendo a los agricultores. Luego se
procede a identificar las posibles soluciones al problema, las cuales deben ser
apropiadas para satisfacer la demanda identificada. Estas "soluciones" pueden
encontrarse en informaciones secundarias, por ejemplo investigaciones
documentadas, información oral de investigadores, experiencias propias de zonas
similares e, igualmente o hasta más válidas, son experiencias e informaciones de los
mismos agricultores. Se recomienda empezar con las ideas o conocimientos de los
agricultores y aumentar la lista de soluciones con la información secundaria, en caso
sea necesario.
Estas opciones para solucionar el problema son discutidas con los agricultores lo más
detallado posible, para tener claro las diferencias y poder descartar con más facilidad
las no viables. Para esto se pueden usar los siguientes criterios (según Werner, 1993):
la viabilidad bajo las circunstancias socioeconómicas dadas

la correspondencia con las metas del agricultor y sus preferencias
la viabilidad bajo las condiciones naturales dadas
la viabilidad ecológica
la viabilidad económica
Teniendo el problema central, el cual será investigado, se empieza con la planificación

de la investigación. Las posibles soluciones definidas y elegidas pasan a ser los
tratamientos de la investigación. Para comprobar, si cumplen con los criterios por los
cuales han sido seleccionados, se debe definir los datos necesarios para su
comprobación y los métodos como tomar estos datos. Según los tratamientos se
define el diseño experimental, a los agricultores participantes, se capacita a los
agricultores en la evaluación y análisis de los datos y finalmente se saca las
conclusiones y recomendaciones de la investigación, tanto a nivel agronómico,
socioeconómico como a nivel de aceptación de la tecnología investigada.
Fuente: Geilfus, F. 1997.

28
Principales pasos de trabajo en la investigación participativa:
Diagnóstico:
k Agricultores definen sus problemas principales
Técnicos ofrecen alternativas, ideas para solucionar el/los
problema/s
k Mutuamente se analizan las propuestas de los
técnicos/investigadores
Planificación de la investigación para probar la propuesta de los
técnicos, escogido por los agricultores
Diseño de la investigación, realizado en campo de los agricultores
Evaluación de la investigación
e Análisis y conclusiones
Recomendaciones
5.1 Diagnóstico
Un diagnóstico se elabora en una reunión en grupo, donde en forma exploratoria se
discute o analiza un tema. La discusión en grupo permite valorar o rechazar opiniones
individuales y puede llegar a crear opiniones en común durante la discusión. Esto se
puede dar durante una sola reunión o realizando varias reuniones sobre el tema de
investigación, creando un grupo familiarizado con las nuevas tecnologías y con
confianza mutua. Para aclarar y hacer entender las propuestas tecnológicas se
recomienda usar materiales didácticos, dibujos o los mismos materiales de la
investigación (semillas, abonos, visualizar diferentes cantidades con número de
bolsas, etc.) para que la finalidad y las diferencias entre los tratamientos queden
claras. También las expectativas que se supone cambiar con cada tratamiento.
Tratamiento 1 Tratamiento 2 Tratamiento 3 Tratamiento 4
Dibujo 4: Visualización de los diferentes tratamientos de abonamiento (cantidad y

abono) con símbolos
El diagnóstico es un paso muy importante, ya que es la base para todos los siguientes
pasos. Se debe cuidar que el proceso de la investigación participativa sea dirigida por
el camino correcto, sin influir en los temas de preferencia de los agricultores.
Resultados no satisfactorios son muchas veces el resultado de un diagnóstico
superficial, parcial o incompleto. Es importante tener en cuenta quien hace las

demandas (con que grupo se está trabajando, si son representativos para toda la
comunidad), que es lo que demandan (identificar el problema central), donde se
demanda (es válido para una zona, una región o sólo para una comunidad).
Principio fundamental del diagnóstico:

todos los participantes deben ser considerados como fuente de
1l
información y decisión.
todos, ricos o pobres, con o sin educación formal, con o sin poder,
deben merecer el mismo respeto y tener la misma posibilidad de
expresar sus opiniones.
Es necesario que el diagnóstico se haga abierto, no guiado por los técnicos.

En el diagnóstico participativo los técnicos tienen función de intermediarios, transmiten
conocimientos de la investigación científica y amplían los conocimientos de los
agricultores; proponen soluciones.
En el caso de los comités de investigación del CIAT~,no necesariamente se recurre a

técnicos, que guíen o den nuevas ideas. Estas nacen de ellos mismos o de
agricultores vecinos, invitados a las reuniones. En las reuniones del diagnóstico los
agricultores discuten sobre los posibles temas a investigar y después de haber
decidido un tema principal, discuten sobre costos, tiempo, facilidad de ejecución,
riesgo, beneficio, conocimientos existentes sobre el tema, interés e impacto ambiental.
Diagnósticos con grupos heterogéneos pueden enriquecer la discusión, dando, en

poco tiempo, una gama de opiniones. Pero en estos grupos se da fácil la dominación
por algunas pocas personas, por lo que los resultados logrados pueden no reflejar la
opinión de la mayoría, lo que pone en peligro el futuro trabajo. Un grupo homogéneo
(p. ej. todos con interés similar) generalmente es de ventaja. Se recomienda dejar
formar grupos por personas que conocen el grupo meta, la zona y sus peculiaridades.
. Trabajos participativos, entre otros los diagnósticos, despiertan

la expectativa de seguir trabajando con los resultados obtenidos.
No sólo el investigador ha trabajado y dado su parte. También los agricultores lo han

hecho y se van con una expectativa a un futuro trabajo en común o con una desilusión,
según el desarrollo del diagnóstico.
'CIAT, Cartillas para CIAL, N" 3

30
Cuando hacer un diagnóstico
Cuando se conoce poco acerca de las percepciones de los
productores sobre un problema, por ej. plagas en los cultivos.
Cuando probar innovaciones con los productores sería costoso y
lento de lograr.
Cuando se sabe poco sobre las razones de los productores para
ciertas prácticas, por ej. la defores tación.
Cuando es importante obtener comprensión y acción de la
comunidad, ej. en el manejo del riesgo.
Ventajas del diagnóstico participativo

rápido
bajo costo
capta las percepciones de los productores
desarrolla capacidad para la acción y el compromiso del grupo
Cuando no es recomendable hacer un diagnóstico participativo

Cuando los temas a tratar requieran cierta reserva (sobre todo en el
área de salud, ingresos)
Cuando se necesite recoger mayor información cuantitativa
Cuando no se disponga de suficientes moderadores con buenas
capacidades para motivar la discusión del grupo
Cuando hay personas muy dominantes en el grupo
Cuando evitar hacer diagnósticos participativos

Cuando actividades del grupo son culturalmente inaceptables
Cuando la composición del grupo no representa su audiencia
potencial
Cuando las relaciones entre productores incluyen serios conflictos
de interés
Desventajas del diagnóstico participativo

Susceptible a consenso falso y a otros sesgos causados por los
procesos de grupo
Requiere buena moderación
Herramientas para un diagnóstico
Un diagnóstico, con el que queremos recoger las opiniones de los agricultores, debe
ser con métodos participativos, para realmente escuchar lo que es de su interés. Pero
con cuidado, porque también son métodos con los que se pueden influenciar a la
gente y manipularlas.
Se dispone de diferentes herramientas, que ayudan a desarrollar diferentes

actividades y llegar a ciertos resultados.
Herramientas participativas para un diagnóstico:

para orientación lluvia de ideas
diálogo semi-estructurado
recursos secundarios
tiene como objetivo escuchar opiniones y experiencias de otros
para análisis árbol de problemas
o planificación DPR - diagnóstico participativo rápido
transecto, mapeo, etc.
o evaluación FO DA
Lluvias de ideas es colectar ideas, explicaciones e

interpretaciones de un tema concreto. Es una
asociación libre y abierta de posibles soluciones o
alternativas sin discusión o crítica de lo
mencionado. Cada referencia se anota, por ejemplo
en tarjetas. El método se usa en la primera fase de
un análisis. Se obtiene información rápida
trabajando en grupos. Se recolectan ideas y
percepciones de la gente para un tema.
Condición es que participantes sepan leer y

escribir.
. No es adecuado en un grupo con fuerte jerarquía y miedo de

perder la cara.
Árbol de problemas
El método se usa para identificar
relaciones de causa - efecto en una
situación limitada. Se crea un diagrama
desde la limitante de una situación
(problema principal) hasta la
comprobación de su totalidad y validez.
Es un buen método para reconocer
dependencias, relaciones y problemas
primarios. El método requiere de un buen
moderador con facilidad de análisis.
Diagnóstico rápido participativo

Sirve sobre todo para reconocer la importancia que las personas dan a ciertas cosas,
su valoración. Para los facilitadores/investigadores es importante participar como
oyentes en la elaboración de un mapa social para extraer de la discusión información
adicional (diferentes opiniones, quien habla).
Transecto
Para concretizar y adicionar informaciones oficiales sobre el tema de trabajo. Se cruza
una zona o pueblo sistemáticamente junto con informantes de la zona. Por ej. se
puede atravesar una zona de norte a sur o del punto más alto al más bajo, anotando
todo lo visto respecto a suelo, flora, fauna, infraestructura o lo que sea de interés para
la investigación. Se usa sobre todo en el campo, en la ciudad o pueblo no da muchas
informaciones adicionales.
FODA: para análisis de problemas o para evaluación de las actividades realizadas en

la investigación. Se puede realizar para la evaluación final de los diferentes
tratamientos. Importantes ámbitos de trabajo y vida son analizados conjuntamente con
toda una comunidad en vista a éxitos y debilidades. Propias posibilidades son
evaluadas y discutidas, con lo que ayuda a fomentar nuevas iniciativas en las
comunidades y la autoevaluación de grupos. A raíz de un FODA pueden surgir nuevos
temas de investigación.
Significa: Fortalezas - Oportunidades - Debilidades - Amenazas

El método tiene la ventaja de incluir factores externos que pueden influir en el éxito de
las alternativas propuestas.
33
5.2 Planificación
Después de haber definido los problemas de la zona y haber fijado un tema de

investigación, se busca soluciones y se las discute con los agricultores. Junto con ellos
se define que tratamientos se van a investigar, dónde, cómo y con quién.
Aquí también se selecciona a los agricultores que participarán en la investigación,

según los criterios mencionados en el capítulo "Actores" (pág. 17). Para poder
seleccionar con mayor seguridad a los agricultores, se recomienda dejar claro las
condiciones de la investigación, para que cada agricultor pueda decidir si le conviene
asumir esta responsabilidad. Esto puede ser fecha de siembra, disposición de insumos
necesarios, disposición de tiempo para las evaluaciones, entrevistas, etc. Con estos
agricultores se trabajará durante el resto de la investigación, y se los reúne para
planificar y discutir cada siguiente paso en la ejecución. También en esta reunión debe
quedar claro que la investigación es de y para los agricultores, no es el investigador
que pone tema, ni tratamientos, ni el que se lleva todos los resultados y
conocimientos. El investigador sólo acompaña el proceso asesorando y apoyando el
desarrollo de la agricultura regional.
Planificar también significa alistar y organizar los insumos necesarios para el

experimento. En una reunión de planificación se define exactamente las herramientas
e insumos necesarios para la investigación, se calcula el costo y se hacen los
reajustes necesarios. Esta reunión, que puede ser ya sólo con los agricultores
involucrados, tiene la finalidad de verificar que la investigación se pueda realizar con
los medios y materiales a disposición y para definir responsables para las diferentes
actividades.
Según estilo de trabajo se pueden realizar varias reuniones para explicar la

metodología de la investigación: el porqué de la randomización, repeticiones,
evaluaciones, etc. antes que se realicen estos trabajos en el campo de cada agricultor.
El investigador acompañará al agricultor en la instalación del experimento, por ejemplo

en la ubicación del terreno, randomización, instalación y señalización de las parcelas,
etc. asegurando así cierta uniformidad entre los diferentes agricultores. Agricultores
experimentados pueden realizar estos trabajos sin asesoramiento.
Número de tratamientos
El número de tratamientos utilizados se define según el objetivo de la investigación. En

la investigación participativa se da como número máximo para experimentos
seleccionando variedades unas 10 diferentes variedades y para experimentos
verificando tecnología de 2 a 3. El número también depende de la situación de los
agricultores, en cuanto a disponibilidad de terreno, tiempo y voluntad de trabajo. Cada
agricultor debe tener todo el set de tratamientos en su chacra y elaborar sus propios
resultados. Esto asegura una mejor comparación y condiciones similares para todo el
set, sin variar el manejo general del cultivo.
Es preferible reducir el número de tratamientos y hacer varios ensayos pequeños en

vez de uno grande y con diseño complicado. Investigaciones pequeñas son más
fáciles de observar e interpretar, sobre todo para personas no experimentadas.
El testigo en la investigación participativa es la práctica local con el cual se comparan
las alternativas nuevas. Todo ensayo debe tener su testigo local y debe ser incluido en
la randomización. Su manejo debe ser igual al de los otros tratamientos, mientras los
objetivos no indiquen lo contrario.
Ya que la práctica local puede variar de agricultor en agricultor es recomendable que

cada agricultor participante en la investigación tenga una parcela testigo. Si la
investigación está dentro del cultivo "normal", los datos pueden ser tomados de este,
aunque en general no se da tanto cuidado al cultivo "normal" como a parcelas de
investigación, lo que puede influenciar en los datos.
Tamaño de parcelas (ver también en la Parte 2, Tamaño de parcelas, pág. 58)
Para fijar el tamaño de parcelas se discute con los agricultores sobre su disponibilidad
de terreno y el tamaño mínimo que debe tener la parcela para poder realizar la
investigación sin influencias entre las parcelas y excluyendo el efecto individual de
cada planta.
En una investigación con

fumigaciones o incorporación de abono al
voleo se puede demostrar el efecto volátil
del extractolabono en una práctica. Si se
fumiga agua sobre un suelo seco se puede ver
fácilmente el área de dispersión, como también
espolvoreando un producto parecido al abono
previsto (harina, arena, etc.) sobre un fondo
de diferente color se puede apreciar muy bien
la distribución despareja y10 el alcance del
producto.
Repeticiones (ver también en la Parte 2, Repeticiones, pág. 47)
Las repeticiones son una parte básica de la investigación, también en la investigación

participativa. Con repeticiones se aseguran los resultados, por ejemplo contra daños o
pérdidas de cosecha en una parcela, contra el numero decreciente de agricultores
participantes en la investigación, etc.
Es recomendable tener un set de tratamientos en cada finca y no repetir el set en la

misma finca, en caso que se quiera obtener datos válidos para toda una región y
validada con diferentes prácticas locales. El número depende de la homogeneidad de
la zona, de los terrenos y la diferencia entre la práctica local. O sea, en la forma de
manejar las parcelas, los cultivos.
Para la investigación participativa se habla de entre 10 a 30 repeticiones. Este

número tiene sus límites en el personal técnico que apoya a los agricultores en el
manejo, toma de datos, etc.
. En la explicación sobre la importancia de las repeticiones se puede recurrir a

frases como "Una golondrina no hace un verano" o demostrar en forma de
juego la diferencia entre una acción aparentemente idéntica. Por ejemplo
doblar avioncitos de papel: Cada agricultor dobla avioncitos, cultiva arroz de una
manera diferente, pero parte de la misma base (papel, semillas de arroz
y al final tiene un aviónlarroz. Pero el modo de cómo llegar hacia
ello, influencia en el resultado: como vuela el avión, cosecha de
arroz. Los diferentes modelos de doblar los aviones pueden ser
ejemplos para los tratamientos. Al final de la "investigación" se
puede dar recomendaciones, que modelo vuela mejor. Será el
/ que, en la mayoría de los agricultores, ha mostrado mejores
resultados.
5.3 Diseño
Después de haber definido el número de tratamientos y número de repeticiones, se

definen los agricultores que quieran participar. La investigación se hace en campo de
los agricultores, bajo el manejo de ellos, usando la experiencia del agricultor.
Cada agricultor participante da una parte de su terreno y lo divide en parcelas de igual

tamaño según el número de tratamientos previstos. Cada tratamiento, incluyendo el
testigo se realiza en una parcela extra y todas las parcelas deben ser manejadas de la
misma forma con excepción del objetivo o problema que se quiere solucionar.
El diseño más simple y recomendado cuando se empieza a hacer investigaciones con

los agricultores es que cada agricultor tenga todos los tratamientos completos en su
chacra. En este caso cada agricultor representa 1 bloque o una repetición, con una
diferente repartición de las parcelas en el bloque. Sería un diseño de bloques
completos randomizados. En experimentos de adaptación o verificación se usan
frecuentemente el diseño de parcelas divididas.
Dentro de los bloques o repeticiones, se debe tener en cuenta la homogeneidad del

suelo, o sea, tratar de realizar la investigación en un terreno de iguales condiciones de
sombra, riego, pendiente, pedregosidad, fertilidad, sin que una parcela tenga una
desventaja contra la otra parcela vecina. En cambio, entre los bloques (de agricultor a
agricultor) deben haber diferencias.
Para la forma y ubicación de las parcelas ver el capítulo sobre Formas y Tamaño de
parcelas en la Parte 2, Forma y ubicación de parcelas, Tamaño de parcelas, pág. 55).
En la investigación participativa valen los mismos criterios sobre randomización,

bordes, efectos vecinales y marginales, tamaño de parcelas y lo dicho para los
diferentes diseños en la parte 2 del manual. La randomización se debe hacer para
cada bloque, aunque estén ubicados en el terreno de diferentes agricultores, para
excluir los efectos vecinales y marginales.
5.4 Evaluación o toma de datos
Evaluar significa medir u observar en todas las parcelas lo mismo y comparar entre
ellas, y se realiza para facilitar o posibilitar la toma de decisiones sobre los resultados
de la investigación.
La toma de datos o la colección de datos y su preparación es un paso muy importante,

que requiere de mucho tiempo, pero es determinante para la calidad del trabajo. Esto
significa, que los datos deben estar completos para todos los tratamientos y se debe
minimizar el error de ensayo, registrarlos en forma lógica y contundente.
Hay dos tipos de datos:
* los datos primarios, los cuales son datos nuevos, registrados para o durante la
investigación en forma de encuestas, discusión de grupos, mediciones u
observaciones. Las encuestas, discusiones y observaciones son datos subjetivos,
mientras que mediciones son objetivas. Observaciones, p. ej. el porcentaje de ataque
de plagas, deberían realizarse por una sola persona para poder comparar datos. En
la investigación participativa se puede formar grupos de 2 a 3 personas que evalúan
una característica en todas las parcelas, para garantizar objetividad y
comparabilidad.
+ los datos secundarios son datos a base de los cuales se formulan los objetivos de la
investigación. Además nos ayudan a evaluar y analizar los resultados. Las fuentes
pueden ser datos meteorológicos, mapas, investigaciones anteriores, informaciones
escritas tanto como orales.
Para poder cumplir con estos requisitos y poder contestar las preguntas de inicio al
final de la investigación, tanto las preguntas agronómicas como las de aceptación de la
tecnología por los agricultores, es necesario hacer un plan detallado según los
objetivos; hacer una lista de los datos necesarios y en que momento se deben
registrar, ya que datos no tomados a tiempo no se pueden recuperar. Este trabajo nos
ayuda además, a ahorrar tiempo impidiendo levantar datos innecesarios. También
siempre hay datos a los que se puede recurrir de otras fuentes, los que nos pueden
facilitar la evaluación y la interpretación de los resultados.
Una de las tareas más importantes de cada técnico o agricultor investigador, es visitar
el campo regularmente, para no perder el contacto con los agricultores participantes,
evitar pérdidas de cultivo (p. ej. un ataque de plagas imprevisto) y hacer observaciones
sobre el desarrollo de las plantas.
En la investigación participativa se hacen todas las tomas de datos junto con el

agricultor o las hace directamente el agricultor. En ninguno de los pasos en la
investigación participativa se sacan datos de los campos sin los agricultores. Todos los
trabajos realizados son comentados y explicados. Durante la investigación se
realizarán varias reuniones de evaluación, según lo requiera el objetivo, para mantener
el contacto con el agricultor y para conocer y discutir el manejo del cultivo. En estas
evaluaciones vale lo anteriormente descrito, de hacer preguntas abiertas para conocer
la opinión del agricultor antes de preguntar sobre una inquietud específica por parte
del investigador o dar su propia apreciación.
Las evaluaciones realizadas se basan en el problema u objetivo de la investigación.

Por ejemplo, si se investiga el control de pulgones por un extracto de una planta
biocida, se debe evaluar la presencia o el ataque de pulgones en los diferentes
tratamientos, el daño en las plantas o frutos y quizás el número de pulgones muertos.
Además se debe evaluar el rendimiento del cultivo en los diferentes tratamientos y su

costo. En caso de probar un abono orgánico, se evaluará el crecimiento y desarrollo
de las plantas y el rendimiento final.
El objetivo también nos indica cuando evaluar y como. El rendimiento se evalúa a la

cosecha, pesándola; el ataque de pulgones en la época de presencia, contándolos o
estimando la cantidad; el daño por gusanos de tierra se evalúa en época de
germinación y crecimiento, contando plantas caídas o dañadas, una barrera viva
contra erosión se evalúa en época de lluvia, midiendo el volumen de tierra erosionada,
etc. Es preferible tener poca información, pero relacionada con el objetivo, que mucha
información que confunde y no aclara nada8.
Diferentes métodos de toma de datos:
- observaciones de campo: éstas nos dan información sobre datos agronómicos

- diálogo con los agricultores: nos dan datos socioeconómicos, por ejemplo problemas
en la instalación, el uso o aplicación de la investigación o algunas de las tecnologías
investigadas en los diferentes tratamientos.
Observaciones de campo:
Para las evaluaciones se pueden usar escalas: La internacional de 1 a 9 (ver capítulo

Toma de datos en la Parte 2, pág. 73) para investigadores más experimentados o una
simple hecha por los agricultores con sus propios criterios. Para medir el ataque de
plagas o enfermedades se puede diferenciar en ataque muy fuerte, ataque fuerte,
ataque regular, ataque bajo y ataque muy bajo. La misma escala vale para la
resistencia de plantas a plagas o enfermedades. Para la altura, en caso que no quiera
o pueda medir, se puede modificar la escala en: muy alta, alta, regular, baja, muy baja.
En casos de medir o pesar resultados se calcula un promedio de las repeticiones de
cada tratamiento y se compara con los otros resultados obtenidos.
Tener una medida fija siempre facilita el trabajo de evaluación. Para la altura de maíz,
por ejemplo, el CIAT propone trabajar con la siguiente medida: se trata de una
variedad con altura muy baja, en caso que la espiga del maíz alcance la altura de los
ojos. Plantas muy altas, son las plantas de las que no se pueden tocar las espigas
estirando el brazo. Para los agricultores las plantas tienen una buena altura cuando la
espiga queda más arriba de los ojos y pueden tocarla estirando el brazo. Este ejemplo
de escala es una escala individual, según los criterios de los agricultores de la zona.
No puede ser transferida a agricultores de otros países, pero para los fines de la
investigación y las condiciones de los agricultores es la ideal.
Hay datos, que puede que no sean contestados por los agricultores, como por ejemplo
calidad nutritiva del producto, calidad de cocción. Esto puede ser por ejemplo el tiempo
de cocción de una nueva variedad de papa, que según los agricultores tiene un buen
rendimiento, pero en el mercado no se venden por su largo tiempo de cocción, lo que
significa más gastos de gas o leña. Aquí es más importante preguntar a las personas
encargadas de la preparación de la comida por su evaluación de las variedades del
ensayo. Así pueden haber otros criterios (postcosecha, mercadeo) importantes para
los que se necesita interrogar a diferentes personas del hogar.
En la investigación participativa se necesitan además de los datos agronómicos, otros

datos como los socioeconómicos. Los agricultores deben evaluar la tecnología de
acuerdo a sus circunstancias, como puede ser: mano de obra requerida, tiempo
solicitado en época de mucho trabajo, materiales requeridos están a disposición o son
8
CIAT, Cartillas para CIAL, No6
38
difícil de conseguir, etc. La adopción de una tecnología investigada puede depender
más de factores indirectos que del mismo efecto agronómico de la tecnología. El
agricultor comúnmente hace esas evaluaciones inconscientemente, pero es importante
llevarla a la consciencia y que el investigador/técnico participe en esta evaluación para
poder desarrollar una siguiente investigación o entender mejor los problemas
relacionados. A los agricultores les puede ayudar un análisis para entender mejor las
causas de un rechazo o aceptación y para tener más claro sus demandas y poder
formularlas respectivamente.
5.5 Análisis y conclusiones
El primer paso es la preparación de los datos originales, lo que incluye el chequeo de

los datos, si están completos, transformarlos para poder procesarlos (p. ej. calcular el
promedio para cada parcela). Datos incompletos deben ser completados en caso de
ser posible, datos incorrectos o no contundentes o ilógicos deben ser rechazados.
El análisis de datos, al igual que la toma de datos, se hace con el agricultor para poder
sacar conclusiones en conjunto y para la comprensión de todos los participantes.
Aunque Werner, 1993, no duda en analizar todos los datos vía estadística
convencional con apoyo de la computadora, el ClAT en sus cartillas sobre el CIAL, no
usa métodos estadísticos más allá de cálculos matemáticos básicos, que pueden ser
entendidos y comprendidos por los agricultores y reduce sus mediciones a un nivel
manejable para cualquier productor, midiendo la altura, por ejemplo, en bajo, mediano
y chico, y evaluando los criterios más convenientes para el agricultor. Esto también
coincide con un principio básico de los métodos participativos: no sacar datos o
información de las investigaciones sin que los agricultores lo sepan o entiendan. Todos
los datos elaborados son propiedad de ellos. Una de las ventajas de la investigación
participativa es sobre todo la fácil aceptación por los agricultores de tecnologías
probadas y comprobadas por ellos, por lo que se debe preferir analizar datos con ellos
y evaluar los resultados en conjunto. Juntos se sacan las conclusiones, siempre
teniendo en cuenta lo antes dicho: respeto mutuo, equidad entre agricultores y
técnicos. También, teniendo en cuenta, que diferencias estadísticamente significativas,
si no son visibles, no convencen a personas no capacitadas en estadística.
En caso que se use análisis estadísticos, éstos son igual para la investigación
participativa y la convencional (ver Parte 2 del libro).
No sólo es importante hacer un análisis agronómico, sino también es importante hacer

un análisis económico del ensayo y verificar el beneficio económico del experimento.
Aquí entran el tiempo, insumos, posibilidad de mercadeo y rendimiento. Otro aspecto
que no se debe dejar de lado es el análisis de aceptación por el agricultor.
Como en la investigación participativa entran también datos secundarios, como arriba

mencionado, es necesario hacer una evaluación final de la investigación, resumiendo
los resultados intermedios y10 técnicos y hacer un balance final de todas las
observaciones, problemas y ventajas que ha tenido el problema de la investigación.
Para este fin el responsable de la investigación debe presentar los resultados de
manera resumida y de fácil entender para los agricultores. Para evaluaciones
intermedias realizadas durante el cultivo se pueden usar los materiales de reuniones
anteriores para recordar los resultados de estos (por ejemplo si se ha trabajado con
papelógrafos).
Dependiendo del nivel de participación de la investigación, en la preparación de la

reunión pueden participar los agricultores investigadores, presentando sus
39
experiencias y resultados que han tenido con el problema investigado. De esta forma
el agricultor tiene la posibilidad de presentar con sus propias palabras sus resultados
sin el "filtro" del investigador o técnico y sin su valoración. El agricultor pondrá énfasis
en los puntos de su mayor interés, lo que se aprovechará para identificar sus criterios
de selección y calificación. En esta reunión, la cual se realiza pocas semanas después
de terminar la investigación, se elaboran las conclusiones finales y puede ser usada
para plantear nuevas investigaciones.
5.6 Recomendaciones
Las recomendaciones se elaboran junto con las conclusiones en una reunión de

evaluación final, en la que toman parte, tanto los agricultores que han participado en la
investigación como otros invitados. En esta reunión se elabora recomendaciones en
las palabras de los agricultores para que puedan ser transferidas de agricultor a
agricultor. La ventaja es que el idioma es el mismo, la credibilidad puede ser mayor.
La difusión de estas recomendaciones es tarea de todos los participantes de la

investigación, sean agricultores, técnicos o investigadores. Algunos los harán en forma
oral, otros por escrito, documentando y comprobando los resultados con los datos
registrados y analizados en conjunto.
6. Bibliografía
Ashby, J. A. 1991. Manual para la Evaluación de Tecnología con Productores.

Proyecto de Investigación Participativa en Agricultura (IPRA). CIAT, Cali,
Colombia. 102 pp.
Bolliger, E.; Reinhard, P.; Zellweger, T. 1993. Extensión agrícola. Una Guía para
asesoras y asesores en zonas rurales. SKAT, LBL, Suiza.
CIAT. 1993. Cartillas para CIAL. Los Comités de Investigación Agrícola Local. Cartilla
No 2. Centro lnternacional de Agricultura Tropical (CIAT). Cali, Colombia. 35 pp.
Geilfus; Frans. 1997. 80 Herramientas para el Desarrollo Participativo. Diagnóstico,
Planificación, Monitoreo, Evaluación. IICA, Prochalate. El Salvador. 208 pp.
PolyMedia GmbHIMetaplan GmbH, MCMLXXX. 1997. Citado en: Separatas del Curso
de preparación para cooperantes del DED.
Quirós, C.; Ashby, J. Metodología para la Investigación Participativa en Agricultura.
IPRA-CIAT, Colombia.
Werner, Jürgen. 1993. Participatory Development of Agricultural Innovations.
Procedures and Methods of On-Farm-Research. Schriftenreihe der GTZ, No.
234. Typo-Druck-RoBdorf, Alemania. 251 pp.
Parte 2
Investigación científica
1. Sobre la estadística
La función de la estadística describen muy bien Steel y Torrie (1997) en su libro

"Bioestadística: principios y procedimientos":
"... es necesario tener en cuenta que la estadística se ha propuesto como instrumento
de investigación. ... Es el campo de investigación, no el instrumento, el que debe
proporcionar los "por qué" del problema de investigación. A veces, este hecho pasa
por alto y los usuarios olvidan que tienen que pensar, que /a estadística no puede
pensar por ellos. La estadística, sin embargo, ayuda a los investigadores a diseñar
experimentos y a evaluar objetivamente los datos numéricos resultantes. "
Este enunciado deja muy claro, que la estadística es nada más que un instrumento
muy útil, una herramienta para el investigador en su trabajo de investigar. Pero este
instrumento, mal usado, no da resultados o los distorsiona. Sólo por haber hecho un
ANVA, todavía no se tiene un trabajo científico y resultados interesantes, válidos o
confiables. Si se realizó un ANVA con datos sobre la cosecha de diferentes árboles
frutales, el ANVA puede dar buenos resultados, puede afirmar las diferencias
significativas tan deseadas por todos los investigadores, pero se está comparando
manzanas con peras, lo que técnicamente no tiene ningún sentido. El investigador
debe pensar, cuales son los datos, que va a analizar. Los números son elementos
pasivos con los que se pueden hacer cualquier cálculo; a las fórmulas se pueden
ingresar cualquier tipo de datos; es el investigador, el que decide, según su criterio
técnico y lógico, que datos son aptos para ser analizados.
En toda la investigación no se debe olvidar que la estadística sólo nos resuelve un

problema: bien aplicada nos da cierta seguridad que los efectos observados son
efectos reales, no casuales. Pero generalmente no puede detectar errores en la
planificación y realización de la investigación. Si en estos no se cumplen las
condiciones (randomización, repetición, distribución normal, etc.) los datos pierden
validez, por más impresionantes que estas sean.
Los resultados significantes también hacen olvidar fácilmente los problemas técnicos y
metodológicos en la realización de la investigación. Frecuentemente la interpretación
es limitada a las diferencias significativas, sin prestar atención a las dificultades, los
cuales pueden tener gran influencia en los resultados. La estadística no debe ser
usada como coartada para escapar de los problemas y los aspectos difíciles del
trabajo. Trabajos con gran énfasis en las pruebas estadísticas hacen pensar que el
investigador no ha podido solucionar los problemas metódicos.
Hay dos clases de estadística: la descriptiva y la analítica. La descriptiva tiene como

meta, presentar los datos obtenidos en una investigación de tal forma, que resalte lo
importante o lo esencial. Lo que se define como importante o esencial depende de la
pregunta inicial de la investigación, pero también de la decisión subjetiva del
investigador. Para obtener claridad y buena disposición sobre los datos del ensayo hay
que ordenarlos, para lo cual la estadística descriptiva usa principalmente tres formas:
tablas, gráficos y medidas características. La estadística analítica, de los datos
obtenidos y ordenados, concluye en normas generales. Partiendo de los datos
adquiridos, que sólo son una muestra de datos sobre efectos u observaciones únicas,
se trata de teorizar regularidades estadísticas, normas válidas para toda la poblacióng.
Los análisis nos ayudan a interpretar los datos, a confirmar o desechar supuestos,
diferencias, etc. de forma más objetiva que lo podemos visualmente. Para poder llegar
9
La población son todos los posibles valores de una variable, siendo una muestra una parte de la
población. Por ejemplo, la población puede ser todos los posibles valores del rendimiento de maíz en el
departamento de Lima. La muestra es el rendimiento de maíz observado en la investigación en Cañete.
43
a conclusiones válidas, es necesario trabajar la investigación con mucha seriedad y

exactitud. Una investigación a la ligera no da resultados confiables.
Tabla 1: Número acumulativo de moscas masculinas muertas de Drosophila

melanogaster después de aplicar 300 pg DDT.
Horas después del 1 2 3 4 5 6 7 8 9
tratamiento
Número total de 1 12 58 84 95 98 98 99 100
moscas
'PO J
I
U)
5 40
/
U)
E 30
20
1o
o 1
1 2 3 4 5 6 7 8 9
horas
Gráfico 3: Presentación gráfica de la tabla 1.
De los datos no podemos predecir la hora de muerte de una mosca en especial,

tampoco podemos decir, que en una siguiente repetición otra vez van a sobrevivir 2
moscas después de 6 horas. Pero con la estadística analítica se puede concretar que
después de 4 horas más de la mitad de las moscas de la población analizada están
muertas después de ese tratamiento con DDT.
La meta de la estadística quizás se podrá aclarar con ayuda de las siguientes
preguntas típicas :
¿'Qué datos hay que tener para poder contestar la pregunta inicial de la
invest~gac~ón?
¿'Cuántos datos hay que tomar?
¿De que forma s e escoge el material d e la investigación?
¿'Cómo ordenar los datos obtenidos.?
¿'Cómo serán descritos los datos y presentados en forma visible y clara?
¿.Cómo s e analizará los datos?
íQué conclusiones se podrán tomar?
¿'Cuán confiables son las conclusiones?
¿Cuáles son las preguntas, dudas abiertas después del análisis d e datos?
La lista se puede dividir en tres partes:
Tarea o hipótesis de la investigación: Después de una formulación precisa de la

pregunta inicial de la investigación, se eligen las características, un método y
medidas para evaluar y se hace el diseño.
Toma de datos: Levantar datos de las plantas a evaluar, medir, pesar, observar,
etc.
Elaboración /Análisis de los datos: los datos obtenidos deben ser preparados en
forma gráfica y matemática, concluir de las observaciones aisladas normas
generales, comprobar y analizarlas.
2. Principios básicos de la planificación
En general, es normal buscar a un experto en estadísticas recién después de haber

ejecutado la investigación, para el análisis de los datos ya recolectados. Pero la
confiabilidad de conclusiones depende mucho de como el ensayo ha sido ejecutado y
como han sido tomado los datos; el experto necesita toda esta información detallada
antes de poder analizarlas. Esto puede tener como consecuencia que sólo una parte
de los datos pueden ser usados estadísticamente o que los datos confiables no dan
respuesta a la pregunta inicial de la investigación. Bajo estas circunstancias, a veces
no queda más que asesorar al investigador cómo debe planificar y ejecutar un futuro
experimento. Por eso: una de las tareas de la estadística agrícola o biometría es
asesorar al investigador desde el punto de vista estadístico, antes de ejecutarlo, para
asegurar una toma de datos lógica y completa. Esto consolida que la posterior
descripción y el análisis serán lo más efectivo y completo posible, para poder contestar
las preguntas iniciales de la investigación. Esta parte de la estadística se denomina
planificación de la investigación.
La planificación requiere tanto de una preparación técnica como estadística. La

investigación experimental afirma hipótesis o supuestos y los verifica o falsifica con
ayuda de observaciones. Las investigaciones son el medio para obtener estas
observaciones. Después de la preparación técnica, haber formulado la hipótesis y

elegido el modelo de investigación, viene la preparación estadística. El modelo debe
ser formalizado por un modelo matemático correspondiente. Se debe aclarar los
parámetros estadísticos, asegurando que los datos colectados cumplan con las
condiciones para analizarlos con los tests previstos. Igual la elección de los factores
(en lo posible equidistantes) y del número de repeticiones debe ser realizada
conscientemente.
De la planificación exacta depende el error del ensayo, la exactitud del mismo y con
esto los resultados a obtener. Aquí también juega un rol muy importante el interés del
investigador, que debería llegar hasta tal punto de controlar o realizar el mismo cada
una de los trabajos necesarios de la investigación, para asegurarse que se hagan de
manera adecuada y exacta. Para bajar el error del ensayo a un mínimo es importante
tener en cuenta todos los factores que influyen sobre la exactitud y tratar de
minimizarlos. Esto empieza con prepararlos bien y llevarlos a cabo esmeradamente.
Además incluye tener las herramientas necesarias en buenas condiciones y
funcionando antes de empezar. Un chequeo anterior es obligatorio. Factores que
influyen son entre muchos otros el pesar y dosificar los productos usados para el
ensayo. Por ejemplo, si se pesa la cosecha con una balanza vieja y mal calibrada
influye esto en el error y la exactitud de los resultados. El peso indicado en la balanza
estará alrededor del peso "real". Si pesamos la misma cosecha varias veces sobre
esta balanza, nos dará resultados diferentes alrededor del valor "real". Esta desviación
sistemática es causada por falta de exactitud y es expresada como medida estadística
de precisión.
Realizando investigaciones bajo condiciones precarias, conociendo factores fuentes

de poca exactitud, se puede contrarrestar esto aumentando el número de repeticiones.
Para reducir el error de los ensayos se deben tener en cuenta los principios básicos de
la investigación:
l . ceteris paribus: todo el manejo de las parcelas queda igual, con excepción del
tratamiento
2. repeticiones: para poder determinar y reducir el error del ensayo
3. randomización o aleatorización: para que influencias marginales y vecinales
puedan actuar en forma homogénea sobre las diferentes variantes/tratamientos
Está demás mencionar que una buena planificación también incluye una buena
documentación del ensayo, elaborando el plano de campo, fichas para la evaluación y
anotar tantas observaciones como sean necesarias para un análisis y, sobre todo,
para una buena interpretación de los datos. El plano se recomienda hacerlo detallado,
con escala, incluyendo caminos, árboles aledaños, acequias o cuanto factor pueda ser
interesante para la ejecución.
Los datos de las evaluaciones no deben hacerse en hojas provisorias u hojas sueltas,
ya que se pueden perder. Además, cada transcripción de datos es una fuente de error.
Un ejemplo para una hoja de evaluación ver Anexo 1. Los cuadernos o folderes en uso
deben forrarse para que no se mojen y, además, escribir con tinta no-lavable. También
se deben etiquetar debidamente las parcelas con tinta resistente al agua y a los rayos
del sol, sujetados de tal forma que no puedan volarse ni estorban los trabajos en el
cultivo.
2.1 Repeticiones
Repeticiones son réplicas de la investigación. Obteniendo varios datos de los mismos

tratamientos pero de parcelas diferentes se puede estimar el error experimental. Sin
repetición no podemos estimar el error experimental, sin error no podemos determinar
si las diferencias observadas son reales o si se deben a la variación individual.
Aumentando el número de repeticiones se aumenta la precisión del experimento y el
poder de las pruebas estadísticas.
Aumentar el número de repeticiones puede permitir hasta cierto grado trabajar con
material, suelo, etc. no homogéneo, pero no reducen el error debido a técnicas
defectuosas.
No es posible dar indicaciones de validez general respecto al número de

repeticiones.
El número de repeticiones depende de:

la homogeneidad del terreno o ataque de plagas
la diferencia esperada entre los tratamientos
la precisión del ensayo deseado
del objetivo de la investigación
En general, en condiciones muy favorables, se puede limitar la investigación a 3 hasta

5 repeticiones. En caso que se quiera determinar diferencias finas se debe efectuar de
6 a 8 repeticiones. El número mínimo son 3 réplicas, con menos, los datos no son lo
suficientemente confiables. Aumentar el número de repeticiones es más favorable a la
investigación que aumentar el tamaño de parcelas.
Como repetición no vale una parcela dividida en diferentes

fracciones, de las cuales se toman las muestras (por ejemplo tres
fracciones, tres repeticiones). Las parcelas deben estar sepa-
radas una de otras por otros tratamientos de la investigación,
para simular/incluir a lo máximo las diferentes influencias
vecinales, climáticas y del suelo o ubi'cación.
2.2 Randomización
La randomización reduce la falsificación sistemática, por ejemplo ordenando varias o

todas las parcelas de un tratamiento a un costado del campo donde la luz es mayor,
influirá fuertemente en nuestros datos. La randomización además nos da una de las
condiciones básicas para la mayoría de los diseños: los datos son independientes.
Consiste en la determinación al azar de los tratamientos en el área de experimento o

parcelas, para que influencias marginales y vecinales puedan actuar en forma
homogénea sobre las diferentes variantesltratamientos. Sin randomizar el coeficiente
de varianza es pequeño, o sea, la precisión alta. Pero la credibilidad del experimento
es baja. El ensayo no es reproducible con el mismo resultado en otro terreno, es decir:
del muestre0 no se puede estimar a la totalidad de datos. Para obtener datos válidos y
poder responder la hipótesis de la investigación hay que randomizar. La precisión
puede resultar más baja, pero el valor "real" es más acertado.
A) Resultados obtenidos en rendimientos en un ensayo no randomizado

Calidad del suelo
/
buena baja
A B C D E
//
' E
rendimiento
>
* la precisión es alta, la confiabilidad de los datos baja.
B) Resultados obtenidos en rendimiento en un ensayo randomizado completamente
Calidad del suelo
buena baja
>
A C B E D
E C
C E
rendimiento
>
+ la precisión es menor, la confiabilidad es alta
48
No se debe hacer la distribución "a dedo", sino de una de las siguientes formas:
* tabla de números al azar (ver Anexo 2). En la tabla se escoge al azar un número de
cualquier columna y se utilizan los números siguientes para ordenar los
tratamientos.
* calculadoras científicas con opción de número randomizado (RAN #)

* rifas o sorteos: Por ejemplo: En una investigación se tiene 4 tratamientos con 3
repeticiones. Se da una clave a los tratamientos (TI R1 = Trat. 1, rep. 1; T1 R2 =
Trat. 1, rep. 2; T I R3 = Trat. 1, rep. 3; T2R1 = Trat. 2, rep. 1, etc.). Se enumeran 12
papelitos, se doblan y mezclan y se comienza el sorteo. El primer número
corresponde al No 1 de los tratamientos, el segundo número del sorteo al No 2 de
los tratamientos y así sucesivamente. Lo mismo se puede hacer también con
dados. En caso que se usan bloques, se repite para cada bloque el sorteo. O sea,
se hacen tres sorteos, uno para cada repetición.
* guía telefónica o agenda: se abre la guía en una página al azar y se copian

consecutivamente tantos números como parcelas hay en la investigación y se
ordenan a los tratamientos. En un segundo paso se ordenan los números de
teléfono en forma ascendente y ese orden da el orden de los tratamientos.
Ejemplo:
Randomización en diseño de bloques para una investigación unifactorial

(A) y una polifactoriaf (B)
A) Randomización por sorteo, para el primer bloque en una investigación unifactorial

(Factor abono):
Abono Clave Papelito Distribución en el campo

Guano de isla T1 4 T5
Guano de T2 2
corral
Humus de
lombriz
humus de lombriz
Fertilizante T5 1
químico
6)Randomización con números de teléfono, de los cuales sólo se usan los últimos
tres en forma ascendente, para el primer bloque en una investigación polifactorial
(Factor abono y factor dosis):
Abono 1 Clave 1 N" 1 Orden 1 Distribución en el campo

Guano de isla 2718 128
Guano de isla 3581430

2 t/ha
Guano de isla T3 2548221 4
3 tiha
Humus de lombriz T4 8887666 6
2 tiha
Humus de lombriz T5 4761 023 2
3 tiha
Humus de lombriz T6 21 16005 1
4 tiha
En experimentos realizados se observó que algunos "randomizadores", que "a dedo"

escogían campos a ser evaluados, sin usar una de las técnicas arriba descritas, tenían
la tendencia a seleccionar instintivamente campos con menos cosecha o más
cosecha, aunque estaban convencidos de su objetividad. Esta influencia inconsciente
se elimina randomizando en papel y10 usando las técnicas descritas.
2.3 Bloques
Para hacer más homogéneo el material del experimento y para poder calcular
diferencias ambientales (calidad del suelo, malezas, luz, viento, ataque de plagas), se
recomienda formar grupos homogéneos, que se denominan bloques. Para reducir
estos factores (conocidos o desconocidos) que influyen en la investigación, pero no
son de interés, se forman grupos, en los cuales las condiciones deben ser lo más
homogéneas posibles. Estos grupos se denominan bloques. Las diferencias o
variaciones dentro de los bloques deben ser mínimas y entre bloques lo más grande
posible. Entre mas homogéneo sea un bloque, mejor se podrá calcular en el ANVA el
efecto de la influencia no deseada. Estas diferencias pueden ser tanto las arriba
mencionadas, como también puede ser la cosecha durante varios días. En este caso
la cosecha se realiza en un día todo el completo bloque 1, al siguiente día el siguiente
bloque completo, para mantener la mayor homogeneidad dentro de un bloque. Lo
mismo vale para evaluaciones. Si diferentes personas evalúan la investigación, una
persona debe hacerlo en todo un bloque, la otra persona lo hará en otro bloque.
Con la ayuda de los bloques se puede calcular el factor "calidad del suelo" (en caso de
heterogeneidad del suelo) y restarlo del error del ensayo. Con esto, los efectos
causados por los factores del tratamiento obtienen estadísticamente mejor visibilidad.
Zonas de heterogeneidad pueden ser zonas de estancamiento, con sombra de árboles

o edificios, zonas pedregosas o laderas. En laderas, el agua puede llevar el abono de
una parcela más alta a la más baja, que en el peor de los casos es el testigo nulo. Este
lavado influye o falsifica los datos obtenidos en la investigación.
En caso de no conocer con exactitud las influencias se recomienda hacer bloques y
parcelas cuadradas. Para mayor información ver capítulo Forma y ubicación de
parcelas (pág. 55).
La distribución de bloques o parcelas depende según las posibilidades o condiciones

del terreno. Pueden estar en una fila, un bloque detrás de otro, un bloque debajo de
otro, en dos filas, o separados un bloque del otro (ver gráfico 4). Una forma para
obtener bloques cuadrados es:
Bloque I Bloque II
I
Bloque III Bloque IV
Gráfico 4: Distribución de bloques en forma cuadrada.
Randomización y formación de bloques en si son contradictorios, ya que la formación

de bloques requiere de cierta distribución consecuente, mientras que la randomización
trata de impedir esto. Esta contradicción se resuelve en formar bloques y randomizar
dentro de ellos.
Formación correcta de bloques: dentro de ellos el efecto actúa con la

misma intensidad. Las parcelas tienen condiciones idénticas.
Formación incorrecta de bloques: dentro de ellos el efecto actúa con

diferente intensidad. Las parcelas no tienen condiciones homogéneas.
Gráfico 5: Formación de bloques (a - d) bajo diferentes condiciones climáticas. Fuente:

O1sváth/Geidel.
2.4 Tratamientos
Los diferentes procedimientos, cambios en materiales, variedades, etc. se llaman

tratamientos. Son ellos los que se evaluarán durante el experimento y son el único
factor modificado en toda la investigación, variando el procedimiento/material, variedad
de tratamiento en tratamiento. Todos los otros factores que influyen en la
investigación, sean esto labores culturales, semillas, riego, fertilización, control de
plagas, deben ser idénticos para todas las parcelas (ceteris paribus).
Los tratamientos deben ser definidos sobre todo según los requerimientos técnicos. A
raíz del tema de la investigación, del problema a estudiar y un buen estudio de
literatura se definen los tratamientos. Como "literatura" también es válido las
comunicaciones orales de los agricultores o técnicos. Una buena preparación significa
recoger información básica sobre el sitio de la investigación, las condiciones climáticas
y económicas, prácticas locales e información específica alrededor del problema.
Todos estos factores influyen en una investigación y en la definición de los
tratamientos, tratando de definir estos orientándose a las necesidades del agricultor.
De nada vale una investigación sobre un abono, que en otras regiones ha tenido muy
buenos efectos, si en la zona de la investigación los agricultores no tienen acceso a
este abono. Una buena preparación facilita también la interpretación de los datos a
obtenerse y la vinculación de estos al contexto.
En una investigación se debe justificar la elección de los tratamientos. Por ejemplo,

quedando con el ejemplo de una planta biocida, la planta seleccionada y las dosis
usadas en la aplicación deben basarse en observaciones, información sobre su efecto.
Teniendo poca información se recomienda partir de dosis con grandes diferencias
(0,01 %, 0,1 %, 1 %) y distanciamiento equidistante, acercándose en investigaciones
posteriores a la concentración ideal (0,l %, 0,2 %, 0,3 %, 0,4 74). Hacer varias
investigaciones con un número reducido de tratamientos reduce el costo,, tanto de
insumos como de mano de obra.
Los tratamientos deben responder al objetivo de la investigación. Ejemplo:

Comparación del efecto de 5 diferentes extractos contra mosca blanca en algodón en
el valle de Cañete. En el valle se presentan en algodón tres diferentes moscas blancas
y los agricultores siembran cuatro diferentes linajes de algodón. Si queremos llegar a
recomendaciones válidas para todo el valle, debemos incluir en nuestra investigación
todas las moscas blancas y los linajes usuales. Es importante si el investigador quiere
generalizar la información para todas las moscas y todos los linajes. Generalmente
conclusiones a este nivel no se pueden tomar a raíz de una sola investigación.
El momento oportuno para la realización de los diferentes procedimientos (tratamiento)

depende de las características de los tratamientos. El abono será aplicado a la
siembra, al aporque o de manera foliar, si así indica la investigación, teniendo en
cuenta que la planta necesita ciertos nutrientes más en la fase vegetativa, otros
durante la floración, etc. Una aplicación de productos biológicos y/o químicos será
realizada en la fase más susceptible del insectolenfermedad a controlar, o sea, en el
estadio, en el que el insecto ofrece la menor resistencia a la aplicación o en la fase en
la que la planta sea susceptible al ataque de la plaga. Esto implica, que el investigador
se informe sobre la biología del insecto plagalenfermedad y10 sobre la época de
ataque de la plaga. Puede ser necesario observar la aparición de las plagas y hacer la
aplicación según el número de plagas en el cultivo, como puede ser útil comparar la
presencia con datos meteorológicos (por ejemplo: presencia de hongos a los dos días
después de bajar la temperatura, aumentar la humedad relativa).
El número de tratamientos se define según el objetivo de la investigación. En la

investigación convencional se da como número para experimentos seleccionando
variedades unas 10 diferentes variedades. Se pueden hacer hasta más tratamientos,
pero sobre todo investigaciones con varios factores son complicadas y difícil de
interpretar. Es preferible reducir el número de tratamientos y hacer varios ensayos
pequeños en vez de uno grande con diseño complicado. En caso de una investigación
sobre una planta biocida, se tiene como interrogante si es que funciona, cuando
aplicar (nivel de daño, presencia de insectos plagas), que dosis aplicar, cuantas veces
aplicar y comparar con insecticidas en el mercado. Cada una de estas preguntas
puede ser una o más investigaciones aparte.
2.5 Testigo
El testigo en la investigación convencional tiene como finalidad comparar lo actual con

lo nuevo. Puede ser un tratamiento de comparación adicional a los tratamientos que
aprobarán la hipótesis, como un tratamiento nulo, en el cual el factor central de la
investigación está ausente; pero se recomienda definirlo como el tratamiento local, el
manejo/dosis que dan los agricultores a su cultivo, ya que en la investigación orientada
hacia los problemas de los agricultores debe afirmar que un cambio en las costumbres
resulta beneficioso para ellos. La comparación siempre se hará con el manejo actual,
no con una parcela nula.
En ensayos de fertilización orgánica el testigo comúnmente es la variante química. Por

ejemplo: para investigar el efecto de incorporación de materia orgánica al suelo en
cuanto a contaminación, efectos secundarios, efectos fungicidas, etc. se trata de
mantener todos los otros factores a igual nivel. El factor nutrientes se elimina
fertilizando las parcelas testigo al nivel máximo de N que se incorpora con la M.O.
Al igual que los otros tratamientos el testigo necesita repeticiones y debe ser
incorporado al diseño experimental.
2.6 Investigaciones factoriales
Si en una investigación se quiere analizar el efecto de un único factor se habla de una

investigación unifactorial. Por ejemplo: una investigación analizando el efecto del
nitrógeno en la producción a tres concentraciones es unifactorial, mientras que si
analizamos el efecto del nitrógeno y el fósforo cada uno a tres concentraciones
hablamos de polifactoriales o de factoriales de dos factores. Cada factor aporta varios
tratamientos. Meta en estas investigaciones factoriales es analizar el efecto de varios
factores o variables al mismo tiempo. Algunas ventajas de los factoriales son:
* En investigaciones unifactoriales la concentración de los otros factores involucrados

son determinados de manera arbitraria, al contrario en ensayos factoriales, donde
varían todos los factores interesados.
* Se puede conseguir una precisión más alta con el mismo esfuerzo en planificación e
implementación.
* Se puede analizar las interacciones entre diferentes factores y su relación.

Por ejemplo, recién en investigaciones factoriales se ve que una dosis alta del abono A
limita la absorción del abono B y le resta efecto a la fertilización.
-- -
-
Una investigación con m factores a n niveles tiene una posibilidad

de combinación de rl". El ensayo rápidamente se hace grande,
complejo y difícil de interpretar. Será importante medir las
ventajas y ver si no conviene hacer previamente varios ensayos
unifactoriales, eliminando niveles sin efecto y como recién como
último hacer un factorial con los factores y niveles restantes.
Diseños apropiados para investigaciones factoriales son el diseño de bloques

completos al azar, el cuadrado latino o las parcelas divididas.
2.7 Forma y ubicación de parcelas
Al buscar un terreno apropiado es importante tener en cuenta el cultivo anterior. En

terrenos con investigaciones anteriores de fertilización, se debe esperar 3 a 4 años
para que se "borre" el diferente abonamiento en el terreno. Vale la pena usar un área
representativa para la zona o región.
La forma de las parcelas ayudan a mejorar la precisión, ya que también en ellas, como
en los bloques, se refleja por ejemplo la homogeneidad del suelo u otros factores de
influencia.
Se recomienda situar las parcelas (los lados largos) a lo largo, o sea en forma paralela
al factor perturbador, el cual no ha podido ser registrado completamente con la
formación de bloques, para tener parcelas uniformes.
Ejemplo:
Resultados obtenidos de una investigación con diferente ubicación de

parcelas
A) Parcelas transversales a la calidad del suelo
Calidad del suelo
buena baja
Bloaue 1
3 Parcelas no homogéneas dentro de un bloque: Las parcelas son heterogéneas, ya que la

calidad del suelo se refleja en cada una de ellas. El tratamiento A, Bloque I está en un área de
mejor calidad de suelo que la parcela C en el mismo Bloque.
B) Parcelas paralelas a la calidad del suelo
Calidad del suelo

,
buena baja
Parcelas homogéneas dentro de un bloque: todas las parcelas tienen zonas con menor o
mayor calidad de suelo, por lo que la influencia suelo ha sido limitada y se pueden apreciar los
efectos reales de los tratamientos.
En caso que la heterogeneidad del suelo sea desconocida, se recomienda hacer

bloques y parcelas cuadradas. En general vale: parcelas largas y estrechas son más
exactas por ser más fáciles de trabajar y controlar mejor la calidad del suelo. Pero la
estrechez tiene sus límites (efectos vecinales, ancho de máquinas, etc.). Se
recomienda formas con una relación ancho a largo de 1 : 2,5 a 1 : 5.
La forma de las parcelas se define además por el objetivo de la investigación: en

investigaciones de variedades, abonamiento, manejo de suelos o malezas, la forma
rectangular suele ser la de más fácil manejo, por lo que se puede trabajar a lo largo de
los surcos o líneas de siembra. Las fronteras con las otras parcelas pueden marcarse
claramente y el efecto vecinal no es aumentado por los tratamientos. En cambio, en
investigaciones, en las cuales se fumiga, se aplica insumos al voleo, etc. por el mismo
efecto vecinal las parcelas deben ser cuadradas.
Para ensayos de variedades y abono:

* parcelas rectangulares, largas
/I Para ensayos de control de plagas o enfermedades:

* parcelas cuadradas, ya que la calidad del suelo es menos importante que
1I
el ataque de plagas, el efecto vecinal y el efecto marginal
parcelas
incorrectas
parcelas
correctas
Gráfico 6: Ubicación de parcelas en ladera. Fuente: O'sváth/Geidel, modificado.

Al implementar la investigación en el campo es importante conseguir parcelas de

vínculo recto, para poder trabajarla de forma óptima. Para trazar un vínculo de 90°,
nos podemos ayudar con Pitágoras (c2= a2 + b2):
En una Iínea CD partimos desde C

y marcamos un punto A con 3, 6 o
5 metros. Desde A se traza una A
Iínea con el valor de la hipotenusa
(5, 10 o 13 respectivamente) en
dirección a B y desde C se traza
una Iínea con el valor del cateto (4,
8 o 12 m) hacia B. Tanto el punto A C "......,
A
a I
como B se prolongan hasta obtener I
I
I
el largo o ancho deseado de la l
I
parcela, obteniendo un vínculo l
l
recto. Esto se repite para cada . . A I

I
I I
vínculo del bloque, parcela, etc. C 1 D
Como círculo se puede usar una b
pita con dos estaquillas a los
extremos. Uno de ellos se amarra en el punto de partida, y el segundo palo es el
"lápiz" que marca los puntos obtenidos.
2.8 Tamaño de parcelas
El tamaño de las parcelas es importante para la confiabilidad de los datos. Se necesita

una cantidad mínima de plantas dentro de una parcela, para poder hacer las
evaluaciones correspondientes de manera acertada y seria, ya que se debe tener en
cuenta, que de la muestra de tres o cuatro parcelas (según número de repeticiones) se
sacan conclusiones para toda la población. En plantas de baja densidad de siembra,
deben ser mínimo 20 a 30 plantas dentro del área neta, para plantas de alta densidad
de siembra se calcula el área neta mínima, no tanto la cantidad de plantas necesarias.
En todo caso se necesita un mínimo de 20 a 30 datos por cada característica
evaluadalo para eliminar la influencia individual de cada planta sobre el resultado total,
para obtener resultados representativos para la población. Para algunas plantas
Rohrmoser (1984) da las siguientes recomendaciones para contrarrestar la variabilidad
genética:
Cereales 300 - 400 plantas por parcela

Maíz 100 - 140 plantas por parcela
Papa 40 - 50 plantas por parcela
1o
En caso de que se evalúe la cosecha de una parcela, se obtiene un solo valor por parcela ya que la
cosecha es el resultado de un número "x" de plantas. Más bien se deben cosechar mínimo 20 a 30
plantas para obtener un valor confiable para la característica "rendimiento".
El tamaño de las parcelas depende de:
objetivo
tipo de tratamiento
número de repeticiones
homogeneidad del suelo
época de realización
cultivo
técnica usada en la investigación
No se pueden dar tamaños exactos para cada cultivo, ya que depende del objetivo,
pero también de la época del año. Por ejemplo, en una época del año con mucho
viento, se necesitan parcelas más grandes (efecto vecinal).
En general se prefiere trabajar con parcelas chicas, ya que un tamaño muy grande de
parcelas agranda el error del ensayo, por la creciente heterogeneidad del suelo. Es
preferible hacer un mayor número de repeticiones con parcelas pequeñas, que pocas
repeticiones con parcelas grandes.
En el control de plagas mediante biocidas e insecticidas el tamaño se agranda, la

calidad de suelo no es el factor determinante, sino los efectos vecinales, marginales y
la dirección del viento, ataque de plagas, etc. Para investigaciones en este área se
trabaja con parcelas de 25 m2 hasta 100 m2, dependiendo del cultivo.
se pueden hacer aplicaciones más uniformes

menor costo
resultados más exactos en evaluaciones
Al final, el tamaño de parcelas también es influenciado por el presupuesto, la mano de

obra, materiales y campo disponibles, al cual el investigador se debe adecuar.
Algunos datos referenciales se dan en la tabla 2.

I ama 2 : i amano nero ae parcelas usaaas en ia invesrigacion (en m=).
Cultivo Area Tema de la investigación
Algodón riego
variedades
Arroz variedades, fertilización
control de enfermedades
Arveja
Cacao control de plagas
Café control de plagas
Cereales fertilización, variedades
Coles control de plagas
Frijol fertilización
Gramíneas variedades, fertilización
Haba variedades
Lechuga control de plagas
Maíz fertilización, variedades
riego
Maní fertilización, variedades
riego
Papas fertilización, variedades
Plátano control de plagas
Tomate
Trébol variedades
Fuente: Rohrmoser, 1984, modificado.
2.9 Efecto vecinal
Es la influencia recíproca de las parcelas vecinas entre sí. En ensayos de variedades y

abono es tanto más intenso cuanto más se diferencian los tratamientos, p. ej.: altura
de las plantas, que influyen a las parcelas vecinas, plagas que pasan de una parcela a
la otra, repelente que actúa más allá de los bordes de la parcela aplicada.
En el diseño hay que buscar tratamientos comparables o, en caso de desconocer el

efecto, separar las parcelas con barreras (p. ej. barreras de avena en un Sultivo de
papas) y eliminar los márgenes de las parcelas antes de evaluar.
En ensayos fitosanitarios la propagación de plagas y desviación de los productos de

aspersión y espolvoreo por el viento juega un rol muy importante. Esto sobre todo es
fuerte en parcelas longitudinales. Además, la migración y expansión de las plagas
influyen sobre la eficacia del extracto a investigar y es más notable en parcelas
longitudinales. En la propagación se da muchas veces (p. ej. pulgones) un foco de
contaminación, que puede influir a parcelas vecinas. Hay que tener en cuenta la
dirección del viento, por la cual estas plagas suelen entrar al campo o los otros
factores respectivos. Por consiguiente, para investigaciones en el manejo de plagas es
preferible la forma cuadrada en lugar de la cuadrilonga. Así se puede disponer en cada
parcela de un núcleo no influenciado por efectos vecinales para la evaluación.
Efecto vecinal (por viento) en una Efecto vecinal en una parcela

parcela cuadrada rectangular
Gráfico 7: Área en una parcela libre de los efectos vecinales.
Una forma de solucionar el problema del viento es mediante telas que se colocan
durante la aplicación en los bordes de la parcela aplicada, pero sólo es viable para
cultivos de tamaño bajo. Con viento fuerte se prohiben hacer aplicaciones, ya que el
efecto ya no es controlable.
Otra forma para evitar un efecto vecinal es mediante caminos entre los tratamientos,
pero esto ocasiona otro efecto negativo para el resultado final:
2.1 0 Efecto marginal
Este efecto se produce por la falta de competencia que tienen las plantas en el borde.
Esto puede causar un tamaño de plantas o cosecha mayor o menor a la del centro del
cultivo. El microclima del centro de un cultivo es muy diferente al de los bordes, lo que
puede ocasionar un ataque de hongos diferente. Otro problema que surge por los
caminos es el ataque de algunas plagas, que se da preferentemente por esos
caminos. En caso de ser necesario dejar un camino, se recomienda dejar una franja
de borde, que queda excluida de la evaluación.
El efecto marginal en investigaciones de variedades y de abono es sobre todo la

diferencia en rendimiento entre las plantas en el borde y el centro del cultivo por las
diferentes condiciones climáticas. Antes de cosechar se eliminan las plantas
marginales para tener un rendimiento absoluto y no relativo.
En los ensayos fitosanitarios en cambio, el efecto marginal es causado por el grado de

ataque de las plagas, que en el margen suele ser más alto que en el interior. Hay que
tener buenos conocimientos de la plaga a estudiar para saber como se propaga. Por
ejemplo, pulgones realizan un vuelo de ataque. En vuelos a larga distancia dan
mecánicamente con las plantas marginales y prueban ahí si la planta de aterrizaje es
un hospedero. De ahí se propagan y se expanden al interior del cultivo. Si el control de
pulgones es el único factor a investigar y se hacen las aplicaciones recién a la
aparición de pulgones, se pueden definir las parcelas según el ataque. En la
planificación se tiene en cuenta el efecto dejando una franja suficientemente ancha
que no se evalúa.
2.1 1 Simetría
Una estructura simétrica de la investigación, o sea levantar datos en igual número para
cada parcela y usar niveles de factores equidistantes (p. ej. 10, 20, 30 y 40 kg de
Nitrógeno; evaluación de plagas a 1, 2, 3, 4 días de aplicación) es de ventaja, ya que
es una condición para muchos tests o análisis. Esto por ejemplo para un ANVA
factorial, donde para cada parcela debe haber el mismo número de datos. Para la
regresión se recomienda tener niveles equidistantes para el factor x. Esta estructura
simétrica trae ventajas simplificando el análisis de los datos y un incremento de
información.
3. Diseño experimental
Como hemos visto en los capítulos anteriores, hay factores que obstaculizan la
investigación e influencian los resultados en forma no deseada. Para eliminar o limitar
estos factores se han creado diferentes diseños, como los bloques. Algunos diseños
facilitan el manejo de una gran cantidad de parcelas, otros se han creado
especialmente para manejar dos factores. La etapa de planear el diseño es una etapa
fundamental, que finalmente permite la recolección apropiada de datos y conducirá a
un análisis objetivo y con deducciones válidas del problema investigado. El diseño
tiene el propósito de proporcionar métodos que permitan obtener la mayor cantidad de
información válida acerca de una investigación mediante métodos que permitan
disminuir el error experimental. Si ya sabemos el tamaño y forma de las parcelas,
debemos decidirnos por un diseño. A continuación veremos los principales diseños
para investigaciones agrícolas.
3.1 Diseño Completamente Aleatorio
El diseño más simple es el Diseño completamente randomizado o aleatorio, el DCA, el

cual se usa en laboratorio, mas no se suele usar en el campo ni en invernadero, ya
que cada suelo o ubicación en invernadero tiene cierta heterogeneidad, aunque no la
conozcamos. Los datos son más confiables dejando la posibilidad de calcular el efecto
de bloque. Condición para el diseño es que todos los factores que influyen en la
investigación sean bastante homogéneas.
Ejemplo:
Investigación sobre el efecto de biocontroladores contra Sclerotium

cepivorum en cebolla en laboratorio con 3 repeticiones1'
Tratamientos: T 1 Sclerotium cepivorum T 5 Coniothyrium minitans

T 2 Trichoderma viride T 6 Gliocladium roseum
T 3 T. harzianum T 7 Chaetomium globosum
T 4 Penicillium expansum
La randomización del diseño se hace para todas las unidades experimentales o sea
parcelas, macetas, placas petri, etc. sin restricciones (ver también capítulo de
Randomización, pág. 48).
11
Tratamientos tomados de la tesis de Marco A. Arenas Aspilcueta, UNSA, Arequipa, 1996.
3.2 Diseño de Bloques Completos Aleatorizados
Otro diseño simple y el más usado en la agricultura es el diseño de bloques completos

aleatorizado, el DBCA.
Las ventajas de los bloques y la forma de distribuirlos ya las hemos discutido
anteriormente. Se enumera los bloques y dentro de los bloques se distribuye las
parcelas de manera randomizada.
Ejemplo:
Investigación sobre el efecto de seis extractos vegetales, goma natural y

aceite vegetal sobre Spodoptera frugiperda en maíz en campo con 4
repeticiones12
Tratamientos: T 1 Argemone mexicana T 6 Lycopersicon esculentum

T 2 Nerium oleander T 7 Pouteria sapota
T 3 Ambrosia peruviana T 8 Aceite vegetal
T 4 Brugmansia arborea T 9 Testigo sin tratamiento
T 5 Capsicum sculentum T 10 Testigo químico
Se divide el campo en 4 bloques y se fracciona en 10 parcelas. La distribución de los

tratamientos a las parcelas se hace mediante randomización dentro de los bloques
(ver capítulo de Radomización, pág. 48).
Bloaue
Otra forma de bloque es:
l2 Tratamientos tomados de la tesis de Eulogio B. Lino Chávez, UPAO, Trujillo, 1997

64
3.3 Diseño en Cuadrado Latino
En el DBCA se puede eliminar o limitar sólo a un factor no deseado. En caso de tener

heterogeneidad de suelo en dos direcciones o un segundo factor x, se puede aplicar el
cuadrado latino. En este diseño tanto las filas como las columnas representan un
bloque completo. Como filas y columnas son criterios de clasificación, también pueden
ser usados como una clase de tratamientos. Steel y Torrie (1997) dan como ejemplo
una investigación de almacenamiento, siendo los días las filas y los almacenes las
columnas. Pero advierten, que no se debe usar el diseño en caso que se puedan
presentar interacciones significativas entre estos factores.
El diseño es poco manipulable con un gran número de factores ya que, por ser
columnas = filas = tratamientos, requiere un gran número de parcelas. Por ejemplo,
una investigación factorial con 3 factores (3 formas de control de plagas) a 2 niveles
(dosis de aplicación) cada uno: Tenemos 8 posibles combinaciones entre factores y
niveles, para los cuales serán necesarios 64 parcelas (8 x 8). En un diseño de bloques
con 4 repeticiones necesitaríamos 32 parcelas (8 x 4). En una investigación can diseño
de cuadrado latino se parte de un plano matriz, el cual es randomizado. Planos matriz
se encuentran en el Anexo 3.
El cuadrado latino se analiza como un ANVA de tres factores, siendo el factor A el

factor analizado, el factor B las columnas y el factor C las filas, sin calcular las
interacciones, las cuales quedan incluidas en la suma de los cuadrados del error.
Ejemplo:
Randomización de una investigación sobre el rendimiento de cinco

variedades en campo
Se prueba 5 diferentes variedades en un terreno con dos influencias negativas.

Se decide hacer un cuadrado latino. 5 tratamientos requieren de 5 repeticiones, con lo
que tenemos un cuadrado 5 x 5. En un cuadrado latino el número de tratamientos es
igual al número de filas e igual al número de columnas.
El plano de origen es el siguiente:
Columnas
1. El primer paso es randomizar las

filas de la siguiente manera:
Noal azar No de fila Rango
antes fila 3
antes fila 4
antes fila 2
antes fila 5
Con esto la fila No 3 pasa ser fila No 1, antes fila 1
la No 4 pasa ser No 2 y así
sucesivamente.
2. Randomización de las columnas
Noal azar No de fila Rango

(N0de columna del plano anterior) Columna
Con esto la columna No 4 pasa ser la

No 1 del nuevo plan, la No 1 pasa ser la
No2 y sucesivamente.
BE
E
A
C
B
D
C
D
B
E
A
B
C
D
A
E
El análisis de datos se calcula como para un ANVA de tres factores.

A
B
E
D
C
D
E
A
C
B
3.4 Diseño de Parcelas Divididas
El diseño se frecuenta en investigaciones factoriales, en las cuales un factor requiere

de parcelas grandes para facilitar el manejo del tratamiento. Generalmente se define
como factor principal al factor del que se esperan grandes efectos diferentes y el factor
secundario dentro del cual las diferencias esperadas son menores. El factor principal
es investigado en parcelas grandes y el factor secundario en subparcelas dentro de las
parcelas grandes. Otra razón de las parcelas divididas es facilitar la manipulación de
un factor, p. ej. manejo de malezas, el cual con tracción animal o maquinaria sólo se
puede hacer en parcelas grandes. Aquí los costos son los que determinan el factor
principal.
Para la randomización se divide primero el área de la investigación en el número de

repeticiones, luego se subdividen los bloques en el número de parcelas principaJes,
que corresponden al factor principal. Estas parcelas principales se randomizan por
separado para cada bloque. Luego se divide cada parcela principal en subparcelas,
según el número de niveles del segundo factor.
Ejemplo:
Randomización de una investigación sobre la fertilización orgánica foliar -

en frijol en campo con 4 repeticiones. La fertilización orgánica se define
como factor principal, la fertilización foliar como secundario13
Tratamientos: Factor principal: FO 1 Fosfocompost

FO 2 Fosfocompost-RP
FO 3 Humus de lombriz
FO 4 Urea
1) Se divide el área en cuatro partes, para las cuatro repeticiones o bloques.

2) Se divide cada repetición en cuatro unidades para las parcelas del factor principal.
FO 2 FO 1
FO 1 FO 4
FO 4 FO 3
FO 3 FO 2
Repetición 1 Repetición 2 Repetición 3
3) Se subdivide las parcelas principales en tres unidades, para las tres formas de
fertilización foliar y se randomiza por separado cada parcela principal.
Tratamientos: Factor secundario FF 1 sin abono

FF 2 Bayfolan
FF 3 Humus de lombriz
Repetición 1 Repetición 2 Repetición 3
El análisis de datos se calcula de la manera descrita en el capítulo Análisis de datos,

pág. 87.
13
Tratamientos tomados de la investigación de Pineda, R., CIPCA, Piura, 1997.
4. Toma de datos
Antes de empezar a evaluar, es necesario hacer una lista detallada de los datos que
se necesitan para poder contestar la pregunta inicial de la investigación, ya que datos
no tomados a tiempo no se pueden recuperar. Y, además, nos ahorramos tiempo en
levantar datos innecesarios. La lista ayudará a reconocer el trabajo y tiempo que
requiere la evaluación y, en caso que sea muy amplio, modificar la investigación y
hacer los respectivos cambios para que la investigación sea realizable. Muchas
evaluaciones deben hacerse el mismo día, algunas en la misma época del día, ya que
los términos pueden cambiar rápidamente. Por ejemplo, la presencia de plagas en la
madrugada puede ser muy diferente a la del mediodía o en la tarde, por lo que se
tendrá que registrar todas las parcelas p. ej. en las horas de la madrugada. Una
investigación con gran número de parcelas o gran cantidad de diferentes registros por
parcela no permitiría esto.
En caso que sea necesario cosechar durante varios días, se debe realizar la cosecha
por bloques, o sea, en un día todo el completo bloque 1, al siguiente día todo el bloque
II, etc. Lo mismo vale para evaluaciones. Si diferentes personas evalúan la
investigación, una persona debe hacerlo en todo un bloque, la otra persona lo hará en
otro bloque.
El momento más oportuno es el momento en el que se muestra mejor el efecto o la

característica evaluada. Las evaluaciones tempranas pueden ser muy exactas, pero
en el sentido técnico no son correctos. Por ejemplo la eficacia de una aplicación de
Bacillus thuringiensis se ve a partir del tercer a cuarto día, una evaluación anterior no
da los resultados correctos. Esto no quiere decir que después de la aplicación, el
investigador recién regresa al campo/laboratorio a los tres días, sino observa la
evolución de la investigación durante toda su fase. Si en una investigación los únicos
datos a evaluar son el rendimiento y calidad del producto según el abonamiento, no
por eso se puede dejar de observar la investigación durante largo tiempo. Aunque no
se registren datos para un análisis, se debe estar observando constantemente el
desarrollo de las plantas, tanto para garantizar un crecimiento y desarrollo óptimo
como para poder reaccionar a influencias no planificadas (ataque fuerte de plagas,
sequías, etc.). De estas observaciones pueden resultar valiosas informaciones para la
interpretación de los datos. Por ejemplo, con una fertilización de un alto nivel de
nitrógeno el ataque de plagas es más fuerte que en parcelas con fertilización
equilibrada o baja en nitrógeno.
Los datos de las evaluaciones no deben hacerse en hojas provisorias u hojas sueltas,
ya que se pueden perder. Además, cada transcripción de datos es una fuente de error.
Los cuadernos o folderes usados deben forrarse para impedir que se mojen y,
además, escribir con tinta no-lavable. Todos los datos deben ir bien documentados,
con fecha, lugar, nombre, número, etc. y archivados de manera que a la hora de la
sistematización se encuentren, entiendan y puedan ser analizados.
4.1 Tamaño de muestra
Con la toma de datos registramos los resultados de la investigación. De esta muestra

de datos se conlleva a conclusiones válidas para toda la población, por lo que se
necesita un mínimo de 20 a 30 datosI4 por parcela por cada característica evaluada
para eliminar la influencia individual de cada planta sobre el resultado total, para
obtener resultados representativos para la población. En frutales se debe trabajar
como mínimo con 5 árboles por parcela. El número de muestras puede ser tanto más
pequeño, tanto más homogéneo son las plantas de las parcelas o, en caso de
investigaciones de control de plagas, tanto más denso es el ataque de plagas. Pero:
un análisis se hace más sensible o sea, puede detectar una diferencia más pequeña
entre los tratamientos, a medida que el tamaño de la muestra crece.
4.2 Área de muestre0
De cada parcela sólo se registran datos de un área neta, dejando bordes a los lados,
de un tamaño según la necesidad del ensayo. Esto depende del efecto vecinal,
marginal, etc. como hemos visto en los capítulos anteriores.
En cada parcela se puede medir el efecto de un tratamiento midiendo la unidad

completa o una parte de ella. Por ejemplo se pesa la cosecha de toda el área neta de
una parcela o se evalúa el ataque de plagas al azar sólo en varias hojas dentro de
esta área. Si para la evaluación hay que destruir parte de la parcela (extraer hojas), se
evalúa una parte de ella.
14
En caso de que se evalúe la cosecha de una parcela, se obtiene un solo valor por parcela ya que la
cosecha es el resultado de un número x de plantas. Más bien se deben cosechar mínimo 20 a 30 plantas
para obtener un valor confiable para la característica "rendimiento".
70
Nuestro ojo no es un instrumento adecuado para definir una muestra homogénea
dentro de la parcela, por lo que se desarrollaron diferentes métodos de extracción o
selección:
Un método es el completamente randomizado, entrando al campo y evaluando una
cierta cantidad de plantas. Con el registro de un número adecuado de plantas, este
método es el más ventajoso, pero como no se logra una real randomización sin
planificarlo y detallarlo (haciendo sorteo, rifas, etc. para cada parcela) es trabajoso.
Otro método es el sistemático, entrando al campo y evaluando cada tercera planta
en cada segunda fila del área neta. Se usa en caso de parcelas grandes, pero no
garantiza una buena representatividad para los datos de toda la población.
Un tercer método es el de agrupación, en el cual se definen al azar puntos dentro de
la parcela, alrededor de los cuales se evalúan varias plantas. Se aplica en casos de
difícil acceso a las plantas, pero es susceptible a la heterogeneidad dentro de la
parcela.
Vale la pena definir de antemano cual parte de la planta se evaluará, lo cual se define
según la característica de la plaga o enfermedad que se evalúa.
détodo randomizado Método sistemático Método por agrupación

.. ...
. 0 .
0 .
.
0 . .
0 .
0
0
. .
.
4.3 ¿Que es lo que se evalúa?
Teniendo la hipótesis de la investigación, hay que decidir cuales son las características
o criterios a evaluar. No se puede definir de antemano las características según cultivo
ni según tema, ya que puede ser diferente para cada caso. En caso de una
investigación sobre una planta biocida, se tiene como interrogante si es que funciona,
cuando aplicar (nivel de daño, presencia de insectos plagas), que dosis aplicar,
cuantas veces aplicar y la comparación con insecticidas en el mercado. Cada una de
estas preguntas puede ser una o más investigaciones aparte y serán evaluadas de
forma diferente. Por ejemplo en caso de ensayos con aspersiones es importante
anotar, además de insectos plagas vivos y10 muertos, etc. las condiciones
meteorológicas (viento, radiación solar, lluvia, humedad relativa) ya que influyen en el
actuar del producto asperjado.
Es importante encontrar criterios apropiados para comprobar un efecto y el momento

propicio para realizar la evaluación. Los criterios deben dar información sobre la
eficacia del tratamiento, registrándolo en la manera más adecuada. En investigaciones
de variedades o abonos el rendimiento puede ser un criterio muy importante, mientras
que en investigaciones en el control de plagas no son de interés. Aquí más bien
interesa la eficacia del método de control, o sea la reducción de las plagas. Si
queremos información sobre el grado de ataque de plagas no podemos usar el daño
como criterio, a menos que haya una relación muy estrecha entre ataque y daño.
En general debemos tener en cuenta, que la característica sea obietiva, independiente

del evaluador. La evaluación de un concurso de afiches o pancartas por ejemplo
depende en general del jurado calificador, según sus gustos personales de colores,
diseño, etc. La evaluación de una investigación debe buscar criterios objetivos.
La característica debe ser re~licableen repeticiones en otro sitio, evaluada por otras
personas. Por ejemplo mediciones con un metro estandarizado se puede replicar en
todos los países sudamericanos, mientras que una escala desarrollada por el
investigador no cumple con estos requisitos.
La característica debe ser válida y de contenido para la pregunta inicial. Por ejemplo
las notas del examen de admisión son importantes para ingresar a muchas
universidades como la de medicina. Pero 'tiene que ver esa nota con la habilidad de
ejecutar la profesión de médico, dónde se debe tener bastante facilidades de
comunicación y paciencia con los enfermos?
¿Cómo se puede evaluar? ¿Qué se evalúa así?
contar número de plagas, de frutos, hojas, plantas

germinadas
medir altura, tamaño de hojas, mazorcas o frutas
pesar peso de cosecha total o parcial (tubérculos,
granos, hojas)
observar color de hojas, plantas, maduración
estimar grado de ataque de plagas o enfermedades
analizar nutrientes en frutas, semillas (proteínas,
almidón, azúcar, fibras), en suelo, agua
Mientras que los datos obtenidos midiendo, pesando, analizando y contando son
objetivos, observar o estimar es subjetivo, pero puede ser valorado como dato
objetivo, si fue hecho durante todo el período vegetativo por una sola persona, sin
prejuicios y sin ser influida.
Antes de empezar a observar o estimar las parcelas se recorre todo el terreno para
hacerse una idea de los diferentes grados de expresión están representados en la
investigación. En caso de no tener fotos o dibujos con las diferentes notas como ayuda
ver gráfico 8),se memoriza las diferentes grados de la característica antes de empezar
con la primera parcela. Puede ser útil recoger un ejemplo de los principales grados de
la característica para poder comparar las parcelas con estos. Esto aumenta la
objetividad de la evaluación. Por ejemplo para una evaluación del color de hoja
después de aplicación de biol se recorren todas las parcelas recogiendo hojas del
color verde claro o amarillento (grado 3), verde (grado 5) y verde oscuro o azulado
(grado 7).
1 = faltante 3 = leve 5 = mediana 7 = fuerte 9 = muy fuerte
o muy baja
Gráfico 8: Grad e curvatura de vainitas. Fuent:e: Bundessortenamt (1995).
Para las observaciones y estimaciones se usan mayormente categorías con la escala

internacional, siendo 1 la menor expresión de la característica observada y 9 la mayor.
Los números pares se usan para los intermedios entre dos rangos. Sólo se usan
números enteros, en caso de dudas se opta por el grado menor.
1 característica falta o presente en grado muy leve (p. ej. sin nódulos en
la raíz o muy pocos)
3 leve presencia de la característica (pocos nódulos)
5 mediana presencia (mediana cantidad de nódulos)
7 fuerte presencia (gran número de nódulos)
9 muy fuerte presencia (muy alto número de nódulos)
lI en el caso de enfermedades / plagas:
1 sin ataque o muy leve ataque de plagas

3 leve ataque de plagas
5 mediano ataque de plagas
7 fuerte ataque de plagas
9 muy fuerte ataque de plagas
Los datos obtenidos a base de las escalas son datos cualitativos, de frecuencia o
rangos y normalmente deben ser analizados con un x2. En caso de la escala del 1 al
9, las frecuencias, con las que cada valor se da en la investigación, no es tan grande
como en escalas de menor división, con lo que la distribución es más pareja. Mayor es
el número de notas o escalas, mayor es la distribución. Para el análisis de los datos

ver Parte 2, capítulo 5.8, pág. 124.
La escala internacional es una escala de valores, que basa en porcentajes o datos en

intervalos (ataque de plagas se podría contar y expresar en números de insectos).
Pero esto no vale para todas características. Para hacer la escala más real a muchas
condiciones biológicas y estadísticas, se han desarrollado escalas diferentes, en las
cuales los intervalos no son equitativos. El distanciamiento entre los rangos ha sido
establecido según la necesidad. Una de ellas es la escala de Bolle, con clases de 1 al
9, siendo el distanciamiento de los rangos con los números bajos más estrecho que en
los otros. Esta escala se usa por ejemplo en investigaciones de productos insecticidas
o biocidas o de deshierbo. La división es la siguiente (ver Parte 2, capítulo 5.8, pág.
124 para su análisis):
1 = sin plagas, enfermedad

2 = algunas plagas, manchas (ataque primario)
3 = mayor número de plagas /manchas (ataque primario)
4 = > 5 - 10 % de la superficie de las hojas con plagas 1manchas
7 = > 25 - 35 % de la superficie de las hojas con plagas 1 manchas
8 = > 35 - 67,5 % de la superficie de las hojas con plagas 1manchas
9 = > 67,5 % de la superficie de las hojas con plagas 1manchas
La tabla hasta cierto punto también tiene en cuenta que la estimación de porcentajes
-
de ataque entre los valores de 40 60 % no es muy exacta y muy difícil para el ojo
humano, mientras que los porcentajes entre O - 5 % y 95 - 100 % se puede estimar
con bastante exactitud. Algunos ejemplos para el ataque de enfermedades en
porcentaje se dan en el Anexo 4.
Además de la evaluación con la escala se puede hacer un conteo de insectos. Esto

nos permite calcular el grado de eficacia (ver capítulo en Análisis de datos, pág. 119)
de un productolmétodo de control, el cual es una herramienta para calcular un valor
exacto para las diferencias entre las parcelas no tratadas y las tratadas. La evaluación
en escalas nos da un valor más confuso como "fuerte", "mediano" o "leve", lo que
según cada evaluador puede ser de diferente tamaño o cantidad de insectos.
Para investigaciones fitosanitarias es posible contar tanto insectos muertos como vivos
en la planta o caídos al suelo. Contar insectos muertos en el suelo sólo tiene sentido,
si no hay vegetación o grietas en donde no puedan ser visibles los individuos, ya que
falsificaría la evaluación o sería inexacta. Con las aplicaciones también puede ocurrir
que los insectos emigran, por lo que para las aplicaciones de efecto lento no se tienen
en cuenta los muertos, sino sólo los vivos en la planta. Todas las parcelas deben ser
evaluadas el mismo día, a veces a la misma hora, por lo que, dependiendo del insecto
evaluado, se pueden producir cambios de densidad 1 presencia en poco tiempo.
5.Análisis de datos
5.1 Niveles de datos
Según las formas de evaluar tenemos diferentes niveles de datos y con esto diferentes
tests para su posterior análisis.
Se diferencian cuatro niveles de datos:
* datos cualitativos o numerativos: son datos divididos en por lo menos dos clases
o categorías. Por lo general son variables discretas, en las cuales se observa la
cantidad de veces en la que se presenta una categoría. Las categorías son definidas
sin intermedios y no son comparables entre ellas. Por ejemplo respuestas de silno en
una encuesta, el sexo (masculino, femenino), colores (rojo, azul, amarillo) son datos
cualitativos en los que no hay intermedios.
* datos en rangos: las características se presentan en diferentes categorías,

comparables y se las evalúa en escalas de muy bueno, bueno, mediano, etc. Además
de contar se ordena los datos comparándolos. Con esto, los datos contienen más
información que los datos cualitativos.
Por ejemplo se usa para la intensidad de ataque de plagas, color de hojas o frutas.
El problema de estos datos consiste en que se sabe, que un tomate de color rojo es
mejor que un tomate de color verde, pero no se sabe en cuanto. Las diferencias entre
los rangos no son definidos con exactitud. Por ejemplo: el ganador de una medalla de
oro es mejor que él de la medalla de plata, pero no se sabe por cuanto. Rangos son
características como notas, escalas de evaluación (del 1 al 9, etc.)
* datos en intervalos fijos: los intervalos entre los datos son fijos, bien definidos,
como por ejemplo en datos que se miden (temperatura). No sólo se tiene aquí la
comparación entre las características, sino también se tiene la información concreta
sobre la distancia o diferencia entre ellas y la escala es continua. Por ejemplo la
temperatura es una medida en intervalos fijos. La diferencia entre ciertos meses se
conocen con exactitud.
* datos relacionados: se usa no sólo la diferencia entre dos datos sino también la
relación entre ellos. Esto es posible, porque las escalas tienen un punto cero
claramente definido. Por ejemplo la longitud es una escala con datos relacionados.
Una planta de 32 cm es 16 veces más larga que una planta de 2 cm. Esto no se
cumple con datos de intervalos fijos, como la temperatura.
Las posibilidades estadísticas crecen a mayor nivel de los datos, ya que contienen
más información. Por lo general esto significa también un mayor esfuerzo en el
análisis.
Por ejemplo podemos investigar un bioinsecticida contra pulgones y tomar los

siguientes datos:
Característica 1 Categorías 1 Nivel de datos

Pulgones se caen al - cantidad de pulgones datos cualitativos
aplicar caídos
- número de pulgones que
permanecen en la planta
Pulgones chupan en las - chupan datos en rangos
plantas
- sólo chupan corto tiempo
- no chupan
Duración del chupar - de O minutos a ... datos relacionados
Los diferentes niveles de datos son analizados de diferente maneral5:
datos cualitativos X*
datos en rangos Friedman - Test, H - Test (Kruskal - Wallis)
datos en intervalos fijos ANVA
datos relacionados ANVA
Lo más usual en la agricultura son datos con intervalos fijos y datos relacionados y la
elaboración de ellos es con el análisis de varianza (ANVA). Es una técnica estadística
para analizar la variación total de los resultados experimentales de un diseño en
particular. Tiene como objetivo identificar la importancia de los diferentes factores o
tratamientos en estudio y determinar como actúan entre sí.
l5 Tabla incompleta, se mencionan, con excepción del x2,los análisis tratados en esta guía.
76
5.2 El análisis de varianzas - ANVA
Supuestos para el ANVA
Para obtener resultados serios, se necesita cumplir con algunos requisitos para el
ANVA:
Supuestos para el ANVA:
* Normalidad: Los valores de cada muestra provienen de una distribución

"normal"
* Independencia: Los resultados observados son independientes entre sí

Dependencia existe cuando se analizan datos antes y después de una
aplicación, se hacen diseños sin randomizar, etc.
* Varianzas (medida de la dispersión de la muestra) homogéneas: los

diversos datos generados por los tratamientos tienen varianzas
homogéneas
i Cómo se puede comprobar una distribución normal?
- gráfico en forma de histograma manual o en Excel. Para un histograma se calculan

rangos para datos ingresados y suma la cantidad de datos dentro de un rango. Esta
frecuencia es representada sobre un eje como columnas de forma ascendente, y deja
interpretar la distribución de los datos. Con más datos se tiene por cada tratamiento,
mejor se puede ver la distribución, con mayor frecuencia se obtiene una distribución
normal. Con dos o tres datos por tratamiento las posibilidades gráficas no son muy
grandes y la información depende mucho de cada valor. Valores extremos tienen una
gran influencia.
- Kolmogorov-Smirnow-Test (integrado en muchos programas estadísticos, muy

complicado para calcularlo sin computadora).
Histograma en Excel
El programa Excel ofrece, dentro de sus herramientas "Análisis de datos" una

posibilidad de hacerse ver en forma gráfica la distribución de datos.
1er paso:
Se ingresan los datos en una tabla de Excel, ordenándolos por ejemplo como
mostrado en la tabla 3. También se pueden ordenar todos en una sola columna.
Tabla 3: Tabla de datos para un análisis con MS Excel.
2do paso:
En caso de tener a disposición las funciones adicionales, se escoge la función

"Análisis de datos", y la opción "Histograma". En caso contrario, estos se pueden
hacer accesibles de la siguiente manera:
En la barra superior de Excel, en el menú Herramientas, ir a

"Complementos" y agregar "Herramientas para análisis", con lo que ya
estará visible al final del menú Herramientas como "Análisis de datos".
3er paso:
Llenar las casillas correspondientes y ejecutar .el programa. No se debe usar la

opción "Pareto", ya que ordena las columnas según la frecuencia, sin poder ver asbíla
curva de distribución normal. Se recomienda agregar una columna con rangos
definidos (en el ejemplo columna G), ya que Excel por lo general sólo divide en tres
rangos principales con distanciamiento desigual, lo cual puede ser muy poco detallado.
Los rangos pueden calcularse como lo descrito en el capítulo Presentación, Tablas
(Parte 2, cap. 7.1, pág.128).
A más datos para cada tratamiento, mejor se ve la distribución normal.

Gráfico 9: Ventana de entrada en MS Excel para el cálculo de un histograma.
4to paso:
Los resultados calculados para el tratamiento T son los siguientes:
Clase Frecuencia
v mavor... O
Histograma
6T
4500 51 50 5800 6450 7100 y mayor ...

Clase
Gráfico 10: Visualización de la distribución de los datos por Excel y la tabla base.
Visualmente se puede comprobar o desechar la distribución normal de los datos.

i Cómo se puede comprobar varianzas homogéneas?
- con el F-max-Test:
Supuestos: l
* datos necesitan ser balanceados, o sea igual cantidad de datos para cada 1
tratamiento I
I
1
* distribución normal 1
!
Se calcula con la fórmula:

F-max = si2max
sFmin
F-max Ens I F-max Tab l6 => no hay diferencias, varianzas son homogéneas
F-max En, > F-max Tab => hay diferencias, varianzas heterogéneas
siendo en la tabla de F-max k = número de tratamientos

v = (n - l ) , o sea: número de repeticiones - 1
Ejemplo:
Comprobación de la homogeneidad de varianzas con el F-max

Los datos son tomados del ejemplo unifactorial del ANVA.
De la tabla de Excel se lee la varianza mayor y la menor:
F-max = S: max = 11,58 = 2,35

sFmin 4,92
F-max E,,S = 2,35 2 F-max Tab l6 = 72,9 no hay diferencias, varianzas son
homogéneas
En el caso de un diseño bi-factorial, este se trata como unifactorial: Por ejemplo en

una investigación con 3 tipos de abonos A, B, C y 3 cantidades de nitrógeno 0, 50, 100
kglha, se analizan las varianzas de cada uno de los nueve niveles (A O, A 50, A 100,
B O, B 50, ...). De estas nueve varianzas se divide la mayor por la menor y se compara
con el valor tabular.
l6 Ver Anexo 5.
80
¿Qué se tiene que tener en cuenta en un ANVA?
Para hacer un análisis estadístico se necesita cierta cantidad de datos, para poder
obtener un resultado válido. Ensayos han mostrado que es necesario un mínimo de
20 a 30 datos por tratamiento.
. Siempre se hacen los análisis con los datos originales de las

parcelas. Llevarlas a hectárea u otra unidad superior a la
experimentada se puede hacer después para una presentación,
pero NUNCA antes del análisis.
Trabajar con datos llevados a hectárea falsifica los datos y hace crecer las diferencias
que en realidad no existen. Las conclusiones tomadas no son confiables. Además es
algo problemático llevar datos procedentes de parcelas chicas a áreas grandes, ya
que un manejo en parcelas pequeñas en investigaciones siempre dan mejores
resultados, sea por el mejor manejo o mayor cuidado que se dan a las parcelas de una
investigación. Calcular la posible cosecha por hectárea con la nueva técnica o
variedad comprobada en una investigación, crea expectativas que en la práctica no se
cumplen. Analizar los datos con estos "nuevos" es falsificar resultados y publicar o
vender estos "nuevos" datos a personas no involucradas en la investigación es una
forma de falsificarlos, de crear expectativas que no pueden cumplirse. Una forma de
comparar los resultados obtenidos, saliendo del nivel de parcela, es expresarse en
porcentaje, comparando la técnica o variedad antigua con lo nuevo.
Valor F
Calcular el valor F en el ANVA depende de los factores de nuestra investigación. Hay

factores fijos, definidos por el investigador, es decir, no hay una selección aleatoria.
Este es el caso de variedades, abonos, cantidad de abono, extractos de plantas,
concentración del extracto. Mientras que factores aleatorios no son definidos por el
investigador, por ejemplo bloques, años (investigador no tiene influencia en
condiciones climáticas).
Norma 1: interacciones de un factor fijo con un factor aleatorio o variable se denomina

aleatorio. lnteracciones entre factores aleatorios son aleatorios, y entre factores fijos
son fijos.
Norma 2: en un análisis con solamente factores fijos, todo los CM se analizan contra
el CM del error. (Modelo 1)
Norma 3: en modelos mixtos (factores fijos y aleatorios) un factor aleatorio se analiza

contra su(s) interacción(es), si es que el otro factor de la interacción es aleatorio. Si no
hay otro factor aleatorio en la investigación, el único presente se analiza contra el CM
error.
+ Un factor fijo se analiza contra las interacciones de primer grado, integrado por otro
aleatorio.
+ Las interacciones de primer grado se analizan contra las interacciones de segundo

grado en las que están incluidas, si el tercer factor es aleatorio, en caso contrario
contra el CM error.
Norma 4: en caso de tener solamente factores aleatorios todos los factores se

analizan contra las interacciones de primer grado, en las cuales están incluidas. Las
interacciones de primer grado se analizan contra las interacciones de segundo grado,
en las cuales están incluidas. (Modelo II)
Norma 5: modelo/diseño jerárquico: si el factor jerárquico es aleatorio, es tratado

como si fuera una interacción con factores aleatorios sub-puestos (orden más alto).
Por ejemplo en bloques incompletos.
Ejemplo:
Modelo 1:
todos factores fijos
A (fijo) CM A
CM error
B (fijo)
A*B CMA*B
CM error
Error 1
Modelo II:
todos factores aleatorios
A (aleatorio)
B (aleatorio)
A*B CMA*B
CM error
Error
Modelo mixto:
A (aleatorio) CM A
CM error
B (fijo) CM B
CMA*B
A*B CMA*B
CM error
Error
Cuando no se cumplen las condiciones:
Prob
A 0,90
B 0,0001
Error
Total
El valor F nunca debe tener un valor menor a 1 ! Con un valor F c 1 se deben

interpretar las significancias con sumo cuidado y en caso que sea e 0,5, no se puede
usar el ANVA y se debe recurrir a otros análisis.
En caso de tener tal resultado, comprobar los supuestos y recorrer a pruebas no

paramétricas (ver Parte 2, cap. 5.6, pág. 107).
El ANVA para factoriales
El análisis de datos para un factorial se puede realizar tanto por un ANVA simplificado,
sin tener en cuenta las interacciones o como un modelo ANVA factorial, el cual nos da
más información sobre los efectos presentados.
En una investigación con 3 diferentes niveles de abonamientos como factor A y 4

variedades de trigo como factor B, tenemos k = 3 niveles del factor A y m = 4 niveles
del factor B. En la investigación se pueden presentar tanto efectos ocasionados por el
factor A como por el factor B y sus interacciones. Los efectos causados por los
factores, se llaman efectos principales. Estos efectos se calculan mediante el
promedio de los efectos simples, los cuales expresan los efectos de una factor a cada
nivel del otro factor.
lnteracciones son los efectos generados por los 2 factores y su influencia mutua. Por
ejemplo, la variedad A aumenta su rendimiento con el aumento del abonamiento, con
lo que se puede suponer, que con más abonamiento más rendimiento. Pero la
variedad B no responde de la misma forma al abonamiento, ya que en el último nivel
del abonamiento decrece el rendimiento. Esta reacción diferente o respuesta diferente
de un factor a la presencia de otro factor se llama interacción.
En un ANVA se calculan los efectos principales de cada factor, las interacciones y el

error, pero no los efectos simples.
Para poder calcular un ANVA factorial se deben cumplir las mismas condiciones como
un ANVA unifactorial:
Supuestos:
* datos necesitan ser balanceados, o sea igual cantidad de datos para cada
tratamiento
* distribución normal de las muestras
l1 1
varianzas homogéneas
* muestras independientes
II
83
La comparación múltiple de medias se puede hacer con Tukey. Si no hay

interacciones significantes, se puede concluir que los factores son independientes
entre sí y se compara cada factor con diferencias significantes como en un unifactorial.
Pero en el caso que la interacción de dos factores sea significante, no tiene sentido; es
técnicamente ilógico comparar las medias de un factor, sin tener en cuenta al otro
factor, por lo que se deben comparar las medias de las combinaciones de los factores,
o sea los efectos simples (ver ejemplo en Parte 2, cap. 5.5, pág. 102). Para una
interpretación más fácil se recomienda visualizar las interacciones en forma de gráfico
(Gráfico 11). Se observa que entre los factores hay un cambio en la magnitud de la
respuesta al otro factor, la reacción del nivel 1 del factor A al factor B es diferente que
el nivel 2 del factor A al factor B. En una investigación sin interacción las líneas
estarían paralelas.
En otras palabras: En una investigación, en la cual diferentes agricultores comparan 4
variedades, las variedades reaccionan diferente al manejo que le da cada persona o a
cada circunstancia dada. El agricultor 3 tiene el mayor rendimiento en todas las
diferentes variedades, menos en la variedad 1. Es decir, la variedad 1 reaccionó
diferente al factor manejo que las otras variedades.
+Agricultor 2
tAgricultor 3
o I l 1 1 1
Variedad 1 Variedad 2 Variedad 3 Variedad 4
Gráfico 11: lnteracciones entre los factores principales."
Cálculo del AN VA unifactorial con Microsoft Excel97
Con los datos ingresados en una tabla de Excel se pueden realizar cálculos
estadísticos, si están a disposición las funciones adicionales, en este caso el análisis
de datos. En caso contrario, estos se pueden hacer accesibles de la siguiente manera:
en la barra superior de Excel, en el menú Herramientas, ir a "Complementos" y

agregar "Herramientas para análisis". Con lo que ya estará visible al final del menú
Herramientas como "Análisis de datos".
17
Datos tomados de E. Moll, 1997; ver también cálculo de comparación múltiple de medias.
84
1er paso:
Se ingresan los datos en una tabla de Excel, ordenándolos como se muestra en

la tabla 4.
Tabla 4: Tabla de datos para una análisis de varianza con MS ~ x c e l ' ~ .
Tratamientos 1 Brotes atacados por Polilla 1
2do paso:
En el menú Herramientas se escoge la opción "Análisis de datos" y ahí la opción

"Análisis de Varianza de un factor".
Se rellena las casillas correspondientes con los datos necesarios y se ejecuta el

programa.
Gráfico 12: Ventana de entrada en MS Excel para el cálculo de un ANVA de un factor.
l8Datos de la investigación de Condor Quispe, P. 1999.

Los resultados calculados son los siguientes:
Tabla 5: Resultados de un ANVA calculado por MS Excel. Resumen de los resultados.
Análisis de varianza de un factor
RESUMEN
Grupos Cuenta Suma Promedio Varianza
T 4 97 24,25 4,91666667
T1 4 123 30,75 4,91666667
T2 4 115 28,75 4,91666667
T3 4 112 28 8,66666667
T4 4 129 32,25 11,5833333
T5 4 140 35 6,66666667
T6 4 147 36,75 10,9166667
Tabla 6: Resultados de un ANVA calculado por MS Excel. Tabla del ANVA.
Origen de las Promedio

variaciones Suma de Grados de de los F Probabilidad Valor crítico
cuadrados libertad cuadrados para F
Entre grupos* 440,357143 6 73,3928571 9,77020602 3,4682E-05 2,57271182
Dentro de los 157,75 21 7,51190476
grupos**
* Los grupos son los tratamientos, en el ejemplo T, T 1 hasta T 6.

** Dentro de los grupos viene a ser el resto, el error del ensayo, que no es causado por los
tratamientos.
Los datos se interpretan de la siguiente manera:
A) En el primer cuadro Excel nos calcula los promedios y las varianzas de cada
tratamiento, lo cual nos ayuda calcular el F-max para comprobar la homogeneidad
de varianzas (ver Parte 2, cap. 5.2, pág. 80).
B) El segundo cuadro nos da la tabla del ANVA en la forma clásica, indicando el valor
F y el valor crítico (valor de la tabla 6). En este caso, los tratamientos se diferencian
significativamente:
F ,,,= 9,77 > F = 2,57 a hay diferencias significativas entre los tratamientos
Con este resultado se prosigue con un análisis de comparación múltiple de medias

(Tukey, Duncan).
C) El valor F es mayor a 1, con lo que la investigación no tiene errores visibles.
Análisis de varianza de parcelas divididas

La fórmula a continuación es para un diseño de bloques completos al azar, es decir,
en las parcelas principales está cada factor principal (A) y en las subparcelas están
todos los factores secundarios (9).
En el ANVA se calcula los bloques y los factores principales, calculando el valor F para
el factor A contra el Error a, y para el factor B contra el Error b.
La tabla del ANVA es la siguiente:
Tabla 7 : Tabla del ANVA para un diseño de parcelas divididas.
Fuente
Bloques r-1 SC Bloque
GL
Factor A a-1 SC A CM A
GL CM Error (a)
Error (a) ( r - l ) * ( a - 1) SC Error a
Factor B b-1 SC B CM B
GL CM Error (b)
AxB (a - 1) (b- 1) SCA*B CMA*B
GL CM Error (b)
Error (b) :i * ( r - 1 ) - ( b - 1 ) SC Total - (suma de todos SC Error
las restantes SC) GL
Total r*a*b-1
siendo r = número de repeticiones o bloques

a = niveles de factor A
b = niveles de factor B
Los coeficientes de variación (cv):
cv (a) = .( CM Error (a) 100 cv (b) = .(~ ~ ~ r(b)r o 100

r
Promedio total (G / n) Promedio total
siendo G = Suma total de los datos (x)

n = número de datos
Ejemplo:
ANVA para parcelas divididas: Investigación de 4 variedades de arroz (V 1 -

V 4) y 6 niveles de nitrógeno (N O - N 5) con 3 repeticiones, siendo el
nitrógeno el factor principal y las variedades el factor secundariolg
Tabla 8: Datos originales para un ensayo con parcelas divididas con 4 variedades de
arroz y 6 niveles de nitrógeno.
Cosecha en kglha
Variedad Bloque I Bloque II Bloque III
N O (O kglha)
V1 4 430 4 478 3 850
V2 3 944 5 314 3 660
V3 3 464 2 944 3 142
V4 4 126 4 482 4 836
N 1 (60 kglha)
V1 5 418 5 166 6 432
V2 6 502 5 858 5 586
V3 4 768 6 004 5 556
V4 5 192 4 604 4 652
N 2 (90 kglha)
V1 6 076 6 420 6 704
V2 6 008 6 127 6 642
V3 6 244 5 724 6 014
V4 4 546 5 744 4 146
N 3 (120 kglha)
V1 6 462 7 056 6 680
V2 7 139 6 982 6 564
V3 5 792 5 880 6 370
V4 2 774 5 036 3 638
N 4 (150 kglha)
V1 7 290 7 848 7 552
V2 7 682 6 594 6 576
V3 7 080 6 662 6 320
V4 1 414 1 960 2 766
N 5 (180 kglha)
V1 8 452 8 832 8 818
V2 6 228 7 387 6 006
V3 5 594 7 122 5 480
V4 2 248 1 380. 2 014
l9 Ejemplo tomado de Gomez y Gomez, 1976.

88
lerpaso:
Se ordena los datos de la investigación, facilitando los cálculos posteriores.
A) Suma por factor principal según repeticiones
Tabla 9: Datos sumados por el factor principal según repeticiones en un ensayo con
parcelas divididas con 4 variedades de arroz y 6 niveles de nitrógeno.
Cosecha total (RP Nitrógeno Total

Nitrógeno Bloaue I 1 Bloaue II Bloaue III (A)
NO 48 670
N1 65 738
N2 70 395
N3 70 373
N4 69 744
N5 69 561
Total Repet. (R) 128,873 135 604
Total (G)
B) Suma por factor principal según variedades
Tabla 10: Datos sumados por el factor principal según variedades para un ensayo con
parcelas divididas con 4 variedades de arroz y 6 niveles de nitrógeno.
Cosecha total (AB)

Nitrógeno v1 v2 v3 v4
NO 12 758 12 918 9 550 13 444
N1 17 016 17 946 16 328 14 448
N2 19 200 18 777 17 982 14 436
N3 20 198 20 685 18 042 11 448
N4 22 690 20 852 20 062 6 140
N5 26 102 19 621 18 196 5 642
Total Variedad 117 964 110 799 100 160 65 558
(B)
a 2do paso:
Se calcula el factor de corrección (FC)
FC=& siendo G = la suma total de los datos

rab r = número de repeticiones
a = número de niveles del factor A
b = número de niveles del factor B
3er paso:
Con el FC se procede a calcular las Sumas de los Cuadrados (SC)
SC Total = E x2 - FC siendo x = valores de cada parcela
= [ (4 4 3 0 ) ~+ ... + (2 014)2 ] - 2 161 323 047 = 204 747 916
SC Bloques = R~ - FC
ab
SC (Factor) A = A2 - FC
rb
SC Error (a) = 2 ( R A ) ~- FC - SC Bloques - SC A

b
SC (Factor ) B = E B2 - FC
ra
SC Error (b) = SC Total - (suma de todos las restantes SC)
= 204 747 916 - (1 082 577 + 30 429 200 + 1 419 678 + 89 888 101 + 69 343 487)
= 12 584 873
410 paso:
Se prosiaue a calcular las Medias de los cuadrados (CM)

. , dividiendo el SC entre
el respectivo Gado de libertad. (Resultados ver tabla 11).
a Sto paso:
Con el CM se calculan los valores de F:
F(A)= CMA F (B) =

CM Error (a) CM Error (b)
F(AXB)= CMA*B
CM Error (b)
6to paso:
Se calculan los coeficientes de variación (cv):
cv (a) = d CM Error (a) 100 cv (b) = d CM Error (b) 100

Promedio total (G 1 n) Promedio total
siendo G = Suma total de los datos (x)

n = número de datos
Se obtiene la siguiente tabla del ANVA:
Tabla 11: Tabla del ANVA para un ensayo con parcelas divididas con 4 variedades de
arroz y 6 niveles de nitrógeno.
Fuente
Bloques
Factor A
Error (a)
L F tab (5%)
Factor B
AxB
Error (b)
Total
cv (a) = 6,9 % cv (b) = 10,8 %
El ANVA ha detectado diferencias significativas en los factores, como en la interacción

de los factores. Para una comparación de medias ver Parte 2, cap. 5.5, pág. 102.
Para la interpretación se obtiene la mayor información de las interacciones, que se
recomienda presentarlas como gráfico. (Gráfico 13). Esto se complementa con la
comparación de medias.
Gráfico 13: lnteracciones entre diferentes variedades a diferente niveles de nitrógeno.
En el gráfico 13 se observa que no todas las variedades reaccionan con mayor

rendimiento a mayor abonamiento, en la mayoría de las variedades baja el rendimiento
a partir de cierta cantidad de nitrógeno.
5.3 Transformación de datos
En caso que la condición para un análisis de varianza de distribución normal 110 se de,
se pueden transformar los datos para obtenerla y poder cumplir con las condiciones
para el ANVA. Pero no siempre se encuentra una transformación adecuada, por lo que
se debe recurrir a los análisis no-paramétricos.
! No se transforman datos para obtener resultados más deseados o

convenientes, sino para obtener datos válidos y correctos.
Cuando se calcula el ANVA con datos transformados, todas las comparaciones deben
hacerse con estos datos. Para la presentación se usan también los datos
transformados, pero estos pueden ser re-transformados, siempre indicando esto en la
tabla o gráfico.
!1 Si se calcula un ANVA con datos transformados, se deben hacer 1

todos los análisis siguientes con estos datos (comparacióra
múltiple, etc.). Unicamente la presentación se puede hacer con
-
datos re transf ormados, indicando esto.
- -- - -
Algunas transformaciones comunes son:
Raíz cuadrada: Se usa sobre todo cuando una característica sólo puede obtener
ciertos valores (escalas de 1 al 9) y si los datos de la investigación
son números enteros, pequeños. Si los valores son muy pequeños,
se corrige demasiado con la raíz cuadrada y se recomienda sumar
los valores con la constante 0,5, antes de sacar la raíz ( d +~ 0,5).
Esto sobre todo debe hacerse cuando hay ceros. Se usa si las
varianzas son proporcional a las medias.
Transformación logarítmica: Se usa sobre todo en caso que las desviaciones

estándares sean proporcionales a los cuadrados de las medias de
los tratamientos, teniendo números enteros positivos que cubren un
amplio intervalo. En caso de números menores al 1 ó O, se suman los
datos con 1 antes de tomar los logaritmos (log (Y + 1)). Se usa para
una distribución
Transformación angular o de arcoseno: Se usa para datos con distribución binomial,

teniendo generalmente varianzas chicas en los dos extremos de las
categorías formadas (cerca de O y 100 %) y grandes en el centro
(alrededor del 50 %). Esto se da muchas veces en datos estimados,
ya que podemos estimar mejor la diferencia de ataques de O o de
5 % que entre 40 y 45 %, y esto se refleja en los datos registrados.
La transformación es: arcoseno m . Esto corresponde a la
transformaón de cada dato en porcentaje x = y %, después se
calcula d y % sin".
Ejemplo: Se cuenta el número de plantas germinadas, teniendo un máximo
de 50 semillas sembradas, lo que corresponde al 100%. Para los
restantes valores se calcula su respectivo porcentaje. Por ejemplo
para e b l o r 1 = 2 %, obteniendo como nuevo valor transformado x =
8,1 (d0,02 sin-').
Después de la transformación de datos se debe comprobar las condiciones para el

ANVA. También después de transformados, los datos pueden seguir sin distribución
normal.
También datos transformados deben cumplir con las condiciones del
ANVA y se debe comprobar la distribución normal.
5.4 Cálculo de datos perdidos
En algunas ocasiones puede haber factores que hacen perder los datos de una
parcela o quedan tan pocas plantas que una evaluación de éstas sería muy dudosa. Si
el análisis de datos previsto no requiere de datos balanceados, se calcula el análisis
suponiendo tener una repetición menos para el respectivo tratamiento. En caso que
esto no sea posible y sólo falta un valor, este puede ser estimado con ayuda de los
datos de este tratamiento de las otras repeticiones y los datos del bloque en el que
falta el valor.
Cálculo de datos perdidos para diseño de bloques completos al azar
-
Estimar el valor faltante:
X=r.B,+t*T-G
( r - l ) * ( t - 1)
siendo X = valor estimado del valor faltante

t = número de tratamientos
r = número de repeticiones
T = suma de las repeticiones o bloques del tratamiento en el cual falta el valor
B, = suma de los tratamientos del bloque en el cual falta el valor
G = gran total de todos los valores en la investigación
,do paso:
Calcular el ANVA u otro análisis con el valor estimado, después de haber

comprobado si se cumplen las condiciones.
3er paso:
Hacer las siguientes modificaciones al ANVA obtenido: substraer 1 (uno) de los

grados de libertaddel error como del total y calcular un factor de corrección (B).
El valor B se substrae de SC Tratamientos y del SC Total con los cuales se calculan

los nuevos MC y el valor F.
4to paso:
En caso de obtener diferencias significativas se calcula una comparación

múltiple de medias mediante el Tukey de- la siguiente manera. (Ver capítulo para
información general sobre el Tukey, Parte 2, cap. 5.5, pág. 99).
siendo S: = 4 s2r 2+ t 1
siendo s2 = el MC, del ANVA

Ejemplo:
Estimación de un valor faltante en una investigación con diseño de bloques

completo al azar2'
Tabla 12: Datos originales para un ensayo con diseño de bloques con un valor
faltante.
Cosecha kg/ha Tratamiento

Tratamiento total
5 398
5 952
5 713
falta
4 848
4 542
1 Rep. total ( 30 953 ( (26 453 = 8,)( 29 846 ( 26 947
1 ~ r a total
n 1 1 1 1
a 2do Daso:
Calcular el ANVA con el valor estimado, después de haber comprobado si se

cumplen las condiciones obteniendo la siguiente tabla:
Tabla 13: Tabla del ANVA para un diseño de bloques.
Fuente SC MC Valor F Valor tabular

Repetición 2 188 739
Tratamiento
Error
Total 23
Datos tomados de Gomez y Gomez, 1976.

a 3er paso:
Hacer las siguientes modificaciones al ANVA obtenido: substraer 1 (uno) de los

grados de libertaddel error como del total y calcular un factor de corrección (B):
El valor B se substrae de SC Tratamientos y del SC Total con los cuales se calculan

los nuevos MC y el valor F.
SC Tratamiento corregido = 1 1401501- 546 = 1 139 955
SC Total corregido = 4 869 966 - 546 = 4 869 420
Tabla 14: Tabla del ANVA con los grados de libertad y la suma de los cuadrados
corregidos, para un diseño de bloques con datos-faltantes.
Fuente
Repetición
I GL
3
Valor F Valor tabular
(5%)
Tratamiento
Error
5
14
i_i
Total 22
3 no hay diferencias significativas
5.5 Análisis de comparación múltiple de medias
En caso que el ANVA dé diferencias significativas entre los tratamientos se procede a

investigar cuales de los tratamientos se diferencian, haciendo una prueba de
comparación de medias. Esto en general es un Duncan o un Tukey, siendo Tukey más
exigente, es decir, la probabilidad de detectar diferencias es menor que con Duncan, o
- expresado de otra manera: si con Tukey se demuestran diferencias, estas diferencias
se pueden replicar con más seguridad en otras investigaciones, mientras que con
Duncan esto no siempre se da. Algunos autores recomiendan no usar Duncan, por ser
menos prudente y los intervalos de confianza no son apropiados2'. Por esta razón aquí
se presenta la prueba de Tukey, por ser más prudente y fácil de usar.
21
Ver Steel and Torrie, 1997; Moll, E. 1997.
98
Las pruebas de comparación únicamente se permiten en caso que
el ANVA ha demostrado diferencias dentro de los tratamientos o
bloques y se realizan únicamente para el factor significante. En
caso contrario no contienen información.
Prueba de comparación de medias: Tukey
El procedimiento de Tukey calcula para todas las comparaciones entre dos medias los
intervalos de confianza más estrechos y con esto el valor crítico más pequeño. La
distribución, en la que se basan los valores críticos, son los cuartiles de los rangos
"studentizados".
e ANVA dio diferencias significantes

e comparación de medias no planificadas
Comparación de medias mediante Tukey para un unifactorial
Para el valor crítico (w) de Tukey vale:
Para investigaciones no balanceadas:
Para investigaciones balanceadas:
siendo n = número de repeticiones

CM, = los cuadrados medios del ANVA
q, (k; GLerror)ver en la tabla de Rangos studentizados, Anexo 6.
siendo k = número de tratamientos
GL = grados de libertad del error
Ejemplo:
Prueba de comparación de medias mediante Tukey para un unifactorial
Los datos corresponden al ejemplo del ANVA de un factor, pág. 85.
Se calcula el w de Tukey mediante la fórmula para ensayos balanceados:
Se construye una tabla, ordenando - las -medias en orden ascendente y calcula la

1 1 1 1
diferencia entre todos los promedios xl - x2 ; il- & ; etc.:
Tabla 15: Tabla en cruz para la comparación de medias mediante Tukey.

Comparar las diferencias entre los promedios con el valor calculado w
Las diferencias mayores al valor w = 6,30 se marcan con un asterisco, significando

este (*) diferencias significativas a un nivel a = 5 %, dos asteriscos (**) a un nivel de
a = 1% y tres asteriscos (***) a un nivel de a = 0,1%.
Tabla 16: Tabla en cruz para la comparación de medias mediante Tukey. Están
marcado con asterisco las diferencias mayores al valor w.
T (24,25)
Interpretar los datos según las diferencias encontradas. En el ejemplo se diferencian

estadísticamente el tratamiento T 6 del T 2, T 3 y T, pero no del T 5, T 4 y T 1. Estas
diferencias se deben interpretar según el contexto, el tipo de tratamientos que se han
aplicado y discutirlo. Aquí termina la ayuda de la estadística y el investigador debe
usar sus conocimientos técnicos para sacar las conclusiones adecuadas de la
investigación. Para visualizar mejor los resultados en caso de presentación ver
siguiente capítulo.
Comparación de medias mediante Tukey para un factorial
En caso que no haya interacciones significantes se usan las siguientes fórmulas:
Para el factor A:
siendo b = niveles del factor B

n = número de repeticiones
Para el factor B:
siendo a = niveles del factor A

En caso que la interacción de dos factores sea significante, no tiene sentido comparar
las medias de un factor, sin tener en cuenta el otro factor. Se comparan las medias de
las combinaciones de los factores. Para poder comparar las medias del factor A, se
comparan las medias de las combinaciones (AB) a igual nivel de B.
Ejemplo:
Prueba de comparación de medias mediante Tukey para un bifactorial con

interacciones significantes
Factor A = agricultor, participando 3 agricu~tores~~

Factor B = variedad de arroz, con 4 variedades
Los datos son:
k=12 se calculan los grados de libertad multiplicando el número de

niveles de factor A por el número de niveles del factor B. En el
ejemplo son 3 4 = 12
GLerror = 48 grados de libertad del error
CM = 14,167 CM del error
q, (12; 48) = 4,80 se lee de la tabla de Rangos studentizados
n=3
Con lo que podemos calcular el valor w de Tukey:
** Datos tomados de E. Moll, 1997.

102
Con este valor se compara como en el ejemplo anterior las diferencias entre las
medias de la combinaciones AB a nivel de B. En este caso sería la media de variedad
1 en agricultor 1, variedad 1 en agricultor 2 y variedad 1 en agricultor 3. La siguiente
comparación seria la variedad 2 en los 3 niveles del factor A, la variedad 3 en los tres
niveles del factor A, etc. Las diferencias calculadas mayores a w = 10,43 se
diferencian estadísticamente, las menores al valor dado no.
Tabla 17: Comparación de medias a nivel 1 del factor B = variedad 1.
1 1 Agricultor 2 (45) 1 ~ ~ r i c u l t3o (41)

r 1 ~ ~ r i c u l t 1o (30)
r 1
Agricultor 2 (45) -- 4 15 *
1 Agricultor 3 (41) 1 1 1 11 * 1
1 Agricultor 1 (30) 1
Tabla 18: Comparación de medias a nivel 2 del factor B = variedad 2.

Agricultor 3 (64) Agricultor 2 (55) Agricultor 1 (49)
Agricultor 3 (64) 9 15 *
Agricultor 2 (55) -- 6
Agricultor 1 (49) --
Comparación de medias mediante Tukey para un diseño de parcelas divididas{

~í
"Prueba de: Tukey, parcelas divididas" }
Como hemos visto en el ejemplo del bifactorial, en caso que la interacción{ ~í

"lnteracciones" ) de dos factores sea significante, no tiene sentido comparar las
medias de un factor, sin tener en cuenta el otro factor. Se comparan las medias de las
combinaciones de los factores. Para poder comparar las medias del factor A, se
comparan las medias de las combinaciones (AB) a igual nivel de B.
En caso, que las interacciones no dieran diferencias significativas, se hace la

comparación de medias para los factores principales con las siguientes fórmulas:
Para el factor A:
w = qa (kGLerror (a)) siendo E (a) = CMerror(a)

nob n = número de repeticiones
b = niveles del factor B
Para el factor B:
siendo E (b) = CMerror(b)

a = niveles del factor A
En caso de interacciones significantes:
Para comparar diferentes niveles del factor B a mismo nivel del factor A:
n n = número de repeticiones
Para comparar diferentes niveles del factor A a mismo o diferente nivel del factor B:
siendo q,' = (b - 1) E (b) q(b)+ E (a) q (a)

(b-l)*E(b)+E(a)
q(,) y q(b) léase de la Tabla de rangos studentizados, siendo GL los grados de libertad
del error a o b respectivamente.
Ejemplo:
Comparación de medias mediante Tukey para parcelas divididas con

interacciones( E( "Interacciones" ) significativas
Los datos son tomados del ANVA para parcelas divididas.
A) Para comparar diferentes niveles del factor B (factor secundario) a mismo nivel del
factor A:
Tabla 19: Comparación de medias para parcelas dividas con interacciones

significativas a mismo nivel del factor A.
Es decir, la variedad 1 y 2 tienen mejor rendimiento que la variedad 4 con un

abonamiento de N 90 kglha. Las otras variedades no se diferencian entre ellas.
B) Para comparar diferentes niveles del factor A (factor principal) a mismo o diferente
nivel del factor B:
Tabla 20: Comparación de medias para parcelas dividas con interacciones

significativas a mismo nivel del factor A.
N5V1 N4V1 N3V1 N2V1 N l V l NOVl

(8700,67) (7563,33) (6732,67) (6400) (5672) (4252,67)
N5V1 -- 1137,34 1968 * 2300,67 * 3028,67 * 4448 *
N1V1 -- 1419,33*
NOVl --
En la variedad 1 el rendimiento aumenta con mayor nivel de nitrógeno,

diferenciándose N O de todos los otros niveles, N 1 de nivel N 5 y N 4 y el tratamiento
N 2 y N 3 del nivel más alto (N 5).
Este comienzo de interpretar los resultados deben o pueden ser complementados con
comparaciones con las otras variedades y analizando el contexto del experimento.
Método de presentación
Para la presentación de las diferencias encontradas y hacerlas

visible al lector se usa el método de las letras iguales o líneas
continuas. Tratamientos con letras iguales o con la misma línea, T
a
b I,
no se diferencian estadísticamente, mientras tratamientos con
diferente letra o línea son diferentes. En caso que el tratamiento T
1 se diferencie del tratamiento T 3, pero no del tratamiento T 2,
,
entonces el T 1 y T 2 tienen letras iguales, el T 3 letra diferente.
Para las líneas se deben agrupar los tratamientos del mayor al
menor. Para las letras se puede usar el orden de la investigación.
Suponiendo en el ejemplo anterior, que T 2 no se diferencia ni d e

T 1 ni del T 3, debe tener las mismas letras que los dos
T I a
T ab 1
~3 b
tratamientos o las dos líneas.
Ejemplo:
Presentación de los resultados de una investigación
Los datos son tomados del ejemplo de la comparación de medias de Tukey.
l e r paso: Dar letras a los tratamientos según las diferencias con el primer tratamiento,
significando a = no se diferencian del T 6, b = se diferencian del T 6.
2do paso: Comparar y aumentar letras para las diferencias del segundo tratamiento con los
restantes. En caso de diferir con las letras anteriores, se cambian según la necesidad.
El T 2 se diferencia del T 6 pero no del T 5, con lo que se aumenta la letra b al T 5.
Ahora T 5 y T 2 tienen letras iguales, con lo que se expresa la falta de diferencia. El
tratamiento T 3 se diferencia tanto del T 6 como del T 5, pero como al T 5 se le ha
dado tanto la letra a como la b, no se manifiesta la diferencia. En este caso se cambia
la letra del tratamiento T 3, anotando la letra c. Con este cambio se testifica la
diferencia entre T 3 y T 5. Lo mismo se repite para T.
3er paso: Se controla tratamiento por tratamiento aumentando letras o cambiándolas
respectivamente, hasta completar la lista.
T 6 (36,75) a T (24,25) cd
T 5 (35) ab T 1 (30,75) abc
T 4 (32,25) abc T 2 (28,75) bcd
T 1 (30,751) abc T 3 (28) cd
T 2 (28,75) bcd T 4 (32,25) abc
T 3 (28) cd T 5 (35) ab
T (24,25) d T 6 (36,75) a
Lo mismo se puede graficar con líneas (columna a la izquierda). En el caso de las

letras se puede dar el orden "original" (columna a la derecha).
5.6 Pruebas no paramétricas
En caso que no se cumplan los supuestos para el ANVA o no se tenga datos de

rangos fijos, los datos pueden ser analizados por pruebas específicas. Las más
usuales son el Kruskal-Wallis-Test y el Friedman-Test.
Kruskal-Wallis-Test o H-Test
+ Análisis de varianza en rangos, unifactorial y para comparación de más de dos

medias. Es adecuado para un diseño completamente al azar.
N datos en rangos o datos en rangos fijos sin distribución normal

* distribución simétrica
* datos independientes
1 mínimo de tres medias/muestras
II
Se ordenan la totalidad de los datos del experimento en rangos, comenzando con

el menor, el cual viene a ser el rango 1 y siguiendo sucesivamente. En el caso de
datos idénticos, se suman los rangos correspondientes y se dividen por el número de
rangos sumados. Por ejemplo: Los datos de menor valor son el número 5, que está
representado tres veces en el experimento. A los tres les corresponde el rango 1, 2 y
3. Estos se suman (1 + 2 + 3 = 6 ) y se divide por el número de rangos sumados (3) =+
613 = 2. Los tres datos con un valor 5 reciben el rango 2. El valor siguiente tiene el
rango 4. Los rangos de los valores (xij) son denominados rij. Obtenemos la siguiente
tabla:
Tabla 21 : Ordenamiento de los datos para calcular un Kruskal-Wallis o H-Test.
Tratamientos
i=l i=2 ... i=k
valor
siendo n = número de repeticiones

k = número de tratamientos
N = número total de datos
-
Fli2= la suma de rangos en el tratamiento i
ni
Prueba de verificación: C Ri = N (N + 1)
2
Se calcula HcaIcomo sigue:
En el caso balanceado, o sea nl = n2 = .. . nk:
Comprobar la necesidad de corrección: En caso de que 25% de los rangos estén

repetidos.
r(l), r(2) son los rangos repetidos:
r(1) se repite tl veces r(v) se repite tv veces

r(2) se repite t2 veces r(g) se repite t, veces
Si C t, >N entonces es necesario corregir

4
9
siendo K = 1 - 1 E (1," - tv)
N3 - N v=l
Comparar Hcorrcon HTab(a=5%), de la Tabla X2 (Anexo i ) ,

siendo HTab(a) = X2Tab (GL= k-I ; a)
HCaI> X2Tab * hay diferencias significativas

H~
, 5 X2Tab no hay diferencias significativas
Prueba de comparación de medias: Nemenyi
En caso de identificar diferencias estadísticas con el Kruskal-Wallis-Test, se

comprueba con el Nemenyi cuales de los tratamientos se diferencian.
Supuestos:
* independencia de los valores

* valores balanceados (n, = n2= ... nk)
Se elabora una tabla en cruz, donde R12 R22 Rk
Tabla 22: Tabla en cruz para la comparación de medias según Nemenyi.
1 Ri-Ri 1 se compara con valor ND (k; n; a) de la tabla de ~emenyi'~,

1 Ri - Ri 1 5 NDTab 3 H, no hay diferencias

23
1 Ri - Rj 1 > NDTab 3 H,, hay diferencias
23
Ver tabla de Nemenyi, Anexo 8.
110
Ejemplo:
~nvesti~aciónsobre el efecto de 4 tratamientos sobre el número de

nematodes en el suelo para un caso no balanceado con 5 y 6 repeticiones
Tabla 23: Datos originales de una investigación con diseño completamente al azar y
número de -repeticiones no balanceado.
Antes de empezar los cálculos se recomienda, como en cualquier otro análisis,

visualizarse los datos.
T2
A rrr
Gráfico 14: Visualización de la distribución de datos de una investigación.
En el gráfico 14 se puede observar la distribución de las frecuencias, lo que nos da

una idea de las posibles diferencias a encontrar y la gravedad de la distribución, lo que
es importante para los supuestos.
1er paso
Se procede a dar rangos a los datos de la investigación:
El valor mínimo es 331 y recibe rango 1

El valor siguiente es 363 2
384 3
409 4
459 5
468
468 6+7+8=21=7
468 3
505 9
Tabla 24: Ordenamiento y rangos de los datos para calcular un Kruskal-Wallis o H-

Test.
tratamientos (k=4)
i=l i=2 i=3 i=4
- valor
- r-a n g o valor
- r-ango- valor - valor -
rango - ra~~go
j=l 468 7 611 21 51 1 10.5 468 7
j=2 526 12 554 15 550 13 409 4
j=3 505 9 459 5 586 18 384 3
j=4 543 13 588 f9 595 20 331 1
j=5 511 10,5 468 7 559 16 363 2
j=6 582 f7
RI 51,5 84 78,5 17
2do paso
3er paso
Corrección: rango r (1) = 7 está repetido tl = 3 veces

r (2) = 10,5 t2= 2
Z t, = tl + t2 = 5 e N=5,25 no es necesario corregir

4
4to paso:
HcaI= 11,84 > X 2 ~ a b (GL= 3; a = 5%) = 7,81 H1, hay diferencias
El Test nos señala que entre los cuatro tratamientos existen diferencias estadísticas.
Para saber a detalle que tratamientos se diferencian, se sigue con una prueba de
Prueba de comparación de medias:
En caso de valores balanceados se usa la fórmula de Nernenyi.
En caso de valores no balanceados (nl zn2z ... nk)se usa la siguiente fórmula:
Con los datos del ejemplo:
A) Comparando tratamiento 2 con tratamiento 1
84- 51,5 I4 7,81 21 (21 + 1) 0- 6+ q no hay diferencias

6 5 12 6.5
B) Comparando tratamiento 2 con tratamiento 4
- 17 > 4
84 - - 7,81 21 (21 + 1) 6+5 3 hay diferencias
6 5 12 6.5
Friedman-Test
-+Análisis de varianza para datos en rangos, polifactorial y para comparación de más

de dos mediaslmuestras. Es el apropiado para diseños completos de bloques.
Supuestos:
* datos por lo menos en rangos

* datos con distribución simétrica
* datos dependientes (bloques)
* más de dos muestras
1er paso:
Se ordenan los datos del experimento en rangos, los cuales se dan dentro de
-
los bloques. En el caso de datos idénticos, se suman los rangos correspondientes y se
dividen por el número de rangos sumados. Por ejemplo: Los datos con el valor 5 se
repiten dos veces dentro del bloque. A los dos les corresponde el rango 3 y 4. Estos se
suman (3 + 4 = 7) y se divide por el número de rangos sumados (2) 712 = 3,5. Los
dos datos con un valor 5 reciben el rango 3,5. El valor siguiente tiene el rango 5. Se
obtiene la siguiente tabla:
Tabla 25: Ordenamiento de datos para calcular un Friedman-Test.
tratamientos
siendo n = número de repeticioneslbloques

k = número de tratamientos
Ri2 = suma de los rangos del tratamiento i
Se calcula x2 cal como sigue:
Comprobar la necesidad de corrección: En caso de ligaciones = rangos repetidos.
r(l), r(2) son los rangos repetidos:
r(1) se repite t, veces r(v) se repite t, veces

r(2) se repite tp veces r(g) se repite t, veces
siendo ri = número de rangos repetidos en bloque (i)

ti = cantidad de (j) rangos repetidos en bloque (i)
Se compara x2,a1 con x2Tabde la tabla de Friedman (ver Anexo 8).
x2Cal <x2Tab3 no hay diferencias

x2cal > x2Tab hay diferencias
Prueba de comparación de medias: Wilcoxon-Wilcox
En caso de identificar diferencias estadísticas con el Friedman-Test, se comprueba

con el Wilcoxon-Wilcox cuales de los tratamientos se diferencian.
* valores con dependencia

* valores balanceados (nl = n2= ... nk)
Se elabora una tabla en cruz, donde R, 2 R22 ... 2 Rk
Tabla 26: Tabla en cruz para la comparación de medias según Wilcoxon-Wilcox.
1 Ri - R, 1 se compara con el valor WD = (k; n; a) de la tabla de ~ i l c o x o n - ~ i l c o x ~ ~ ,

1 Ri - Rj 1 5 WDT, 25 3 H, no hay diferencias

1 Ri - R, 1 > WDTab ti,, hay diferencias
24 Ver tabla de Wilcoxon-Wilcox, Anexo 9.

116
Ejemplo:
Investigación sobre la efectividad de 8 biocidas sobre el número de larvas

con 5 bloques
ri
Tabla 27: Datos originales de una investigación con diseño de bloques completos
randomizados.
Bloque
1er paso
Se procede a dar rangos a los datos de la investigación:
Tabla 28: Ordenamiento y rangos de datos de una investigación analizada con el

Friedman-Test.
2do paso
3er paso
Corrección:
" "
Para calcular (tI3 - ti):
1=1 j=1
Bloque Rango Frecuencia
4to paso:
x2corr
= 21,29 > x2Tab
(k = 8, n= 5; a = 5%) = 13,23 3 hay diferencias
El test señala que entre los ocho tratamientos existen diferencias estadísticas. Para
saber a detalle que tratamientos se diferencian, se sigue con una prueba de
Prueba de comparación de medias: Wilcoxon-Wilcox
Tabla 29: Tabla en cruz para la comparación de medias según Wilcoxon-Wilcox.
WD = (k; n; a)
WD = (8; 5; 5%) = 23,5
WD < 1 R1 - R21 + diferencias significativas

WD 2 1 R1 - R21 + no hay diferencias significativas
5.7 Grado de eficacia
En investigaciones fitosanitarias, además del análisis de varianza puede ser útil

determinar las diferencias entre los distintos grados de ataque o daño de los insectos
plagas del ensayo. Tanto para diferencias entre parcelas tratadas y no tratadas o
parcelas tratadas y parcelas tipo (aplicación de efecto conocido) se calcula el grado de
eficacia, el cual es una herramienta para obtener un valor exacto para las diferencias
entre las parcelas no tratadas y las tratadas con un producto insecticida.
Importante para definir el grado de eficacia es el criterio adecuado para su evaluación,
el que debe reflejar el efecto de un preparado sin que sea influido por otro factor. El
grado de eficacia se refiere mayormente al efecto del producto sobre el mismo insecto
o enfermedad en estudio, pero también se puede calcular en base al daño ocasionado.
Se han desarrollado varias fórmulas para su cálculo, según los datos de origen. Cada
fórmula requiere de ciertas condiciones o requerimientos, los cuales deben ser
cumplidos. La fórmula básica es la de Abbott, la cual se usa para investigaciones en
laboratorio, pero en caso que el ataque de plagas en todas las parcelas sea igual,
también en campo. La fórmula se usa en caso de contar los insectos vivos en las
plantas, o sea los sobrevivientes a la aplicación y tiene en cuenta la mortalidad natural
en el testigo.
Abbott:
* para conteo de insectos vivos

* para ataque simétrico en las parcelas antes de la aplicación
* para registros numéricos
Grado de eficacia en % = C - T 100
siendo C = individuos vivos en el testigo o grado de ataque en el testigo des-

pués de la aplicación
T = individuos vivos en la parcela del producto o grado de ataque en la
parcela del producto después de la aplicación
Se usa en caso de laboratorio, donde se parte de un igual número de individuos por

parcela, placa petri, etc. y los individuos sobrevivientes no pueden escapar.
Ejemplo:
Grado de eficacia para un extracto botánico contra pulgones
Datos de la investigación:
Tratamiento Testigo
Pulgones vivos antes de la 80 80
aplicación
Pulgones vivos después de 7 78
la aplicación
En caso de conteo de insectos muertos
En caso de partir con un igual número de individuos por parcela, pero de ser más fácil
contar los insectos muertos en la parcela o unidad de experimento se usa la fórmula
de Schneider-Orelli, calculando previamente el porcentaje de muertos en cada parcela.
Esto puede ser el caso en invernadero o campo, cuando a los sobrevivientes tienen la
posib;lidad de trasladarse a otras plantas.
Schneider-Orelli:
* para conteo de insectos muertos

* para ataque simétrico en las parcelas antes de la aplicación
!l Grado de eficacia en % = b - k
100 - k
100
siendo b = % de muertos en el tratamiento

k = % de muertos en el testigo
Ejemplo:
Tratamiento Testigo
Pulgones vivos antes de la 80 80
aplicación
Pulgones vivos después de 7 78
la aplicación
% individuos muertos 91,25 2,5
En caso de aumentar la población de insectos
La fórmula de Abbott no considera el aumento natural de la población en las parcelas,

lo que sobre todo en investigaciones de campo influye en el resultado. Esta influencia
se tiene en cuenta en la fórmula elaborada por Sun y Shepard:
/I Sun y Shepard:
* para conteo de insectos muertos

* para ataque asimétrico en las parcelas antes de la aplicación
Grado de eficacia en % = Pt Pck 100

100 + Pck
I siendo Pt = % de mortalidad, calculado de la diferencia de número de insectos

vivos antes, menos insectos vivos después de la aplicación
Pck = % de cambio en la población (aumento (+) o disminución (-)),
calculado de la diferencia de número de insectos vivos antes,
menos insectos vivos después de la aplicación en la población
de la parcela testigo
Ejemplo:
Pulgones vivos antes de la

aplicación (Tb)
Pulgones vivos después de la
aplicación (Ta)
% mortalidad en la parcela
tratada (300 - 30 = 270;
270 1300 = 0,9 = 90 %) (Pt)
% cambio en la población en la
parcela testigo (600 - 500 = 100;
100 1500 = 0,2 = 20 % (Pck)
Grado de eficacia en % = Pt + Pck 100 = 90 + 20 100

100 + Pck 100 + 20
En caso de diferente ataque de insectos antes de la aplicación
Para la evaluación de investigaciones en el control de ácaros Henderson y Tilton

crearon la siguiente fórmula, la cual puede ser usada para investigaciones con ataque
asimétrico antes de la aplicación:
ll
Henderson y Tilton:
* para el conteo de insectos vivos

* para ataque asimétrico en las parcelas antes de la aplicación
Mortalidad en % = 100 (1 - Ta Cb )
Tb Ca
siendo Ta = Número de insectos después del tratamiento

Tb = Número de insectos antes del tratamiento
Cb -
Ca = Número de insectos en el testigo después del tratamiento
Número de insectos en el testigo antes del tratamiento
Ejemplo:
Tratamiento Testigo
Pulgones vivos antes de la
aplicación (Tb) 500
Pulgones vivos después de la
aplicación (Ta) 600
% mortalidad en la parcela
tratada (300 - 30 = 270;
270 1300 = 0,9 = 90 %) (Pt)
% cambio en la población en la
parcela testigo (600 - 500 = 100;
100 1500 = 0,2 = 20 % (Pck)
Mortalidad en % = 100 (1 - Ta Cb ) = 100 (1 - -30 -

500 )
Tb Ca 300 600
= 9l,67%
5.8 Análisis de datos registrados en escala
Los datos de una investigación obtenidos en forma de evaluación con escala o

estimación son datos en rangos, con lo que no se puede hacer un análisis de varianza
para comprobar diferencias entre los tratamientos. Pero según el biométrico Thoni, la
base de los rangos son datos en intervalos, las notas nada más se deducen de estos
intervalos para facilitar el registro. En caso que la escala de rangos se refiera a la
expresión de una característica se supone una escala en intervalos y se analiza, en
caso se den las otras condiciones, con un ANVA. Este es el caso para datos
provenientes de ataque de plagas o enfermedades. Como referencia se puede decir:
cuando el distanciamiento entre dos notas o rangos son definidos de manera
equidistante, se los puede tratar como datos en intervalos. Este no es el caso por
ejemplo para notas, en las cuales para el evaluador A la nota 1 se da sólo con 20
puntos, el evaluador B la da con 18 - 20 puntos. El distanciamiento entre las notas no
es igual.
Los datos registrados en escala suelen tener una distribución desigual según el
tratamiento, por lo que se recomienda hacer un x2 ya que esta prueba reconoce muy
bien diferencias en la distribución de los datos, lo cual se pierde muchas veces
analizando los datos mediante sus medias con un ANVA. En caso que la distribución
sea simétrica (comprobar esto para cada parcela; es importante tener un número
grande (2 25) de datos para poder realizar esto) se puede trabajar con las medias y
hacer un ANVA.
Para los datos originados de escalas también se pueden calcular índices con los
cuales se calcula el ANVA. En este caso se crea de forma artificial datos en intervalos,
lo que es fingir una realidad falsa. Pero el método es usual en la estadística, como
forma de calcular los promedios de las parcelas.
. .
Cálculos preliminares para un ANVA con datos en escala de 1 a 4 sobre el
grado de infestación de hojas con Phytophthora cinnamomi
En la investigación se analizan 5 extractos con efecto fungicida y un testigo nulo

en un diseño de bloques completos aleatorios con cuatro repeticiones. En cada
parcela han sido evaluadas 25 plantas con la siguiente escala:
1 = planta sana
2 = planta levemente infestada
3 = planta fuertemente infestada
4 = planta casi muerta o muerta
Para cada parcela se obtuvo 25 datos con valores del 1 al 4 en diferentes cantidades.
En el tratamiento 5, bloque 3 por ejemplo se obtuvo 3 veces el número 1, 8 veces el 2,
7 veces el 3 y 1 vez el 4.
En la tabla 30 se muestran los datos registrados resumidos según las frecuencias de
presentarse.
Tabla 30: Frecuencia de rangos de infestación con Phytophthora cinnamomi.

-ratamien- Clases o rangos
tos Bloques 1 2 3 4 Suma Promedio
j=4 O 5 13 7 25
Suma O 22 57 21
j=l 5 14 4 2 25
j=2 1 17 6 1 25
j=3 5 15 3 2 25
j=4
Suma
j=1
j=2
j =3
j=4 9 8 6 2 25
Suma 31 40 21 8
j=1 9 4 8 4 25
j=2 2 9 11 3 25
j=3 1O 7 7 1 25
j=4 8 5 8 4 25
Suma 29 25 34 12
Suma 23 46 22 9
j=1 13 11 1 25
j=2 11 12 1 25
j=3 14 9 2 25
j=4 14 1O 1 25
suma 1 52 42 5
Los índices se calculan para el ejemplo mencionado de tratamiento 5, bloque 3,

obteniendo el promedio:
Cada promedio resulta de los 25 datos de cada parcela. Los datos calculados son
aptos para ser comparados en un ANVA, ya que se pueden ver como cantidades
continuas. En la tabla 31 se resumen los datos para el ANVA. Para estos datos valen
las mismas condiciones que para otros datos, o sea, deben tener una distribución
normal, ser independientes, etc., lo que debe ser comprobado según lo descrito arriba.
En caso de no cumplir con un requisito, se calcula un Friedman (diseño de bloques).
Tabla 31: índices calculados sobre frecuencias de rangos de infestación.
Tratamien- Bloques Suma Promedio

tos -
1 2 3 4 Y
Suma
Promedio
6. Interpretación de los datos
Después del análisis los datos son interpretados, comentando los efectos de los
diferentes tratamientos en las plantas, ahondando el significado de los resultados. El
criterio principal en la interpretación es la diferencia significante entre los resultados de
cada tratamiento, comparándolos de acuerdo al problema inicial y el método de
investigación. Por lo que los resultados obtenidos no sólo resultan de los tratamientos,
sino también de las influencias del clima, suelo, la técnica de la investigación, etc.,
éstos deben ser descritos y relacionados con los resultados. Las interacciones entre
todos los diferentes factores son descritos e interpretados. Por ejemplo el rendimiento
de diferentes variedades no sólo depende del nivel de abonamiento, sino también las
interacciones entre el pH del suelo y el tipo de abono debe ser tomado en cuenta. La
base de estas descripciones son las observaciones tomadas durante el periodo de
investigación y los datos adicionales registrados antes o durante la investigación. Los
resultados son comparados con datos de otras investigaciones, discutiendo las
posibles diferencias.
La interpretación no sólo es la descripción de los resultados, los cuales se pueden leer

de las tablas y gráficos, sino más bien una descripción de las relaciones entre la causa
y el efecto. Se busca encontrar explicaciones para los efectos obtenidos. Puede
facilitar la interpretación y ser de gran interés evaluar las dependencias y correlaciones
entre diferentes factores (ver literatura estadística).
En base a los resultados y su discusión se llega a las conclusiones con lo que se

contesta la pregunta inicial rechazando o aceptando la hipótesis planteada. Las
conclusiones se sacan nada más para el problema inicial planteado y se basan en
datos concretos. En caso de una investigación exitosa las conclusiones son el
resultado al problema, el cual se debe describir lo más preciso y exacto posible. Se
debe tener cuidado en expresar generalizaciones, ya que no se pueden comprobar. La
estadística nada más confirma cierta certeza en los resultados. Las conclusiones
también incluyen recomendaciones para siguientes pasos en el área de trabajo.
7. Presentación de datos e informes
Hay dos clases de estadística: la descriptiva y la analítica. La descriptiva tiene como

meta, presentar los datos obtenidos de tal forma, que resalte lo importante o lo
esencial.
Que se define como importante o esencial depende de la pregunta inicial de la
investigación, pero también de la decisión subjetiva del investigador. Para obtener
claridad hay que ordenar los datos, para lo que la estadística descriptiva usa
principalmente tres formas: tablas, gráficos y medidas características.
7.1 Tablas
Teniendo datos sobre frecuencias, por ejemplo conteos, estos se ordenan según sus
características, sumando la cantidad de características idénticas. En caso que hayan
muchos diferentes valores, se recomienda formar rangos o categorías. Como
representante de una categoría se escoge normalmente el medio aritmético. La
amplitud de las categorías debe ser igual para todas las categorías y se define
tratando de lograr con una cantidad mínima de categorías un máximo de información
específica, sin perder información valiosa. Cada resumen de datos oculta información.
Más amplia se escoge las categorías, más pequeño es el número de categorías, lo
que puede ocasionar borrar o "esconder" información. Una amplitud muy pequeña
aumenta el peligro de detallar información o efectos casuales.
Si no se tiene información básica se puede partir de la siguiente fórmula de Sturges

para calcular la amplitud de las categorías (b):
b= V = V siendo: n = la cantidad de valores

1 + 3,32 log n 5 log n V = rango
Tabla 32: Lista original de la longitud de alas (mm), conteo de 25 individuos,

según su medición.
Tabla 33: Lista ordenada por tamaño de la longitud de alas (mm), 25 individuos.
Tabla 34: Distribución de la frecuencia de las medidas de las alas.
Valor medido (K) Lista de conteos Frecuencias (fi)
Xl = 3,3 lófl=l
X2 = 3,4 0óf2=1
XJ = 3,5 1óf3=1
~4 = 3,6 4Óf4=1
X5 = 3,7 0óf5=1
xs = 3,8 5óf,3=1
X7 = 3,9 2Óf7=1
XB = 4,O 0óf8=1
2ófg=l
1 ó fl0 = 1
4ófll = 1
3 Ó f 1 2 =1
1 Ó f13= 1
0 Ó f14= 1
1 Ó fI5 = 1
De la lista ordenada calculamos los rangos (V = valor mayor menos valor menor, o sea
V = 4,7 - 3,3 = 1,4) y la fórmula de Sturges nos da como amplitud de categoría de 0,2
a 0,3.
Tabla 35: Frecuencias categorizadas y suma de las frecuencias con una amplitud de
categoría de b = 0,3.
Frecuencias categorizadas: longitud de alas
Medio de 1 Frecuencia 1 Frecuencias sumadas
categoría
Xi fi Fi
3,45 fl = 2 F1= 2
3,75 f2 = 9 F2= 11
4,051 f3 = 4 F3=15
4,35 f4 = 8 F4= 23
4,65 f5 = 2 F5= 25
Presentación gráfica de las tablas anteriores (34, 35):
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Longitud de alas
Categorías
Gráfico 15: Presentación de los datos originales y los datos resumidos en 5

categorías.
Recién del gráfico categorizado (gráfico 15, derecha) se reconoce el resultado

específico de la investigación: una distribución bimodal. Con una buena categorización
se puede facilitar la interpretación de los datos. Es importante, formar categorías
suficientemente grandes para que la forma general de la distribución se pueda ver
fácilmente, pero no tan pequeños, como para perderse en detalles.
7.2 Gráficos
La interpretación también es facilitada, además de un buen resumen de datos, por una

buena presentación gráfica. Esta presentación debe cumplir con ciertos criterios. La
meta de un gráfico es visualizar datos y10 resultados para personas ajenas al tema,
pero no tienen propiedad de prueba y no deben ser usados para verificar las
conclusiones.
El eje horizontal (x) es usado para las categorías y el eje vertical (y) para los valores
de la investigación.
Diferentes formas de presentación gráfica:
Diagrama en barras horizontales o verticales: Se usan para presentar categorías,

niveles de datos cualitativos o rangos y comparar entre ellos. Son fáciles de leer y
entender. Es necesario indicar la escala o eje, para que el lector tenga una medida
sobre el tamaño de los datos. En caso contrario ve nada más frecuencias relativas. En
el eje de categorías (x) se distribuyen las barras con igual ancho y distancia entre
ellos. El largo o la altura de las barras depende de las frecuencias en las categorías
(número, peso, etc.).
Cebolla
Camote
Café
Cacao
Arroz
Algodón
Achiote
Achiote Algodón Arroz Cacao Café Camote Cebolla O 5000 1O000 15000 20000
Gráfico 16: Producción de cultivos agrícolas en el Perú en 1995.
El circular o barras al 100%: Con ellos se presenta el aporte de cada valor al total, o
sea el porcentaje. Son muy vistosos y usados frecuentemente, aunque no todos los
datos se prestan para una presentación al 100%. Se usan cuando interesa la relación
entre las frecuencias, no su valor absoluto. Es ideal comparando varias muestras, por
ejemplo área cosechada de algodón según departamentos, años, etc. Una forma es
presentar todo el país como un círculo, dividido en los diferentes departamentos según
su proporción en la cosecha. Si se quiere agregar la comparación entre diferentes
años, se puede usar además el tamaño del círculo como referencia. El tamaño del
círculo representa el área total de algodón cosechado en todo el país. Como el área
varía según los años, el tamaño de círculo también varía. Para calcular diferentes
tamaños de círculos se escoge un radio (rA) indeterminado para el primer círculo. El
área de círculo A es n: r2A. Se busca el radio del círculo B (rB), con un tamaño x:
rg = &* rA. Se conoce el porcentaje hi %, entonces se calcula el vínculo del sector
i ai = hi 3,6".
NO se pueden hacer gráficos circulares comparando la producción

de diferentes tratamientos, ya que no se tiene un valor total del
cual se calcula los porcentajes.
Ejemplo:
Presentación gráfica en forma circular
El área de algodón rama cosechada en el Perú en 1994 era de 97 309 ha y 1995

de 123 681 ha. En 1995 el área era x = 1,27 veces más grandes que en 1994. Para
1994 escogemos rA = 3 cm. Para 1995 el radio r~ = dx rA= 1,12 3 = 3,36 cm. Para
Ica hi % es 36,02 %, es decir, el vínculo es ai = hi 3,6" = 36,02 3,6" = 129,7".
Otros
Otros
Líneas: La forma de líneas se usa cuando se quiere presentar un desarrollo, por

ejemplo de temperatura, de área de producción, etc. Esto tiene como condición que un
dato sigue al otro, o sea la producción anual de 1990 al 1999 debe contener datos
para los 10 años consecutivos y deben basarse en la misma información, siempre
refiriéndose a todo el país, una región, etc.
Se debe tener datos con nivel de datos en intervalos fijos o datos relacionados.
?! NO se puede usar para comparar manzanas con peras, ya que son

de diferente categoría y no hay ninguna relación entre ellos.
25
Datos inventados.
26
Datos según SENASA, 1996.
Los gráficos dan una buena primera impresión e información sobre los resultados
obtenidos en la investigación, pero se debe señalar otra vez, que no pueden ser
usados para comprobar conclusiones, supuestos y a su vez indicar, que se pueden
malusar para distorsionar resultados. Los gráficos se tienen que observar detallada y
críticamente, para entender toda su información. El investigador debe titular su gráfico
y participar la información necesaria para entenderla correctamente, por ejemplo con
leyenda, título de ejes, etc.
Un criterio básico es el mismo distanciamiento y las mismas categorías en los ejes. No

se puede detallar un desarrollo anual con valores anuales para los años anteriores e
indicar para el último año los meses (ver gráfico 17). Se crea una impresión
equivocada, siendo los datos para los años quizás un promedio de todos los meses,
mientras que para los últimos meses se usan los valores reales. En el ejemplo se
pierde la tendencia decreciente de las hectáreas bajo control biológico en Ica en los
últimos años y se cree la impresión de un constante crecimiento en Lima, lo cual hasta
fin de año puede cambiar.
1
tPiura
+Lima
fija
Gráfico 17: Hectáreas bajo control biológico según departamentos. Mal ejemplo para
la presentación gráfica de datos.
El ejemplo a continuación (gráfico 18) muestra como se puede manejar la información

cambiando el largo y ancho de los ejes.
Gráfico 18: Diferencia de apreciación de datos iguales: mientras que A deja una
impresión redonda, B parece alargada y C chata. Nótese en el sombrero las
diferencias en una presentación de curva. Fuente: Kohler, Schachtel y Voleske,
1984.
8. Recomendaciones para redactar avances o informes finales
El informe final es un documento importante para documentar la investigación. Muchas

veces es el único documento al que personas ajenas a la investigación tienen acceso,
mas no a la documentación de la planificación o realización. Esto hace tan relevante
su calidad e integridad. Para que sea entendible para todos los interesados, se debe
tratar de lograr máxima claridad, en idioma inteligible y con los detalles necesarios
para su comprensión. Como ayuda se han anotado algunas preguntas a base de los
que se puede hacer un informe.
A) Preguntas importantes:
- ¿Cuál es el obJetivo de mi informe? ¿Sobre que quiero informar?
- ¿En que consiste mi investigación,?
- ¿En q u e contexto debo ubicarla,?
- ¿Qué obJetivos me propuse en mi trabajo?
- ¿Qué herramientas y medios auxiliares utilicé?
- ¿Cuál fue el resultado?
- ¿Qué aspectos fueron especialmente importantes.?
- i Q u é cosa realizarlá diferente la próxima vez?
En los informes deben ir todas los detalles necesarios para entender y replicar la
investigación. Por ejemplo es necesario mencionar la época de aplicación:
abonamiento a la siembra, aporque, etc., ya que la planta asimila los nutrientes en
diferentes fases en diferente cantidad. En aplicaciones de preparados la edad de las
plagas controladas, las condiciones meteorológicas, etc. son importantes, ya que una
larva en el primer estadio reacciona diferente que una larva en tercer estadio o una
pupa.
B) Puntos para recordar:

- informar s o b r e d a t o s concretos
- describir e l cómo, e l p o r qué, las circunstancias y condiciones
- n o describir detalles superficiales (hora de salida, llanta baja en el camino), ino
e s un informe de actividades!
- no d e s c r i b ~ rtanto e l qué, e l cuánto
- informes de más de 20 a 30 páginas rara vez s e leen
- elegir una forma atractiva y adaptada: gráficos claros, lenguqe comprensible,
apoyo visual como fotos, dibujos
Tabla 36: Pasos para redactar un informe.
1. Introducción y revisión Definir el problema que se pretende resolver

bibliográfica y justificar la ejecución del estudio, desde el
punto de vista técnico, económico o social;
así como para sustentar las hipótesis y
señalar los objetivos que se persiguen.
Sustentar esto con bibliografía sobre temas
relacionados y bases teóricas. Se logra una
visión general sobre la problemática y se
clasifica su contexto.
- -- - - -
2. Materiales y métodos Describir los materiales y la metodología

empleada para validar la hipótesis, listar las
aplicaciones, su forma, preparación, cantidad
y fecha, diseño, pruebas estadísticas y
observaciones adicionales con importancia
para la investigación.
3. Resultados y discusión Presentar los resultados obtenidos de

manera comprensible y su análisis.
Discutirlos en términos de la hipótesis
planteada y a la luz de los conocimientos
existentes sobre el aspecto investigado.
Evitar especulaciones o comentarios simples
sin fundamento técnico.
4. Conclusiones Señalar los hallazgos del estudio en relación

con los objetivos propuestos, indicando el
grado en que se ha alcanzado la solución del
problema planteado y sus consecuencias.
5. Bibliografía Organizar una lista con las referencias

bibliográficas, a las cuales se ha hecho
referencia en el informe.
Estas referencias deben ser ordenadas

alfabéticamente por el apellido del autor
principal seguido de sus nombres. La cita
debe incluir luego los nombres completos de
todos los otros autores, título completo del
artículo, nombre de la publicación, número
del volumen, paginas que abarca y el año de
la publicación.
6. Resumen Breve y sumaria exposición de lo más

sustancial de todo el trabajo, no sólo de los
resultados (hoja separada).
9. Bibliografía
Biologische Bundesanstalt für Land- und Forstwirtschaft. 4 - 3.2.1. Richtlinien für die
Prüfung von Fungiziden gegen Falsche Mehltaupilze an Gemüse. November
1983. Braunschweig, Alemania.
Biologische Bundesanstalt für Land- und Forstwirtschaft. 4 - 2.2.1. Richtlinien für die
Prüfung von Fungiziden gegen Echte Mehltaupilze an Gemüse. November
1983. Braunschweig, Alemania.
Box, G.; Hunter, W. G.; Hunter, J. S. 1993. Estadística para investigadores.
Introducción al diseño de experimentos, análisis de datos y construcción de
modelos. Editorial Reverté S.A., Barcelona, España.
Bundessortenamt. 1995. Richtlinien für Wertprüfungen und Sortenversuche im
Gemüsebau. Ausgabe 1995. Landbuch-Verlag GmbH, Alemania.
Gomez, K. A..; Gomez, A. A. 1976. Statistical Procedures for agricultural Research.
IRRI, Manila.
Kohler, W.; Schachtel, G.; Voleske, P.; 1996. Biostatistik. Einführung in die Biometrie
für Biologen und Agrarwissenschaftler. 2. Auflage, Springer Verlag, Berlin
Heidelberg.
Moll, E. 1997. Einführung in die Biometrie unter Berücksichtigung der Software SAS.
Teil2: Vergleich von mehr als zwei Mittelwerten, ein- und zweifacktorielle
Varianzanalyse mit festen und zufalligen Effekten. In: Berichte aus der BBA,
Heft 31. Braunschweig, Alemania
O'sváth. J.; Geidel, H. 1975. Besonderheiten der biometrischen Auswertung von
Pflanzenschutzversuchen. En: Pflanzenkrankheiten, 8/9/75, pag. 449 - 466.
Rohrmoser, K. 1984. Kompendium für Feldversuche in der technischen
Zusammenarbeit. 2. verb. Auflage. TZ-Verlagsgesellschaft mbH, RoBdorf,
Alemania.
Steel, R.; Torrie, J. 1997. Bioestadística: Principios y Procedimientos. McGraw-
Hill/lnteramericana de méxico, S.S. de C.V., México.
Unterstenhoefer, G. 1963. Las bases para Ensayos fitosanitarios de campo. En:
Pflanzenschutz-Nachrichten "Bayer". 1963, 3.
Anexos
Anexo 1: Hoja de evaluación
Anexo 2: Tabla de números al azar
Fuente: Kohler, Schachtel, Voleske, 1996
142
Anexo 3: Planos para cuadrado latino
Fuente: Box, Hunter, Hunter, 1993

Anexo 4: Ejemplos para la evaluación de enfermedades expresada en

porcentajes de áreas atacadas
Phytophthora infestans en tomate
5 10 25 50
Bremia lactucae en lechuga
1 5
Mildiu en pepinillos
Fuente: Biologische Bundesanstalt für Land- und Forstwirtschaft. Richtlinien für die
amtliche Prüfung von Pflanzenbehandlungsmitteln. 4 - 3.2.1 y 4 - 2.2.1.
November 1983. Braunschweig, Alemania.
Anexo 5: Tabla de F-max F-max (a)
=uente: Kohler, Schachtel, Voleske, 1996

h e x o 6: Tabla dle ran 1s stu
3 4
26.98 32.82
8.33 9.80
5.91 632
5,04 5,76
4,60 5.22
4.34 4.90
4.16 4.68
4.04 4.53
3,95 4.41
3.88 4,33
3.82 4.26
3.77 4.20
3.73 4.15
3.70 4,11
3,67 4,08
3.65 4,05
3.63 4,02
3.61 4.00
3.59 3.98
3,58 3.96
3-56 3.94
3.55 3.93
3.54 3.91
3.54 3.90
3.52 3.89
3.51 3.88
3,51 3-87
3,50 3.86
3.49 3.85
3,49 3.85
3,48 3-83
3,48 3.83
3.47 3.82
3.47 3,82
3,46 3.81
3.46 3.81
3,45 3.80
3.45 3.80
3.44 3.79
3,44 3,79
3,41 3.76
3.40 3,74
3.36 3,68
- -3.31 3.63
Shler, Schachtel, VI ske, lS
Anexo 7 : Tabla de x2(para Kruskal-Wallis)
%ente: Kohler, Schachtel, Voleske, 1996

Anexo 8: Tabla de Nemenyi ND (k; n; a)

a=5%
361,l 527,O 698,8 875,4 1056,3 1240,4 1427,9 1617,6

2: Kohler, Schachtel, Voleske, 1996
Tabla de Friedman f (k; n; 4

a=5%
3n 1 4 1 5 1 6 7 1 8 1 9 110111 1 1 2 1 1 3 1 1 4 1 1 5
3 6,000 7,4 8,53 9,86 11,24 12,57 13,88 15,19 16,48 17,76 19,02 20,27 21,53
4 6,500 7,8 8,8110,24 11,63 12,99 14,34 15,67 16,97 18,3 19,6 20,9 22,l
5 6,400 7,8 8,99 10,43 11,84 13,23 14,59 15,93 17,27 18,6 19,6 21,2 22,4
6 7,000 7,6 9,08 10,54 11,97 13,38 14,76 16,12 17,4 18,8 20,l 21,4 22,7
7 7,143 7,8 9,11 10,62 12,07 13,48 14,87 16,23 17,6 18,9 20,2 21,5 22,8
8 6,250 7,65 9,19 10,68 12,14 13,56 14,95 16,32 17,7 19,O 20,3 21,6 22,9
9 6,222 7,66 9,22 10,73 12,19 13,61 15,02 16,40 17,8 19,l 20,4 21,7 23,O
10 6,200 7,67 9,25 10,76 1
11 6,545 7,68 9,27 10,79 1
20 5,99 7,74 9,37 10,92 12,41 13,8

o3 5,99 7,82 9,49 11,07 12,519 14,07 15,51 16,92 18,31 19,68 21,03 22,36 23,69
Fuente: Kohler, Schachtel, Voleske, 1996
Anexo 9: Tabla de Wilcoxon-Wilcox WD (k; n; a)
a=5%
2 53 8,O 1O,3
3 7,1 93 12,6
4 82 11,4 14,6
5 92 12,7 16,3
6 10,1 13,9 17,8
7 10,9 15,O 19,3
8 11,7 16,1 20,6
9 12,4 17,1 21,8
1O 13,O 18,O 23,O
11 13,7 18,9 24,1
12 14,3 19,7 25,2
13 14,9 20,5 26,2
14 15,4 21,3 27,2
15 16,O 22,O 28,2
16 16,s 22,7 29,l
17 17,O 23,4 30,O
18 17,5 24,1 30,9
19 18,O 24,8 31,7
20 18,4 25,4 32,5
21 18,9 26,O 33,4
22 19,3 26,7 34,1
23 19,8 27,3 34,9
24 20,2 27,8 35,7
25 20,6 28,4 36,4
%ente: Kohler, Schachtel, Voleske, 1996
lndice
Abbott, 119, 120 Efecto

Agricultores, 17, 18, 20, 30, 40 marginal, 62
Análisis, 39 vecinal, 61
ANVA, 43,62,77 Eficacia, 119
en MS Excel, 84 Error experimental, 46, 47, 59, 63
factorial, 83 Estadística
parcelas divididas, 87 analítica, 43, 120
supuestos, 77 descriptiva, 43, 120
unifactorial, 77 Evaluación, 37, 69, 71
Árbol de problemas, 33 Extensionistas, 17, 18, 30
Area de muestreo, 70
Facilitador, 15, 19, 25

Biometría, 45 Factoriales, 54
Bloques, 50 (ver también Diseño) FODA, 33
completos randomizados, 36, 64 Fórmula de Sturges, 120
Frecuencias, 120, 125
Ceteris paribus, 46, 53

Coeficiente de variación, 87 Gráfico, 122
Comités de investigación agrícola local, circular, 123
17, 30, 39 en barras, 122
Comparación múltiple de medias, 98 en líneas, 124
Comunicación no-verbal, 21, 25
Conclusiones, 39
Henderson y Tilton, 123

Herramientas participativas, 23, 32
Datos Heterogeneidad, 50, 56, 59, 63, 65
cualitativos, 75 Histograma, 78
en escala, 124 Homogeneidad, 36,47
en intervalos fijos, 75
en rangos, 75
perdidos, 95
primarios, 37 Informes finales, 127
relacionados, 75 Interacción, 81, 83, 84, 92, 102, 103,
secundarios, 37 1O4
Diagnóstico, 29 Interpretación, 119
rápido participativo, 33 Investigación
Diseño, 36, 63 científica, 9, 10
Completamente Aleatorio, 63 participativa, 9, 10, 15, 28
de Bloques Completos Aleatorizados, Investigadores, 18, 20, 26, 40
36,64
de Parcelas Divididas, 66
en Cuadrado Latino, 65
Distribución normal, 77 Lluvias de ideas, 32
Modelo 1, 82 Simetría, 62
Modelo 11, 82
Modelo mixto, 82
Tablas, 120
Tamaño
Niveles de datos, 75 de muestra, 70
de parcelas, 35
Tarjetas, 24, 25
Técnicos, 30, 40
On-Farm-Research, 9 Test de
F-max, 80
Friedman, 114
H, 107
Parcelas Kolmogorov-Smirnow, 77
divididas, 36 Kruskal-Wallis, 107
forma, 55 Testigo, 35, 54
tamaño, 58 Toma de datos, 37, 38, 69
ubicación, 55 Transcripción, 46
Planificación, 34, 45 Transecto, 33
Precisión, 48 Transformación de datos, 93
Presentación, 20, 120 angular, 94
Presentación de datos, 106 logarítmica, 94
Prueba de raíz cuadrada, 94
Duncan, 98 Tratamientos, 34, 53
Nemenyi, 110
Schneider-Orelli, 121
Sun y Shepard, 122
Tukey, 98 Valor F, 81, 83
Tukey, factorial, 102 Varianzas homogéneas, 80
Tukey, parcelas divididas, 103 Visualización, 24, 29
Tukey, unifactorial, 99
Wilcoxon-Wilcox, 116
no paramétricas, 107
Randomización, 36, 48
de cuadrado latino, 65
de parcelas divididas, 67
polifactorial, 50
unifactorial, 49
Recomendaciones, 40, 127
Redacción, 127,128
Repeticiones, 35, 47

Guía Metodológica para Investigadores Agrícolas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guía Metodológica para Investigadores Agrícolas

Cargado por

Copyright:

Formatos disponibles

Guía metodológica

para investigadores agrícolas

Introducción práctica a la investigación participativa

Red de Acción en Alternativas al uso de Agroquímicos

O Red de Acción en Alternativas al uso de Agroquímicos (RAAA)

Colaborador: José Luis Mendoza Benites

e-mail: raaaper Q terra.com.pe

Primera Edición: Julio 2001

Diagramación: lngrid Arning

Se autoriza la reproducción parcial de la presente guía, siendo la única condición

Desde 1945 la investigación como estrategia para la generación de tecnologías ha

La investigación agrícola en el Perú ha dejado de significar una herramienta para la

A partir de 1992, luego de la desactivación de los centros de investigación y extensión,

La experiencia de la Red de Acción en Alternativas al uso de Agroquímicos (RAAA) es

Consideramos que la orientación hacia modelos productivos alternativos requiere de

Héctor Velásquez Alcántara

Es una recopilación de una gran cantidad de información producida al respecto a nivel

La parte de investigación participativa se debe entender como una guía de

La parte de investigación convencional contiene muchos temas conocidos, a los que

La investigación agrícola es un proceso que se viene realizando desde tiempos

Investigaciones científicas o convencionales problematizan: a los investigadores no

No por esto se puede rechazar a la investigación científica. Al contrario, tiene su razón

La "investigación participativa" ha sido creada por parte de los programas de

En los años 80 fueron desarrollados los métodos de "On-Farm-Research", en los

investigación participativa y la investigación convencional van de la mano y se

En lo que refiere a la estadística, que en la investigación convencional juega un rol

Investigación científica o convencional

Con investigación científica entendemos investigaciones realizadas en campos

A través de los años la investigación se ha ido evolucionando. Con el afán de

La investigación participativa tiene como objetivo elaborar conocimientos prácticos,

La investigación participativa, como el nombre ya lo indica, hace participar a los

El rol del investigador, el cual puede ser un investigador, extensionista o recnico, es

La investigación participativa se basa, como dice su nombre, en la participación de los

Son ellos los que deben fijar el tema de la

Hay situaciones, donde es necesario despertar el interés o la demanda por una

Pero no debemos caer en el error de pensar, que un sistema, una tecnología

Principios de la investigación participativa

Ventaja de la investigación participativa

Desventaja de la investigación participativa

El éxito de la investigación participativa se mide haciendo un análisis de aceptación

Los actores de la investigación participativa son: los investigadores, los extensionistas

Los agricultores generalmente son mencionados como tales, suponiendo detrás de la

Lo que los investigadores crean que los productores necesitan o

El CIAT~, Colombia, trabaja con comités de investigación agrícola local,

En el caso de Colombia, el técnico sólo tiene la función de asesor, es el intermediario

El rol de los agricultores

El rol de los extensionistas

El rol de los investigadores

Fuente: Tabla modificada de Werner, 1993.

3. Tipos de investigación participativa

Se diferencian tres tipos de investigación, según la participación activa de los

2. El investigador tiene la percepción sobre un problema y motiva a un grupo de

Además se pueden categorizar diferentes tipos de investigación participativa según el

En la investigación participativa se utilizan métodos participativos conocidos de la

dejarse llevar por la dinámica y desarrollar ideas no planificadas. Sólo funcionan o

Importante para trabajar con metodos participativos:

Es fundamental valorar los mutuos conocimientos, tanto la teoría y práctica del

En la práctica, esto requiere de habilidad para empezar a trabajar una investigación

Dibujo 2: Presentación inadecuada de un ingeniero ante un agricultor.

Dibujo 3: a) Colocación de los agricultores a una distancia formal, que denota

Las diferentes herramientas participativas tienen en común4:

Las ventajas de los métodos participativos son4:

Un elemento clave en los métodos participativos es la visualización de todos los pasos