Mejoramiento Genético

DISEÑO DE EXPERIMENTOS

La experimentación agrícola consiste en la reproducción controlada de fenómenos cuyos efectos desean conocerse
con la mayor exactitud posible. Para ello es necesario formular claramente una hipótesis, utilizar un diseño experi-
mental apropiado y analizar e interpretar los datos obtenidos.
En el mejoramiento genético, no sólo importa determinar cuál es el mejor tratamiento (por ejemplo, el genotipo
con mayor rendimiento) sino que es imprescindible especificar en qué condiciones ello ocurre, debido a que la expre-
sión fenotípica de los caracteres tiene en el ambiente un componente constantemente presente.
En el campo, los factores ambientales más importantes son: clima, suelo, subsuelo y topografía. Para disminuir los
efectos del ambiente es necesario elegir un campo experimental apropiado. Interesa sobre todo que sea representati-
vo del área o región en lo que a clima y suelo se refiere y que este último sea lo menos heterogéneo posible. Todos los
efectos no controlados en un experimento forman parte del error experimental y para conocerlo es imprescindible el
uso de los diseños experimentales.
Principios Básicos
Los principios básicos del Diseño Experimental son: repeticiones, distribución al azar de los tratamientos y control
local. La interrelación de estos principios y sus efectos se presentan de la siguiente manera:
REPETICIÓN

DISTRIBUCIÓN CONTROL
AL AZAR LOCAL

Estimación Disminución
del error del error
Repeticiones
Se entiende por repetición el número n de unidades experimentales a las cuales ha sido asignado el mismo trata-
miento. El uso de repeticiones persigue los siguientes objetivos:
1) Obtener estimaciones más eficientes y representativas de los parámetros en estudio.
2) Aumentar la precisión del experimento
3) Posibilitar el análisis estadístico al permitir estimar el error experimental.
Cuanto mayor sea el número de repeticiones, tanto más exacta será la estimación del error experimental y menor
la incertidumbre sobre los resultados obtenidos. Alguno de los factores que influyen sobre el número de repeticiones
a utilizar son los siguientes: uniformidad del suelo, número de tratamientos, tamaño de la parcela experimental, grado
de precisión de experimento, diseño experimental utilizado.
En cuanto a la unidad o parcela experimental, siempre debe trabajarse con un número adecuado de surcos que
permita controlar el efecto de bordura, eliminando los surcos que puedan manifestarlo (por ejemplo: si la parcela
tiene cuatro surcos, evaluar la parte central).
Superficie aproximada de las parcelas:
Cereales en general 3 a 100 m2
Forrajera de poco desarrollo 5 a 100 m2
Forrajera de gran desarrollo 10 a 150 m2
Cultivos industriales 30 a 300 m2
Hortalizas en general 5 a 150 m2
Frutales y forestales 1 a 10 árboles
 Mejoramiento Genético

Distribución al azar de los tratamientos

El segundo principio básico del diseño experimental exige que los tratamientos (ejemplo: variedades) sean asigna-
dos al azar en parcelas. El resultado es que cada parcela tiene la misma probabilidad de recibir cualquier tratamiento y
que la variación que pueda tener el suelo se distribuya al azar con respecto a las variedades o tratamientos. De ésta
manera se aseguran estimaciones válidas e insesgadas del error experimental, de las medias de los tratamientos y de
las variancias debidas a los efectos de los tratamientos. La distribución al azar elimina las probables correlaciones
entre parcelas contiguas y evita cualquier tendencia o prejuicio que pueda favorecer o perjudicar a una variedad res-
pecto a otra cualquiera.
Control local
Se refiere a las restricciones que se imponen a la distribución al azar, con el objeto de extraer del error experimen-
tal la porción de variación que puede ser localmente controlada. Esto se realiza por medio de una agrupación especial
de las unidades experimentales, mejorando la comparación entre tratamientos al eliminarse aquellas partes de la
variación total que carecen de relevancia en la comparación.
Prueba de Hipótesis
En un experimento se busca determinar: a) si existen diferencias entre tratamientos (especies o variedades) y b) en
caso de que existan, determinar cuál es el mejor tratamiento para los caracteres considerados.
Estadístico F
Para cumplir con el primer objetivo se utiliza una razón de variancias conocida como estadístico F. La variancia del
error experimental es una medida de la variación debido a causas desconocidas o simplemente imputables al azar. Si
la variancia debida a un factor conocido (ejemplo: tratamientos) supera la del error, se admite que ese factor ha in-
fluido en los resultados. Para este fin se usa la estadístico F efectuando el cociente entre el cuadrado medio de los
tratamientos sobre el cuadrado medio del error experimental. El valor obtenido debe compararse con los valores de F
tabulados. Tal comparación indicará si hay o no diferencias estadísticamente significativas entre los tratamientos. En
el caso de que tales diferencias existan, debe cumplirse con el segundo objetivo, para lo cual se utilizan las pruebas de
comparaciones múltiples.
Comparaciones múltiples
Dentro de las comparaciones múltiples a priori, es decir las que se planean antes de realizar el experimento, están
los contrastes ortogonales, la prueba de DMS (diferencia mínima significativa) y la prueba de Dunnett. Dentro de las
comparaciones múltiples a posteriori, es decir las formuladas por el experimentador después de obtenidos los resul-
tados, se destacan la prueba de Tukey, de Duncan, de Scheffé, etc.
La prueba de Tukey permite realizar todas las comparaciones entre dos medias de tratamientos con un mismo es-
tadístico. Su aplicación tiene como única restricción que el número de repeticiones debe ser el mismo en cada trata-
miento. Si esto no se cumple igual puede aplicarse pero pierde precisión. El método consiste en determinar la diferen-
cia mínima que debe existir entre dos medias para considerarlas estadísticamente diferentes. El valor de la amplitud
significativa se determina de la siguiente manera:
w = q . Sx = q  (CMEE/n)
donde, q = amplitud total studentizada (valor tabulado) que se expresa para niveles de significancia del 5 y 1% en
función del número de tratamientos y de los grados de libertad del error experimental, CMEE = cuadrado medio del
error experimental, n = número de repeticiones. Cada vez que una diferencia de medias sea superior a w, la diferencia
se considera estadísticamente significativa.
Coeficiente de variación
Luego de realizado este análisis siempre es útil calcular el coeficiente de variación del experimento
CV = [( CMEE) /X] 100 = (S /X). 100
donde, S es el desvío estándar y X la media general del experimento. El CV es una medida adimensional que expresa
al error experimental como porcentaje de la media. Esta medida indica el grado de precisión con que se compara a los
tratamientos y es un buen índice de confiabilidad del experimento. Los CV varían con el tipo de experimento, el cultivo
y el carácter medido. En general se considera que experimentos con alto grado de precisión son los que tienen CV
menores a 10%, de 10 a 20% precisión media; de 20 a 30% precisión baja y mayores a 30%, precisión muy baja.
 Mejoramiento Genético

Datos expresados en proporciones o porcentajes

Frecuentemente en ensayos agrícolas o de mejoramiento, los resultados se expresan en proporciones o porcentajes
(infecciones de fitoparásitos, desgrane, vuelco, granos por espiga, espigas dañadas por insecto, etc.). En tales casos es
necesario aplicar la transformación angular de Bliss, donde cada valor p (proporción o porcentaje) es reemplazado
para el análisis estadístico por el seno2 del ángulo correspondiente. También es frecuente encontrar esta transforma-
ción como arc seno  p.

DISEÑOS EXPERIMENTALES

1- Diseño Completamente Aleatorizado (DCA)

El DCA es el más simple de todos, carece de control local porque los tratamientos se distribuyen en las unidades
experimentales sin ninguna restricción. En experimentos de campo este diseño es aconsejable cuando se conoce que
el lote a utilizar es homogéneo.
Fórmulas de trabajo de análisis de variancia de un experimento en DCA
Fuente de Variación Grados de Libertad Suma de Cuadrados Cuadrado Medio F
(GL) (SC) (CM)
Entre tratamientos GLE=(t - 1) 2 2 CME=SCE/GLE CME/CMD
SCE= Yi• - (Y ••)
n nt
Dentro (Error Experimental) GLD=t(n - 1) SCD=SCT-SCE CMD=SCD/GLD
Total GLT=n t - 1 2 2
SCT= yij - (Y ••)
nt
yij = observación del i-ésimo tratamiento en la j-ésima repetición, Yi• = suma de todas las repeticiones de cada trata-
miento, Y•• = suma total de las observaciones.

2- Diseño en Bloques Completos Aleatorizados (DBCA)

El DBCA agrupa las parcelas experimentales en bloques con el objetivo de reducir al mínimo el error experimental
dentro del bloque y controlar de esta manera algunas causas bien conocidas de variación (ejemplo: heterogeneidad
del suelo). En lo que se refiere a fertilidad por ejemplo, los bloques de parcelas deben orientarse en forma perpendi-
cular al gradiente.
Las características de DBCA son las siguientes: 1) en cada bloque están representados todos los tratamientos pero
una sola vez; 2) la distribución de los tratamientos en las unidades experimentales dentro de cada bloque se realiza al
azar; 3) cada bloque constituye una repetición.
Fórmulas de trabajo de análisis de variancia de un experimento en DBCA
Fuente de Variación Grados de Libertad Suma de Cuadrados Cuadrado Medio F
(GL) (SC) (CM)
Bloques GLB=(b - 1) 2 2
SCB= Y•j - (Y ••)
t bt
Entre tratamientos GLE=(t - 1) 2 2 CME=SCE/GLE CME/CMD
SCE= Yi• - (Y ••)
b bt
Dentro (Error Experimental) GLD=t(b - 1) SCD=SCT-SCE-SCB CMD=SCD/GLD
Total GLT=b t - 1 2 2
SCT= yij - (Y ••)
bt
 Mejoramiento Genético

yij = i-ésimo observación en la j-ésimo bloque, Yi• = suma de todas las repeticiones de cada tratamiento, Y•j = suma de
todos los tratamientos de cada bloque, Y•• = suma total de las observaciones.

3- Diseño en Cuadrado Latino (DCL)

Los diseños en cuadrado latino consisten en un arreglo simultáneo de bloques en filas y columnas. El objetivo que
se persigue con esta disposición es un plano, es el control de las variaciones cuando operan en direcciones que pode-
mos esquematizar como perpendiculares.
Esquema de un cuadrado latino
Variación factor X
Variación C D B A
factor Y A B D C
B C A D
D A C B

En resumen, este diseño experimental se caracteriza por: 1) distribución al azar de los tratamientos; 2) las repeti-
ciones forman filas y columnas completas, y 3) cada tratamiento esta representado una sola vez en cada fila y en cada
columna (los tratamientos no pueden repetirse en una misma fila ni en una misma columna) con lo cual se incluyen
dos restricciones a la aleatorización y se aumenta el control local.
De acuerdo a ello, el número de unidades experimentales en cada fila y en cada columna es igual al número de tra-
tamientos y también igual al número de repeticiones.

4- Diseños en Bloques Incompletos. Látices

Ciertos experimentos agrícolas requieren otros diseños más complejos. Por ejemplo, cuando se desea comparar
más de 20 tratamientos, ninguno de los diseños vistos puede aplicarse porque la heterogeneidad aumenta de tal mo-
do que anula los efectos de la aleatorización.
Para tales comparaciones se han ideado modificaciones del diseño en bloques completos, con la característica co-
mún que un bloque contiene menos variedades que el número total a compararse. Estos pequeños bloques más ho-
mogéneos se llaman incompletos.

Experimentos Factoriales
Los ensayos con arreglo factorial implican el uso de dos o más factores y las combinaciones de tratamientos, en
vez de tratamientos aislados. El arreglo factorial no debe considerarse como diseño experimental puesto que los en-
sayos factoriales pueden disponerse en cualquiera de los diseños básicos que hemos descripto.
Para ejemplificar utilizaremos un factorial sencillo (3x3) para comparar el comportamiento de 3 variedades o culti-
vares (C) con tres niveles de fertilización (F). De esta manera se originan combinaciones de tratamientos: C1F1, C1F2,
C1F3, C2F1, C2F2, C2F3, C3F1, C3F2, C3F3. Cada una de las nueve combinaciones se asignan a las unidades experimen-
tales con un adecuado número de repeticiones y dispuestas en alguno de los diseños básicos descriptos.
En el análisis de la variancia para este caso particular, se reconocen 4 causas de variación: la debida al factor C, la
debida al factor F, la debida a la interacción C x F, y el error experimental. En factoriales más complejos, por ejemplo
donde se desean comparar 3 factores a la vez, aumentan aún más las causas de variación y aparecen, además de las
interacciones dobles o de dos factores, las interacciones triples (que involucran los 3 factores al mismo tiempo).

Experimentos en Mejoramiento
Antes de describir sintéticamente los tipos de experimentos que se realizan en mejoramiento, es necesario recor-
dar que la mayoría de los métodos de mejoramiento requieren la intervención del mejorador para asegurarse que se
proceda con el sistema de apareamiento conveniente. Muchas veces es necesario alterar el comportamiento repro-
ductivo normal o natural de la especie (cruzamientos controlados o autofecundaciones en alógamas, cruzamientos en
autógamas).
 Mejoramiento Genético

Ensayos de uniformidad
Cuando se inicia el mejoramiento de un nuevo cultivo sobre todo o cuando se instala un nuevo campo experimen-
tal, el mejorador debe determinar la heterogeneidad del suelo de los lugares destinados a ensayos y la relación que
tiene dicha heterogeneidad con la manifestación del carácter o de los caracteres que son objeto de estudio del mejo-
ramiento. Por otra parte, también interesa establecer la forma y tamaño óptimo de las parcelas, la cantidad mínima
de repeticiones, el diseño experimental más adecuado, etc. Todo ello puede lograrse realizando ensayos de uniformi-
dad o en blanco. Estos consisten en la siembra del terreno a estudiar con una sola variedad de reconocida uniformidad
genética del cultivo que se trata de mejorar. Tanto la siembra como el manejo debe realizarse de manera uniforme y,
en el momento de la cosecha o medición del carácter o caracteres, se divide el terreno en muchas parcelas pequeñas
de igual dimensión identificadas en cuanto al lugar relativo, se toma el dato de cada parcela y se procede al análisis
estadístico correspondiente. Esto permite posteriormente hacer una representación gráfica del diagrama o contorno
de fertilidad del suelo.
Formación y mantenimiento de colecciones
Cuando se inicia un programa de mejoramiento, debe proveerse como medida inicial de material vegetal básico.
Esto generalmente se realiza formando colecciones vivas que se tratan de ampliar lo más posible. Para ello, se recurre
a otros mejoradores de entidades oficiales o privadas del país o del extranjero para conseguir las semillas o propágu-
los necesarios. Las colecciones se mantienen y evalúan año tras año, anotándose las características que el mejorador
considere de interés o que se encuentren dentro de las posibilidades de registrar.
Evaluación de introducciones
Cuando se requiere un mayor conocimiento sobre aspectos particulares de algunos componentes de las coleccio-
nes de líneas o cultivares, conviene evaluarlos más profundamente por medio de ensayos especiales. Estos ensayos
tienen carácter exploratorio y permiten separar de entre mucho material aquellas entradas que merezcan un conoci-
miento más detallado, ya sea por haber sobresalido en alguna característica especial o porque se carece de suficiente
información.
Ensayos comparativos
Una vez que el mejorador ha obtenido líneas o cultivares que considera superiores a los existentes, es necesario
probar dicha superioridad por medio de ensayos donde se comparan entre sí y con testigos conocidos. Tales ensayos
comparativos se realizan generalmente a gran escala, es decir, en parcelas de tamaño óptimo repetidas en varios
sitios y durante varios años para sacar conclusiones valederas. Cuando se desea introducir una nueva variedad al co-
mercio, dichos ensayos son controlados por organismos oficiales (Instituto Nacional de Semillas) que deciden sobre su
incorporación a ensayos nacionales o regionales y una vez finalizados estos, juzgan sobre su inscripción como nueva
variedad.

CORRELACIÓN Y REGRESIÓN LINEAL

Coeficiente de correlación
Cuando se dispone de los datos de 2 o más caracteres de un grupo de variedades, frecuentemente es útil determi-
nar el grado de asociación entre ellos, para lo cual es necesario calcular el coeficiente de correlación simple (r) y de-
terminar se difiere significativamente de 0.
Para calcular r se requiere la covariancia de los caracteres X e Y, así como las sumas de cuadrados de X e Y. Estas
últimas son los mismos valores del análisis de variancia, mientras que la covariancia de XY es la suma de los productos
de cada observación respecto a la media correspondiente.
XY - X Y
r= n = Cov (x y)
2 2 2
 [  X - (  X) ] [  Y - (  X)2 ] SX SY

n n
Para determinar si el valor de r es significativamente diferente de 0 a un nivel de significación alfa predeterminado,
se recurre a las tablas de valores significativos de r con dos grados de libertad menos que el número de pares.
 Mejoramiento Genético

Coeficiente de regresión lineal

La relación entre dos variables también puede expresarse por medio del coeficiente de regresión lineal. Este de-
termina el monto de una variable (la variable dependiente) por unidad de cambio en la otra variable (independiente).
XY - X Y

b= n = Cov (x y)
2 2
 X - (  X) SX2

n
La significación del coeficiente de regresión puede probarse mediante un análisis de variancia, descomponiendo la
suma de cuadrados para variedades (carácter Y) en dos fuentes de variación: debida a la regresión y la residual o del
error que mide la variabilidad intrínseca del material experimental.