Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Organización
de las
Naciones
O Unidas
para la
Agricultura
y la
Alimentación
Las denominaciones empleadas en esta publicación y la
forma en que aparecen presentados los datos que
contiene no implican, de parte de la Organización de las
Naciones Unidas para la Agricultura y la Alimentación,
juicio alguno sobre la condición jurídica de países,
territorios, ciudades o zonas, o de sus autoridades, ni
respecto de la delimitación de sus fronteras o límites.
© FAO 2001
AGL/MISC/26/2000
Roma, 2001
Directrices para ensayos y demostraciones iii
Prefacio
Uno de los objetivos de la Dirección de Fomento de Tierras y Aguas (AGL) es aliviar los
problemas que afrontan muchos países con relación a la baja productividad de los suelos y la
insostenibilidad en el uso de la tierra. Dicha entidad persigue este objetivo mediante la
promoción, inter alia, del manejo integrado de la nutrición vegetal, el mejoramiento de la
fertilidad y un manejo seguro de los suelos, así como la conservación del agua y los suelos. Por
tanto, una tarea importante de la dirección es proporcionar directrices para la planificación
segura y eficaz del manejo de la tierra, el agua y los recursos nutritivos de las plantas en la
agricultura.
Con este fin, esta guía técnica ofrece algunos aspectos para la proyección eficaz de la nutrición
vegetal mejorada, la fertilidad y el manejo de los suelos (relacionado con la selección de prácticas
adecuadas de manejo a través de la experimentación a nivel de fincas). La guía proporciona
opciones a los investigadores para la selección de los lugares, las variantes, su disposición,
diseños experimentales y métodos de análisis. El documento también ofrece metodologías
para la interpretación de resultados y el esbozo de conclusiones, así como para la formulación
de recomendaciones basadas en estas últimas. Además, hace énfasis en la importancia de
completar todas las fases de experimentación, incluyendo el análisis, las conclusiones y
recomendaciones al final de cada campaña y antes del próximo cultivo.
La guía intenta también suministrar elementos sobre los problemas que pueden surgir en la
ejecución de ensayos y demostraciones bajo las condiciones de finca. No se pretende sustituir
la consulta con un biometrista o estadístico calificados, especialmente cuando se producen
dificultades debido a la falta de datos, forma o tamaño inusual del área experimental, terreno
difícil o recursos limitados. Sin embargo, la guía proporciona herramientas simples para asistir
a los usuarios y ayudarlos a reconocer cuando deben buscar asistencia estadística profesional.
La guía no solo está destinada para programas o proyectos de la FAO, sino también para
investigadores y otros técnicos involucrados en la experimentación en fincas que tengan fácil
acceso a la ayuda estadística o biométrica. Estas personas deberán entrenarse en la
experimentación de campo y la estadística elemental. Los lectores también deberán estar
familiarizados con términos estadísticos usados comúnmente, tales como: tratamiento (variante),
bloque, repetición, aleatorización, análisis de varianza (ANVA), así como los diseños
experimentales más frecuentemente usados, es decir: diseño completamente aleatorizado, diseño
de bloques aleatorizados y cuadrados latinos.
iv
Agradecimientos
Este documento ha sido preparado con aportes sustanciales de Lystra Fletcher-Paul, Pierre
Dagnelie y Bruce Lauckner. Sus contribuciones son muy reconocidas. Se agradece especialmente
a los señores R. N. Roy, H. Nabhan y W. Burgos, por su aporte sobre los principales conceptos
e iniciación de estas directrices, su dirección técnica, revisión y edición.
Directrices para ensayos y demostraciones v
Índice
página
PREFACIO III
AGRADECIMIENTOS IV
LISTA DE TABLAS VII
LISTA DE FIGURAS VIII
1. INTRODUCCIÓN 1
Principios del manejo de la nutrición vegetal 1
Sistemas integrados de nutrición vegetal 2
Principios del manejo de suelos 2
Importancia de la experimentación a nivel de finca 3
Contenido de la guía 3
3. EJECUCIÓN DE ENSAYOS 23
Antes y durante el montaje de ensayos 23
Durante y al final del ensayo 24
BIBLIOGRAFÍA 49
vi
Lista de tablas
página
Lista de figuras
página
1. Diseño de balance suplementado en tres fincas, cuatro tratamientos 18
2. Diseño de balance suplementado en tres fincas, cinco tratamientos 18
3. Diseño de balance suplementado en seis fincas 18
4. Diagrama de campo mostrando unidades y patrón de muestreo para una unidad 20
5. Diseño de bloques completamente aleatorizados, dos bloques por finca, cuatro
tratamientos (a-d) en tres fincas 24
6. Ejemplo de un plano de campo 24
7. Gráfico de residuales para el análisis de datos del Sitio F 29
8. Rendimientos de tomate por parcela (kg) en un ensayo de enmienda de suelos en cinco
fincas 32
9. Gráfico de residuales para el análisis de datos de un ensayo de enmienda de suelos 33
10. Rendimientos de pepino (kg) por parcela en un experimento de labranza con cinco
tratamientos en dos fincas 34
11. Gráfico de residuales para el análisis de datos de un ensayo de labranza 37
12. Escurrimiento de suelo en un experimento con frijol guandú en tres fincas 37
13. Gráfico de funciones alternativas para modelar la respuesta de un cultivo a nutrientes
vegetales 42
14. Distribuciones de fracuencia del rendimiento de maíz aplicando la fertilización del
agricultor (testigo) vs EOF 43
15. Distribución de frecuencia acumulativa del rendimiento de maíz aplicando la
fertilización del agricultor (Testigo) y EOF 43
A-1. Gráfico de los datos de diez sitios 58
A-2. Gráfico de residuales del ANVA de un análisis combinado 59
A-3. Gráfico de dispersión de la media de los tratamientos en cada sitio 60
A-4. Gráfico de dispersión de la respuesta del rendimiento de maíz al fertilizante
nitrogenado (N) en el sitio H. 60
A-5. Gráfico de los datos de diez sitios 63
A-6. Gráfico de residulaes para el análisis de datos del sitio 9 65
A-7. Gráfico de residuales del ANVA de un análisis combinado 66
A-8. Gráfico de residuales del ANVA para el análisis de datos del sitio 1 67
A-9. Gráfico de dispersión del rendimiento vs dosis de nitrógeno (N) 74
A-10. Gráfico de dispersión del rendimiento vs dosis de P 74
A-11. Gráfico de residuales de regresión del rendimiento vs N 75
Lista de cuadros
1. Datos que se requieren de las categorías principales para la caracterización del área de
estudio 5
2. Ejemplo del cálculo del tamaño de muestra o número de fincas 13
3. Datos indispensables para ensayos y demostraciones en fincas 19
4. Sugerencias para la selección de “softwares” estadísticos 27
5. Transformaciones y donde pueden ser aplicables 40
Directrices para ensayos y demostraciones 1
Capítulo 1
Introducción
CONTENIDO DE LA GUÍA
Los capítulos restantes de esta guía tratan varios aspectos relacionados con la ejecución de
ensayos y demostraciones en fincas. El capítulo 2 define el diseño de un ensayo en condiciones
de finca, incluyendo: la población o marco sometido a investigación, selección de las mejorías
posibles, variantes, sitios y observaciones. El capítulo 3 está enfocado hacia las principales
consideraciones en las diferentes fases de los ensayos y demostraciones en fincas: antes, durante
y al final de los ensayos. El capítulo 4 trata sobre el manejo de los resultados y el análisis de
datos. Este proporciona algunos ejemplos de los tipos de análisis que emplean los investigadores
en el procesamiento de datos. También trata aspectos estadísticos y económicos. El Capítulo 5
expone la interpretación de los resultados. Finalmente el Capítulo 6 ofrece metodologías
adicionales para analizar datos ya existentes.
Puesto que la mayoría de las instituciones y ministerios de agricultura poseen computadoras
personales, no se hace énfasis en los cálculos matemáticos requeridos para el análisis de datos.
En su lugar, la publicación se concentra en los aspectos principales para llevar a cabo el análisis
computarizado de los datos y la interpretación de los resultados que se obtienen de dicho análisis.
4 Introducción
Directrices para ensayos y demostraciones 5
Capítulo 2
Definición del diseño
Este capítulo examina el trabajo preliminar relacionado con la planificación de ensayos a nivel
de fincas.
Entorno biológico
Malezas, insectos, enfermedades, otras plagas, rendimiento de los cultivos.
Entorno socioeconómico
Disponibilidad de recursos: ej: tierra, trabajo, dinero efectivo, medios de tracción.
Infraestructura: ej: abastecimiento de suministros agrícolas, mercados para los productos agrícolas, transporte.
Datos de mercado: ej precios de los suministros y mercancías agrícolas.
El marco de estudio solo puede ser definido después de discusiones iniciales con los
agricultores, extensionistas e investigadores del área y también luego de una encuesta rápida
de reconocimiento de la localidad. Dicha encuesta debe conducirse por parte de un equipo
multidisciplinario de científicos agropecuarios, investigadores sociales y economistas. El área
en estudio debe ser caracterizada según el entorno físico y biológico, entorno socio-económico,
sistemas de producción y uso de la tierra. El Cuadro 1 proporciona detalles sobre los datos
necesarios en relación con cada uno de estos aspectos. Además de estas características, se
deben realizar discusiones con los productores para determinar sus objetivos de producción e
impedimentos, así como obtener una idea general de sus percepciones y condiciones de vida.
Una vez que el área ha sido descrita, se hace posible la identificación de subgrupos
predominantes o estratos dentro de la población. Estos estratos pueden ser objeto de estudios
posteriores.
6 Definición del diseño
escasos. Las soluciones a estos problemas se encuentran usualmente en las prácticas culturales
que una vez fueron métodos tradicionales de manejo de suelos. Las directrices de la FAO sobre
el Diagnóstico Participativo de Restricciones y Oportunidades para el Manejo del Suelo y la
Nutrición Vegetal, proporcionan herramientas útiles para diagnosticar los problemas y determinar
las soluciones posibles.
Algunos problemas son comunes a muchas fincas, mientras que otros están localizados y
resultan específicos de algunas. Donde exista un grupo de productores organizados o donde
hayan extensionistas, la estimación del problema puede realizarse mediante una valoración
rural participativa y otros métodos de encuestas apropiadas. Este debe ser un requisito necesario
para desarrollar un programa de ensayos de finca para la investigación de soluciones.
Otro ejemplo es el de un suelo muy ácido. Las soluciones a este problema pueden incluir un
conjunto de enmiendas de suelo, tales como, el encalado o la aplicación de dolomita, al sistema
de cultivo específico. Como alternativa, los productores pueden optar por convivir con el
problema de acidez de los suelos, si este es ligero o identificar un sistema de cultivo que pueda
producir bien bajo tales circunstancias. Existen muchas posibilidades como parte de estos dos
grandes enfoques.
Dependiendo de la magnitud del problema, el número de opciones a investigar varía. Mientras
más general sea el problema, menor será el número de soluciones que pueden investigarse
dentro de un marco controlable, en particular si se emplea el monitoreo de ensayos en todas las
fincas.
clara y las hipótesis a probar deben ser claramente establecidas y estar a tono con lo que los
productores o investigadores desean implementar.
No todos los experimentos se conducen para probar hipótesis. En la mayoría de los casos el
investigador está interesado en estimar el valor de un parámetro determinado (ej. efecto de un
tratamiento determinado sobre los rendimientos). Por tanto los parámetros a estimar también
deben estar claramente definidos.
4. Para ensayos donde el objetivo principal sea obtener curvas de respuesta, se deben establecer
un mínimo de tres y preferiblemente cuatro niveles de un nutriente determinado. Si el ensayo
incluye más de un elemento nutritivo, esto podría conducir a un experimento grande, que
puede desarrollarse con mayor facilidad bajo las condiciones de una estación experimental.
5. Se debe incluir un testigo que refleje el método tradicional del productor, especialmente en
demostraciones. Este testigo es un punto de referencia para comparar o estimar el efecto de
la variante que se está probando o demostrando.
Tratamientos testigo
Los tratamientos testigo son una fuente de confusión. Un testigo que no incluya acción alguna,
como por ejemplo: no realizar una enmienda de suelo, es lo que se requiere si ésta es la práctica
agrícola actual. Sin embargo, si los productores ya practican algunas formas de enmiendas,
entonces el testigo que no incluye acción puede no ser de utilidad, a menos que el investigador
lo considere una buena alternativa con relación a las prácticas agrícolas que se estén realizando.
De esta forma, el testigo puede ser la práctica actual, en lugar de no realizar acciones. En
ocasiones pueden haber varios testigos. Si se incluyen las prácticas agrícolas actuales y la no-
ejecución de acciones de enmiendas, entonces ambas deben considerarse como testigos.
En algunos experimentos, el testigo puede ser la variante en la que el productor hace más y
no en la que el productor no hace nada o hace muy poco. Por ej. con el laboreo mínimo el
testigo de la práctica del agricultor será un tratamiento en el que la preparación de la tierra sea
más intensa que en los otros tratamientos. Probablemente habrá un tratamiento intermedio de
preparación de tierra que se ubique entre el testigo y el laboreo mínimo.
En algunas ocasiones no todos los agricultores realizan las mismas prácticas agrícolas. En
este caso, el testigo del productor no resulta el mismo para cada finca. Una forma de lidiar con
este problema es decidirse por uno o dos tratamientos que representen la práctica agrícola más
típica y usarlos como testigo. Las fincas que no emplean normalmente esta práctica típica,
pueden tener una parcela testigo adicional para su propia práctica. En la fase de análisis
usualmente existe poco a ganar de la inclusión de tratamientos que sean exclusivos de fincas
específicas. Sin embargo, si los tratamientos usados en el experimento son mejores que el que
refleja la práctica agrícola de la finca, entonces se habrá logrado el efecto de demostración al
productor. Por el contrario, si la práctica agrícola exclusiva de la finca es tan buena como los
tratamientos experimentales, entonces el investigador puede necesitar pensar nuevamente en
sus tratamientos y quizás aprender algo del agricultor.
Experimentos factoriales
Un experimento factorial permite evaluar los efectos de dos o más tratamientos (factores) de
manera simultánea. Cada factor se incluye en más de un nivel y se prueban todas las
combinaciones de niveles posibles. Un ejemplo de experimento factorial, es un ensayo con dos
tipos de fertilizantes: urea y nitrato de calcio y amonio (NCA), siendo cada uno aplicado a dos
dosis: 0 y 50 kg/ha. Todas las combinaciones posibles serían: sin fertilizante (es decir, 0 kg/ha
de urea y 0 kg/ha de NCA), urea solamente ( es decir, 50 kg/ha de urea y 0 kg/ha de NCA), NCA
solo(es decir, 50 kg/ha de NCA y 0 kg/ha de urea) y ambos fertilizantes, urea y NCA (es decir,
50 kg/ha de urea y 50 kg/ha de NCA).
Los investigadores en ocasiones se confunden en el reconocimiento de una estructura
factorial. Por ejemplo, se puede decidir experimentar con una forma mejorada de preparación
Directrices para ensayos y demostraciones 11
de tierra y cobertura. Por tanto, existen cuatro tratamientos: preparación de tierra no mejorada
y no aplicación de cobertura (práctica del agricultor o testigo); preparación de tierra no mejorada
y cobertura; preparación mejorada y sin cobertura y preparación mejorada y aplicación de
cobertura. La estructura factorial 2 x 2 que se expone aquí, con frecuencia no es percibida, o
sea, la preparación de la tierra a dos niveles y la cobertura a dos niveles.
Esto puede no importar mucho en la fase de diseño. Sin embargo, en la fase de análisis
existe una subdivisión fácil (se obtiene fácilmente en la mayoría de los softwares) de los grados
de libertad de los tres tratamientos en contrastes simples significativos de los grados de libertad
que representan la preparación de tierra, la cobertura y la interacción.
Los experimentos factoriales son útiles para determinar la interacción entre dos factores,
así como para aquellos casos en los que se deben derivar funciones de producción.
Se pueden usar diseños más complejos, tales como diseños factoriales con aleatoriedad
parcial o total en no más de diez parcelas. El diseño y análisis de los resultados de tan complejos
diseños requieren la ayuda de un estadístico competente. Estos diseños, por tanto no deben
montarse a nivel de finca, a menos que existan las condiciones expuestas y haya una buena
supervisión, especialmente en su planificación y arreglo.
Los diseños de parcelas divididas son aplicables donde existan más de un factor y uno de
ellos requiera un área grande para una parcela experimental simple, ej: ensayos que involucren
variantes de riego y conservación o preparación de suelos. Las parcelas principales serán
tratamientos que requieran un área grande, mientras que las demás variantes serán asignadas a
las subparcelas.
Los diseños de parcelas divididas no son recomendadas o simplemente para ajustar factores
adicionales en los experimentos factoriales. Una buena regla es no usar parcelas divididas a
menos que sea necesario por razones de prácticas culturales.
Debido a que hay menos repeticiones de las parcelas más grandes, los efectos de las parcelas
experimentales principales se miden con menos precisión que las subparcelas. También hay
problemas con el análisis, especialmente cuando faltan valores.
La disposición o arreglo de los diseños de parcelas divididas requiere un alto nivel de
supervisión.
(Cuadro 2). La fórmula empleada para calcular una aproximación del número de ensayos o
demostraciones es:
n = (z c / p)2
donde: n es el número de muestras o tamaño de muestra a tomar, z es el valor de las tablas de
distribución normal correspondiente al nivel de confianza especificado, c es el coeficiente de
variación en porciento y p es la precisión (porciento) con la que se desea estimar la media.
Si el coeficiente de variación de los rendimientos de una tecnología mejorada (obtenida a partir de medidas
de variabilidad como los coeficientes de variación o errores estándar de los experimentos anteriores) es
10% y el objetivo es estimar el rendimiento de la tecnología mejorada hasta un 5% de su valor actual con
95% de confianza, el tamaño de muestra sería:
Para estimar el rendimiento con una precisión del 10%, el tamaño de muestra sería:
Se requieren más ensayos o demostraciones si los resultados son muy variables. Si no hay
estimados de la variabilidad que resulten adecuados, se sugieren las siguientes reglas empíricas:
• Un mínimo de 10 ensayos de dos repeticiones o 20 demostraciones sin repeticiones.
• Es aconsejable ejecutar más de estos números mínimos por si se producen fallas en alguno
de los experimentos. También está la ventaja añadida de que hay más agricultores que pueden
conocer la tecnología propuesta y de probar ésta en un conjunto mayor de condiciones.
• Puesto que las condiciones del clima varían de una año al otro, los ensayos y demostraciones
deben ejecutarse durante más de un año ( 2 – 4 años es lo adecuado), preferiblemente con el
mismo número de ensayos y demostraciones cada año. Si uno de los objetivos del ensayo es
examinar los efectos residuales de los tratamientos aplicados, entonces éste debe continuar
en las mismas parcelas experimentales.
• Aunque se pueden usar los mismos tratamientos y diseños en cada finca, se debe aplicar una
aleatorización en cada localidad. La Tabla 1 muestra un ejemplo de las aleatorizaciones de
un ensayo con cuatro tratamientos (A, B, C y D) dispuestos en un diseño de bloque
completamente aleatorizado con dos repeticiones en 10 sitios. El Apéndice 1 ofrece una
tabla de permutaciones de números.
TABLA 1
Asignación de tratamientos a parcelas en diez sitios
Número del sitio
Rep Parcela 1 2 3 4 5 6 7 8 9 10
1 1 B D A D C A B B C D
1 2 C C D A B B A D D A
1 3 A A B B A C C C A C
1 4 D B C C D D D A B B
2 5 D A B C A C A B D B
2 6 B D A B C B C D C A
2 7 A B C D B A D C A D
2 8 C C D A D D B A B C
14 Definición del diseño
Parcelas testigos
Las condiciones de las parcelas testigo deben ser tan similares como sea posible antes de aplicarse
los tratamientos.
Cuando sea posible se deben tomar datos (ej. rendimientos o descripciones del sistema de
producción) de los productores cuyas fincas sean adyacentes a la demostración y que produzcan
el mismo cultivo empleando la tecnología tradicional. Esto permite una evaluación con relación
a si los rendimientos obtenidos en las parcelas del ensayo y la demostración son comparables
con las de los agricultores de las fincas aledañas.
FIGURA 1
Diseño de balance suplementado en tres fincas, cuatro tratamientos
Dos bloques en cada finca, dos grupos de tratamientos:1. El tratamiento a repetido en cada bloque.
2. El tratamiento b, c y d, de los cuales cada par de tratamientos aparece dos veces en el experimento.
a b c
Finca 1, Bloque 1
a b d
Finca 1, Bloque 2
a c d
Finca 2, Bloque 3
a b c
Finca 2, Bloque 4
a b d
Finca 3, Bloque 5
a c d
Finca 3, Bloque 6
FIGURA 2
Diseño de balance suplementado en tres fincas, cinco tratamientos
Dos bloques en cada finca y dos grupos de tratamientos. 1. El tratamiento a repetido en cada bloque.
2. Los tratamientos b, c, d y e, de los que cada par aparece una vez en cada bloque.
a b c
Finca 1, Bloque 1
a b d
Finca 1, Bloque 2
a b e
Finca 2, Bloque 3
a c d
Finca 2, Bloque 4
a c e
Finca 3, Bloque 5
a d e
Finca 3, Bloque 6
FIGURA 3
Diseño de balance suplementado en seis fincas
Un bloque por finca y dos grupos de tratamientos: 1 Los tratamientos a y b repetidos en cada finca.
2. Los tratamientos c, d y e de los que cada par aparece dos veces en cada finca.
a b c d
Finca 1
a b c e
Finca 2
a b d e
Finca 3
a b c d
Finca 4
a b c e
Finca 5
a b d e
Finca 6
Directrices para ensayos y demostraciones 19
A nivel de sitio:
Textura del suelo (arenoso, medio, pesado) a dos profundidades: 10 y 15-30 cm;
pH del suelo, N, P, K y MO, agregación y densidad aparente en el caso de ensayos de cultivo, color a 10 y
15-30 cm;
Pendiente y posición del suelo en esta, ej: en la parte más alta, en la parte media, etc.;
Información sobre el manejo del cultivo, que no se mantiene constante y no es parte de los tratamientos
(fecha de plantación, campo, historial, preparación de suelos, variedades, labores fitotécnicas, control de
plagas);
Edad y género del agricultor;
Ubicación de la finca y demostración (incluyendo coordenadas geográficas)
A nivel de parcela:
Establecimiento, mitad de la campaña y población final;
Densidad de cultivos secundarios;
Rendimientos del cultivo u otro indicador apropiado;
Insumos variables (es decir, insumos que difieren entre variantes, incluyendo el trabajo)
Evaluación por parte del productor
Las variables, la fase en la que deben medirse y las unidades de medida deben enumerarse.
En los casos en los que se miden variables mediante escalas, el rango de éstas no debe ser
demasiado estrecho, como para que se afecte la distribución de respuestas. También resulta
mejor hacer que varias personas apliquen la misma escala a una misma parcela y utilizar la
media de sus datos. Se recomienda además que el investigador responsable del estudio haga
una lista simple de las mediciones que necesitan tomarse durante el experimento. Esto asegura
que se obtenga un grupo completo de observaciones en cada sitio y localidad.
20 Definición del diseño
MUESTREO
Los ensayos de nutrición vegetal y de manejo FIGURA 4
de suelos, pueden crear problemas inusuales Diagrama de campo mostrando unidades y
de muestreo. Una razón para esto es que con patrón de muestreo para una unidad
frecuencia resulta necesario monitorear el
estado de los nutrientes del suelo y / o las
plantas antes y después de la aplicación de
los tratamientos.
Muestreo de suelo
La obtención de cifras precisas del estado
nutritivo del suelo puede ser difícil. Dos
muestras de suelo tomadas casi en el mismo
lugar, pueden diferir en aspectos importantes
cuando son sometidas a análisis de laboratorio.
También existe la cuestión del costo del
análisis de muestras. A veces también existen
dudas acerca de la confiabilidad de los
laboratorios.
Aunque algunos de estos problemas son imposibles de eliminar, la conocida técnica de
muestreo de tomar muchas muestras, aunque no necesariamente grandes, puede ayudar a
minimizarlos. De esta manera, tomar pequeñas cantidades de suelo de diferentes localidades
en el campo es más efectivo que tomar grandes cantidades en pocas localidades. Puede ser muy
costoso analizar cada una de las numerosas muestras de manera individual, por lo que será
necesario mezclar algunas de las muestras. El área a muestrear, primeramente debe ser examinada
para determinar si es uniforme o no. Mientras más uniforme sea el suelo, mayor área se puede
muestrear como unidad. Si el campo varía en su pendiente, textura, color, drenaje o manejo del
cultivo, entonces se debe subdividir el área en unidades de muestreo uniformes y muestrear
cada unidad de forma independiente. Las muestras compuestas deben tomarse de áreas
relativamente uniformes. La Figura 4 muestra un ejemplo de un campo subdividido en cinco
unidades de muestreo debido a su topografía. También muestra el patrón de muestreo para una
unidad.
La profundidad de muestreo de suelo depende del tipo de suelo y especies de cultivo. Los
suelos tienen diferentes perfiles y puede haber variado el grosor de sus horizontes.
Adicionalmente, la materia orgánica, el nitrógeno, el fósforo o el potasio, pueden estar
concentrados en la capa superficial (10 cm) y de esta manera las muestras mezcladas de una
capa de 0-30 cm pueden subestimar grandemente el estado de estas variables.
En muchos casos, puede ser aconsejable muestrear de manera independiente a muchas
profundidades diferentes para asegurarse de determinar el estado verdadero del suelo. El
muestreo a profundidades distintas será necesario si los estudios del perfil del suelo son parte
de la investigación. Cuando se muestrea a diferentes profundidades, con frecuencia es
conveniente muestrear todos los niveles requeridos en el mismo punto de muestreo.
La frecuencia y propósito del muestreo del suelo varía entre los estudios a corto y largo
plazo. Los estudios a corto plazo pueden requerir un muestreo más frecuente que los de largo
plazo.
Directrices para ensayos y demostraciones 21
Los estudios a corto plazo probablemente permitirán examinar las formas más dinámicas de
los nutrientes y otras variables del suelo (ej. nutrientes disponibles o extraídos). Por su parte,
los estudios a largo plazo deben monitorear las formas menos dinámicas y más estables (nitrógeno
total, carbono orgánico, fósforo total, capacidad de cambio catiónico (CCC), densidad aparente,
permeabilidad, etc.)
Muestreo de plantas
Para conocer el estado nutricional de las plantas se necesita tomar o destruir, ya sea plantas
completas o partes de éstas. Los estudios de las hojas o las ramas conllevan a la eliminación de
algunas hojas o ramas, pero el resto de la planta puede no ser afectado. Por otra parte, los
estudios de tallos y raíces requerirán la eliminación de plantas completas.
Existe una clara diferencia entre muestreo destructivo y no destructivo. El primero puede
no sólo eliminar una planta de una parcela, sino que el espacio que queda puede alterar la
manifestación de las plantas cercanas. De esta manera, los muestreos subsiguientes u
observaciones de las plantas vecinas no representa lo que hubiera ocurrido si la planta original
no se hubiera eliminado.
Por tanto, si resulta necesario el muestreo destructivo antes de la conclusión del experimento,
entonces el tamaño de las parcelas necesita ser mayor para permitir las observaciones imparciales
de las plantas que no son destruidas en muestras previas.
El muestreo no destructivo elimina solo partes de plantas. De esta forma se debe determinar
si el muestreo no destructivo afectará el comportamiento futuro de esa planta. Si se eliminan
pocas hojas de un árbol de frutal grande, los rendimientos futuros no se afectarán mucho, ni
habrá ningún problema para encontrar más hojas en muestreos subsecuentes. Sin embargo, con
las plantas más pequeñas la eliminación de partes de éstas, puede significar que la misma
planta no deba ser seleccionada nuevamente para el muestreo y otras observaciones. No obstante,
aunque esa planta no puede ser empleada, sus plantas vecinas más cercanas pueden no afectarse
y ser empleadas para muestreos posteriores. Existen muchos escenarios posibles en dependencia
del tipo de planta y tipo de muestreo. Un método claro es observar o muestrear solamente
plantas o partes de plantas no influenciadas por cualquier actividad de muestreo.
El principio referido anteriormente acerca de tomar muchas muestras pequeñas también se
aplica a las plantas. Nuevamente, esto puede causar un conflicto, debido a que puede haber la
tentación de hacer un muestreo de varias plantas adyacentes y dejar el resto de la parcela sin
muestrear. Sin embargo, esto es en realidad tomar una muestra grande de un área, en lugar de
varias muestras pequeñas de áreas diferentes y esto puede conducir a estimaciones parcializadas
que no son representativas de la parcela completa. Es aconsejable tomar como tamaño de muestra,
al menos dos o preferiblemente más plantas por parcela. Los recursos disponibles determinarán
el número de plantas a muestrear.
Los problemas de muestreo raramente son triviales y no siempre una guía general es adecuada
para cada experimento.
método de análisis debe proporcionar las respuestas a las hipótesis probadas o suministrar
estimados válidos de los parámetros y consecuentemente ayudar al logro de los objetivos del
estudio. Por ejemplo, antes de tomar los datos, resulta prudente preparar la estructura de las
tablas de ANVA para asegurar que la hipótesis relevante será probada y que los parámetros
serán estimados.
Capítulo 3
Ejecución de ensayos
Este capítulo se refiere a aquellas actividades que solo pueden ejecutarse en el campo. También
debate como resolver problemas que pueden surgir durante los ensayos.
Planos de campo
Una vez que se ha definido el diseño experimental, se deben dibujar los planos de campo. Estos
deben mostrar la ubicación de las variantes, tamaño total y neto de una parcela, así como la
ubicación de las parcelas y los bloques en el campo con relación a los puntos de referencia,
como árboles o edificaciones. Si es posible, estos puntos de referencia deben indicarse sobre el
plano de campo para permitir que cualquier persona que no este familiarizada con el experimento
ubique el ensayo o demostración. La Figura 6 es un ejemplo de un plano de campo.
Manejo de parcelas
Cada parcela debe tener un número que debe escribirse claramente en etiquetas en el campo
para permitir su fácil ubicación. El sistema de enumeración de las parcelas no es importante.
Sin embargo, este sistema debe ser congruente para el total de ensayos y demostraciones y
deberá reflejarse en el plano de campo. Las etiquetas de las parcelas de la demostración también
deben incluir una breve descripción del tratamiento.
Todas las operaciones realizadas en el experimento deben hacerse para una repetición
completa o bloque de una vez. En consecuencia, es mejor desyerbar una repetición completa en
un día, que hacerlo solamente en algunos tratamientos en todas las repeticiones en el mismo
24 Ejecución de ensayos
FIGURA 5
Diseño de bloques completamente aleatorizados, dos bloques por finca, cuatro tratamientos
(a-d) en tres fincas
Ensayo A Ensayo B Ensayo C
Bloque 1 c b d a
Bloque 1 Bloque 1
b c a d d a c
b
Bloque 2 a c b d Bloque 2
c a d
c
Bloque 2
b a d
b
FIGURA 6
Ejemplo de un plano de campo
N
Arbol
V
Casa de I
40 m 40 m
la Finca A
BLOQUE 1 30 m Parcela Parcela P
Testigo tratada 30 m P
E R
N I
2m 2m D
I N
E C
BLOQUE 2 30 m Parcela Parcela 30 m N
tratada Testigo T I
E P
A
L
Debe haber una tabla mostrando todas las operaciones requeridas durante la ejecución del
experimento y quién es responsable de cada operación (Capítulo 2). En particular, los ajustes
para la cosecha del cultivo son cruciales en la calidad de los datos obtenidos. Por tanto, los
supervisores generales de los experimentos deben idear un método para recordarse a sí mismos
y al resto de los funcionarios, las responsabilidades, de manera que sean ejecutadas de forma
oportuna.
Registro de datos
La supervisión y el manejo son importantes, no solo para asegurar la oportunidad de las
operaciones, sino también para asegurar la confiabilidad de los datos. Respecto a esto, se debe
diseñar un sistema de registro de datos, de manera que se registren datos de las variables
esenciales, así como de las variables secundarias y concomitantes que podrían mejorar la
interpretación y precisión del análisis. Es aconsejable preparar una hoja de registro de datos o
procedimiento y un libro de campo para las personas responsables de la colecta de datos, de
manera que pueda asegurarse el registro de los mismos indicadores en cada lugar.
Las personas responsables de registrar los datos deben estar debidamente entrenadas en el
uso correcto de todos los instrumentos de medición. Además, para asegurar la exactitud de los
datos, los instrumentos de medición deben ser chequeados y calibrados periódicamente, de
manera que se garantice que estén ajustados para el trabajo.
Los datos colectados en el campo deben analizarse inmediatamente para determinar los
valores que resultan anormales. Se deben buscar las razones para explicar las anormalidades y
anotarlas en las hojas de registro de datos. Solamente donde los datos anormales sean resultado
de errores, éstos deberán corregirse.
Datos faltantes
Durante la ejecución del ensayo, en ocasiones surgen problemas que están más allá del control
del investigador o el extensionista y esto trae como resultado datos faltantes o erróneos. Algunas
causas y sus posibles soluciones son las siguientes:
Soluciones
Si se descubre un error y el investigador desea mantener el tratamiento modificado, entonces el
análisis se puede ajustar de conformidad con la modificación. Si se da el caso de una parcela
que reciba el tratamiento no deseado, el análisis de los datos podría ser el de un diseño no
balanceado. Para la dosis incorrecta, si solo se afectan pocas parcelas, entonces las observaciones
se descartan y se considera la parcela como faltante. Cuando todas las parcelas que reciben un
tratamiento determinado en un sitio son afectadas, el análisis para ese sitio no será afectado,
pero ese tratamiento debe ser excluido en el análisis combinado.
26 Ejecución de ensayos
Soluciones
Donde las pérdidas estén relacionadas con los tratamientos, los datos no deben considerarse
como faltantes. Por ejemplo, si uno de los objetivos del experimento es determinar las dosis de
fertilizante nitrogenado que producen encamado del arroz, entonces el rendimiento de las parcelas
donde las plantas estaban encamadas debe considerarse cero y no un dato faltante. Por otra
parte, si el encamado ocurrió solo en una sección específica de una parcela en el campo, entonces
los datos de esa parcela deben omitirse y considerarlos como faltantes. En el caso de la
germinación de la semilla, si hay pocas plantas faltantes en cada parcela, entonces todas las
parcelas pueden ser ajustadas a una población de plantas uniforme. Sin embargo, si un tratamiento
tiene tasas de germinación consistentemente bajas en cada parcela, los datos colectados a partir
de las parcelas con ese tratamiento son válidos y no deben omitirse en el análisis.
Pérdida de cosechas
Causas
Robo, el agricultor puede vender la cosecha antes de hacer las mediciones finales o parte de las
muestras cosechadas pueden perderse debido a un mal funcionamiento de los hornos de secado.
Soluciones
Si los datos se pierden en el ensayo completo o demostración, no se pueden hacer estimados de
los datos faltantes. Si los datos se pierden en pocas parcelas, es posible estimar el valor faltante
usando fórmulas de los textos estándar de estadística o aplicar el análisis de un diseño no
balanceado. Cuando se pierde uno o más bloques enteros en algunos sitios, dependiendo del
número de fincas afectadas, puede que no sea posible estimar el efecto de las fincas, ni la
interacción finca-tratamiento. Si solo se afectan algunas fincas, entonces el efecto de la
interacción puede estimarse para las fincas restantes.
En el caso que los datos del rendimiento final no estén disponibles (debido a robo o daño),
si se hicieron lecturas de una variable que brinde alguna aproximación a los rendimientos antes
de la cosecha final (ej. número de frutos), entonces el análisis se puede conducir con esta
variable. Por tanto, es aconsejable incluir la medición de tales variables en el protocolo
experimental.
Directrices para ensayos y demostraciones 27
Capítulo 4
Análisis de los resultados
Este capítulo trata sobre el manejo de datos después que han sido registrados en el campo.
Existe un gran número de softwares estadísticos disponibles para conducir los análisis.
Depende del investigador tomar la decisión sobre cual resulta el más apropiado (Cuadro 4). No
es necesario comprar un programa caro con opciones que los investigadores no vayan a utilizar.
Generalmente, los softwares preferidos por los biometristas profesionales son mejores en el
análisis de ensayos en fincas que cubren más de una finca. En la actualidad, los análisis
estadísticos en la mayoría de los programas de planillas electrónicas son inadecuados para este
tipo de trabajo.
El software empleado y la estructura de los ficheros de datos deben ser los mismos para
todos los ensayos y demostraciones. Además, los datos deben ser fácilmente transferibles a una
base de datos central, así como exportables de manera directa hacia programas estadísticos y
de diseño de gráficos sin tener que transcribir (mientras más veces se transcriben los datos,
mayores son las posibilidades de error). Los datos también deben guardarse de manera que
estén disponibles, aún cuando el proyecto ya no se encuentre en operaciones.
Los datos deben guardarse en planillas electrónicas adecuadas o en programas de bases de
datos, para que puedan manipularse fácilmente y consultarse cuando se necesite su análisis. La
opción de seleccionar un software para el almacenamiento y análisis de datos es a discreción
del funcionario a cargo del proyecto.
El almacenamiento y análisis preliminar debe iniciarse tan pronto comienza la obtención de
datos, en lugar de hacerlo al final del experimento. Es aconsejable hacer al menos dos copias
de los datos, tanto en disquete como en papel. Estas copias deben guardarse en lugares diferentes
para evitar la pérdida total de los datos. Al final de cada campaña, todos los datos deben analizarse
y ser interpretados de manera que puedan emitirse conclusiones y recomendaciones antes de
sembrar el próximo cultivo.
x
Aunque el gráfico muestra una -0,2
hubo violaciones serias de las hipótesis de ANVA y se puede concluir que había evidencia del
efecto del tratamiento.
La prueba de significación usualmente no es el único objetivo de los ensayos de nutrición
vegetal. Los investigadores pueden interesarse por estimar, ya sea el efecto del tratamiento o el
nivel óptimo de nutriente a aplicar.
TABLA 5
ANVA amplificado de demostraciones de una sola repetición en nueve sitios
Fuente de variación Gl SC CM F P
Sitios 8 56,874 7,109
Suelos 2 6,826 3,413 0,409 0,68
Sitios dentro de los suelos 6 50,048 8,341
Tratamientos 3 17,632 5,878 19,330 <0,001
Tratamientos x sitios 24 7,866 0,328
Tratamientos x suelos 6 2,390 0,398 1,309 0,303
Tratamientos x sitios dentro de lossuelos 18 5,476 0,304
Total 35 82,372
suelo diferentes, ej. los sitios 4, 5 y 9 en suelo tipo A, los sitios 6 y 7 en suelo tipo B y el resto
de los sitios en suelo tipo C, entonces el análisis puede ser amplificado para reflejar esta
información adicional. La Tabla 5 muestra un análisis amplificado, donde los grados de libertad
de los sitios están subdivididos en suelos y sitios dentro de los suelos. De manera similar, el
valor del error está subdividido en la interacción tratamientos x suelos y tratamientos x sitios
dentro de suelos. La cifra adecuada del error para probar el efecto debido a los suelos es el
cuadrado medio de los sitios dentro de los suelos. El valor apropiado del error para probar el
efecto del tratamiento es el cuadrado medio del valor de los tratamientos x sitios dentro de los
suelos.
Los resultados no indican evidencia de un efecto debido a los suelos, sino una fuerte evidencia
del efecto del tratamiento y ninguna evidencia de una interacción tratamiento x suelos,
implicando así un efecto similar de los tratamientos en los diferentes tipos de suelo.
aparentes en la Figura 8. La
primera línea del ANVA (Tabla 6) explica estas diferencias. El valor F (8,49) en esta línea tiene
una probabilidad de menos de 0,012. Quizás son más interesantes las diferencias entre los
tratamientos y la interacción de fincas y tratamientos (Tabla 7).
La Tabla 7 muestra que la aplicación de la enmienda de suelo fue exitosa en dos de las cinco
fincas (Finca 1 y 4). De estas fincas particularmente en la finca 4, la dolomita fue mejor que el
testigo. Se requiere un análisis económico para investigar el beneficio relativo de los tratamientos
1 y 2 (T1 y T2).
TABLA 7
Media de los tratamientos por finca de un ensayo de enmienda de suelos
Tratamiento Finca Media
1 2 3 4 5 General
T1 6,3 4,5 1,1 9,7 6,4 5,6
T2 8,2 4,5 0,9 10,8 6,8 6,2
T3 4,2 4,8 1,0 4,7 7,1 4,4
eem 0,41 0,33 0,41 0,41 0,41 0,17
eem: error estándar de las medias
-1,0
La Tabla 7 ofrece una advertencia
X
adicional. En la Finca 3 el error X
estándar es alrededor del 50 porciento -1,5
2 4 6 8 10
de los valores medios. El consejo usual Valores ajustados
en tales circunstancias es transformar
34 Análisis de los resultados
los datos del resultado (en este caso los rendimientos) y reanalizarlos. Una transformación
apropiada para estabilizar las varianzas en este caso es la raíz cuadrada. Cuando se hace esto,
las posibilidades de la Tabla ANVA son muy similares y las conclusiones son muy parecidas.
Existe un índice de la fuerza de la técnica ANVA. En una situación como ésta, donde una
transformación no altera las conclusiones que se obtienen a partir del análisis, es bastante
conveniente presentar los resultados de un análisis con datos no transformados. Sin embargo,
se debe tener en cuenta que el error estándar calculado para la Finca 3 es casi con certeza una
exageración de la variación real en esa finca.
ambiental en la Finca 2.
30
La Tabla 8 muestra el ANVA para
los rendimientos de pepino. Estos
rendimientos fueron los totales de
20
varias cosechas.
1 2 3 4 5
Este ANVA se logró usando un
Treat
programa de modelo lineal general. El Tratamientos
modelo lineal general ajustado fue:
Rendimiento = Fincas + Filas + Columnas + Tratamientos + Fincas x Tratamientos.
Puede ser necesario dar formato a este modelo por pasos, empleando algún software.
Directrices para ensayos y demostraciones 35
La computadora puede brindar una serie de alertas acerca de varias filas y /o columnas que
sean conocidas de otra manera; esto probablemente puede ignorarse. Sin embargo, cuando se
haga el ANVA, los grados de libertad deben chequearse.
Las filas se separaron en
bloques de la Finca 1 y en filas TABLA 8
de la Finca 2, ejecutando un ANVA del rendimiento por parcela en un experimento de
modelo diferente para la Finca cultivo de pepino
1 solamente, tal como se muestra Fuente de variación Gl SC CM F P
a continuación: Fincas 1 139,1 139,10
Rendimientos = Filas Bloques (Finca 1) 2 16,9 8,50
Filas (Finca 2) 4 359,9 90,00
Este dió la suma de Columnas (Finca 2) 4 247,6 61,90
cuadrados del efecto de los Tratamientos 4 91,5 22,98 1,88 0,1787
bloques en la Tabla 8. El efecto Fincas x tratamientos 4 88,0 22,00 1,80 0,1937
de las filas se obtuvo restando Error 12 146,1 12,20
este valor al obtenido para las Total 29 1 089,0
filas cuando se analizó el
conjunto total de datos.
Separación de medias
Es posible dividir los grados de libertad de los cuatro tratamientos y de las cuatro interacciones
fincas x tratamientos en contrastes que tengan en cuenta la estructura factorial 2 x 2. Esto
proporciona grados de libertad simples para los dos efectos principales y una interacción. El
grado de libertad restante es una diferencia que compara al testigo con la media general de los
cuatro tratamientos.
Una forma de lograr esto es eliminar los datos del tratamiento testigo de la planilla electrónica
y añadir columnas codificadas para la aradura y el pase de grada (Apéndice 7). El modelo
siguiente se ajustaría:
Rendimiento = Fincas + Filas + Columnas + Aradura + Pase de Grada + Aradura x Pase de
Grada + Fincas x Pase de Grada + Fincas x Aradura + Fincas x Aradura x Pase de grada
Cuando la computadora genera el ANVA, los primeros tres valores (fincas, filas y columnas)
pueden ignorarse. Los otros valores son los efectos e interacciones principales requeridos y la
interacción de estos con las fincas. Las diferencias del testigo vs la media total de los demás
tratamientos y la interacción de ésta con las fincas puede obtenerse restando la suma de cuadrados
original (con cinco grados de libertad) a la suma de los tres grados de libertad correspondientes
en el segundo modelo. La Tabla 9 muestra el ANVA completo que esto genera.
La Tabla 9 indica que puede haber una interacción interesante entre la finca y el pase de
grada; la interacción entre la aradura y el pase de grada también esta cercana al nivel de
significación usual de P = 0.05. En consecuencia, es necesario examinar las Tablas de dos
entradas de medias que investigan estas interacciones (Tabla 10 y 11).
36 Análisis de los resultados
TABLA 9
ANVA completo (con contrastes o diferencias) del rendimiento de parcelas de pepino en un
experimento de labranza
Fuente de variación Gl SC CM F P
Finca 1 139,1 139,1
Bloques (Finca 1) 2 16,9 8,5
Filas (Finca 2) 4 359,9 90,0
Columnas (Finca 2) 4 247,6 61,9
Aradura 1 27,4 27,4 2,25 0,1595
Pase de Grada 1 4,8 4,8 0,39 0,5440
Aradura x Pase de Grada 1 49,1 49,1 4,02 0,0681
Testigo vs otros tratamientos 1 10,2 10,2 0,83 0,3802
Finca x aradura 1 12,4 12,4 1,02 0,3325
Finca x pase de grada 1 60,3 60,3 4,94 0,0462
Finca x aradura x pase de grada 1 6,5 6,5 0,53 0,4806
Finca x (testigo vs otros tratamientos) 1 8,8 8,8 0,72 0,4128
Error 12 146,1 12,2
Total 29 1 089,0
seleccionadas.
preparación de la tierra).
Se midió el escurrimiento del suelo ubicando dos cajas de captura de suelo en la base de
cada parcela. Estas cajas fueron ubicadas exactamente a uno y dos tercios, respectivamente a lo
largo del borde más bajo. De esta manera, los datos de escurrimiento de suelo fueron una
muestra estimatoria del volumen total de escurrimiento, puesto que no hubo intención de capturar
todo este volumen.
Después de cada aguacero, el agricultor retiró cada caja y la reemplazó por otra. Las cajas
se etiquetaron claramente para indicar su posición en el campo.
En la Figura 12 se plotea el total de suelo
FIGURA 12
colectado durante el experimento en Escurrimiento de suelo en un experimento con
kilogramos por unidad de área contra el frijol guandú en tres fincas
tratamiento para cada finca. Como se
esperaba esta cifra muestra la superioridad 14
Finca 1
(ej. rendimiento) contra tratamientos o sitios. Estos gráficos pueden mostrar la estratificación
natural de los datos. Los gráficos de áreas también son útiles para identificar datos externos.
No todos los datos se pueden utilizar para un análisis posterior. Después del análisis y
validación de los datos, algunos tendrán que ser descartados debido a su pobre calidad. El
método de análisis aplicado al resto de los datos que sirven dependerá de la cantidad de
información adicional disponible, especialmente para ensayos de una repetición.
Para ensayos con más de una repetición por finca, el método de análisis dependerá del
diseño experimental. Si se usa un diseño de bloque completamente aleatorizado, el análisis es
similar al del Apéndice 4 ó 5, dependiendo de si la estructura del tratamiento es factorial o no.
Los análisis se realizan primero para los ensayos individuales, seguido de un análisis combinado.
Para demostraciones de una repetición, si no hay información adicional disponible para
hacer una estratificación previa de los datos y si se aplicaron los mismos tratamientos en cada
localidad, entonces se necesitará analizar los resultados como un diseño de bloque aleatorizado.
Cada finca será considerada un bloque (ver ejemplo anterior).
Si no hay información adicional que permita la estratificación previa y si hay algunos
tratamientos iguales en cada localidad, pero los tratamientos desiguales difieren de una localidad
a otra (o sea, sin repeticiones de tratamientos desiguales), entonces el análisis más simple debe
realizarse solamente con los tratamientos iguales. Este análisis será como se mencionó antes,
un diseño de bloque aleatorizado donde cada localidad constituye un bloque. Alternativamente,
se puede necesitar de un estadístico que brinde asistencia en el análisis.
Donde haya información adicional para realizar la estratificación, se pueden analizar
subgrupos de datos de acuerdo a las categorías predominantes que se identifiquen. El análisis
puede tomar la forma de ANVA o análisis de regresión, dependiendo del número y naturaleza
de los tratamientos, como se indica en el Capítulo 3.
Adicionalmente, las categorías pueden ser usadas como factores que luego podrían evaluarse
usando ANVA o técnicas de regresión para determinar sus efectos sobre la variable respuesta.
Transformaciones
Las transformaciones pueden aplicarse donde haya violaciones serias de las hipótesis de los
análisis. El Cuadro 5 resume los tipos de transformaciones y las circunstancias bajo las que son
generalmente aplicables.
Log
• Donde las desviaciones estándar (no las varianzas) de las muestras son aproximadamente proporcionales
a las medias;
• Donde los efectos son multiplicativos en lugar de aditivos;
• Donde el gráfico de residuales tiene la forma de un megáfono abierto hacia la derecha (así: <)
Raíz cuadrada
• Donde las varianzas son proporcionales a las medias de las muestras
Arcoseno o angular
• Donde los datos son expresados en porciento o proporciones
Cuando se presentan resultados donde los datos hayan sido transformados, es aconsejable
retransformar las medias (invertir la transformación aplicada a los datos). Esto da una idea de
los resultados en la escala en la que fueron medidos los datos. Se deben presentar, tanto las
medias transformadas, como las retransformaciones, puesto que los errores estándar
transformados deben usarse para hacer las comparaciones de tratamientos.
Separación de medias
En algunos ensayos, los tratamientos son cualitativos (ej. tipo de fertilizantes, tales como urea,
nitrato de calcio y amonio(NCA) o sulfato de amonio) en lugar de ser cuantitativos (ej. dosis de
fertilizantes: 0, 10, 20 kg /ha). De este modo el objetivo del ensayo no es derivar una curva de
respuesta, sino investigar la naturaleza de los efectos de diferentes fuentes de nutrientes. En
lugar de hacer todas las comparaciones posibles de los tratamientos, estos deben ser seleccionados
para permitir comparaciones significativas de interés entre los subgrupos.
El sitio F presentado en la Tabla 2 (Tabla de medias en la Tabla A-3 del Apéndice 4) puede
servir como ejemplo. Los tratamientos son un testigo y tres fuentes diferentes de N: materia
Directrices para ensayos y demostraciones 41
TABLA 14
ANVA mostrando comparaciones específicas
Fuente de variación Gl SC CM F P
Bloques 1 0,605 0,605
Tratamientos 3 16,445 5,482 12,8 0,032
Testigo vs resto 1 5,802 5,802 13,60 0,034
Orgánico vs mineral 1 9,541 9,541 22,30 0,018
Urea vs NCA 1 1,102 1,102 2,57 0,207
Tratamientos x bloques 3 1,285 0,428
Total 7 18,335
Los resultados indican la evidencia de una diferencia entre el testigo y la respuesta media de
las parcelas que recibieron fertilizantes. La parcela testigo tuvo un rendimiento medio de 8,6 t/
ha, mientras la media correspondiente a las parcelas fertilizadas fue 10,6 t/ha (o sea, el promedio
de 12,4, 9,2 y 10,2). También hubo alguna evidencia de la diferencia en el efecto de los
fertilizantes orgánicos y minerales. Las parcelas tratadas con los fertilizantes orgánicos tuvieron
un rendimiento medio de 12,4 t/ha, mientras que aquellas tratadas con fertilizante mineral
tuvieron un rendimiento medio de 9,7 t/ha (el promedio de 9,2 y 10,2). No hubo evidencia de
diferencia en el efecto de los dos fertilizantes minerales.
Datos faltantes
El aspecto principal a recordar acerca de los análisis con datos faltantes es que el error estándar
de la diferencia entre las medias de los tratamientos varía en dependencia de si la comparación
incluye tratamientos con parcelas faltantes o no. Por tanto, el resultado de un análisis
computarizado deberá examinarse para determinar si el programa refleja la diferencia. De otra
manera, se necesitará calcular los errores estándar adecuados de forma manual.
Curvas de respuesta
Donde los tratamientos son cuantitativos, un objetivo posible puede ser deducir la ecuación
para obtener la curva de respuesta o función de producción. Estas curvas o funciones de
producción pueden derivarse de un único factor o de más de uno.
Factor simple
El primer paso para determinar el modelo más apropiado es hacer un gráfico de dispersión de
la media de los tratamientos contra los niveles de los respectivos tratamientos. Este gráfico de
dispersión da una idea de los posibles modelos que pueden usarse para describir los datos.
42 Análisis de los resultados
Donde la respuesta no es linear, como casi siempre sucede en los estudios de nutrición
vegetal se usan comúnmente cuatro modelos: cuadrático, raíz cuadrada, “broken stick” y
Mitscherlich. Esta publicación expone sólo los dos primeros modelos.
La Figura 13 muestra gráficos posibles de TABLA 15
las cuatro funciones mencionadas en la Tabla Funciones de los modelos usados en
15. El Apéndice 4 resume los ajustes de los estudios de nutrición vegetal
Modelo Funciones
modelos de regresión cuadrático y de raíz
Cuadrático Y = a + b1X + b2X2
cuadrada de los datos en el Sitio H.
Raíz cuadrada Y = a + b1X + b2 X
“Broken stick “ Y = a + b1(X – b2 - |X – b2|)
Regresión múltiple Mitscherlich Y = a + b1 exp(b2X)
Distribuciones de frecuencia
Las distribuciones de frecuencia dan un buen índice del número de agricultores que obtienen
un nivel específico o rango de productividad, margen total o ingreso de la finca. Esta información
es útil para determinar la probabilidad de que los agricultores acepten una tecnología
determinada. Las distribuciones de frecuencia calculadas a partir de los datos de años sucesivos,
también muestran cuan estable es la tecnología y por tanto, cuan riesgosa puede ser la inversión
en la tecnología.
La Figura 14 muestra que empleando la práctica del agricultor, la mayoría de los productores
obtuvieron bajos rendimientos, mientras que usando estiércol obtenido en la finca (EOF)
alrededor de 26 porciento de los productores obtuvo rendimientos por encima de 5 t/ha.
Directrices para ensayos y demostraciones 43
Evaluación económica Clases del Rendimiento: 1 = < 2 t/ha, 2 = 2-3 t/ha, 3 = > 3-
4 t/ha, 4 = > 4-5 t/ha, 5 = > 5 t/ha
120
TABLA 16
Cálculo de la tasa marginal de retorno
Tratamiento Rendimiento Ingreso Costo del Margen Ingreso Costo Tasa
promedio total1 fertilizante2 total3 marginal4 marginal5 marginal de
(t/ha) (US$) (US$) retorno6
Testigo 8,6 1 376 - 1376,00 - - -
40 kg N/ha 12,4 1 984 20,80 1963,20 587,20 20,8 28,2
80 kg N/ha 9,2 1 472 41,60 1430,40 (532,80) 20,8 (25,6)
120 kg N/ha 10,2 1 632 62,40 1569,60 139,20 20,8 6,7
1. Ingreso total = rendimiento promedio x precio del producto
2. Costo del fertilizante = tasa de aplicación x precio del fertilizante (Esta columna puede ser reemplazada por el
costo total de la variable)
3. Margen total = Ingreso total – costo del fertilizante
4. Ingreso marginal = Margen total para una dosis de aplicación específica – margen total de la dosis previa de
aplicación
5. Costo marginal = Costo del fertilizante para una dosis de aplicación - costo del fertilizante para la dosis de aplicación
previa.
6. Tasa marginal de retorno = ingreso marginal / costo marginal
Usando el ejemplo del Apéndice 4 , Sitio F y la Tabla de medias del Apéndice A-4.3, la
Tabla 16 muestra como se calcula la TMR. En ella se asume un precio de fertilizante de $ 0,52
USD /kg y un precio de producto de $ 160 USD /t.
TABLA 17
Cálculo del índice de productividad y relación valor costo
Tratamiento Rendimiento Incremento Valor del Indice de Costo del RVC5
promedio del incremento del productividad3 fertilizante4
(t/ha) rendimiento1 rendimiento2
(US$)
Testigo 8,6 - - - -
40 kg N/ha 12,4 3,8 608 310 20,8 29,2
80 kg N/ha 9,2 0,6 96 115 41,6 2,3
120 kg N/ha 10,2 1,6 256 85 62,4 4,1
Usando el mismo ejemplo para la Tabla 17, los cálculos del índice de productividad y relación
valor / costo (RVC) son:
RVC = valor del incremento del rendimiento debido al insumo específico / costo del insumo
Índice de Productividad = rendimiento / cantidad aplicada para obtener el rendimiento
Las dosis económicas óptimas de aplicación también pueden deducirse a partir de curvas de
respuesta. Para un factor simple, la dosis óptima es la que maximiza el beneficio. Esto es
cuando el primer derivado de la curva de respuesta (dy / dx) es igual a la tasa de insumos (Px)
y precio del producto (Py) (expresadas en las mismas unidades), o sea, donde:
dy / dx = Px / Py
La Tabla 18 ofrece las ecuaciones para calcular las tasas óptimas de los modelos de raíz
cuadrada y cuadrático anteriormente descritos. El Apéndice 4 contiene un ejemplo desarrollado.
Directrices para ensayos y demostraciones 45
Capítulo 5
Llegando a las conclusiones
Bibliografía
Dyke, G.V. 1974. Comparative experiments with field crops, Butterworths, London.
Elena Rosselló, J.M. & Fernández de Gorostiza, M. 1993. Technical guidelines for field variety trials.
FAO Plant Production and Protection Paper No. 75. Rome.
FAO. 1998. Guide to efficient plant nutrition management. Land and Water Development Division,
FAO. Rome.
FAO. 2000. Guidelines for participatory diagnosis of constraints and opportunities for soil and plant
nutrition management. Land and Water Development Division, FAO, Rome.
Fielding, W.J. & Riley, J. 1997. How big should on-farm trials be and how many plots should be measured?
PLA Notes 29, p. 19-22.
Hildebrand, P.E. & Poey, F. 1985. On-farm agronomic trials in farming systems research and extension.
Boulder, Colorado, the United States, Lynne Rienner Publishers, Inc.
International Rice Research Institute. 1984. Basic procedures for agroeconomic research. Manila.
Lauckner, F.B. & Fielding, W.J. 1995. On-farm research with annual crops: some biometrical
considerations. Jamaica, Caribbean Agricultural Research and Development Institute/Ministry of
Agriculture and Mining.
Mutsaers, W.A. & Walker, P. (eds.) 1991. On-farm research theory and practice. Ibadan, IITA.
Mutsaers, W.A., Weber, G.K., Walker, P. and Fischer, N.M. 1997. A field guide for on-farm
experimentation, Ibadan, IITA/CTA/ISNAR.
Pearce, S.C. 1976. Field experimentation with fruit trees and other perennial plants of the Commonwealth
Bureau of Horticulture and Plantation Crops. Technical Communications No 23. Second Edition. The
United Kingdom, Commonwealth Agricultural Bureau.
Pearce, S.C., Clarke, G.M., Doyle, G.V. & Kempson, R.E. 1988. A manual of crop experimentation.
London, Charles Griffin & Company Ltd.
Riley, J. & Alexander, C.J. 1997. Statistical literature for participatory on-farm research. Experimental
Agriculture 33, p. 73-82.
Shaner, W.W., Philipp, P.F. & Schmehl, W.R. 1982. Farming systems research and development
guidelines for developing countries. The United States, Westview Press.
Steiner, K.G. 1987. On-farm experimentation handbook for rural development projects: guidelines for
the development of ecological and socio-economic sound extension messages for small farmers.
Eschborn, GTZ.
Youden, W.J. 1937. Use of incomplete block replications in estimating tobacco-mosaic virus. Contr.
Boyce Thompson Inst., 9, p. 41-8.
50 Bibliografía
Directrices para ensayos y demostraciones 51
Apéndice 1
Tabla de permutaciones aleatorias de
números
90 78 82 54 47 20 83 80 10 41 35 22 23 03 98 79 74 41 35 05 78 73 95 47 83
78 58 68 87 41 11 08 81 29 89 71 23 10 01 79 25 06 00 45 80 64 70 95 34 29
51 42 21 03 88 20 05 35 93 00 68 12 09 55 09 36 54 95 22 82 48 30 09 56 87
93 15 07 60 86 67 37 94 24 35 82 44 19 92 96 21 84 29 04 29 83 32 05 10 48
27 12 31 66 62 09 54 17 31 23 27 30 37 36 79 75 50 39 57 12 67 23 22 09 33
79 44 83 55 47 96 50 93 56 82 58 16 35 18 87 64 08 22 47 93 86 43 43 30 17
89 73 43 91 03 57 91 35 40 64 13 61 94 37 16 09 93 96 25 87 30 23 42 54 31
29 30 90 00 58 15 99 93 33 67 80 08 59 21 66 13 54 56 85 25 05 32 03 52 52
97 33 17 26 25 04 73 18 10 05 34 40 32 65 07 28 68 29 31 97 89 57 95 55 16
07 15 44 92 47 28 50 93 03 53 37 70 19 68 59 95 39 87 90 46 98 64 46 24 71
82 50 35 50 80 23 67 81 25 02 83 08 12 70 00 25 31 33 80 06 19 86 14 59 27
59 21 86 16 30 27 85 16 26 34 50 15 87 22 69 71 36 95 90 76 90 99 79 63 21
04 19 60 33 05 29 02 33 74 56 38 84 21 07 35 93 54 70 18 47 14 62 75 45 02
96 91 44 09 94 06 89 50 88 83 82 50 11 82 51 30 68 91 06 28 86 65 17 45 20
31 71 03 53 38 94 02 52 72 15 44 49 53 42 43 00 36 97 67 64 12 27 46 00 18
03 70 22 67 59 98 10 64 68 08 79 06 89 48 41 85 72 10 87 24 96 04 20 68 00
08 45 79 46 89 74 73 67 60 15 70 37 61 44 07 67 89 81 54 26 57 17 63 27 74
37 80 05 75 64 48 51 68 68 27 71 75 45 32 27 76 35 26 58 88 67 74 48 90 94
90 63 56 69 37 19 74 48 63 31 52 36 84 40 66 72 66 03 41 87 65 29 12 36 64
22 69 38 02 88 89 71 43 01 87 41 79 42 99 29 41 08 47 32 19 45 29 59 69 90
05 79 69 67 64 36 14 82 65 26 40 51 63 42 48 85 48 34 12 04 33 26 52 26 52
48 91 53 03 82 64 24 06 31 03 97 44 82 24 89 88 48 66 54 10 41 27 09 11 61
94 64 97 27 25 62 23 94 40 54 56 32 97 78 90 58 86 41 75 19 42 90 85 36 68
15 85 82 52 08 52 96 26 92 88 93 11 03 23 52 78 23 57 85 43 53 90 42 22 22
09 81 37 66 56 99 08 59 19 48 29 69 21 64 95 12 08 15 24 45 59 25 22 76 96
43 83 99 02 76 12 16 45 52 66 35 70 93 09 52 75 40 34 35 62 65 42 27 20 59
31 98 09 80 62 75 26 64 57 26 46 41 47 90 97 99 46 10 51 42 73 28 98 89 91
81 35 42 62 84 37 02 59 78 16 17 96 05 71 39 88 05 34 05 92 22 43 89 66 89
97 95 56 39 75 65 47 61 86 33 14 88 55 33 69 70 87 79 94 46 17 61 72 27 01
37 63 35 93 23 17 30 14 51 51 17 28 21 74 67 12 11 57 19 27 38 70 73 82 92
39 22 96 00 48 52 49 62 09 40 08 30 27 54 70 96 06 52 12 80 36 12 38 68 05
61 29 84 34 51 60 19 77 82 16 64 45 02 27 04 65 55 90 95 04 20 39 29 96 28
38 84 18 10 29 19 09 66 06 78 37 09 60 50 21 52 72 01 52 70 29 65 05 37 16
64 29 48 04 08 55 72 25 25 77 54 26 27 24 39 66 67 06 40 00 99 35 70 69 58
64 02 32 99 63 62 42 89 32 20 81 14 08 40 45 22 15 37 49 38 96 51 19 08 27
13 83 39 51 30 31 49 94 83 66 02 50 95 18 98 58 84 90 58 81 00 40 91 12 46
83 30 90 09 35 41 12 87 93 66 85 96 20 65 34 23 13 05 41 01 91 48 95 59 45
46 63 53 97 63 18 86 37 56 20 35 62 66 11 37 30 91 89 97 51 64 78 06 95 65
54 43 40 02 41 55 70 52 96 87 02 82 61 21 88 60 65 98 42 09 03 61 20 83 01
27 18 65 62 01 97 45 79 51 37 74 47 20 11 48 97 93 73 86 50 46 61 95 01 24
45 42 16 13 20 34 51 08 71 52 39 17 71 39 84 97 27 72 49 42 81 62 32 87 22
35 92 97 02 34 93 32 95 81 13 92 05 40 70 95 71 66 61 24 08 77 32 73 66 79
60 55 35 57 24 52 95 84 90 64 38 39 72 70 17 98 42 85 96 67 41 11 83 17 78
43 17 21 09 60 58 86 12 31 11 66 61 43 96 00 93 97 00 15 20 37 96 73 56 63
07 85 74 58 28 38 74 68 32 61 87 14 71 83 47 90 11 96 70 08 67 04 34 46 08
33 00 29 08 87 42 59 40 24 97 44 99 13 56 87 95 02 47 97 89 23 51 45 37 83
97 14 00 42 23 72 03 19 02 41 11 23 36 98 32 19 91 42 03 58 62 23 74 45 06
68 58 32 80 82 40 49 71 83 37 93 49 99 60 72 88 14 26 88 95 48 69 35 40 63
39 87 38 16 06 82 92 62 32 75 67 64 50 49 39 29 55 53 92 97 04 48 60 53 90
37 73 01 84 87 42 88 30 93 75 01 18 34 73 30 28 44 28 18 01 00 38 26 38 57
52 Apéndice 1 - Tabla de permutaciones aleatorias de números
15 62 38 72 92 03 76 09 30 75 77 80 04 24 54 67 60 10 79 26 21 60 03 48 14
77 81 15 14 67 55 24 22 20 55 36 93 67 69 37 72 22 43 46 32 56 15 75 25 12
18 87 05 09 96 45 14 72 41 46 12 67 46 72 02 59 06 17 49 12 73 28 23 52 48
08 58 53 63 66 13 07 04 48 71 39 07 46 96 40 20 86 79 11 81 74 11 15 23 17
16 07 79 57 61 42 19 68 15 12 60 21 59 12 07 04 99 88 22 39 75 16 69 13 84
54 13 05 46 17 05 51 24 53 57 46 51 14 39 17 21 39 89 07 35 47 87 44 36 62
95 27 23 17 39 80 24 44 48 93 75 94 77 09 23 48 75 91 69 03 55 51 09 74 47
22 39 44 74 80 25 95 28 63 90 41 19 48 46 72 51 12 97 39 83 35 83 23 17 29
69 95 21 30 11 98 81 38 00 53 41 40 04 16 78 67 29 83 41 18 30 90 44 37 64
75 75 63 97 12 11 57 05 86 52 82 72 47 72 14 37 72 69 75 48 72 21 52 51 81
08 74 79 30 80 70 11 66 79 25 88 01 94 52 31 38 57 98 71 62 12 56 61 01 54
04 88 45 98 60 90 92 74 77 87 40 18 65 87 37 08 68 62 39 52 84 74 90 68 18
97 35 74 05 75 42 13 49 48 38 74 19 06 42 60 20 79 90 81 77 18 51 71 27 27
53 09 93 28 29 80 19 68 30 45 94 49 49 71 21 93 93 71 30 34 52 65 83 40 13
26 36 68 48 09 37 69 26 22 80 23 34 10 45 70 83 51 07 37 44 62 96 74 42 64
49 16 57 15 79 56 63 22 94 28 11 39 69 55 38 53 06 97 20 42 09 14 90 43 48
03 51 79 78 74 75 23 73 75 98 47 85 07 26 02 61 28 01 22 16 14 12 15 67 22
21 88 87 28 48 23 44 03 03 80 53 89 07 87 93 30 17 84 17 74 16 53 31 39 01
56 41 73 33 41 59 16 59 50 98 24 24 87 06 75 99 52 09 88 05 86 25 43 50 94
72 39 19 70 17 01 04 01 22 33 04 84 63 27 65 84 39 45 55 31 95 88 93 90 37
97 28 25 81 49 71 69 22 04 51 56 46 56 15 10 69 59 99 50 29 33 50 16 93 09
18 87 02 72 08 74 52 16 03 82 20 19 66 23 62 37 51 04 89 31 32 19 59 85 57
53 40 11 75 45 13 56 85 31 37 09 17 71 96 79 39 50 79 27 62 71 14 95 53 03
60 49 03 41 56 78 33 77 28 92 21 90 10 62 01 97 06 45 01 19 95 12 24 18 52
09 16 12 75 04 39 69 95 00 48 26 85 28 73 08 66 92 10 66 75 62 61 27 82 57
64 20 19 87 54 88 15 12 54 24 06 99 57 07 28 51 34 54 98 50 70 88 02 86 48
31 28 07 58 77 03 98 26 76 09 10 44 57 61 28 60 29 85 70 79 80 29 19 98 92
80 04 28 47 76 35 73 67 78 28 09 39 88 63 74 41 26 92 42 33 06 80 06 33 84
24 60 22 51 19 34 54 08 24 73 86 72 11 44 69 76 90 81 17 85 57 47 35 16 84
59 16 11 26 29 18 97 78 44 43 58 92 78 70 80 09 65 32 68 26 65 73 90 50 46
58 54 29 98 27 40 51 92 07 13 58 41 59 56 94 16 32 51 42 54 77 37 13 85 19
20 18 34 22 73 57 40 67 17 28 63 57 74 36 18 65 55 25 50 68 35 90 00 03 38
53 90 46 56 19 50 58 33 84 53 14 74 17 40 73 86 11 04 02 04 02 28 49 62 36
97 16 93 94 65 70 95 95 83 20 91 42 57 95 63 00 86 29 02 53 02 27 86 70 95
72 55 71 70 92 04 22 53 19 29 67 29 13 56 70 45 73 45 05 04 32 43 30 93 41
99 19 72 58 35 49 09 26 00 74 26 42 94 52 02 83 31 85 65 66 31 97 67 52 15
48 21 49 72 97 79 19 64 81 82 78 92 51 96 51 28 79 13 20 82 34 81 39 46 86
52 37 68 15 53 22 98 30 16 31 83 24 87 69 29 24 85 44 25 50 75 62 83 95 41
97 50 52 53 52 26 78 21 68 69 57 79 42 40 89 55 81 75 24 52 51 32 79 97 05
36 05 09 18 11 71 01 63 17 60 11 65 19 43 07 44 86 19 58 92 23 71 32 96 19
20 79 70 09 30 81 14 53 80 93 71 94 10 18 14 83 69 76 53 25 27 36 65 65 05
13 07 89 72 08 00 37 75 14 94 83 85 06 72 66 07 47 30 17 11 16 02 63 97 30
94 26 82 37 43 34 23 00 14 50 96 85 41 17 71 69 20 15 98 82 79 69 68 50 31
13 55 88 38 43 75 37 43 83 85 53 74 54 62 99 68 93 74 43 95 06 26 79 78 87
02 44 24 97 71 97 93 12 70 89 42 52 33 24 91 05 87 53 15 77 49 92 83 97 80
34 90 96 63 54 22 84 36 38 99 85 36 25 03 27 49 24 72 10 50 95 14 18 26 64
13 67 06 34 98 04 20 80 12 54 01 18 54 20 76 92 10 47 04 65 54 45 82 42 90
18 75 55 82 66 34 77 27 71 79 67 65 85 92 68 16 43 83 18 74 12 48 68 87 22
91 25 52 57 15 21 54 40 05 50 67 51 66 45 69 84 72 74 32 30 17 70 40 90 24
76 24 00 14 92 14 29 12 17 73 77 46 44 24 30 48 50 36 30 24 93 08 01 39 37
Directrices para ensayos y demostraciones 53
Apéndice 2
Protocolo de un experimento de un solo
factor
Diseño experimental:
Diseño de bloque completamente aleatorizado con 2 bloques de 4 parcelas cada uno, los
bloques no necesitan ser contiguos.
Para cada grupo de ensayos y para cada variable medida y calculada, la Tabla de ANVA es:
54 Apéndice 2 - Protocolo de un experimento de un solo factor
El efecto del fertilizante debe compararse con el valor fertilizante x sitios en la Tabla de ANVA.
Otros análisis:
Gráfico del rendimiento medio contra el nivel de fertilizante en cada sitio para determinar si
existe un nivel óptimo de fertilizante.
Ajuste de la curva para obtener la función respuesta
Estimación del nivel óptimo de fertilizante a aplicar.
Responsabilidades
Actividad Persona responsable
Obtención de fertilizante, semillas y otros insumos
Distribución de fertilizante y semillas entre los agricultores
Selección de parcelas experimentales y marcaje de parcelas, aleatorización
Pesaje del fertilizante para su aplicación en las parcelas
Supervisión entre la implementación y cosecha
Colecta de datos
Validación de datos colectados en el campo
Análisis estadístico
Interpretación de los resultados y esbozo de conclusiones
Directrices para ensayos y demostraciones 55
Apéndice 3
Protocolo de un experimento bifactorial
Diseño experimental:
Diseño de bloque completamente aleatorizado con 4 parcelas por bloque y 2 bloques.
Esquema para el análisis de datos:
Para cada ensayo y cada variable medida o calculada, el ANVA es:
Fuente de variación Gl (generales) Gl (específicos)
Bloques b-1 1
Tratamientos1 np - 1 3
N n-1 1
P p-1 1
NxP (n - 1)(p - 1) 1
Tratamientos x bloques (b - 1)(np - 1) 3
Total bnp - 1 7
Sumas de cuadrados y Gl de los tratamientos divididos en N, P y la interacción N x P
1
56 Apéndice 3 - Protocolo de un experimento bifactorial
Para el grupo de ensayos y para cada variable medida y calculada, la Tabla de ANVA es:
Responsabilidades
Actividad Persona responsable
Obtención de fertilizante, semillas y otros insumos
Distribución de fertilizante y semillas entre los agricultores
Selección de parcelas experimentales y marcaje de parcelas, aleatorización
Pesaje del fertilizante para su aplicación en las parcelas
Supervisión entre la implementación y cosecha
Colecta de datos
Validación de datos colectados en el campo
Análisis estadístico
Interpretación de los resultados y esbozo de conclusiones
Directrices para ensayos y demostraciones 57
Apéndice 4
Análisis de un experimento de
un solo factor
Datos
TABLA A-1
Datos originales – rendimientos de maíz (t/ha )
Rep Tratamiento Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio
(kg/ha) A B C D E F G H I J
1 Testigo 16,8 20,3 8,8 9,7 4,7 7,7 4,6 7,7 17,3 14,9
1 40 18,0 22,7 9,8 4,9 5,4 12,3 11,5 11,2 10,7 14,9
1 80 20,2 23,4 11,5 16,7 4,3 9,3 7,9 13,6 15,3 10,2
1 120 23,5 24,9 12,7 20,3 4,9 10,1 8,0 13,8 13,5 13,3
2 Testigo 20,6 19,5 6,5 4,1 4,9 9,6 5,4 7,9 12,0 14,0
2 40 22,0 20,0 7,4 8,7 5,2 12,5 12,5 12,6 12,4 9,1
2 80 22,1 20,2 11,5 10,5 5,4 9,1 7,2 14,2 12,1 15,3
2 120 23,2 23,7 12,7 10,6 5,1 10,4 5,2 14,7 15,7 14,1
La Figura A-1 muestra el gráfico de datos de los sitios. La línea que se encuentra en el
medio de cada caja es la media. Las extremos de la caja hacia arriba y hacia abajo representan
la distancia entre los cuartiles más altos y los más bajos. Las extensiones que se muestran en
cada extremo de la caja representan las observaciones máximas y mínimas. Si existen datos
fuera de campo, éstos se sitúan fuera de las extensiones y se indican mediante el número de la
observación (una observación se considera un dato fuera de campo si esta cae más allá de 2.5
veces el cuartil o extremo de la caja.
El gráfico revela que el sitio D tenía un rango más amplio de respuestas y que el sitio E tenía
un rango más estrecho de respuestas que los demás sitios. En los sitios F e I, las distribuciones
parecen estar desplazadas hacia los valores más bajos, mientras que en los sitios C, H y J sus
valores están desviados hacia los valores más altos.
FIGURA A-1
Gráfico de los datos de diez sitios
Rendimiento (t/ha)
TABLA A-3
Medias de los tratamientos y errores estándar de la diferencia entre dos medias de los sitios
individuales
Tratamientos (kg N/ha)
Sitio 0 40 80 120 eed*
A 18,7 20,0 21,2 23,4 1,42
B 19,9 21,4 21,8 24,3 0,82
C 7,6 8,6 11,5 12,7 0,96
D 6,9 6,8 13,6 15,5 4,08
E 4,8 5,3 4,9 5,0 0,39
F 8,6 12,4 9,2 10,2 0,65
G 5,0 12,0 7,6 6,6 1,24
H 7,8 11,9 13,9 14,3 0,36
I 14,6 11,5 13,7 14,6 2,61
J 14,4 12,0 12,7 13,7 3,19
* eed - error estándar de la diferencia entre dos medias de tratamientos
Directrices para ensayos y demostraciones 59
FIGURA A-2
Gráfico de residuales del ANVA de un análisis combinado
Rendimiento
V
A 3
xx
L x
O 2 x
R x
E x x
1 x x
S x x
x x xx x xx x x x x
xx xx x x x x
xx xx x x x
R 0 x x x x x
E x x x x x x
x5.0
x x7.5xx 10.0 x12.5 x x 15.0 17.5 20.0x 22.5 25.0
S -1 x x x x x
I x x
x
D x
-2 x
U
A
-3 x xx
L
E
S -4
x
Valores ajustados
El gráfico muestra algunos residuales grandes, particularmente dos puntos con residuales
de más de + ó – 4. El análisis de los residuales reveló que estos resultados ocurrían en la
localidad 4, para el tratamiento 2. Estos deben ser investigados posteriormente para determinar
si son respuestas reales o si hubo un percance; esto para decidir si dejarlos en el análisis o no.
También hay evidencias de la interacción fertilizante x sitios, indicando que la respuesta al
fertilizante nitrogenado difería entre los sitios. La figura A-3 intenta mostrar la naturaleza de la
interacción.
60 Apéndice 4 - Análisis de un experimento de un solo factor
FIGURA A-3
Gráfico de dispersión de la media de los tratamientos en cada sitio
30
25
Rendimiento (t/ha)
20
15
10
5
0
0 40 80 120
N kg/ha
A B C D E
F G H I J
La figura muestra que la interacción de los sitios puede ser subdividida en dos subgrupos
principales, donde los sitios 1 y 2 tienen rendimientos más altos que los demás sitios.
Como análisis adicional, puede ser útil rehacer el análisis, omitiendo los resultados de la
localidad E, que fueron más bajos que cualquiera de los otros sitios (ver gráfico de la Figura
A-1)
FIGURA A-4
Gráfico de dispersión de la respuesta del rendimiento de maíz al fertilizante nitrogenado
(N) en el sitio H.
15
14
13
Rendimiento (t/ha)
12
11
10
9
8
7
6
0 50 100 150
Nivel de N (kg/ha)
Directrices para ensayos y demostraciones 61
La Tabla A-5 resume los resultados del análisis de regresión usando los modelos cuadráticos
y de raíz cuadrada. Los resultados muestran que el modelo cuadrático es superior al de la raíz
cuadrada. El gráfico de dispersión de los residuales (no incluido) indicó violaciones de las
hipótesis del análisis de regresión.
Tabla A-5
Resumen de los resultados de ajustes de los modelos de regresión
Criterio Raíz cuadrada Cuadrático
valor b0 7,771 (0,476) 7,82 (0,098)
valor b1 -0,0177 (0,0194) 0,124 (0,039)
valor b2 0,802 (0,211) -0,00059 (0,00003)
valor F 57,33 1 299,1
valor R2 (%) 97,4 99,9
Cuadrado medio del error 0,2275 0,0101
Los valores entre paréntesis son los errores estándar de los respectivos coeficientes de regresión.
Conclusiones generales
Los sitios A y B tuvieron rendimientos más altos que las demás localidades, siendo los
rendimientos del sitio E sustancialmente más bajos. La respuesta al fertilizante nitrogenado
varió entre los sitios. No hubo evidencia de una respuesta al fertilizante nitrogenado en los
sitios A, D, E , I y J. Hubo alguna evidencia de respuesta en los sitios B, C, F y G. Hubo una
evidencia muy fuerte de una respuesta cuadrática en el sitio H. La dosis óptima de aplicación
de fertilizante nitrogenado en ese sitio fue 92 kg /ha.
62 Apéndice 4 - Análisis de un experimento de un solo factor
Directrices para ensayos y demostraciones 63
Apéndice 5
Análisis de datos de un experimento
bifactorial
Datos
TABLA A-6
Datos originales – rendimientos de maíz (t/ha)
Rep Nivel Nivel Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio
de N de P 1 2 3 4 5 6 7 8 9 10
1 1 1 2,42 1,31 1,62 1,26 1,84 3,59 1,84 1,96 1,48 1,72
1 1 2 2,75 1,79 2,03 1,86 2,70 5,27 2,32 2,44 2,46 3,28
1 2 1 3,38 2,13 2,15 1,77 3,66 5,08 2,68 2,44 2,34 4,12
1 2 2 4,64 2,51 1,70 1,96 3,64 5,18 3,88 2,49 2,44 5,08
2 1 1 2,46 1,58 1,43 1,67 1,82 1,41 1,41 2,58 3,47 2,32
2 1 2 2,94 2,32 2,90 2,06 2,34 2,44 2,10 2,13 3,88 2,92
2 2 1 3,30 2,85 2,68 3,14 2,32 3,40 2,68 2,80 4,36 3,16
2 2 2 5,18 3,33 3,88 3,11 1,96 3,26 2,08 2,61 4,19 3,76
5,0
4,5
4,0
Rendimiento t/ha
3,5
3,0
2,5
2,0
1,5
1,0
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
El gráfico reveló que las distribuciones de los sitios estaban en su mayoría desviadas hacia
los valores más bajos, especialmente en los sitios 4, 5, 6 y 9. La dispersión de los datos en los
sitios 1, 6, 9 y 10 fue muy marcada, mientras que la del sitio 8 fue muy pobre. Parece haber un
dato fuera de campo en el sitio 7 (x 57), que necesita una investigación adicional.
64 Apéndice 5 - Análisis de datos de un experimento bifactorial
TABLA A-7
Resuman del ANVA de sitios individuales
Sitio Bloques N P NxP Error
1 0,060 4,396 1,950 0,679 0,036
(0,002) (0,005) (0,023)
2 0,684 1,824 0,541 0,016 0,029
(0,004) (0,023) (0,511)
3 1,437 0,738 0,865 0,160 0,492
(0,308) (0,277) (0,609)
4 1,225 1,225 0,165 0,086 0,160
(0,070) (0,384) (0,516)
5 1,445 1,037 0,125 0,387 0,310
(0,165) (0,570) (0,345)
6 9,267 2,216 0,891 0,945 0,123
(0,024) (0,074) (0,069)
7 0,750 1,665 0,392 0,041 0,329
(0,110) (0,355) (0,748)
8 0,078 0,189 0,002 0,004 0,078
(0,217) (0,898) (0,843)
9 6,444 0,520 0,218 0,266 0,039
(0,035) (0,098) (0,078)
10 0,520 4,322 1,730 0,045 0,352
(0,039) (0,113) (0,744)
Los valores son los cuadrados medios; los valores entre paréntesis son valores de probabilidad de la prueba F de las
cifras correspondientes.
TABLA A-8
Tabla de medias y errores estándar de la diferencia entre dos medias
Nivel de N Nivel Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio Sitio
(kg/ha) de P 1 2 3 4 5 6 7 8 9 10
(kg/ha)
0 0 2,44 1,45 1,53 1,47 1,83 2,50 1,63 2,27 2,48 2,02
40 2,85 2,06 2,46 1,96 2,52 3,86 2,21 2,29 3,17 3,10
60 0 3,34 2,49 2,42 2,45 2,99 4,24 2,68 2,62 3,35 3,64
40 4,91 2,92 2,79 2,54 2,80 4,22 2,98 2,55 3,32 4,42
eed N x P 0,190 0,171 0,702 0,400 0,556 0,350 0,573 0,279 0,196 0,593
Media N 0 2,64 1,75 2,00 1,71 2,17 3,18 1,92 2,28 2,82 2,56
60 4,13 2,71 2,60 2,50 2,89 4,23 2,83 2,59 3,33 4,03
eed N 0,134 0,121 0,496 0,283 0,393 0,248 0,405 0,198 0,139 0,420
Media P 0 2,89 1,97 1,97 1,96 2,41 3,37 2,15 2,45 2,91 2,83
40 3,88 2,49 2,63 2,25 2,66 4,04 2,59 2,42 3,24 3,76
eed P 0,134 0,121 0,496 0,283 0,393 0,248 0,405 0,198 0,139 0,420
La Figura A-6 muestra los valores residuales de los análisis del sitio 9. El gráfico no muestra
violaciones serias de las hipótesis de ANVA. Por tanto, se puede concluir que existe alguna
evidencia del efecto del nitrógeno, pero no hay evidencia al nivel de interacción del 5 porciento
o un efecto del fósforo
Directrices para ensayos y demostraciones 65
FIGURA A-6
Gráfico de residuales para el análisis de datos del sitio 9
0,20
V x
A
L 0,15
O x
R 0,10 x
E
S 0,05
x
R 0,00
E 1,5 2,0 2,5 3,0 3,5 4,0 x
S
-0,05
I
D
U -0,10 x
x
A
L -0,15
E
S x
-0,20
Valores ajustados
La Figura A-7 presenta el gráfico de residuales de este análisis. No parece haber una violación
seria de la hipótesis de homogeneidad de varianzas, ni evidencia de una interacción entre
tratamientos x sitios.
66 Apéndice 5 - Análisis de datos de un experimento bifactorial
FIGURA A-7
Gráfico de residuales del ANVA de un análisis combinado
X
0,6 X
X
X
V
X X X
A 0,4
L X
X X X
O
XX X X X
R 0,2
X X XX X X
E X X
S XX X
X XX X
X
X XX
R 0,0 X X X X XX X
X
E 1,0 1,5 2,0 X 2,5 X 3,0 X 3,5 4,0 4,5 5,0 5,5
X X X
S X X X X
I X X
-0,2 X X X X X
X X
D X X X X
U X X X
A X
L -0,4 XX X
E
S X
X
-0,6 X
X
Valores ajustados
Conclusión general
De este análisis se puede concluir que existe una fuerte evidencia del efecto del N y del P, pero
ninguna evidencia entre las interacciones. La adición de 60 kg/ha de fertilizante nitrogenado
dió como resultado un incremento en el promedio del rendimiento en todos los sitios de 0,88 t/
ha, mientras que el incremento correspondiente a la adición de 40 kg/ha de P2O5 fue de 0.50 t/
ha.
Transformaciones
Como se indicó en el Capítulo 4 es importante verificar si las hipótesis de los análisis han sido
violadas. Por ejemplo, un análisis de los gráficos de residuales de los datos obtenidos a partir
de los sitios individuales reveló que las hipótesis del análisis no se sostuvieron en el sitio 1.
La dispersión de los residuales se parece a un megáfono con una abertura en su lado derecho,
indicando así una violación de la hipótesis de homogeneidad de varianzas. Por tanto, los datos
fueron transformados usando la función del logaritmo natural y se realizó el ANVA de los datos
transformados. La Tabla A-10 resume los resultados del análisis.
El gráfico de residuales de este análisis (que no se muestra) indicó que hubo violaciones
serias de las hipótesis de ANVA. Por tanto, se puede concluir que existe una fuerte evidencia de
la interacción de N x P. En vista de esta interacción, los efectos principales no serán discutidos.
La Tabla A-11 muestra que el efecto del fertilizante nitrogenado (N) fue mayor cuando se
aplicó P2O5. El incremento del rendimiento en ausencia de P2O5 fue 0.91 t/ha (de 2,44 a 3,35 t/
ha), comparado con 2,04 t/ha cuando se aplicaron 40 kg/ha de P2O5 (de 2,86 a 4,90 t/ha).
Directrices para ensayos y demostraciones 67
FIGURA A-8
Gráfico de residuales del ANVA para el análisis de datos del sitio 1
0,20
x
V 0,15
A x
L
O 0,10
R
E x
S 0,05
R x
E 0,00
2,5 x 3,0 3,5 4,0 4,5 5,0
S
I
D -0,05
U x
A
L -0,10
E
S x
-0,15
x
-0,20
Valores ajustados
TABLA A-10
Resultados del ANVA de datos transformados del sitio 1
Fuente Gl SC CM F P
Bloques 1 0,0036 0,0036
Tratamientos 3 0,5394
N 1 0,3687 0,3687 215,7 <0,001
P 1 0,1441 0,1441 84,3 0,003
NxP 1 0,0266 0,0266 15,58 0,029
Tratamientos x bloques 3 0,0051 0,0017
TOTAL 7 0,5482
TABLA A-11
Efecto del fertilizante nitrogenado (N) y fosforado (P2O5) sobre los rendimientos de maíz en el
sitio 1
Nivel de N Nivel de P2O5 (kg/ha)
(kg/ha) 0 40 Media
2
0 0,89 (2,44) 1,05 (2,86) 0,97 (2,64)
60 1,21 (3,35) 1,59 (4,90) 1,40 (4,06)
Media 1,05 (2,86) 1,32 (3,74) 1,18 (3,25)
eed1 (Efecto de N) = 0,029, eed (Efecto de P) = 0,029, eed. (N x P) = 0,041
1. eed = error estándar de la diferencia entre dos medias de tratamientos (de los datos transformados)
2. Valores entre paréntesis son medias retransformadas calculadas mediante el cómputo del exponencial del valor
de la media transformado, o sea 2,44 = exp(0,89).
68 Apéndice 5 - Análisis de datos de un experimento bifactorial
Directrices para ensayos y demostraciones 69
Apéndice 6
Ensayo de enmienda de suelo
Datos
Fincas Bloques Tratamientos Rendimiento
1 1 1 5,4
1 1 2 7,3
1 1 3 3,8
1 2 1 7,1
1 2 2 9,1
1 2 3 4,6
2 3 1 6,4
2 3 2 6,1
2 3 3 5,1
2 4 1 2,8
2 4 2 4,0
2 4 3 4,5
2 5 1 4,4
2 5 2 3,5
2 5 3 4,8
3 6 1 1,2
3 6 2 1,0
3 6 3 1,1
3 7 1 0,9
3 7 2 0,8
3 7 3 0,8
4 8 1 10,1
4 8 2 10,5
4 8 3 4,9
4 9 1 9,3
4 9 2 11,0
4 9 3 4,5
5 10 1 8,3
5 10 2 8,7
5 10 3 9,1
5 11 1 4,4
5 11 2 4,8
5 11 3 5,1
Apéndice 7
Ensayo de labranza
Datos
Finca Bloques (Finca 1)/ 1(Finca 1)/ Tratamiento Rendimiento
Filas (Finca 2) Columnas (Finca 2)
1 1 1 1 25,8
1 1 1 2 31,3
1 1 1 3 20,8
1 1 1 4 30,1
1 1 1 5 17,9
1 2 1 1 29,6
1 2 1 2 27,2
1 2 1 3 28,4
1 2 1 4 25,2
1 2 1 5 27,4
1 3 1 1 30,1
1 3 1 2 28,4
1 3 1 3 19,7
1 3 1 4 22,8
1 3 1 5 26,3
2 4 2 1 42,3
2 4 3 2 41,4
2 4 4 3 37,2
2 4 5 4 30,8
2 4 6 5 33,4
2 5 2 2 30,5
2 5 3 1 27,8
2 5 4 4 20,7
2 5 5 5 26,2
2 5 6 3 21,6
2 6 2 3 35,4
2 6 3 5 30,1
2 6 4 2 33,8
2 6 5 1 26,2
2 6 6 4 18,2
La columna 1 está codificada con el 1 o el 2 para la fincas. La columna 2 está etiquetada con
filas para los bloques (Finca 1) y las filas (Finca 2). Esta se etiquetó del 1-3 para los tres
bloques en la Finca 1 y 4-6 para las filas dela Finca 2. La columna 3 es para las columnas en el
diseño. Esta fue codificada con el 1 para todas las de la finca 1; y del 2-6 para las cinco
columnas de la Finca 2. La columna 4 es para los códigos de los tratamientos (1-5)
72 Apéndice 7 - Ensayo de labranza
Directrices para ensayos y demostraciones 73
Apéndice 8
Ejemplo de análisis de regresión múltiple
Datos
Los datos para el análisis fueron extraídos de un ensayo de fertilizantes para determinar el
efecto del fertilizante Nitrogenado (N) y Fosforado (P)sobre los rendimientos de arroz.
FIGURA A-9
Gráfico de dispersión del rendimiento vs dosis de nitrógeno (N)
7,0
x
6,5 x
Rendimiento (t/ha)
x
6,0 x
x
5,5 x
x
x
5,0
4,5 x
FIGURA A-10
Gráfico de dispersión del rendimiento vs dosis de P
7,0 x
Rendimiento (t/ha)
6,5 x
x
6,0 x x
5,5 x
x
x
5,0
4,5 x
0 10 20 30 40 50 60 70 80
Nivel P (kg/ha
xxxx Rendimiento vs. P
TABLA A-12
Resumen de los resultados del análisis de regresión
Variable (s) independente (s) F (valor de prob.) R2 Cuadrado medio del error
N 54,6 (<0,001) 86,9 0,067
P 0,01 (0,942) 0,07 0,585
NP 5,17 (0,057) 34,4 0,337
N, P 23,36 (0,001) 84,8 0,078
N, NP 23,17 (0,002) 84,7 0,078
P, NP 19,79 (0,002) 82,4 0,090
N, P, NP 14,35 (0,007) 83,3 0,085
TABLA A-13
Resumen de los coeficientes de regresión
Modelo Intercepto (a) Coeficiente de regresión (b) Coeficiente de regresión (c)
Y = a + bN 4,70 (0,173)* 0,007 (0,0010)
Y = a + bN + cP 4,73 (0,246) 0,0073 (0,0011) -0,0008 (0,0040)
Y = a + bN + cNP 4,7 (0,187) 0,0073 (0,0015) 0 (0)
Directrices para ensayos y demostraciones 75
La Figura A-11 presenta el gráfico de residuales del mejor modelo de ajuste del rendimiento
vs dosis de nitrógeno (N). El gráfico no muestra violaciones serias de las hipótesis de regresión.
FIGURA A-11
Gráfico de residuales de regresión del rendimiento vs N
Rendimientos
x
1,5
1,0
R
E x x
S 0,5
I x
x
D
U 0,0 x
A
L
E -0,5
S
-1,0 x
x
-1,5 x
4,75 5,00 5,25 5,50 5,75 6,00 6,25 6,50 6,75 7,00
Valores adjustados
Conclusión
Existe una fuerte evidencia de la relación linear entre el rendimiento y la dosis de Nitrógeno.
76 Apéndice 8 - Ejemplo de análisis de regresión múltiple
DOCUMENTOS DIVERSOS DE AGL
* Agotados
E – Español
F – Francés
I – Inglés