Cómo investigar en tu granja

Tenga cuidado al seleccionar las áreas del campo donde colocará los bloques o tiras de sus tratamientos de prueba (cosas que está tratando de comparar). En la medida de lo posible, evite áreas del campo con drenaje, topografía/tipo de suelo e historiales de cultivo recientes obviamente diferentes.

Intente seleccionar áreas similares en potencial de rendimiento y cualquier otro efecto que esté intentando probar con sus tratamientos, por ejemplo, plagas de cultivos. En el mapa de rendimiento de la soja que se muestra en la Figura 1, observe el rendimiento variable debido a las condiciones del suelo. Si los tratamientos se colocaron en este campo como lo indican los cuadros rojos, es probable que las diferencias de rendimiento debido a las condiciones del campo abrumen cualquier comparación de tratamientos.

Además, los campos individuales pueden variar mucho en sus historiales de cultivo y manejo. Es arriesgado comparar dos campos (por ejemplo, uno tratado con insecticida y otro sin tratar) y sacar una conclusión precisa sobre la eficacia del tratamiento.

Excepto por lo que intentas comparar, mantén igual la mayor cantidad de cosas posible. Utilice el mismo lote de semillas, fecha de siembra, equipo y aditivos no probados para todos los tratamientos.

Cuando variables distintas a la que estás probando influyen en las comparaciones, se dice que los datos están confusos. Es difícil, si no imposible, determinar los efectos reales del tratamiento en su ensayo si hubo factores de confusión que afectaron los resultados.

Ejemplos: situaciones que pueden confundir los resultados

Por ejemplo, si está utilizando un rociador terrestre como parte de su experimento, hágalo con las barras apagadas en las áreas de tratamiento no tratadas. Esto mantendrá las cosas justas en caso de que coseche áreas de huellas de ruedas en las áreas rociadas.

Comparar un tratamiento que contiene fertilizante nitrogenado con uno que no lo contiene puede confundir los resultados si el fertilizante afecta el crecimiento del cultivo. Las diferencias de rendimiento al comparar semillas tratadas y no tratadas de diferentes lotes de semillas pueden deberse al tratamiento de la semilla o a la semilla misma.

Ya sea que esté midiendo el peso de un grupo de personas o el rendimiento de un cultivo en un campo, pocas medidas, si es que hay alguna, son exactamente iguales. El ejemplo de mapa de rendimiento anterior muestra que si toma múltiples mediciones de rendimiento, es probable que termine con múltiples estimaciones de rendimiento para el campo.

Cuantas más mediciones o muestras tome, más probabilidades tendrá de estimar con precisión el rendimiento real del campo. Si toma suficientes muestras, sabrá el rendimiento promedio (o medio) del campo y qué tan variable es el rendimiento dentro del campo.

Diagramando la distribución

Podrías tomar el rendimiento del campo y diagramarlo de manera similar al gráfico de distribución normal (la curva en forma de campana que se muestra en la Figura 2). Tendría aproximadamente el mismo número de rendimientos muestreados que están por encima de la media que de rendimientos muestrales que están por debajo.

Cuando se comparan resultados experimentales de dos o más tratamientos, se comparan las medias de los tratamientos. La variabilidad de esas dos medias determina qué tan fácil es hacer esas comparaciones y detectar diferencias.

Cuando los datos no siguen esta relación normal y simétrica, el análisis correcto es más difícil. Afortunadamente, los rendimientos suelen tener una distribución normal.

Cuando configuras un experimento en un campo, solo obtienes estimaciones de rendimiento de una parte del campo.

Si se compara una sola tira con fungicida con una tira sin fungicida, se tienen dos muestras de rendimiento, pero no hay una estimación de cuán variables son las mediciones dentro del campo y dentro del tratamiento. En términos estadísticos, tienes un único replicación de cada tratamiento.

¿Qué sucede si no toma suficientes muestras?

Dependiendo de cómo y dónde tomó las muestras, podrían ser representativas de los resultados o podrían estar en una de las colas de la curva (como se muestra en la Figura 3).

Por ejemplo, en la Figura 3, ¿la diferencia entre los tratamientos es 40 o 10 bushels? Dependiendo de las muestras que tome, las diferencias de tratamiento de un ensayo parecerán mayores de lo que realmente son o encontrará diferencias que no son reales.

Por otro lado, sus muestras individuales pueden representar un área donde las colas de los dos tratamientos se superponen, lo que indica que los rendimientos son los mismos (Figura 4). ¿Cómo sabrías?

Replicando tratamientos

Tomar más muestras dentro de un área de tratamiento le dará una estimación de la variabilidad dentro de ese tratamiento. Sin embargo, simplemente tomar más muestras dentro de un tratamiento no mejorará su capacidad para medir la variabilidad en el campo.

Repetir tratamientos replicando parcelas o franjas le permite evaluar la variabilidad y estimar la media en todo el campo. Más replicaciones mejorarán su capacidad para estimar con precisión las medias, la variabilidad y las diferencias entre tratamientos.

Trate de replicar cada tratamiento al menos tres veces. Las limitaciones de espacio limitarán el número de réplicas de tratamientos posibles con equipos a escala agrícola.

Debido a la variabilidad dentro del campo y a los inconvenientes supuestos del análisis estadístico sobre aleatoriedad e igualdad de probabilidades, es necesario prestar cierta atención a cómo se colocan las réplicas del tratamiento en el campo.

Obviamente, colocar todas las réplicas de un tratamiento en un extremo del campo y todas las réplicas del otro tratamiento en el otro extremo podría llevar a conclusiones erróneas. Incluso podría significar que tiene varias muestras para una única replicación de cada tratamiento.

Evite alternar regularmente las tramas cuando sea posible. Esto se debe a que el tipo de suelo y otras variaciones dentro del campo no se colocan de manera regular o uniforme. La alternancia regular puede ser inevitable con sólo un par de tratamientos en un campo (Figura 5). Puede aleatorizar donde colocas parcelas o tiras con función de calculadora o incluso lanzamiento de moneda.

Varias muestras dentro de una parcela o franja se conocen como submuestras; no son réplicas. Las submuestras pueden mejorar las estimaciones de precisión de un gráfico, pero no entre gráficos.

Evite analizar estas submuestras como medias o réplicas de parcelas individuales. Esto se conoce como pseudo replicación.

Si la distribución de los datos tiene colas estrechas, la mayoría de las muestras que tome estarán cercanas a la media verdadera. Si los datos son más variables debido a respuestas inconsistentes a su tratamiento o a variables incontrolables como el tipo de suelo, las colas de la curva se alejarán más de la media verdadera.

Si realiza un experimento de campo comparando, por ejemplo, el rendimiento de maíz de múltiples tratamientos, solo obtendrá el rendimiento de las repeticiones. Este es sólo un subconjunto de datos que representan el posible rendimiento en el campo (u otros campos) para cada tratamiento; no se conoce la verdadera media de cada tratamiento. En otras palabras, estás comparando medias muestrales para estimar las medias verdaderas.

Es más fácil estimar con precisión las verdaderas medias de tratamiento para datos que son menos variables. Es menos probable que obtenga una media de tratamiento similar cuando toma muestras adicionales para un experimento que tiene datos muy variables.

Los datos muy variables carecen de precisión y pueden dar lugar a estimaciones medias muy diferentes y menos precisas si se vuelve a muestrear o se repite el experimento. Tomar más muestras (réplicas) es una forma de mejorar la precisión.

Es fácil estimar las medias de los tratamientos para su experimento: simplemente promedie las muestras replicadas para cada tratamiento. Puede estimar la variabilidad calculando la desviación estándar de la media.

Los cálculos del error estándar de la media (SEM) incluyen el número de muestras replicadas en su media:

SEM = Desviación estándar ÷ (√número de muestras - 1)

Una forma sencilla de comparar dos tratamientos es comparar las dos medias como media más o menos error estándar. Si las medias difieren en más de 1 error estándar, las medias verdaderas probablemente sean diferentes. Si difieren en 2 SEM, es aún más probable que sean diferentes.

Puede calcular intervalos de confianza para describir qué tan seguro puede estar en la precisión de:

• Tu estimación media.

• Comparaciones entre medias.

Un intervalo de confianza (IC) del 90 por ciento significa que hay un 90 por ciento de probabilidad de que la media verdadera se encuentre dentro de su rango de valores estimados. Cuando piense en IC, recuerde la curva de distribución normal. El IC del 90 por ciento significa que el 45 por ciento de los posibles resultados de la muestra serían superiores al promedio y el 45 por ciento inferiores.

También significa que hay un 10 por ciento de posibilidades de que sus resultados estén fuera de esos límites (5 por ciento por encima y 5 por ciento por debajo). Esta probabilidad del 10 por ciento suele denominarse alfa o α. Los valores de diferencia mínima significativa (LSD) de 10 o 10 por ciento son similares.

Intervalo de confianza estándar

Se pueden calcular otros valores alfa y probabilidades de CI; en algunas evaluaciones de pruebas de variedades se utiliza el 80 por ciento. La investigación académica suele utilizar el 95 por ciento como estándar, aunque a veces el requisito es el 99 por ciento o incluso el 99.9999 por ciento, cuando la NASA quiere aterrizar un vehículo explorador en Marte.

Errores de varios intervalos de confianza.

Como se ejemplifica en la Figura 6, seleccionar 80 o 95 por ciento indicaría que las medias que se comparan son diferentes. Seleccionar el muy estricto 99 por ciento indicaría que no lo son.

A menos que muestreemos todas las combinaciones de tratamientos en todos los campos, no sabemos cuál es la verdadera media. Es su decisión qué tipo de error está más dispuesto a correr: decir que las medias son diferentes cuando no lo son (error tipo I) o decir que las medias son iguales cuando son diferentes (error tipo II).

Cómo seleccionar un intervalo de confianza

Elegir un IC bajo, como 80 por ciento, significa que es más probable que encuentre medios diferentes, pero que tenga menos confianza en que en realidad sean diferentes. Elegir un IC alto, como 90 por ciento, aumenta la probabilidad de que esté tomando la decisión correcta sobre si las dos medias son diferentes, pero también aumenta la posibilidad de pasar por alto diferencias reales en el tratamiento.

Situaciones con intervalos de confianza más bajos

Si elige entre tratamientos que tienen pocas desventajas, podría utilizar un intervalo de confianza más bajo para su prueba. Por ejemplo:

• Si un insecticida proporciona un beneficio en el rendimiento de su campo.

• ¿Qué híbrido produjo más?

Situaciones con intervalos de confianza más altos

Si existe un riesgo económico, de seguridad o de salud significativo, utilice un intervalo de confianza más alto. Lo siguiente se beneficiaría al interpretar las comparaciones con un mayor grado de confianza (por ejemplo, 95 por ciento o más) y realizar pruebas en más condiciones ambientales:

• Recomendaciones de pesticidas a nivel estatal.

• Comparación de la estabilidad de formulaciones explosivas.

• Pruebas de seguridad farmacéutica.