Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
ESTADISTICA EN LA INVESTIGACION DEL USO DE FERTILIZANTES Instituto de la Potasa y el Fósforo Potash and Phosphate Institute Potash and Phosphate Institnte of Canada 1999 ESTADISTICA EN LA INVESTIGACION DEL USO DE FERTILIZANTES Larry Nelson Profesor de Estadística (Retirado) North Carolina State University Raleigh, NC, USA Instituto de la Potasa y el Fósforo Potash and Phosphate Institute Potash and Phosphate Institute of Canada 1999 Estadística en la investigación del uso de fertilizantes ESTADISTICA EN LA INVESTIGACION DEL USO DE FERTILIZANTES PREFACIO El Dr. Larry Nelson, Profesor Emérito de Estadística de la Universidad Estatal de Carolina del Norte, Raleigh, Estados Unidos, fue invitad o a la India a presentar conferencias sobre Estadística en la Investigación del Uso de Fertilizantes. Se organizaron tres talleres, de dos días de duración, que fueron conducidos en La Universidad Agrícola de Punjab, Ludhiana, en La Universidad Agrícola de Nadu, Coimbatore y en la Universidad Tecnológica de Orissa, Bhubaneswar. Adicionalmente, dictó seminarios sobre temas selectos en la División de Agronomía, División de Ciencias de Suelo y Química Agricola del Instituto de Investigación Agricola de la India, Nueva Delhi, en el Instituto de Investigación de Estadística Agrícolas de la India, Nueva Delhi y en la Universidad de Horticultura y Ciencias Forestales Dr. Y . S. Parmar en Solan. A pesar de que se encuentran disponibles libros y publicaciones relacionados con el tema, el propósito de estos talleres y conferencias fue el compartir con los científicos Hindúes conceptos actuales en las áreas de diseño experimental e interpretación estadística de los datos de investigación de campo en el uso de fertilizantes. El Dr. Larry Ne1son escr ibió estas conferencias para ser usadas como material de referencia. El Instituto de la Pota sa y el Fósforo, Programa Canadá - India, los ha recop ilado en una publicación en inglés, que luego fue traducida al español para uso en los programas de Am érica Latina . Se espera que esta publicación sea útil para investigadores, profesores, estudiantes y toda persona interesada en la utilización de herramientas estadí sticas en la investigación sobre el uso de fertilizantes. G. Dev Director, Programa de Canadá - India Sam Portch Vicep residente, Programa China - India José Espinosa Director, Programa del Norte de América Latina Instituto de Potasa y el Fósforo Potash and Phosphate Institute Potash and Phosphate Institute of Canada INPOFOS Estadística en la investigación del uso de fertilizantes Contenido Capítulo Evaluación de patrones geográficos de fertilidad de suelo usando técnicas de muestreo ----------"------------- _ Pág. 2 Calibración del análisis de suelos: El puente entre ellabora- torio y el campo----------------------------------------- ----------- 6 3 Como evitar los errores más comunes en el diseño de ex- perimentos de respuesta a la aplicación de fertilizantes en el campo -------------------------------------------------------------------- 13 4 Determinación de las dosis óptimas, estadísticas y económicas, en base a los datos experimentales: Diseño de los tratamientos, modelos, análisis e interpretación --------------------------------------- 18 5 Arte y ciencia del análisis e interpretación de los datos de los experimentos con ferti1izantes------------------------------------------- 28 6 Diseño y análisis de una serie de experimentos en diferentes lugares y años (análisis combinadoj------------------------------------- 37 7 Aspectos estadísticos de experimentos en finca ----------------------- 45 8 Las treinta preguntas más consultadas a estadísticos---------------- 52 9 Respuestas a las treinta preguntas más consultadas a estadísti- cos --------------------------------------------------------------------------- 54 10 Ejercicios sobre conceptos estadísticos, interpretación de datos y cálculos ------------------------------------------------------------ 59 11 Respuestas a los ejercicios sobre conceptos estadísticos, inter- pretación de datos y cá1culos--------------------------------------------- 64 INPOFOS Estadística en la investigación del uso de fertilizantes Capítulo - 1 Evalu ación d e p atrones ge ográficos d e fertilidad d e suelo usando técnicas de muestreo La evaluación de la fert ilidad del suelo requiere un enfoque uni ficado que impli ca una serie de pasos . Los res ultados pueden ser exitosos solamente si la evaluación es considerada como un proceso . Los resultados de los análisis de suelos de una finca tienen que conectars e con una amplia población de fincas en un área determi nada. Lo ideal sería examinar cada fmca dentro 'de la pob lación del área, pero esto no es posible por ser muy costoso y porque toma demasiado tiempo, especialmente con la gran cantidad de fincas pequeñ as existentes en muchos paises en vías de desarroll o. Es nece sario gen erali zar los resultados en toda el área. Aun cuando en este capítulo no se enfatizan los estudios controlados de respuesta a fertili zantes en estaciones experimentales o en fincas selectas, éste es un paso importante. Experimentos y diseños experimentales apropiados, así como el ajuste de modelos son necesarios para obtener estimaciones no sesgadas de los parámetros de respuesta . El uso de modelos discontinuos para este propósito debe mencionarse en este punto. De igua l manera es necesario el uso apropiado de procedimientos como el método de Cate - Nelson (1965) para calibrar los resultados de análisis de suelos con respuestas del cultivo en el campo. El énfasis en este capítulo será muestreo, un área de la estadística que tiene mucha similitud con el diseño experimental. La terminología es algo diferente , pero muchos de los conceptos son similares. Por ejemplo , en muc hos casos necesitamos estratificar la población para tomar una muestra, lo cual es equivalente al uso de bloques en diseño experimental. En China y en India, así como en otros países en vías de desarrollo, existen muchas fincas pequ eñas y los agricultores tienen recursos limitados. En este caso no es posible muestrear cada finca . Es nece sario evaluar un área completa para saber el estado de fertilid ad del suelo, en lugar de intentar muestrear cada finca indi vidual. Un área (por ejemplo un valle) puede ser evaluada usando técnicas particulares de muestreo que perm itan estimar el nivel medio de cada nutriente y la dispersión (varianza) de toda el área . Las recomendaciones para una finca que no está entre las muestreadas se basan en la media para el área, así como en cualquier información sobre manej o pasado y diferencias de suelo particulares de la finca. Como en cualquier trabajo cient ífico, existen procedimientos prescritos para conducir un estudio de muestreo. Solamente si éste se condu ce de acuerdo con estos proc edim ientos, la muestra será válid a. Un aspecto importante de estos INPOFOS Estadística en la investigación del uso de fertilizantes procedimientos preestablecidos es el muestreo al azar, o sea que la finca a muestrearse debe ser escogida en forma aleatoria. La selección al azar es un procedimiento muy objetivo, no una selección fortuita. La selección al azar asegura que no existe muestreo sesgado ya que todas las fincas tienen igual oportunidad de ser escogidas. Esto es necesario para el adecuado funcionamiento de los principios matemáticos en los cuales se basan estas estimaciones. Sin una selección al azar no existe confianza en las estimaciones obtenidas y en las probabilidades asociadas con estas estimaciones. No es posible mirar una muestra o al número derivado de ésta y determinar esta muestra es una buena o no. Solo si se está seguro de que la muestra fue tomada de manera correcta se puede estar seguro de que la muestra es buena. Se enfatiza en este capítulo la selección de fincas para muestreo y análisis en lugar del muestreo centralizado dentro de una finca. Esta fase de muestreo dentro de una finca es conocida y todos conocen el proceso de tomaruna muestra de suelo compuesta dentro de una finca. Tampoco se está hablando de utilizar los resultados de análisis de suelos acumulados en un laboratorio para determinar el estado de fertilidad en una región. Esto es información útil y debe ser usada para monitorizar los cambios en fertilidad en el tiempo y para caracterizar las áreas. El muestreo que se discute en este caso sirve para ingresar en áreas nuevas que no han sido muestreadas y analizadas extensivamente, caracterizar de este modo para su fertilidad. Resumen de la teoría estadística en la cual se basa el muestreo Se toma al azar una muestra de tamaño n de una población de tamaño N y se estima la media (11) y la varianza (J') de la población. Estos dos parámetros describen bien una distribución, especialmente una distribución normal. La selección al azar asegura que cada unidad de la población tenga igual oportunidad de ser incluida en la muestra. Esto permite que no ocurra una selección sesgada. Las estimaciones de la media (x) y de la varianza de la muestra (S2) tienen sus propias distribuciones. A menudo, se asume que la distribución normal es la distribución apropiada. Se puede usar esta distribución para estimar las probabilidades de un valor más grande de z, la desviación normal, (o la distribución de t para estimar probabilidades de un valor más grande de t), o para obtener valores de z ó t tabulados para un tamaño de muestra dado. EXIsten diferentes tipos de muestreos al azar. El menos complicado es el muestreo simple donde no hay restricciones en la randomización. Por ejemplo, si parte del campo es inclinada y otra plana, estas dos partes deben muestrearse, analizarse e mterpretarse por separado. Se pueden imponer restricciones en la randomización cuando se desea eliminar la variabilidad de un estrato a otro en el muestreo INPOFOS 2 3 Estadística en la investigación del uso de fertilizantes estratificado al azar. En este caso, la restricción es que existe una randomización separada dentro de cada estrato. En el muestreo al azar simple, el promedio de la muestra es siempre un estimador sin sesgo del promedio de la población. Se considera que el mejor estimador es el estimador sin sesgo de la muestra con la varianza más pequeña. Resulta ser que tanto la media como la varianza de la muestra son buenos estimadores . Una de las facetas de mayor preocupación es eltamaño de la muestra. Se conoce que si se toma la muestra apropiadamente, una fracción de muestreo nIN de valor bajo no es de mucha ayuda para determinar la precisión de la estimación, que depende del valor absoluto del tamaño de la muestra (n). Esto significa que al estimar el tamaño óptimo de las muestras se debe pensar en el valor absoluto del tamaño de las muestras, antes que en un porcentaje del tamaño de la población (N). En las fórmulas para el tamaño de muestras se usa n en vez de nIN. Respecto a la precisión y al tamaño de la muestra, se conoce que la precisión del promedio de la muestra ( x ) aumenta a medida que aumenta el tamaño de la muestra. El promedio de la muestra ( x ) se acerca a la distribución normal a medi- da que aumenta el tamaño de la muestra, sin tomar en cuenta la forma de la población que se está muestreando. Esto se basa en el Teorema del Límite Central. Un muestreo de 30 individuos es lo suficientemente grande para asegurar una adecuada aproximación a la distribución normal (sin embargo, pueden ser necesarias más de 30 muestras para lograr la precisión deseada). Para que esta relación se mantenga se asume que la varianza es finita y la muestra fue tomada al azar dentro de la población. T ipos de mue streo aplicables a la fertilidad de suelo Existen algunos tipos de muestreo que podrían ser apropiados para caracterizar un área. La mayoria incluye selección al azar. Tres de éstas son: • Muestreo por lista • Muestreo por cuadrícula • Muestreo por área Mu estreo por lista: Puede llevarse a cabo cuando está disponible toda, o casi toda, la lista de fincas dentro de un área. Este es un buen procedimiento que trabaja bien en fincas de tamaño limitado que tienen un arreglo compacto. Generalmente, las listas pueden obtenerse de varias agencias gubernamentales. Se selecciona al azar una muestra de tamaño n de la lista total, usando números de tablas al azar o generados por computador. En áreas donde el suelo varía por estrato dentro de la población, por ejemplo un valle, el muestreo se lleva a cabo al azar dentro de cada INPor os Estadística en la investigación del uso de fertilizantes estrato. La ventaja de la estratificación es el incremento en precisión (baja varianza de la muestra). Los principales tipos de suelos o las diferencias de manejo Justifican la estratificación. Muestreo por cuadrícula: Es un procedimiento más sistemático. Se sobrepone una cuadrícula en un mapa y la finca más cercana a un punto de intersección es seleccionada como parte de la muestra. Este procedimiento tiene la ventaja de ser simple, pero las fincas cercanas a los puntos de intersección pueden ser dificiles de localizar en el terreno. Además, en sitios donde las propiedades no están dispersas uniformemente, las fincas en la parte menos densa tienen mayor probabilidad de ser seleccionadas. Este no es un procedimiento completamente al azar y las estimaciones de la varianza pueden ser sesgadas. Muest reo por área : Es usado cuando se desea, por convemencia, no moverse ampliamente dentro del área a ser examinada (localizar fincas que están muy dispersas puede tomar mucho tiempo). La población entera, por ejemplo un valle, se divide en áreas de un número aproximadamente igual de fincas. A continuación, algunas de estas áreas son seleccionadas al azar. Dentro de cada una de estas áreas se puede muestrear todas las fincas para evaluaciones individuales en las muestras de suelo. Esto es ventajoso operacionalmente porque se encuentran fácilmente todas las fincas dentro del área, ya que son contiguas. Existe randomización ya que las áreas originales son escogidas al azar. Prep aración d e mapas d e fertilid ad Al momento, con el desarrollo tecnológico de las computadoras, es posible preparar mapas con los resultados de análisis de laboratorio indicando la distribución geográfica de la fertilidad del suelo. Esto se conoce como Sistema de Información Geográfico (SIG). Se pueden obtener medias de contenidos de varios nutrientes en diferentes subdivisiones del área geográfica para luego localizarlos en el mapa producido por SIG. El autor estuvo involucrado en una operación de esta naturaleza en El Salvador, donde se desarrollaron mapas de fertilidad indicando el estado nutricional de los suelos para la producción de café de las regiones cafetaleras del país. Es necesario decidirse por una clasificación de fertilidad (por ejemplo alto, medio y bajo) y entonces asociar cada clase con un color en el mapa. Este mapa nos permite identificar áreas que necesitan mejorar la fertilidad o que necesitan enmiendas. Se puede elaborar una serie de mapas para todos los nutrientes de interés y observarlos simultáneamente. Otro mapa que debe elaborarse es el del número de observaciones utilizados para calcular las medias. Esto ayuda a evitar que se concluya apresuradamente sobre los patrones de fertilidad de suelos de subáreas donde se hicieron pocas observaciones. lNPO FOS 4 Estadística en la investigación del uso de fertilizantes Referencias Cate, R. B. and L. A. Nelson. 1965. A rapid method for correlation of soi l test analyses with plant re spon se data . North Carolina Agric. Exp . Sta . lntemational Soil Testing Series, Tech. Bul. N° l . Cochran, W. G. 1977. Sampling techni ques. Wiley, New York . Stuart, A. 1976. Basic Ideas of scientific samp ling . Griffin' s Statistical Monographs and Courses N° 4. Charles Griffin and Company, Ltd., High Wycome, Eng1and . Thompson, S. K. 1992. Sarnpling, Wiley, New York. United States Department of Agriculture, Agr iculture Handbook N°. 323. 1962. Elemen tary forest sampling. U. S. D. A., Forest Service. Yates , F. 1960.Sampling methods for censuses and surveys. Hafner. New. York. 5 INPOFOS 6 Estadística en la investigación del uso de fertilizantes Capítulo - 2 Calibración del análisis de snelos: El puente entre el laboratorio y el campo Generalmente, el eslabón más débil en la cadena que determina la utilidad de los análisis de suelo es el trabajo de campo y no el de laboratorio. Cuando están a cargo del laboratorio profesionales químicos, que tienen muy poco conocimíento de la variabilidad de los suelos en el campo, se aseguran buenos resultados analíticos de laboratorio 'que, sin embargo, tienen muy poca conexión con la realidad del campo. Además, en muchos casos estos profesionales muestran poco interés por conocer como fueron tomadas las muestras en el campo. El hecho claro es que se hace necesario conducir estudios para calibrar los análisis de suelo con las respuestas de campo a la aplicación de fertilizantes, diseñando estudios específicos con este propósito. Es deseable conducir estudios de calibración con dos o más nutrientes simultáneamente, porque es conocido que existe interacción entre nutrientes. Se pueden usar experimentos factoriales como base para la calibración de más de un nutriente, sin embargo, la evaluación estadística de experimentos más de un nutriente simultáneamente es dificil. Existe muy poco trabajo en esta área. La calibración de un solo nutriente se puede manejar con facilidad, pero conociendo que existe interacción, los otros nutrientes no deben ser limitantes cuando se calibra un nutriente dado. Para conducir estudios de calibración se necesita una serie de experimentos replicados de respuesta a fertilizantes, preferiblemente en 20 o más sitios. Factoriales con más de un nutriente o experimentos de un solo factor son aceptables. Se debe tener cuidado con la selección de los lugares para tener un rango de contenido del nutriente, desde bajo a alto. No debe existir discontinuidad en los niveles del nutriente. El rango donde debe haber la mayor cantidad de sitios es alrededor del punto crítico esperado. No se deben tener demasiados sitios con contenidos altos del nutriente estudiado en la serie. Se debe tomar una muestra de suelo compuesta del lote antes de establecer el experimento. Estas muestras compuestas son analizadas por todos los nutrientes en el laboratorio, para poder detectar el contenido del nutriente a calibrarse, y además, para detectar el contenido de otros nutrientes y proceder a eliminar su efecto limitante en el crecimiento del cultivo indicador, haciendo una aplícación uniforme de estos nutrientes en todas las parcelas experimentales cuando es necesario. Los métodos químicos de análisis de las muestras de suelos deben ser los más INPOFOS Estadística en la investigación del uso de fertilizantes eficientes. Un método de análisis en particular puede ser el responsable de cuan bien trabaje la calibración (algunos procedimientos de análisis se prestan a ser mejor calibrados que otros). En los sitios escogidos se establecen los estudios con los niveles del nutriente a calibrase y en las parcelas individuales se mide el rendimiento y cualquier otro parámetro que se considere útil para la calibración. La variación en las técnicas utilizadas aparece cuando se analizan los datos, especialmente los datos de los experimentos de campo. Por ejemplo, una pregunta común es cómo se debe manejar la variación de condiciones ambientales entre lugares? Un análisis de la varianza y ajuste de curvas de respuesta (o ajuste de superficies de respuesta) a los niveles del.nutriente es el primer paso en el análisis estadistico. Posibles Variables de Respuesta En la discusión de las técnicas que se presenta a continuación, se asume que la calibración es una relación estimada y provisional. Se debe continuar con el trabajo de calibración a medida que se dispone de nueva información. La variable de respuesta más simple es rendimiento de la parcela testigo con nivel cero del nutriente estudiado (Yo). Esta variable tiene la limitación de no ser una medida directa de respuesta. Un enfoque usado en el pasado era utilizar el porcentaje de rendimiento como la variable de respuesta. Esto se define como [(rendimiento promedio de las parcelas sin fertilizante)/(rendimiento promedio de las parcelas con nutrientes suficientes) x 100J. Se ha definido también el porcentaje de rendimiento (Y) = [(- nutriente / + nutriente) x lOO] con todos los otros factores a niveles adecuados, pero no en exceso. Al calibrar para K, en un experimento factorial N-P-K, se debe usar la siguiente relación: Rendimiento (%) = [(rendimiento en el lote con NP) / (rendimiento en el lote con NPK) x l OO]. El porcentaje de rendimiento fue usado por Bray (1948) y después por Cate y Nelson (1965). Cate luego usó este concepto en su tesis de Ph. D. (1971). La limitación en el uso del rendimiento relativo es que éste es una razón y es dificil trabajar con razones, especialmente si existe un amplio rango de divisores en la razón (la varianza de una razón depende mucho del valor del divisor). También es dificil el interpretar económicamente las razones. Una tercera posibilidad es usar porcentaje del cambio en rendimiento = [(cambio en rendimiento debido al fertilizante) / (rendimiento con fertilizante adecuado) x 100]. Nuevamente ésta es una razón y tiene las mismas limitaciones del porcentaje de rendimiento mencionado anteriormente. 7 INPO FOS Estadística en la investigación del uso de fertilizantes Una cuarta posibilidad es usar el incremento del rendimiento máximo (AY"",) como la variable de respuesta. Se define de la siguiente forma: " y máx ~ Ymáx - Yo , donde Ym.h es el máximo rendimiento obtenido en el experimento y Yo es el rendimiento promedio del tratamiento testigo para el nutriente en estudio, teniendo los otros factores en niveles adecuados pero no excesivos. La limitación en este caso es que t>Ymi> = (55 - 40) es lo mismo que t>Yrnax = (I OO - 85). Obviamente, existen grandes diferencias en la fertilidad del suelo entre los dos casos. También se tiende a encontrar diferencias que varian mucho de experimento a experimento, debido a interacciones con el medio ambiente. Nelson y Anderson (1977) usaron esta variable de respuesta porque consideraron que removía más la variabilidad debida al sitio que el porcentaje de rendimiento y que era posible hacer una interpretación económica a partir de ella. M odelos q ue utilizan porcentaje de rend imicnto l . Aj us te d e Bray (por centaje d e rendimiento vs análisis de snelo) como una modificación de la ecuación de M its cher lich Ecuación: Log (A - y) = Log A - cb , donde A = asíntota de la curva que se asume es 100% y = rendimiento (%) e = coeficiente de curvatura b = resultado del análisis de suelos El problema con este simple enfoque de ajuste del modelo es que no acomoda valores negativos que ocurren debido a la variación al azar de los rendimientos. Con la ayuda de los modernos equipos de computación, es mejor ajustar los datos a un modelo exponencial usando mínimos cuadrados, lo que produce la siguiente ecuación: y = A - De·ob donde, y = rendimiento (%) A = nuevamente la asíntota e = base exponencial D y e = parámetros estimados a partir de los datos b = valor del análisis de suelos INPOFOS 8 Estadística en la investigación del uso de fertilizantes JO' so ....._......_._.,._._._----_._._...._.~._-_.-.- ;t-o ". ~ E -o e ~ '" Aná lisi s de suelo Figura 1. Ajuste de datos de rendimiento con el modelo exponencia l. Parte de este enfoque es el establecer un porcentaje de rendimiento que sea aceptable y que luego pueda estimar gráficamente el valor correspondiente del análisis de suelo (Figura 1). 2. Ajuste de Cate - Nclson (rendimiento relativo vs análisis de suelo) Este método usa una transparencia plástica con el trazo de una cruz en ella. Se mueve la trasparencia sobre el gráfico para encontrar un punto en el eje de las X que minimice el número de puntos en los cuadrantes negativos y maximice el número de puntos en los cuadrantespositivos. Las lineas de la cruz se mantienen siempre paralelas a los ejes del gráfico. De este modo, los datos se dividen en dos grupos por el denominado nivel crítico (Figura 2). Cuando el valor del análisis de suelos está por debajo del nivel crítico, existe una alta probabilidad de respuesta económica a la aplicación de fertilizantes y cuando están por encima existe una baja probabilidad de respuesta económica. 9 Estadistica en la investigación del uso de fertilizantes + + An ális is de suelo Figura 2. Método gráfico de Cate y Nelson para ajuste de curvas de rendimiento vs an álisis de suelos. nunca estuvieron de acuerdo con la idea de solamente dos grupos de definición, pero otros usaron este método extensivamente. Una variante del método fue desarrollada por Robert Cate en su tesis de Ph.D., utilizando un análisis de varianza para dividir los datos en dos clases (divisiones tentativas de los datos ordenados en el eje de las X hasta que se encuentra la división que maximiza la suma de cuadrados del porcentaje de rendimiento para las dos clases) . Cate y Nelson (197 1) encon traron que este método es más objetivo que el método gráfico original. Al momento, con el uso de computadoras, se puede definir el nivel critico utilizando paque tes estadísticos como SAS. Estos autores indicaron que el método es general en el sentido de que es una extensión del procedimiento de separación en dos grupos y que puede ser usado para dividir los datos en más de dos poblaciones . La experiencia ha demostrado que los resultados de los dos métodos no son muy diferentes. 3. Modelos qu e utilizan el incremento en rendimiento Nelson y Anderson (1977), reconociendo las limitaciones del porcentaje de rendimiento, ajustaron un modelo Mitscherlich utilizando el incremento máximo de rendimiento (~Ym" ) versus el valor del análisis de suelo. Debido a que no existen puntos discretos de decisión en la curva resultante, desarrollaron también un INPOFOS 10 Estadística en la investigación del uso de fertilizantes sistema natural de clasificación. Usando este esquema, se determinó el número de clases (alta, media y baja) mediante análisis estadísticos (análisis de varianza) en un grupo particular de datos. Esto permite determinar los niveles óptimos criticas entre los grupos. Cada clase provisional debe contener al menos dos observaciones. Debe también existir una reducción substancial en ",ymi, entre los dos valores localizados a cada lado de la línea divisoria. Adicionalmente, la división no debe separar dos valores de análisis de suelos idénticos (o casi idénticos) en dos grupos diferentes. El proceso de subagrupar tiene tres propósitos: 1) afinar los valores de ",ymáx, 2) usar la varianza interna del subgrupo como una estimación de la varianza del error y 3) proporcionar el primer paso hacia la selección del mejor punto de división. Posteriormente, los autores buscaron cierto reagrupamiento usando una prueba de t de una cola en las medias de grupo. Las medias del conjunto final de grupos deben ser significativamente diferentes. 4. Uso de superficies de respuesta en la correlación de los análisis de suelo Nelson (1987) discutió el uso de superficies de respuesta con covariables (valores de los análisis de suelos) para calibrar este análisis. Usando este método existe la posibilidad de calibrar simultáneamente los análisis de varios nutrientes. Se presentaron dos modelos diferentes. El modelo de covarianza incluye términos separados para el fertilizante añadido y para el contenido del nutriente en el suelo. Este modelo es flexible y se ajusta fácilmente. El segundo modelo, llamado la Ecuación de Hildreth, combina el contenido del nutriente en el suelo y el nutriente añadido en una sola variable, (X + Ad), donde X es el nutriente añadido, d es el contenido del nutriente en el suelo, y A es un factor desconocido de proporcionalidad. Mombiela el al. (1981) trabajaron en un método que utiliza resultados del análisis de suelo para la estimación de d en la ecuación de Hildreth. Un área que necesita mucho más trabajo es el modelar entre sitios el efecto del clima y de las propiedades permanentes del suelo, para separarlos de la variación normal del análisis de suelo entre sitios. La elección del modelo afecta la estimación de la disponibilidad del nutriente en el suelo y como esto se relaciona con los propios resultados de los análisis de suelo. Diferentes investigadores podrían obtener diferentes resultados trabajando con el mismo grupo de datos, dependiendo del modelo que se use. Trabajo adicional sobre la aplicación de superficies de respuesta requerirá un buen grupo de datos que incluyan información relevante sobre clima y propiedades permanentes de suelo. 11 INPOFOS Estadistica en la investigación del uso de fertilizantes Referencias Bray, R. H. 1948. Correlation of soil test with crop response to added fertilizers and with fertilizer requiremen!. P. 53-85. In. Diagnostic techniques for soils and crops. H. B. Kitehen (ed.). The American Potash Institute, Washington, D. C. Cate, R. B. and L. A. Nelson. 1965. A rapid method for eorrelation of soil test analyses with plant response data. North Carolina Agrie. Exp. Stn., Intemat ional Soil Testing Series Tech, Bul!. N° l . Cate, R. B. and L. A. Nelson. 1971. A simple statistical procedure for partitioning soil test eorrelation data into two classes. Soil Sei. Soe. Amer. Proe. 35: 658- 659. Colwell, J. 0.1967. The calibration of soil tests. J. Aust. Inst. Agri. Sei. 33: 321- 330. Mombiela, F. A.; J. J. Niehola ides, III and L. A. Nelson. 1981. Method to determine the appropriate mathematieal form for ineorporating soil test levels into fertilizer response models for reeommendation purposes. Agron. J. 73: 937-941. Nelson, L. A. and R. L. Anderson . 1977. Partitioning of soil test-crop response probability. p. 19-37. In Soil testing: Correlating and interpreting the analytieal results. Speeial Pub. 29. M. Stelly (ed.) American Soeiety of Agronomy, Crop Seienee Society of Ameriea , and Soil Science Society of America, Madison , WI. Nelson, L. A. 1987. The role ofresponse surfaces in soil test calibration. p. 31-40. In. Soil testing, sampling, correlation, calibration, and interpretation. Speeial Pub. 21. 1. R. Brown (ed) Soil Scienee Society of America, Madison, WI. Olmstead, P. S. and J. W. Tukey. 1947. A comer test of assoeiation. Ann. Math. Sta!. 18: 495-513. INP OFOS 12 Estadís tica en la investigación del uso de fertilizantes Capítulo - 3 Como evitar los errores más comunes en el diseño de experimentos de respuesta a la aplicación de fertilizantes en el campo En general, muchos de los prob lemas en el diseño de experimentos de respue sta a la aplicación de fertilizantes en el campo tienen que ver con planificación inapropiada, que resulta en experiment os de tamaño equivocado, tratamientos mal escogidos o inadecuado control experimental. Todo esto hace que el experimento sea rmprecrso. Los problemas en los experimentos con fertilizantes no necesariamente son únicos en su clase. Sin embargo , en estos experimentos en particular, el tiempo requerido para los ensayos es largo y la presencia de cualquier problema es muy costosa. Una de las caracteristicas de los experimentos con fertilizante es que usualmente tienen un buen número de tratamientos y esto hace que los bloques sean muy grandes, lo que a su vez puede causar alta variabilidad. En mucho s casos, son necesarios surcos o hileras de borde en las parcelas experimentales para reducir la competencia con tratamientos vecinos y esto también aumenta el tamaño del bloque . Medidas del éxito de los experimentos Algunas de las medidas del éxito futuro de cualquier experimento son las siguientes: l . Fueron las interrogantes iniciales importante s? 2. Fueron válida s las suposiciones que originaron las interrogantes? 3. Existe adecuada presión y potencia? 4. Existe un grado apropiado de generalidad? 5. Fueron los tratamientos bien escogidos en relación del uno con el otro? Los siguientes sonlos requerimientos de un buen experimento (Cox, 1958): l . Ausencia de error sistemático 2. Precisión 3. Rango de validez 4. Simplicidad 5. Cálculo de incertidumbre 6. Perspectiva adecuada del experimento en seleccionaron las unidades experimentales 13 relación al ambiente del cual se INPOFOS Estadística en la investigación del uso de fertilizantes La planificación es muy importante en experimentación por las siguientes razones: l. Vincula los objetivos originales 2. Una opción es siempre la de no conducir el experimento 3. Revisa las selecciones originales y optimiza los procedimientos 4. Evita los errores que aparecen dentro del diseño 5. Permite definir el tamaño correcto del experimento 6. Obtiene datos analizables 7. Asegura el aporte tanto del estadístico como del investigador Beneficios de la estadística en experimentos agronómicos: 1. Ayuda a aclarar problemas y objetivos básicos 2. Promueve el uso más eficiente de los recursos 3. Se adapta o toma ventaja de las limitaciones 4. Permite separar las características esenciales de los datos de las distorsiones causadas por el azar 5. Resume los resultados 6. Juzga si los resultados observados son debidos a la casualidad Un enfoque integrado l. Involucra al estadístico en la etapa inicial del proceso 2. El diseño experimental, el análisis de datos y la interpretación están todos relacionados entre si 3. Es importante en la selección de tratamientos 4. Estima el tamaño del experimento 5. Busca calidad en el conjunto de datos experimentales 6. Permite iniciar un intercambio de experiencias entre el estadístico y el investigador 7. Fomenta una relación profunda y de largo plazo entre el estadístico y el Investigador Proceso de planificación de los experimentos I . Es la esencia de la investigación. 2. Los buenos resultados experimentales no son un accidente - son el resultado de la cuidadosa planificación A continuación se presenta una breve revisión de los aspectos que se deben cubrir en la planificación a) La pregunta original - se justifica la investigación? INPOFOS 14 Estadística en la investigación del uso de fertilizantes b) Los objetivos e) La hipótesis d) El diseño experimental e) Contrastes f) La elección de tratamientos 1) Diseño de los tratamientos 2) Uso de controles? g) Están disponibles todos los materiales requeridos? h) Selección del lugar y caracterización i) Diseño del campo j) Diseño estadistico en el campo k) Número de repeticiones de las unidades experimentales 1) Estructura de la parcela m) Randomización n) Muestreo en las parcelas experimentales o) Manejo p) Observación y valoración q) Métodos propuestos de análisis e interpretación Pasos secuenciales del diseño de un experimento l. Marco de decisiones basado en los principios involucrados 2. Un experimento exitoso depende de decisiones correctas para todas las etapas 3. Estas decisiones deben estar formalizadas en papel e implementadas 4. Sin embargo, debe dejarse espacio para algunas modificaciones si las limitaciones en el campo así lo exigen 5. La planificación y control van de la mano 6. El estadístico debe estar involucrado en el proceso de planificación a) Puede hacer preguntas acerca de como la planificación se relaciona con la pregunta original b) Puede ayudar a la selección de las parcelas y los tratamientos e) Puede aconsejar en la elección de un diseño d) Puede visualizar cual va a ser el análisis estadístico requerido 7. El estadístico debe permanecer involucrado a través de todo el proceso a) Puede aconsejar en el proceso de medición de las variables b) Puede ayudar en el análisis de datos e) Puede ayudar a interpretar los resultados d) Puede ayudar en la escritura del reporte final 8. No espere que cada experimento sea un éxito a) Recuerde que existe un fuerte efecto ambiental en el campo 9. Es necesario planificar debidamente cada experimento para que las probabilidades iniciales de éxito sean altas 15 INPOFOS Estadística en la invest igación del uso de fertilizantes 10. Se debe añadir que generalmente cada experimento tiene un proceso separado de planificación. Los planes no pueden ser transferidos de un experimento a otro Preguntas importantes en relación con los experimentos de fertilidad de suelo 1. Están los experimentos localizados en lotes que presenten respuesta? 2. Existe un excesivo número de factores en el experimento? 3. Es correcto el rango de las dosis? 4. Es el espaciamiento entre dosis igualo desigual? 5. Está el experimento diseñado para encontrar el óptimo agronómico o el mejor modelo o ambos? 6. Existe un mínimo de 10 grados de libertad para estimar el error? El tamaño de las parcelas experimentales afecta la precis ión del experimento. Generalmente, se utilizan parcelas pequeñas y por eso se debe replicar más. Parcelas largas y angostas en la dirección del gradiente son las mejores para muchas situaciones. Sin embargo, existen excepciones. Es mejor estudiar la precisión tratando de mejorarla a través del tiempo, cambiando el tamaño de la parcela, el número de réplicas y posiblemente la forma y orientación de la parcela. En cualquier discusión acerca de cómo evitar errores, se debe mencionar los problemas de comparaciones múltiples (Nueva Prueba de Rango Múltiple de Duncan, DMS, prueba de Tukey, etc.) . Ha habido excesivo e incorrecto uso de estos procedimientos en las revistas científicas por algunos años. A continuación se citan partes de artículos de tres prominentes estadísticos que discuten ampliamente este aspecto: Plackett, R.L. "Muchos de los aspectos de las comparaciones múltiples sor. esencialmente artificiales" . Nelder, J.A. . "Los métodos de comparación múltiple no tienen lugar en la interpreta ción de datos" . Anderson, R.L. "El perjuicio más grande para la profesión de la estadística ha sido la creación de los procedimient os de comparación múltiple" . Estos procedimientos tienen poco o ningún uso en el análisis de los datos de experimentos de repuesta de fertilizantes , debido a que el primer interés está centrado en la superficie o curva de respuesta, que relaciona la respuesta de rendimiento con las dosis de fertilizante. A pesar de esto, todavia se usan estos procedimientos al analizar datos de respuesta a la aplicación de fertilizantes. INPOFOS 16 Estadística en la investigación del uso de fertilizantes Referencias Cochran, W. G. and G. M. Cox. 1957. Experimental designs, 2"d. Ed., Wi1ey, New York. Cox, D. R. 1958. P1anning ofexperiments. Wi1ey, New York. 17 INPOFOS Estadística en la investigación del uso de fertilizantes Capítulo - 4 Determinación de las dosis óptimas, estadísticas y económicas, en base a los datos experimentales: Diseño de los tratamientos, modelos, análisi s e interpretación Gran parte del éxito de la investigación en el cual se basan las recomendaciones de las dosis de fertilización dependen de la buena planific ación. El análisis de datos y la interpretación dependen mucho de la manera como fue diseñado el experimento, asi que es necesario tomar en cuenta estos aspectos cuando se plani fica el experimento . La importancia de planificar en el proceso de experim entación La planificación de un experimento debe relacionarse con los objetivos originales. De otra manera, se puede tener un excelente experimento que contesta las preguntas equivocadas. Se debe recordar siempre que una opción es la de no realizar el experimento si no se lo puede diseñar para lograr los objetivos planteados. A menudo, se establece un grupo de especificaciones preliminares que después de pensarlas cuidadosamente se corrigen . La discusión con un consultor en estadistica también es de mucha ayuda. Este es un proceso iterativo, el cientifico agrónomo hace un plan preliminar y lo discute con el estadístico. El científico regresa a su oficina y 10 vuelve a pensar para regresar nuevamente con el estadístico. El tiempo utilizado en este proceso se justifica porque el tiempo del experimento en el campo es largo y cualquier defecto en la planificación será costosodesde el punto de vista de tiempo y trabajo. Uno de los objetivos es evitar que se diseñen fracasos que impidan que el experimento logre sus objet ivos, o en algunos casos que sea un fracaso total. El evitar el mal diseño no garantiza el éxito, pero al menos elimina los fracasos producto de un mal diseño. Un área que realmente necesita cuidadoso razonamiento es el tamaño del experimento, en realidad, el número de repeticion es. Si se diseña un experimento muy pequeño, éste tendrá tan poco poder que sería mejor no realizarlo. Si el experimento es muy grande, éste será costoso. Es posible estimar, con bastante precisi ón, el tamaño de un experimento si se conoce que tamaño de diferencias entre medias es necesario, y se tiene, por experiencia, una estimación del coeficiente de variación. Se necesita también seleccionar el nivel de confianza requerido. Esto se refiere a las tablas de números de repeticiones en el capítulo 2 INI'OFOS 18 Estadi stica en la investigación del uso de fertilizantes del texto de diseño experimental de Cochran y Cox (1957). Una manera de evitar los problemas de experimentos pequeños es el combinar experimentos de un factor en factoriales. Si se debe tener un número pequeño de tratamientos en experimentos de un factor a la vez, quizá sean necesarias más repeticiones. Las experiencias del autor con dos repeticiones nunca han sido buenas, pero tampoco hay nada mágico con tres o cuatro. Si se desea alcanzar la precisión necesaria, se puede necesitar hasta cinco o seis repeticiones. Una regla general con respecto al número mínimo de repeticiones es que los grados de libertad para estimar el error experimental deberían ser por lo menos 10. De este modo, un experimento con 5 tratamientos y 3 repeticiones será muy pequeño para cumplir con este requerimiento. Se debe diseñar un experimento teniendo en cuenta el futuro análisis de los datos. Es posible probar el análisis en un grupo de datos simulados aun en la etapa de planificación, para asegurarse que los datos serán analizables. Algunas características especiales de los experimentos con fertilizantes son: l . Se ajustan superficies a las respuestas obtenidas 2. A menudo existe un excesivo número de tratamientos 3. Es dificil separar el efecto de la adición de nutrientes del efecto del contenido nativo de nutrientes en el suelo 4. Involucra una serie de experimentos del mismo tipo Algunas consideraciones sobre modelos de ajuste que deben tomarse en cuenta en la etapa de planificación son: l . Número de parámetros a ser estimados 2. Sesgo resultante de ciertos diseños de tratamientos y de ciertos modelos 3. Debe haber un control separado en el experimento? Aspectos del diseño experimental Un experimento se define como una "Experiencia Planificada". Los cuatro pnncipios del diseño experimental son: 1. Replicación 2. Randomización 3. Control local o bloqueo 4. Uso del diseño más simple posible para lograr los objetivos Los criterios para seleccionar un diseño experimental son: 19 INPOFOS Estadistica en la investigación del uso de fertilizantes 1. Sencillez 2. Conveniencia , Control del error ~ . Flexibilidad 5. Facilidad de análisi s de los datos del experimento Los diseños experimentales normalmente utilizados en experimentos con fertilizantes son: 1. Bloques al azar 2. Parcela divida 3. Bloques incompletos 4. Cuadrado Latino. Probablemente el diseño de bloques al azar es el más común, seguido por parcela dividida. Existen casos donde se ha utilizado el diseño de parcela divida cuando lo correcto hubiese sido utilizar un diseño de bloques completos al azar. A menudo, el diseño de parcela dividida no brinda suficiente precisión en la parcela grande. Una pregunta aparece reiteradamente con respecto a experimento s con fertilizantes. Si se involucran una serie de sitios, es mejor tener una repetición por sitio en más sitios, o es mejor replicar dentro de cada sitio? La segunda alternativa es mejor porque permite hacer conclusiones por sitio antes que solamente una conclusión general sobre todos los sitios. Además, teniendo repeticiones en los experimentos en cada sitio se pueden encontrar lugares en los cuales existen problemas con los datos . Esto no es posible con experimentos de una sola réplica por sitio. Cuando se han muestreado una serie de sitios, la pregunta es: se debe muestrear la población de sitios al azar o es deseable un enfoque más sistemático? E~ aconsejable un enfoque más sistemático que asegure que todo el rango de las variables que definen la población esté representado. En la Figura 3 se presenta un ejem plo donde se cubre un rango de combinaciones entre pH y contenidos de P. Cuando se tiene una serie de experimentos, es importante estandarizar en lo posible todos los factores (diseño experimental, dosis, fechas de ejecución de actividades, variedades, etc.). Generalmente, existe dificultad con la determinación de niveles de fertilizante ha utilizarse para lograr un grupo de dosis que sea apropi ado para todos los sitios. Se debe esperar una variación muy grande por efecto del ambiente, que a menudo es mayor que la variación que se espera como efecto de los tratamientos. Aquí surge una pregunta: se debe calcular el óptimo para cada sitio y de allí promediar, o se debe calcular un solo óptimo para todos los sitios en un análisis combinado? Se I!'IPOFOS 20 Estadística en la investigación del uso de fertilizantes x X X o ""~ " X"D X X::c: e, X X X • Contenido de P en el suelo Figura 3. Rango de pH y contenido de P en el suelo cubierto con muestreo sistemático. deben analizar los datos a medida que van llegando para asegurar que los niveles escogidos son apropiados. Si se detecta un problema serio con el diseño, éste puede ser cambiado de un año al siguiente. Esto hace el análisis combinado más difícil, pero por lo menos no se persiste con un trabajo con errores. Diseño de los tratamientos El arreglo de los tratamientos es muy importante en ios experimentos con fertilizantes y este aspecto es independiente del diseño experimental. Algunos de los criterios para seleccionar el diseño de tratamientos son: 1. Los datos deben ser interpretables sin necesidad de un análisis extensivo 2. Limitar el número de tratamientos 3. Promover la baja varianza de los coeficientes estimados 4. Promover la baja varianza de los valores predichos 5. La varianza de la pendiente de funciones de respuesta estimadas deben ser pequeñas en la parte central del espacio del factor 6. Bajo sesgo en la superficie ajustada 7. Disponer de una medida de falta de ajuste 8. Incluir una parcela testigo 21 INPOFOS Estadística en la investigación del uso de fertilizantes Con respecto al diseño de tratamientos, es posible evaluar propiedades estadísticas (por varianzas) antes de correr el experimento. De allí se puede escoger el diseño de tratamientos que tenga las mejores propiedades. Los diseños de tratamientos comúnmente usados son: l . Factorial completo 2. Una repe tición de un factoria l grande (5 x 5 o más grande), 3. Factorial fraccionado 4. Superficie de respuesta Adicionalmente, se han desarrollado vano s diseños ad hoc que son también utilizados. Estos son: l . Diseño Escobar 2. Diseño San Cristobal 3. Cuadrado Doble Existen algunos aspectos que deben tomarse en cuenta y que pueden estar o no relacionados con el diseño de tratamientos escogido. Uno de éstos es el rango total de las dosis de fertilizante. Si este rango no se escoge bien puede exclu irse el óptimo o puede contener un gran porción de puntos en la meseta de respuesta. La experiencia ayuda, pero los efectos de una temporada en particular pueden hacer que las dosis escogidas sean inapropiadas . El número de dosis es importante. Si hay necesidad de confirmar un modelo de respuesta, tres niveles son muy pocos. Cinco serían mucho mejor, pero por supuesto, el número de tratamientos se hace más grande. Con relación al espaciamiento de las dosis, es preferible usar espacios iguales en vez de espacios geométricos. Esto asegura que no se produzcauna brecha grande en el área donde se localiza el óptimo. Aun utilizando el diseño de superficies de respuesta quizá sea necesa rio alterar un poco el espaciamiento para asegurar que ciertos tratamientos no queden muy cerca. Esto generalmente afecta poco las propiedad es del diseño de superficies de respuesta. Desarrollo de modelos Existe una varieda d de modelos que han sido usados en la evaluación de la respuesta a la aplicac ión de fertilizantes. Los modelos asintóticos (por ejemplo la ecuación Mitscherlich) que requieren ajuste iterativo han perdido campo frente a los modelos polinomiales que son más convenientes, particularmente en el caso de experimentación en mu1ti - sitios. No solamente existe el modelo cuadrático, sino INPOFOS 22 Estadística en la investigación del uso de fertilizantes que también se puede usar polinomios con la variable transformada (ejemplo raíz cuadrada). Se debe recordar que no existe un modelo ideal. Hay que tener mucho cuidado para evitar que el modelo escogido produzca estimaciones sesgadas del óptimo. Este es probablemente un criterio más importante que el tamaño del R' (coeficiente de determinación multiple) ya que muchos modelos producen R2 similares, pero el óptimo estimado por cada uno de ellos es muy diferente. Siempre existe el problema de como manejar el contenido de nutrientes nativos del suelo dentro del modelo. El cultivo responde tanto a los nutrientes nativos del suelo como a los nutrientes añadidos con los fertilizantes. Existen dos enfoques. El primero es incluir el contenido del nutriente en el suelo (determinado por análisis) como una variable separada en el modelo (covariable). El segundo es intentar combinar las dos en una sola variable, (X + d), donde X es el nutriente añadido y d es el nutriente nativo del suelo. Si d es estimado mediante el análisis de suelo (t), éste no estará en las mismas unidades de disponibilidad que X, de modo que generalmente se usa un multiplicador para disponibilidad, por ejemplo (X + At), donde Aes el coeficiente de eficiencia (que debe ser estimado a partir de los datos). La ventaja de combinar las dos fuentes de nutrientes en un solo término es que le da al nutriente un rango mayor y de este modo su coeficiente es estimado más eficientemente (varianza más baja). Es necesario mencionar que se presentan problemas con los modelos tradicionales cuando la respuesta forma una meseta. En esta situación, los modelos cuadratico, raíz cuadrada y Mitscherlich sobreestiman la cantidad optima de nutriente así como el rendimiento estimado en este punto óptimo. Esto se debe a que el ajuste matemático de los datos mueve el óptimo hacia la derecha como se observa en la Figura 4. Anderson y Nelson (1975), desarrollaron los modelos discontinuos (línea - meseta) para usarse en estas situaciones. El mejor ajuste se selecciona de un conjunto de ocho submodelos. El análisis económico se lleva a cabo en este último modelo y consiste en la comparación de la pendiente de la parte lineal con la relación costo/precio (r). Si la pendiente excede r, se añade fertilizante para llegar a la intersección de la pendiente con la meseta. Generalmente, los modelos discontinuos producen estimados conservadores del óptimo. En general, es preferible un modelo con un limitado número de parámetros que es fácil de ajustar y que no produce sesgo en la estimación del óptimo. 23 INPOFOS Estadistica en la investigación del uso de fertilizantes ... ...~ ... I Y' = a + bK • CK21 Para K < O.29 = 12.63 + 275.78 K Para K > 0.29 '" 92.63 0.60.50.40.3 ¡ •0.29 0.20.1 100 ;? 90• o > 80:;; ~ o 70 <: . ~ E 60'i5 e ~ " 50 40 O K en el sue lo (meq/l OO g) Figura 4. Ajuste de datos de la respuesta de plátano a la aplicación de K con el modelo cuadrático y con un modelo discontinuo en suelos de las áreas plataneras de Colombia (adaptado de Espinosa et al., 1998). Análisis de Datos En general, los análisis estadísticos apropiados son el análisis de la varianza y el ajuste de regresiones de una curva o superficie de respuesta. Luego se pueden usar los parámetro s estimados, obtenidos en el ajuste estadistico, con la relación costo/precio para estimar la dosis óptima económica. Cuando se trabaja con datos de una serie de experimentos, es necesario realizar primero un análi sis de varianza por lugar y/o año y luego conducir un análisis de varianza combinado. El procedimiento del análisis de la varianza dependerá de cuales factores son fijos y de cuales son al azar. Se intentará ajustar una sola superficie de respuesta para todos los sitios, pero con términos que representen las diferencias entre sitios y la interacción de estos términos con las variables del sitio. La ventaja de ajustar este modelo para todos los sitios es la generalidad, así como la estabilidad, debido al tamaño adicion al. Un formato común para el análisis combinado para una serie de sitios dentro de un mismo año es la siguiente: INPOFOS 24 Estadística en la investigación del uso de fertilizantes Fuente Sitio Rep (Sitio) Tratamientos SxT Error d.f. s-l ser~ 1) t - 1 (s >- 1 )(t-l) s(t~l)(r~l) En este esquema, s es el número de sitios, r el número de repeticiones y t el número de tratamientos. Usualmente, Sitio se considera un factor al azar y Tratamiento un factor fijo, de manera que se puede probar el cuadrado medio de los tratamientos usando el cuadrado medio de la interacción S x T (una prueba conservadora). En la etapa de modelaje se podrían colocar variables fisicas (fertilidad u otras propiedades del suelo) que explicarían la variación entre sitios. Se estaría ajustando las medias de la interacción en vez de las observaciones individuales de las repeticiones a las variables independientes. En un experimento N ~ K - P, el modelo podría aparecer de la siguiente forma: y = ba + b.N + b2P + b3K + b llN2 + b22P2 + b33K2 + b12NP + b 13NK + b23PK + b, P del suelo + b, K del suelo + b, pH del suelo, donde: y ~ rendimiento estimado ba ~ intercepto b, ~ coeficientes de regresión parcial N, P YK ~ niveles de nutrientes añadidos N', p2 YK' ~ términos cuadráticos NP, NK YPK = términos de interacción P del Suelo, K del Suelo y pH del Suelo ~ niveles iniciales de fertilidad del suelo (covariables) Las variables de Sitio en el modelo serán probadas por el cuadrado medio residual del Sitio y las variables de fertilizante por el cuadrado medio de la interacción Sitio x Tratamiento., ambos provenientes del análisis de la varianza. Se debe prestar atención a los signos de los coeficientes ya que sería imposible obtener un máximo si los signos de los coeficientes no son correctos. Normalmente, los términos lineales deben ser positivos y los términos cuadráticos negativos. En general, las computadoras y los paquetes de estadística han hecho el análisis e interpretación mucho más fáciles y posiblemente más exactos. Para encontrar la combinación económica óptima en el caso anterior, es necesario encontrar las tres derivadas parciales e igualarlas a las tres relaciones costo/precio de la siguiente forma: 25 INPOFOS Estadística en la jnvestjgactén del uso de fertilizantes av I aN = b, + 2b"N + b12P + b13K = ro av lap av l aK aV/aN aVlap 8V/aK = b, + 2b;,2P+ b12N + b" K = rp = b, + 2bl3K + b13N + b"P = rk, donde: = derivada parcial del rendimiento con respecto al nitrógeno derivada parcial de l rendimiento con respecto al fósforo derivada parcial del rendimiento con respecto al potasi o = relaciones costo/precio para N, P Y K, respectivamente Luego se resuelven las tres ecuaciones simultáneamente para la combinación única de N, P Y K. Si el modelo original hubiese tenido interacciones entre nutrientes de suelo y nutrientes añadidos, se necesitaría ínvolucrar algunos términos adicionales en las derivadas . Se pueden usar paquetes estadístícos de computadora para conducir los cálculos anteriores, pero su uso puede ser complicado por el hecho de que se está encontrando el opt imo para una serie de sitios y a que se tiene alguna s covariables en el modelo. El procedimiento"Response Surface Regression" (RSREG) en SAS (1989) fue diseñado más para calcular automáticamente la combinación óptima para rendimiento físico máx imo, antes que para calcular el óptimo económico de un solo sitio. Referencias Anderson, R. L. and L. A. Nelson. 1975. A family of models involving intersecting straight lines and concorn itant experimental designs used in evaluating respon se to fertil izer nutrients. Biometrics 31: 303-318 . Baum, E. L. ; E. O. Heady and John Blackmore. 1956. Methodological procedures in the economic analysis of fertilizer use data . The Iowa State Univ. Press , Ames. Baum, E. L. ; E. O. Heady and C. G. Hildreth. 1957. Economic and technical analysis of fertili zer innovations and resource use. Iowa State. Univ. Press, Ames. Cochran, W. G. and G. M. Cox. 1957. Experimental designs, 2nd Ed. Wiley, New York. Espinosa, J., S. Belalcazar, A. Chacón y D. Suarez. 1998. Fertilización del plátano en altas densidades. En Memorias de la XIII Reunión de ACROB AT, Ecuador 98. Guayaquil - Ecuad or. Heady, E. O.; J. T. Pesek and W. G. Brown. 1955. Crop response surfaces and economic optima in fertilizer use . Iowa Agr . Expr. Stat, Res. Bu!. 424. INPOFOS 26 - Estadística en la io\'estigaci6n del uso de fertilizantes National Acaderny of Sciences , National Research Council. 1961. Status and methods of research in econornic and agronornic aspects of fertilizer response and use. Publication 918. SAS Institute Inc., 1989. SAS/STAT® User 's guide, (vol. 1; 4th ed.) Cary, North Carolina. 27 INPOFOS Estadística en la investigación del uso de fertilizantes _ _ _ _ _ _ _ _C--'--'-apítulo - 5 Arte y ciencia del análisis e interpretación de los datos de los experimentos con fertilizantes En primer lugar, se debe indicar que lo que se discute a continuación no es único para los datos de experimentos de respuesta a fertilizantes. Existen otras disciplinas biológicas y agrícolas que utilizan experimentos con variables cuantitativas en las cuales se aplican también los comentarios que se presentan a continuación. La estadistica aplicada a los problemas de ciencia del suelo tiene las siguientes ventajas: 1. Ayuda a aclarar la concepción del problema básico y los objetivos del experimento 2. Permite el uso eficiente de los recursos 3. Permite adaptarse o tomar ventaja de las limitaciones 4. Separa las características esenciales de los datos de características debidas al azar 5. Condensa los resultados 6. Juzga sí los resultados observados se deben a la casualidad La conducción de experimentos de fertilidad de suelo requiere de un enfoque mtegrado que debe considerar los siguientes aspectos: l. Involucrar al estadístico en la etapa inicial del proceso 2. Relacionar conjuntamente el diseño experimental, análisis de datos y la interpretación 3. Seleccionar bien los tratamientos 4. Estimar el tamaño apropiado del experimento 5. Confirmar la calidad de los datos experimentales 6. Desarrollar programas educacionales para los técnicos y científicos involucrados 7. Establecer una relación profunda y de largo plazo entre el estadístico y el cientifico de suelos Algunos puntos sobresalientes del análisis estadístico son los siguientes: l . El análisis de la varianza no es el único método de análisis 2. El análisís de la varianza debe estar relacionado con las comparaciones originalmente planeadas INPOFOS 28 Estadística en la investigación del uso de fertilizantes 3. Se debe incorporar en el análisis de la var ianza comparaciones de un grado de libertad 4. Se debe rep ortar la rea l significación estadística en lugar de colocar asteríscos Nelson y Rawlings ( 1983) discutieron los diez usos indebidos más comunes de la estadística en la inve stigación agronómica y en la presentación de reportes. Además, discutieron como debería haberse realizad o el diseño, análisis, interpretación y reportes con varios ejemplos. Este documento puede ser usado como una guía para el análisis e interpretación de datos de experimentación agrícola. Un ejemplo de un análisis de varianza de un diseño de parcela dividida que dem uestra la subdivisión de la suma de cuadrados de los tratamientos en contrastes lógicos de un grado de libertad se presenta a continuación: Fuente g.l. ¡ CM F : P>F: Bloque s 3 : 523333 : Ca l (C) 1 : 892000 6.59 0.083 Error (a) 3 135333 Nitrógeno (N) 3 273333 2.95 0.061 NL 1 152000 1.64 0.217 I NQ l 650000 7.02 0.0 16 I NFa1ta de aj uste 1 18000 : 0.19 0.670 C x N 3 : 313000 3.38 0.041, Error (b) 18 92500 I Total (correg ido) 31 Con este desglosamiento especi fico de los grados de libertad, la interpretación es más clara. La Cal interacciona con el Nitrógeno y por esta razón es necesar io ajustar una curva separada de Nitrógeno por cada nivel de Cal. Se debe anotar que para obtener aun más claridad, se puede desglosar la interacc ión de C x N en componentes simples de un grado de libertad. Con las ecuaciones resultantes se puede estimar la dosis óptima de ferti lizante o se puede predecir el rend imiento a obtenerse con una comb inac ión de nutrientes dada. Si se está trabajando con una serie de sitios (y/o año s), existen dos tipos de análisis. Primero un análisi s por cada experimento individual y luego un análisis combinado . El análisis combinado se cubre con detalle más adelante. En este punto es importante discutir el uso y mal uso de las pruebas de comparación mú ltiples (Nueva Prueba de Rango Múltiple de Duncan, DMS , etc.), 29 INPOFOS Estadística en la invest igaci én del uso de Iert ñíza ntes ya que esto se aplica bien al tópico en discusión. Los procedimientos de comparación múltiple fueron desarrollados para casos donde no se tiene una buena idea de cuales comparaciones son lógicas . Por ejemplo, son usados en experimentos con variedades. Sin embargo, en muchas otras situaciones se tiene una buena idea debido a que se diseñó el experimento para hacer contrastes específicos. Existen dos situaciones en particular donde no se deben utilizar comparaciones múlt iples: l . Cuando se comparan media s de combinaciones factoriales en un experimento factorial 2. Cuando se comparan medias de niveles de un factor cuantitativo Ejemplo del primer caso es el siguiente: Tratamientos Variedades Dosis de inócu lo : Ladak Rambler o 10 20 40 O 10 20 40 Medias del rendimiento 1.17 a b 1.28 a b 1.08 a 1.43 b e 0.94 a 1.42 b e 1.54 e 1.25 a b En este ejemplo, si se tiene en cuenta que el diseño de tratamientos es un factorial de 2 x 4, se debe conducir un análisis de varianza con subdivisión factorial de tratamientos . La comparac ión múltiple utilizada no es apropiada. Si el análisis de la varianza demuestra que las dosis de inóculo son importantes, se deben ajustar curvas de respuesta por variedad o una curva combinada de las dos variedades. Ejemplo del segundo caso se presenta a continuación : INPOFOS Al añadido ppm o 10 20 40 30 Al extraído ppm 33 a 44 a b 48 b e 55 c 1 I r 1 Estadistica en la investigación del uso de fertilizantes . En este ejemplo, el Al añadido es un factor cuantitativo y la comparación múltiple no es apropiada. En este caso, se debe ajustar una curva y desarrollar una ecuación en lugar de comparar todos los pares de medias. Las comparaciones múltiples se deben evitar en todos los casos en los cuales se conoce que existe un modelo lógico, como una respuesta curvilínea a las dosis de fertilizantes. La comparación especifica de interés no tiene suficiente poder porque el poder se divide entre todas las comparaciones. Un ejercicio que demuestra los problemas de las comparaciones múltiples consiste en aplicar diferentes procedimi entos de comparación múltiple en un mismo grupo de datos. Los resultados son generalmente muy reveladores. Las pruebas más conservadoras (que no encuentran muchas diferencias), tales como Tukey y Scheffe, muestran solo un grupo, mientras que las pruebas sensitivas (que encuentran más diferenc ias), como el DMS, muestran varios grupos. Esto demuestra claramente cuan arbitrario es todo el conceptode comparaciones múltiples. Algunos artículos útiles en el uso y mal uso de las comparaciones múltiple son: Chew, V. (1976, 1977 y 1980) y Little, T.M. (1978 y 1981). El mal uso de las pruebas de comparación múltiple y el reporte resultante solo producirá mala información y propagará más el mal uso de estos procedimientos. Análisis factorial e interpretación Muchos de los experimentos que se conducen en suelos y fertilizantes son factoriales por naturaleza. El arreglo factorial de los tratamientos es muy estructurado lo que implica una subdivisión factorial de la suma de cuadrados de los tratamientos en el análisis de varianza. Esto es el primer y obligado paso en el análisis de datos. Una gran parte de la interpretación depende de si existe una interacción significativa o no. Si la interacción no es grande e importante, se puede . proceder a realizar la interpretación de las medias del efecto principal y éstas son las que deben reportarse en el informe de los resultados. Sin embargo, existe mucha confusión y se encuentra que mucha gente no aprovecha la descomposición factorial como parte del análisis de la varianza, o no se es 10 suficientemente especifico en el informe con respecto a la descomposición factorial (fue la interacción importante?). La estructura factorial de los tratamientos hace que el informe sea algo dificil porque cada caso es más o menos único. Es dificil delinear reglas generales sobre el formato de presentación del informe. La tendencia de las revistas científicas de biología y agricultura en los Estados Unidos ha sido la de reportar solo las medias y presentar los resultados de las comparaciones múltiples. Si se enfat iza primero el análisis factorial y luego se hace en el ajuste de curvas, o la comparación de medias de factores cualitativos con 31 lNPOFOS Estadistica en la investigación del uso de fertlllzan tes contrastes, dependiendo de los resultados del análisis factorial , se necesita más especificidad en el informe. Es aconsejable la inclusión de una tabla de varianza simple luego de la tablas de medias para presentar un resumen de lo que pasó en el análisis. Esto se contrapone un poco con la tradición de las revistas científicas ya que los editores tratan de conservar espacio, sin embargo, esto es importante para presentar un breve reporte de lo que paso en el análisis. El siguiente ejemplo muestra el uso y benefic io de presentar un breve análisis de la varianza bajo la tabla de medias . Series de Suelo Cultivar Conteo de población' Alford A 24 B 21 C 23 D 26 Hosmer A 21 B 27 C 20 D 28 Win A 23 B 27 C i 25 D 27 * Media de tres observaciones en un disefio completamente al al ar ¡ Anális is de varianza, : Fuente g.l. C.M. F Prob>F Suelo 2 4.34 i .09 Cultivar 3 13.11 3.28 0.038 D vs (ABC) l 28.44 7.11 0.014 C vs (AB) .: 1 2.72 0.68 0.4 18 B vsA . I 8.17 2.04 0.166 I Suelo x Cultivar 6 5.78 1.45 0.237 Error 24 4.00 ! El análisis de varianza presentado debajo del grupo de medias de los tratamientos claramente demuestra que las medias del conteo de población de cultivar D es diferente de la media de los otros tres cultivares combinados. No existe ninguna diferencia entre suelos y tampoco existe interacción entre suelos y cultivares. Esta INPOFOS 32 Estadística en la tavesngaetón de. uso de Iertilizantes interpretación no seria evidente solo mirando las medias o usando una prueba de comparación múltiple. Uso de sola mente parte de los datos para estimar el error de varianza Una de las tendencias de muchos artículos de revistas científicas ha sido calcular y reportar solamente la desviación estándar de cada tratamiento. El problema con ésto es que las desviaciones estándares son muy inestables porque se basan en pocas observaciones (3 ó 4). Además, en el caso de un diseño de bloques al azar, no se remueve el efecto de bloque. Por esta razón, se debe reportar comúnmente una sola desviación estándar o el error estándar de la media para todo el grupo de datos, a menos que exista una razón para creer que el error no es homogéneo y cambia con las dosis de un factor cuantitativo tal como la dosis de fertilizantes (o tiempo). Esto se aplica tanto a tablas como a gráficos. El gráfico que muestra la desviación estándar para cada nivel no es apropiado (Figura 5). En la Figura 5 no están bien dos cosas. Primero, se debe presentar una sola barra que represente la desviación estándar calculada en base a todos los datos, en lugar de la desviación de cada una de las dosis. Segundo, se debe dibujar una curva ajustada con algún tipo de modelo en lugar de conectar cada par de medias con una línea recta. -~ 1-.'.··1 ---- ---fo /<=~§ ,/ - -"C ~ /~ e; / / I I I I O so 100 ISO 200 Dosi s de ferti lizante s Figura 5. Uso inapropiado de la desviación está ndar al grafiear respuestas a dosis de fertilizantes. 33 INPO FOS Estadistica en la investigación del uso de fertilizantes Uso de un apropiado término de error para probar los parámetros de los modelos Se debe tener mucho cuidado al probar los parámetros en un modelo de respuesta a . fertilizantes con el aprop iado término de error. Existe un error puro en este análi sis, pero generalmente hay también una estimación de falta de ajuste (el residuo de la suma de cuadrados de los tratamientos después de que se han removido todas las sumas de cuadrados para los términos del modelo). Con los paquetes de computadora corno SAS (1989), se debe tener cuidado' al programar de modo que se utilice el error puro al probar cada efecto (incluyendo la falta de ajuste) y no el cuadrado medio del error de falta de ajuste o el cuadrado medio combinado de falta de ajuste con el error puro. El uso de un término de error incorrecto puede llevar a interpretaciones completamente diferentes de lo que realmente pasó en el experimento. Análisis económico e interpretación El aná lisis de la varianza y el ajuste de modelos son los procedimientos de análisis estadístico usados en el tratamiento de los datos de respuesta a fertilizantes. A continuación debería incluirse un análisis económico. Esto generalmente incluye el encontrar el punto en el cual el costo marginal es igual al retom o marginal. En términos operacionales, se debe calcular la razón (costo de la unidad de nutriente en el fertilizantcj/tvalor unitario del producto) e igualarla con la derivada del rendimiento con respecto a la dosis de fertilizante añadido. No es recomendable fertilizar mas allá del punto en el cual la relación costo/precio, r ~ ayfax (Y ~ rendimiento y X ~ dosis de adición) . Por ejemp lo, si r ~ 0.5 Y la ecuación de regresión es Y ~ 7.5 + 7.15X - 1.07X' (ecuación de ajuste de la curva), los cálculos son los siguientes: Y aYI8X r -7.15 0.5 - 7.15 X 7.5 + 7.15X - 1.07X' 7.15 - 2(1.07)X ~ r - 2.14 X - 2.14 X 3.1 unidade s del fertilizante En el caso de dos o tres nutrientes, se toman las derivadas parciales y se las iguala a la relación costoibenefic io apropiada y se resuelven las ecuaciones simultáneas resultantes. Existen programas de computadora que calculan automáticamente por lo menos parte del anális is económ ico y esto es importante cuando se involucran varios nutrientes. Uno de estos programas es RSREG en SAS (1989). INPOFOS 34 Estadística en la investigación del uso de fertilizantes La discusión anterior asume un modelo polinomia!. Este modelo es conveniente en casos donde se analiza una serie de experimentos, particularmente cuando los tratamientos tienen arreglos factoriales. El análisis económico es directo. Se han encontrado casos, en países en desarrollo, donde la respuesta tenía una apariencia de meseta. En estos casos la familia de modelos de Anderson y Nelson (1975) proporcionan una estimación más conservadora y probablemente más realista del optimo fisico y económico. La idea es ajustar una serie de 8 modelos (y sus sub - modelos) a la respuesta al fertilizante y escoger el modelo que mejor se ajust e. Estos modelos consisten en lineas rectas que se interceptan, antes que curvas continuas. La interpretación económicageneralmente recomienda aplicar el nutriente hasta llegar al punto de la intersección de las dos lineas y sobre este punto añadir solamente lo extraído en la cosecha o no añadir nada. Los modelos discontinuos son un tanto más dificiles de ajustar e interpretar cuando hay varios nutrientes y cuando se analizan los datos de algunos sitios en un análisis combinado. Reporte de los resultados El reporte de los resultados se relaciona mucho con la interpretación. Existen reportes que tienen problemas. A menudo, los investigadores no describen en detalle los procedimientos estadísticos utilizados en la sección de materiales y métodos del informe o artículo científico. Se muestran figuras donde las medias de la respuesta a las dosis de fertilizante se conectan con lineas rectas en lugar de ajustar las curvas y presentar la ecuación resultante. En algunos casos hasta se presentan las medias de respuesta con las letras de una prueba de Duncan. En este tipo de trabajo , es mejor reportar la ecuación de regresión y el óptimo fisico y económico para cada situación (año o lugar). Una superficie de respuesta también hace una figura apropiada y en este caso no se necesíta reportar las medias individuales en las cuales se basó el cálculo. De nuevo, es necesario puntualizar que si se presenta un reporte con buen formato, otros en el futuro pueden seguir el ejemplo. Referencias Anderson, R. L. and L. A. Nelson 1975. A family of models involving intersecting straight lines and concomitant experimental designs useful in evaluating response to fertilizer nutrients. Biometrics 31: 303-318. Chew, V. 1976". Comparing treatrnent means: A compendium. HortScience 11: 348-357. Chew, V. 1976b. Use and abuse of Duncan' s multiple range test. Proc. Florida State Hort. Soco89: 251-253. 35 INPOFOS • Estadística en la investigación del uso de fertilizantes Chew, V. 1977. Compatisons among treatment means in an analysis of variance. ARSI1JSDA Bu!. ARS/H/6. Little, T. M. 1978. If Galileo published in HortScience. HortScience 13: 504-506. Little, T. M. 1981. Interprctation and presentation of results. HortScience 16: 637- 640. Nelson, 1. A. and J. O. Rawlings. 1983. Ten common misuses of statistics in agronomic research and reporting. J. Agron. Ed. 12: lOO-lOS. SAS Institute, Inc. 1989. SA S/STAT'" User 's guide. Vol. 1; 4'h ed. Cary, N. Carolina. INP OFOS 36 37 Estadistica en la investigación del uso de fertilizantes Capítulo - 6 Diseño y análisis de nna serie de experimentos en diferentes lugares y años (análisis combinado) Para cierto tipo de investigación (como estudios fuertemente influenciados por factores ambientales), un experimento individual está severamente limitado porque los resultados son estrictamente aplica bles solamente a ese sitio y año en particular. Es difícil extrapolar resultados a otras situaciones considerando la variación en suelos, drenaje, manejo del cultivo e incert idumbre del clima. Se pueden hacer algunas extrapolaciones ya que los resultado s de experimentos deben aplicarse lo más ampliamente posible. Sin embargo, un experimento individua l puede ser de poco valor y las recomendaciones prácticas se basan solamente en los resultados de una serie de experim entos. Otra razón por la que ciertos experimentos deben ser repetidos es que los resultados de un sitio individual, aunque significativos, pueden no ser confiables. Por ejemplo, una de veinte diferencias en los tratamientos (usando un nivel de .05 de significancia) podria deberse a la casualidad y el investigado r no sabe cual es. Además , podría ser que algún factor desconocido esté actua ndo diferencialmente en los tratamientos haciendo que una proporción aun más grande de los resultados no sea muy confiable. De cualquier manera, 1 posibilidad en 20 de que las diferencias sean por casualidad no se debe permitir y la mejor seguridad en contra de la casualidad es repetir el experimento. Trabajando con una serie de experimentos se puede también determinar si los tratamientos están interactuando con los sitios. Una serie de sitios debe representar la población sobre la cual se van a delinear conclusiones. Cierta selección aleatoria del sitio es deseable , pero a menudo esto no es posible porque se deben usar los sitios disponibles. En algunos casos, cuando se escogen los sitios experimentales, se puede hacer un íntento deliberad o para seleccionar sistemáticamente rangos de uno o más factores ambientales. El experimento debe mantenerse en el campo por lo menos por tres años, para así obtener una razonable muestra del clima . Aun con este periodo de tiempo no se asegura un muestreo del clima típico del sitio. Uniformidad del diseño y arreglo de los experimentos en el campo Por razones estadísticas, el diseño experimental debe ser común para todos los sitios y las demá s especificaciones deben ser uniformes (número de repeticiones, tratamientos, tamaño y forma de la parcela). El arreglo en el campo de los experimentos debe ser idéntico de sitio a sitio, aun cuando la randomización debe hacerse separadamente en cada experimento. Sín embargo, la estandarizacíón de I!'iPOFOS p Estadística en la investigación del uso de fertilizantes tratamientos no es siempre práctica desde el punto de vista de fertilidad del suelo ya que algunos nutrientes pueden ser deficientes en un suelo y en otro no. El hacer aplicaciones complementarias de los nutrientes deficientes a todo el experimento en los sitios donde se detectan problemas puede ser la solución, siempre y cuando no exista interacción de estos nutrientes con los nutrientes bajo estudio. La clave para un análisis combinado es estrechar el rango de la serie de experimentos. de modo que se pueda usar un grupo común de tratamientos. Si esto no es posible, el análisis combinado de datos será más complicado y a veces imposible. Experimentos con repeticiones desiguales pueden ser manejados en análisis combinado, pero el proceso se hace más dificil. Las combinaciones sitio-año pueden ser consideradas como ambientes. Algunas configuraciones de series de experimentos para muestreo de estos ambientes son las siguientes: l. Cada uno de los sitios se usa año tras año Sitios - Años (Ambientes) Sitios Años Sitios x Años Si no hay randomización cada año, éste es un experimento perenne 2, Los sitios se cambian de año a año Sitio - Años (Ambientes) Años Sitios (en Años) 3. Se usan los mismos sitios a través del tiempo pero diferentes años representan cada sitio Sitio - Años (Ambientes) Sitio, Años (en Sitios) Es posible determinar si los tratamientos reaccionan en forma diferente en distintos ambientes usando un análisis combinado de varianza para una serie de experimentos. Por supuesto, esto se hace después del análisis individual por ambiente. La presencia de una interacción entre tratamientos y ambientes en un análisis combinado indica que es dificil generalizar las recomendaciones en todos los ambientes representados en el estudio. Esta interacciones ocurren frecuentemente en la práctica, lo que quiere decir que se debe tener cuidado al IlW OFOS 38 - Estadística en la investigación del uso de fertiliza nles hacer recomendaciones generales. Se espera cierto incremento en precisión al combinar los datos de una serie de experimentos. Mecanismos de cálcnlo de la suma de cuadrados para el análisis de la varianza combinado A partir del agregado de las Suma de Cuadrados (SC) de los Tratamientos (T) para cada ambiente (Sitios), se puede obtener las SC de Tratamientos y la SC de Tratamientos x Sitio (T x S) para el análisis combinado de todos los sitios . Para obtener la SC de T x S se sustrae, del agregado de las SC de Tratamientos para cada sitio, la SC de Tratam ientos calculada sobre todo s los sitios combinados. Sumas de cuadrados necesarias para el análisis combinado: SC de Sitios = ([S¡J' + - - - + [S,]2) / tb - FC SC de Tratamientos para el análisis combinado = ([T¡J' + - - - + [T.]' ) / sb - Fe se de T x S para el análi sis combinado = Agregado de las SC de T para cada sitio
Compartir