Gua metodolgica para investigadores agrcolas

Introduccin prctica a la investigacin participativa e investigacin cientfica

de lngrid Arning Red de Accin en Alternativas al uso de Agroqumicos

Arning, Ingrid: Gua metodolgica para investigadores agrcolas. Introduccin prctica a la investigacin participativa e investigacin cientfica. RAAA. Lima, Per. 2001. ISBN 1501012001-2463

Red de Accin en Alternativas al uso de Agroqumicos (RAAA) Julio Rodavero 682 Urb. Las Brisas Cercado, Lima 1 Apartado postal 11-0581 Telefax: 0051-1-3375170 / 4257955 Jos Luis Mendoza Benites raaaper Q terra.com.pe www.raaa.org www.geocities.corn/raaaperu Julio 2001

Colaborador: e-mail:

Primera Edicin: Diagramacin: Ilustraciones: Cartula: Impresin:

lngrid Arning Rolando Tejada T. Rolando Tejada T. Solvima Graf S.A.C. Jr. Saint Saenz 670 - San Borja, Tel.: 224 2923, Telefax: 476 1206

ISBN: 1501012001-2463 Se autoriza la reproduccin parcial de la presente gua, siendo la nica condicin indicar la fuente y enviar dos ejemplares a la RAAA.

Contenido

Prefacio .................................................................................................................... 5 Introduccin .............................................................................................................. 7 9 Sobre la investigacin............................................................................................... 10 Investigacin cientfica o convencional............................................................... Investigacin participativa .................................................................................. 10 Parte 1 Investigacin participativa ....................................................................................... 13 15 1. Principios de la investigacin participativa...................................................... 2. Actores ........................................................................................................... 17 19 3. Tipos de investigacin participativa ................................................................ 4 . Mtodos participativos.................................................................................... 19 4.1 Visualizacin ............................................................................................ 24 4.2 Facilitador ................................................................................................ 25 5. Principales pasos de trabajo en la investigacin participativa.........................28 5.1 Diagnstico .............................................................................................. 29 34 5.2 Planificacin............................................................................................. 36 5.3 Diseo ..................................................................................................... 37 5.4 Evaluacin o toma de datos ..................................................................... 39 5.5 Anlisis y conclusiones ............................................................................ 5.6 Recomendaciones .................................................................................. -40 6. Bibliografa ..................................................................................................... 40 Parte 2 . Investigacin cientifica ............................................................................................ 41 43 1. Sobre la estadstica ........................................................................................ 2 . Principios bsicos de la planificacin..............................................................45 2.1 Repeticiones............................................................................................ 47 2.2 Randomizacin........................................................................................ 48 50 2.3 Bloques.................................................................................................... 2.4 Tratamientos ............................................................................................53 2.5 Testigo.................................................................................................... -54 54 2.6 Investigaciones factoriales ....................................................................... -55 2.7 Forma y ubicacin de parcelas ............................................................... 2.8 Tamao de parcelas ...............................................................................-58 61 2.9 Efecto vecinal .......................................................................................... 2.1 0 Efecto marginal ...................................................................................... 62 62 2.1 1 Simetra ................................................................................................. 63 3. Diseo experimental....................................................................................... -63 3.1 Diseo Completamente Aleatorio............................................................ 3.2 Diseo de Bloques Completos Aleatorizados ........................................... 64 3.3 Diseo en Cuadrado Latino .....................................................................65 3.4 Diseo de Parcelas Divididas...................................................................66 -69 4 . Toma de datos .............................................................................................. 70 4.1 Tamao de muestra ................................................................................. 70 4.2 rea de muestre0 .................................................................................... 71 4.3 Que es lo que se evala? ......................................................................

5. Anlisis de datos ............................................................................................ 75 5.1 Niveles de datos ...................................................................................... 75 5.2 El anlisis de varianzas .ANVA ............................................................... 77 77 Supuestos para el ANVA ......................................................................... 81 Qu se tiene que tener en cuenta en un ANVA? ................................... 81 Valor F..................................................................................................... 83 El ANVA para factoriales ......................................................................... Anlisis de varianza de parcelas divididas...............................................87 5.3 Transformacin de datos ......................................................................... 93 95 5.4 Clculo de datos perdidos........................................................................ Clculo de datos perdidos para diseo de bloques completos al azar .....95 98 5.5 Anlisis de comparacin mltiple de medias............................................ 99 Prueba de comparacin de medias: Tukey.............................................. Mtodo de presentacin ........................................................................ 106 107 5.6 Pruebas no paramtricas....................................................................... 107 Kruskal-Wallis-Test o H-Test ................................................................. Prueba de comparacin de medias: Nemenyi ....................................... 110 Friedman-Test....................................................................................... 114 116 Prueba de comparacin de medias: Wilcoxon-Wilcox ........................... 119 5.7 Grado de eficacia ................................................................................... 124 5.8 Anlisis de datos registrados en escala ................................................. 127 6. Interpretacin de los datos ........................................................................... 128 7. Presentacin de datos e informes ................................................................ 128 7.1 Tablas .................................................................................................... 7.2 Grficos ................................................................................................. 130 135 8. Recomendaciones para redactar avances o informes finales ....................... 137 9.Bibliografa .................................................................................................... Anexos .................................................................................................................. 139 151 lndice ....................................................................................................................

Prefacio
Desde 1945 la investigacin como estrategia para la generacin de tecnologas ha estado ligada a sectores involucrados en el quehacer acadmico y cientfico, excluyendo en muchos casos a los agricultores, lo que adems contribuy a la incorporacin de tecnologas propias de la "revolucin verde" desde las universidades hacia el campo. Durante los aos 80, tras la generacin de los SIPAs, hoy INIAs, la investigacin prioriza y afina sus herramientas para la medicin de resultados y efectos que buscan promover la replicabilidad de las recetas obtenidas en los campos experimentales. La investigacin agrcola en el Per ha dejado de significar una herramienta para la generacin de alternativas que solucionen los problemas de los agricultores; por lo menos en la concepcin de los gobiernos durante los ltimos 15 aos, lo que a su vez a contribuido al estancamiento del sector agrcola. A partir de 1992, luego de la desactivacin de los centros de investigacin y extensin, la generacin de tecnologas en el sector agrcola ha estado ligada al trabajo desarrollado por organizaciones promotoras del desarrollo rural, lo que permiti una mayor reflexin .sobre el proceso de investigacin, sus enfoques conceptuales y metodolgicos en la perspectiva de implementar el desarrollo sustentable, con participacin activa y reivindicativa en el caso de involucrar a las universidades, y agricultores respectivamente. La experiencia de la Red de Accin en Alternativas al uso de Agroqumicos (RAAA) es analizada y sistematizada de una manera didctica para servir de insumo a los investigadores agrcolas a fin de que puedan recoger herramientas validadas para implementar procesos de investigacin. En este sentido lngrid Arning, asesora del Servicio Alemn de Cooperacin Social Tcnica (DED) para la Unidad de Investigacin de la RAAA, hace una presentacin de la investigacin participativa con la finalidad de demostrar una correspondencia entre la investigacin y la participacin de los agricultores para identificar y solucionar los problemas relacionados al sector agrcola y as construir su propio desarrollo. La investigacin participativa pretende recoger de manera precisa las demandas de los productores as como propiciar el intercambio de conocimientos entre innovadores campesinos e investigadores. Consideramos que la orientacin hacia modelos productivos alternativos requiere de estrategias de innovacin, tanto a nivel tecnolgico, como metodolgico de manera constante, recogiendo en muchos casos el conocimiento tradicional y la participacin activa de los agricultores. Por esta razn el presente manual constituye una gua metodolgica bsica tanto para los investigadores agrcolas, tcnicos y promotores que pretenden realizar procesos de adaptacin e innovacin con participacin de los agricultores, actores centrales del proceso de investigacin en el escenario de la Agricultura Sustentable. Hctor Velsquez Alcntara Coordinador Unidad Investigacin RAAA

Introduccin Este manual quiere ser una gua metodolgica para interesados en investigaciones agrcolas, ya sea utilizando mtodos participativos como los que trabajan dentro de los enfoques tradicionales. Es una recopilacin de una gran cantidad de informacin producida al respecto a nivel nacional e internacional sobre los fundamentos y mtodos ms bsicos que se pueden aplicar en investigacin. La seleccin de los temas se realiz en base a las experiencias hechas en la RAAA en la Unidad de Investigacin, teniendo en cuenta preguntas y errores frecuentes de los proyectos apoyados por la Unidad. La parte de investigacin participativa se debe entender como una gua de posibilidades. Los mtodos participativos no pueden ser tomados como un libro de recetas de cocina. De nada valen los mtodos si el facilitador no est convencido de la utilidad que tiene el dejar participar a los agricultores. Los mtodos no funcionan con estilo autoritario, es necesario soltar las riendas y atreverse a dejarse llevar por la dinmica y desarrollar ideas no planificadas. Slo puede ser aplicado por personas decididas a trabajar ellos mismos en equipo. Cada uno de los mtodos presentados tienen un propsito, una situacin adecuada e inadecuada, por lo que resulta necesario conocer las circunstancias antes de aplicarlas y elegir los mtodos segn las condiciones del pblico. Este manual no puede dar una presentacin completa, ms bien se escogieron algunos ejemplos. La parte de investigacin convencional contiene muchos temas conocidos, a los que no se les da la importancia debida en la prctica, por lo que la autora trata de enfatizar estos puntos y su influencia en la investigacin. Muchos de estos temas son sobre todo las condiciones bsicas a respetar para poder transferir el trabajo de investigacin a otros interesados, sin que stos se den con la sorpresa de no poder replicar las experiencias. No se tocarn los anlisis conocidos, reconocidos y usados con frecuencia en el Per, ya que estos pueden ser consultados en muchos otros libros. El presente trabajo pretende contribuir a la calidad de los futuros trabajos y a la aplicabilidad de ellos. Para facilitar la lectura de este manual, se usa la forma masculina como nica forma, incluyendo a las mujeres en esta expresin.

La autora

Sobre la investigacin La investigacin agrcola es un proceso que se viene realizando desde tiempos remotos y un agricultor siempre ha sido tambin un investigador. Su permanente curiosidad de mejorar, cambiar y probar han hecho de la investigacin lo que es hoy da. Lo que antes era una actividad cotidiana se ha ido transformando a una actividad cientfica, para la cual se necesita un estudio especfico para poder realizarla. Poco a poco se ha creado un crculo cerrado, un mundo aparte de investigadores, que han desarrollado su propio idioma, sus propias normas slo vlidas, y el agricultor ha quedado afuera, muchas veces sin tener acceso a la informacin producida y sin poder influenciar temas de investigacin. Investigaciones cientficas o convencionales problematizan: a los investigadores no les es suficiente conocer el funcionamiento de una tcnica, etc., ms bien es necesario saber el porqu funciona tal como lo hace, conocer las normas bsicas y el mecanismolteora detrs del resultado. Lo importante siempre es alcanzar el pleno conocimiento sobre el problema y entenderlo, no tanto su solucin prctica. Es as que muchas investigaciones fueron realizadas por el slo hecho de realizarlas, sin salir del mundo investigador y sin ser aplicadas. Los resultados obtenidos son difundidos en los crculos cientficos, cerrados a los agricultores por el difcil acceso a las publicaciones y el lenguaje usado en ellos. Pero difundir los resultados es importante para asegurar que las innovaciones no slo son desarrolladas, sino tambin difundidas hacia el grupo meta: los agricultores. No por esto se puede rechazar a la investigacin cientfica. Al contrario, tiene su razn de ser y ha contribuido con muchos conocimientos bsicos mejorando el entendimiento de problemas y pudiendo solucionarlos a raz de esto. Pero cada vez ms se ha abierto la brecha entre las necesidades del pequeo agricultor y los resultados de los centros de investigacin. Se ha perdido el mutuo contacto y la retroalimentacin. Pero an as, haber reconocido esta evolucin no ha sido el origen de la investigacin participativa, aunque influenci y jug un papel importante. La "investigacin participativa" ha sido creada por parte de los programas de desarrollo agrcola a raz del reconocimiento, que el xito de los proyectos de desarrollo era muy pobre - la produccin agrcola no aumentaba por la no adopcin por parte del agricultor de la tecnologa propagada. En evaluaciones se lleg a la conclusin, que esto no era por ignorancia de los agricultores, sino por lo inadecuado que eran las tecnologas promovidas. En los aos 80 fueron desarrollados los mtodos de "On-Farm-Research", en los cuales se analiz sistemticamente las condiciones de produccin y sistemas de produccin del punto de vista de los agricultores. Posibles soluciones a los problemas agrcolas son investigadas en el campo de los agricultores, bajo sus condiciones y se consider que los estudios econmicos de las tecnologas son tan importantes como las agrcolas. Segn la opinin de la autora no existe lnea que separa con exactitud las dos formas, ms bien se puede realizar una libre combinacin entre los dos modelos tericos, pudiendo dar muy buenos resultados bajo las circunstancias pertinentes. Los dos modelos de investigacin tienen sus ventajas y desventajas y cada una tiene su habilitacin. Como nos muestra el dibujo 1 (El elefante y el ciego) para comprender una cosa o un tema, se necesita entender y ver varios puntos o subtemas. As la

Manual para investigadores investigacin participativa y la investigacin convencional van de la mano y se complementan una a la otra. En lo que refiere a la estadstica, que en la investigacin convencional juega un rol mucho ms importante que en la participativa, no hay que olvidar que la estadstica y todas sus frmulas se han creado para poder demostrar diferencias que a simple vista no se ven o son distorsionadas por la subjetividad del ojo. Muchos sobrestiman la estadstica, sin tener en cuenta que con frmulas mal usadas se pueden distorsionar ensayos. Cada resultado puede ser manipulado y presentado con la estadstica a manera de ver del autor. Depende de la sinceridad de ste en no desfigurar los resultados.

Investigacin cientfica o convencional

Con investigacin cientfica entendemos investigaciones realizadas en campos experimentales de universidades o centros de investigacin. En su mayora se trata de investigaciones bsicas, en laboratorios o invernaderos, donde las condiciones son mayormente conocidas y manipulables. Para poder calificar una investigacin cientfica como tal, suponemos que ha sido realizada bajo normas de planificacin, con diseos reconocidos, normas estadsticas para demostrar diferencias y realizadas por personal calificado y entrenado para estos trabajos. Es as que el reconocimiento de las tesis depende del reconocimiento cientfico del patrocinador, no del tesista, que con su poca experiencia no es aceptado como investigador de peso.
A travs de los aos la investigacin se ha ido evolucionando. Con el afn de garantizar objetividad y replicabilidad, se han creado normas y se han diseado sistemas cada vez ms complejos para situaciones y condiciones especficas, que tienen su validez slo bajo esas circunstancias. Cada una de las frmulas requiere de su sustento terico y tiene sus limitaciones, que muchas veces son ignorados por investigadores menos capacitados y versados. Por ende, slo pueden realizarse por especialistas.

Investigacin participativa
La investigacin participativa tiene como objetivo elaborar conocimientos prcticos, que ayudan a solucionar problemas slidos, concretos, cambiar la realidad agrcola y con esto contribuir a desarrollar. Los resultados obtenidos son aplicables, no tericos. La investigacin parte del supuesto, qu mtodos cientficos de investigacin tambin pueden ser aplicados por personas menos capacitadas en esa rea. La investigacin participativa, como el nombre ya lo indica, hace participar a los agricultores o es manejada directamente por ellos. Como veremos en el captulo siguiente hay diferentes formas y niveles de participacin y diferentes mtodos de realizacin, pero todos tienen en comn su realizacin fuera de los campos experimentales. Los diseos y mtodos estadsticos aplicados varan, pero en caso ideal son manejados por los agricultores. Esto supone que, sobre todo en estadsticas, se regresa a la forma manual de los anlisis bsicos para poder manejarlos sin excluir a personas con menos conocimientos tcnicos y hacer entender todos los pasos de la sistematizacin y llegar en conjunto a las respectivas conclusiones.

Manual para investigadores El rol del investigador, el cual puede ser un investigador, extensionista o recnico, es ms el de un facilitador, el de dinamizar y dar seguridad y confianza, resolviendo dudas, estimulando innovaciones. Requiere sobre todo de tiempo para el seguimiento al grupo de los agricultores - investigadores ms que tiempo para evaluar y manejar la investigacin. Una investigacin al mismo tiempo es una capacitacin a los participantes, tanto al investigador como a los agricultores. Por el simple hecho de motivar a "probar" se cambia la situacin social de los agricultores, se aumenta la autoestima, aunque al final quizs no se obtengan datos cientficamente "nuevos" o datos sustentables. Sea la investigacin que se use, el investigador debe tener claro sus objetivos y la meta principal, dentro de la cual se realiza la investigacin (ver dibujo 1: El elefante y el ciego). Cada investigacin es una parte que contribuye a un total. Una investigacin sobre el efecto de trampas amarillas es una parte que contribuye al manejo ecolgico de plagas, que dentro del sistema de cultivos tiene efectos directos, los que se evaluarn en la investigacin y efectos indirectos a todo el sistema, los cuales se deben tener en cuenta y quizs es necesario una siguiente investigacin evaluando la tcnica en el mbito del sistema. Para reconocer e interpretar correctamente los datos obtenidos en la investigacin se necesita ms que la informacin de un ANVA. Se necesita poder vincular estos datos obtenidos a su entorno. Es como tener un polo elegante de color amarillo, que combinado con un pantaln viejo y desgastado de color violeta destruye la buena presentacin personal.

Parte 1 Investigacin participativa

1. Principios de la investigacin participativa' La investigacin participativa se basa, como dice su nombre, en la participacin de los agricultores en los procesos de la investigacin y10 es manejada directamente por ellos. Los investigadores, que pueden ser tanto investigadores en el sentido tradicional como extensionistas o tcnicos, como primer paso deben tratar de entender a los agricultores, los beneficiarios de sus investigaciones. Esto garantiza hasta cierto punto una mayor aceptacin de las innovaciones introducidas en la zona y evita trabajar con agricultores sin poder llegar a ellos. Adems permite partir de los conocimientos existentes y aprovecha ideas de los mismos agricultores. Los agricultores deciden que producir o consumir segn sus preferencias y costumbres, tanto como segn factores naturales, socioeconmicos, polticos, etc. Estos factores tambin influyen en la aceptacin de una nueva tecnologa, por lo que deben ser tomados en cuenta a la hora de la investigacin. Si se les hace participar, esto ocurre de manera natural. Nadie conoce mejor que ellos sus criterios, intereses y tcnicas usadas a partir de los cuales se desarrollar una nueva tecnologa. Las mejores tecnologas, agronmicamente hablando, a veces son rechazadas por razones de costumbre, facilidad de ejecucin, etc., aunque la tecnologa sea muy efectiva. Como se observa en los dos dibujos, una cultura, regin o zona tiene una forma de solucionar su problema, lo que para otra no es viable. Son ellos los que deben fijar el tema de la investigacin y elegir la tecnologa ms apropiada bajo sus circunstancias. El investigador cumple un rol sobre todo de facilitador, para que los agricultores puedan expresar sus demandas y es el que ofrece diferentes posibilidades para satisfacer estas demandas. El investigador adems provee de mtodos y principios para las investigaciones, /- pero no decide que es lo que los agricultores necesitan. Hay situaciones, donde es necesario despertar el inters o la demanda por una tecnologa, hacindola conocer o capacitando sobre un problema, sobre todo problemas que se ven recin a largo plazo. Por ejemplo, nadie solicita un celular, sin conocer que existe esta posibilidad de comunicarse y nadie requiere de terrazas o zanjas de infiltracin sin conocer y reconocer el problema de erosin. Pero siempre es el agricultor el que debe solicitar el tema de una investigacin y, de antemano, reconocer su problema, al cual se busca solucin. La investigacin puede ser una forma de capacitacin o transferencia de tecnologa hacia los agricultores. Partiendo de esta base, hay diferentes modos de actuar. Hay centros de investigacin, que recogen los problemas de los agricultores, los discuten con ellos y se retiran para hacer sus investigaciones y luego presentar las soluciones elaboradas en los centros.
El captulo se elabor en base al libro: Werner, J. 1993. Participatory Development of Agricultura1 Innovations. Procedures an Methods of On-Farm-Research.
1

15

Manual para investigadores Algunos ofrecen das de campo para informar a los agricultores sobre avances. La participacin por parte de los agricultores se reduce a ser fuente de ideas y beneficiarios, pero no son ejecutores. No se les da la oportunidad de experimentar ellos mismos las ventajas o desventajas de la nueva tecnologa. Por eso, las investigaciones deben llevarse a cabo en la misma chacra del agricultor, bajo su manejo y sus condiciones de prctica. Esto presume, que ya se tiene resultados preliminares de investigaciones bsicas, los cuales se pueden llevar al campo, que ya se cuenta con alternativas viables comprobadas en centros experimentales o chacras demostrativas. La idea tampoco es llevar todas las investigaciones a la chacra, arriesgando la cosecha (y supervivencia) del agricultor, sino asegurar, confirmar o validar resultados obtenidos en estaciones experimentales en la realidad agrcola. Pero no debemos caer en el error de pensar, que un sistema, una tecnologa desarrollada en una estacin experimental se pueda implementar de golpe en una chacra. Teniendo en cuenta lo dicho anteriormente, ms bien se trata de un proceso lento de cambios pequeos en base al sistema tradicional. La tecnologa tradicional ser transformada poco a poco por las investigaciones y resultados favorables para el agricultor. Principios de la investigacin participativa Agricultores son el centro de atencin Tcnicos tratan de entender a los agricultores Para qu?
9 9 9 9 9

Aprovechar la experiencia de los agricultores Compartir la investigacin con los que viven de ella Obtener datos vlidos para una regin

Validarinvestigacionesdebase
Comprobar viabilidad bajo condiciones en situ

Ventaja de la investigacin participativa El agricultor es motivado, recibe confianza en s i mismo La investigacin a l mismo tiempo capacita en nuevas tecnologas Se investiga temas realmente relevantes para la prctica Los resultados llegan al agricultor Desventaja de la investigacin participativa Mal manejo de las parcelas pueden hacer perder la investigacin Datos obtenidos no son cientficamente precisos

El xito de la investigacin participativa se mide haciendo un anlisis de aceptacin y se ve en los aos sucesivos, si los agricultores/as siguen investigando o aplicando las tcnicas introducidas.

2 . Actores
Los actores de la investigacin participativa son: los investigadores, los extensionistas y los agricultores. Segn forma o nivel de participacin cada actor tiene un diferente peso. Como hemos visto en el captulo anterior, el rol del agricultor puede estar reducido a ser fuente de ideas y grupo meta, beneficiario de los resultados de las investigaciones. Los agricultores generalmente son mencionados como tales, suponiendo detrs de la palabra un gran grupo homogneo, pero hay que tener muy claro, que cada agricultor tiene sus propios intereses, trabaja bajo condiciones diferentes a las de su vecino, etc. Esto se debe tener en cuenta al inicio de una investigacin, tanto como en el mismo propsito de la investigacin. Elaborar recomendaciones vlidas para cada uno de los agricultores es imposible, tanto como obtener recomendaciones vlidas para agricultores de toda una zona o regin. El grupo de contacto de los investigadores suelen ser los extensionistas, los cuales difunden los resultados de las investigaciones cientficas y las ponen en prctica adaptndolas a las realidades agrcolas. Los extensionistas son quizs los ms importantes difusores de las investigaciones. Pero la demanda por tecnologa por parte del agricultor y por parte del extensionista no siempre son idnticas, ...

Lo que los investigadores crean que los productores necesitan o piensan puede no corresponder a lo que estos en efecto necesitan o

... por lo que el investigador debe consultar tanto a los agricultores como a los tcnicos y examinar bien, a quien da ms peso. Lo ptimo es un consenso entre los tres grupos, ya que facilita el trabajo trabajar en unin con todos los involucrados.
El CIAT~, Colombia, trabaja con comits de investigacin agrcola local, conformado por agricultores lderes interesados en investigar para resolver dudas, mejorar sus cultivos. Segn este modelo se define el tema a investigar en conjunto con toda la comunidad, el cual ser trabajado por el comit, involucrando a todos los agricultores con inters de investigar. El comit est compuesto por un(a) tesorero(a), un(a) secretario(a), un(a) lder y un(a) extensionista, los cuales tienen las siguientes tareas: el secretario maneja la informacin que resulta de los ensayos; el Ider coordina el trabajo de todos, programa y organiza las reuniones y consulta con los tcnicos sobre los ensayos; el tesorero maneja los recursos (dinero, herramientas e insumos) del Comit y hace las compras necesarias para la investigacin; y el extensionista promueve y comunica los resultados, habla con la comunidad para recoger dudas o ideas para los ensayos, busca la capacitacin para los agricultores. Los comits manejan fondos y estn previstos de estatutos y cada miembro es elegido por la comunidad. Ellos se renen adems de los agricultores de su comunidad, con otros comits y tcnicos.
2

Ashby, 1991 CIAT, Cartillas para CIAL, No2

Manual para investigadores

En el caso de Colombia, el tcnico slo tiene la funcin de asesor, es el intermediario entre cientficos y agricultores. Tambin se puede trabajar en un equipo multidisciplinario, compuesto por agricultores, tcnicos, ingenieros, socilogos y otros.

El rol de los agricultores descubrir las necesidades de innovaciones agrarias seleccionar de una gama de tecnologas las ms promisorias para solucionar sus problemas determinar condiciones y manejo de investigacin investigar y evaluar si las tecnologas seleccionadas satisfacen las demandas transferir conocimientos de agricultor a agricultor El rol de los extensionistas sealar las necesidades de los agricultores de informacin sobre innovaciones movilizar los conocimientos tradicionales de los agricultores ayudar a los agricultores a articular sus demandas de innovaciones evaluar la viabilidad de la innovacin dentro del sistema extensionista difundir conocimientos sobre la innovacin transferir conocimientos sobre como investigar y evaluar innovaciones El rol de los investigadores ayudar a los agricultores a articular sus demandas de innovaciones hacer conocer la gama de posibilidades de solucionar problemas, demandas explorar y usar el conocimiento tradicional de los agricultores proporcionar los principios y mtodos de investigar tecnologa seleccionada la

Fuente: Tabla modificada de Werner, 1993.

18

Ashby (1991) recomienda un nmero de agricultores participantes no menor de 10, ideal sera un grupo de 15 a 20, para obtener suficientes observaciones para el anlisis. La seleccin de ellos se hace en primer lugar en base al inters en participar y poner a disposicin una parte de su terreno agrcola. Los agricultores seleccionados deben ser representativos para la zona, tanto en edad, sexo, como grupo tnico, etc. Adems menciona como criterio que los agricultores necesitan ser reconocidos como cultivadores del cultivo en el experimento por la comunidad o conocidos como innovadores. Su posibilidad de comunicacin o expresin tambin es importante, para poder exponer sus opiniones sobre el trabajo. Puede ser muy til disponer de informantes en la zona, que identifican los posibles productores. En caso de tener una cantidad mayor de participantes, se los puede agrupar segn condiciones sociales, por zona o regin, recursos socioeconmicos, etc. para homogeneizar el grupo.
3. Tipos de investigacin participativa

Se diferencian tres tipos de investigacin, segn la participacin activa de los agricultores. 1. Las investigaciones con la menor participacin por parte de los agricultores son aquellas, en los que estos participan en la recoleccin de datos, pero el tema y mtodo es elegido por el investigador. Este tambin es el caso para la elaboracin de datos (ordenamiento y sistematizacin), en la cual no participan los agricultores. 2. El investigador tiene la percepcin sobre un problema y motiva a un grupo de agricultores a investigarlo. Los agricultores participan a nivel de diseo como en la recoleccin de datos, la sistematizacin y la reflexin posterior.
3. Los agricultores participan en todo el proceso, mientras que el rol del investigador es secundario, pero constante. Los agricultores eligen el tema, el investigador es el que dinamiza, da seguridad y confianza, resuelve dudas y estimula innovaciones.

Adems se pueden categorizar diferentes tipos de investigacin participativa segn el objetivo de la investigacin: Experimentos exploratorios Experimentos de adaptacin Experimentos de verificacin A los tres tipos se los puede entender como tres etapas de investigacin. Los experimentos exploratorios son el primer paso, los que requieren menor cantidad de conocimientos por parte de los agricultores, mientras que los otros dos, son ms complejos y el nivel de conocimientos como conducir una investigacin son ms altos.
4. Mtodos participativos

En la investigacin participativa se utilizan mtodos participativos conocidos de la capacitacin y educacin popular. En general, son un medio de hacer ver a los agricultores el poder que tienen para determinar o influenciar sus vidas y su situacin. Estos tanto en la capacitacin como en la investigacin no pueden ser tomados como una frmula matemtica, en la cual se ingresan los datos y se obtiene el resultado. Es necesario conocer las circunstancias en las que se aplican estas antes de usarlas y elegir los mtodos segn las condiciones del pblico. Los mtodos no funcionan con un facilitador con estilo autoritario: es necesario "soltar las riendas" y atreverse a

Manual para investigadores

dejarse llevar por la dinmica y desarrollar ideas no planificadas. Slo funcionan o pueden ser aplicados por personas decididas a trabajar ellos mismos en equipo. De nada valen los mtodos, si el facilitador no est convencido de la utilidad de dejar participar a los agricultores. Cada una de las herramientas presentadas dentro de este mtodo tienen su propsito, su situacin adecuada e inadecuada. La relacin entre los agricultores y los investigadores o tcnicos est guiado por varios factores. Para los agricultores los tcnicos, y sobre todo, los investigadores, vienen.de otra realidad cultural, se visten diferente, usan otro idioma, etc. Esto impide a veces el dilogo entre los dos grupos. Los agricultores pueden tener cierta expectativa de recibir ayuda tcnica o financiera de gente que supuestamente sabe ms y dispone de otros recursos. Pero tambin puede haber la sospecha, si es que realmente vienen a ayudar y10 slo a solucionar sus propios problemas. En el rea de desarrollo rural los agricultores tienen experiencias, buenas como malas, con gente de ayuda externa, lo que influye en su comportamiento. Se dan casos, que por razones de cortesa trabajan con los investigadores, sin comentar realmente sus prejuicios en contra del trabajo. Lo mismo pasa del lado de los investigadores y tcnicos. Cada grupo tiene ciertas expectativas o perjuicios antes de empezar a trabajar en conjunto, lo que influencia el modo de trabajar y tratarse.

Importante para trabajar con metodos participativos:

establecer confianza y respeto mutuo ver a l agricultor como participante, no como informador pasivo e l agricultor y e l investigador/tcnico tienen un rol equitativo

Es fundamental valorar los mutuos conocimientos, tanto la teora y prctica del investigador, como la experiencia del agricultor de toda su vida. Los dos son expertos. El agricultor no slo es un informante pasivo, sino debe ser animado a hacer todas las preguntas necesarias para despejar sus dudas sobre la investigacin y sobre las nuevas tecnologas. El es el responsable de las decisiones, ya que l arriesga su cosecha, pone su mano de obra, etc. La enseanza durante la investigacin participativa siempre es mutua. Nunca es nicamente el agricultor que aprende y esto durante todo el proceso de la investigacin, hasta llegar en conjunto a las conclusiones. En la prctica, esto requiere de habilidad para empezar a trabajar una investigacin participativa, en caso que los agricultores no estn familiarizados con el trabajo en equipos y la colaboracin y discusin en un taller, acostumbrados a una capacitacin pasiva. Es clave la forma de entrar a trabajar, por lo que se sugiere, explicar lo ms detallado posible el porqu el investigadorltcnico tiene inters en trabajar con los agricultores, cuales son sus intensiones, que es una investigacin, etc. y dejar claro las propias posibilidades e intereses (p. ej. trabajar en los cultivos de maz, caf, etc.) y sus limitaciones (p. ej. trabajar slo con temas agrcolas, no se pueden construir calles). Igualmente esencial es el modo de cmo nos presentamos (ver dibujo 2). Los investigadores, tcnicos suelen ser de mayor estatura, lo que inconscientemente expresa una superioridad hacia los agricultores, lo que hace recomendable, que el investigador tenga esto en cuenta en sus trabajos. Por ejemplo, en el momento de las
20

evaluaciones o encuestas, en dilogos, se debe tratar de nivelarse con los agricultores, arrodillndose o sentndose, para estar a un mismo nivel de ojos o subir la mirada hacia el agricultor, y no al revs. Todas las expresiones corporales influyen

Hola, soy Mara

L
Soy Ingeniero!

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

Manual para investigadores

en la aceptacin por la otra persona, sea un distanciamiento fsico, el tono de voz, las expresiones faciales, etc. (ver dibujo 3).

Dibujo 3: a) Colocacin de los agricultores a una distancia formal, que denota deferencia; b) acortar la distancia fsica redefine el espacio social; c) la calidad de la comunicacin se mejora. Fuente: Ashby, J. A. 1991. Modificado.

Una vez introducido al grupo, con el que se quiere realizar la investigacin, se pueden utilizar diferentes herramientas, las cuales tienen en comn:

Las diferentes herramientas participativas tienen en comn4: Estn previstas para ser utilizadas en grupos Estn previstas para trabajar directamente en el campo con las comunidades y los agricultores Se aprende con y de la gente, enfocando los conocimientos, las prcticas y las experiencias locales Estas herramientas, usadas correctamente, aprendizaje rpido, progresivo e interactivo permiten un

La mayor parte de las herramientas proveen informacin cualitativa, pero muchas permiten tambin obtener datos cuantitativos en forma confiable y comprobable. Las herramientas permiten y necesitan la "triangulacin "de fuentes, es decir, la verificacin de resultados a partir de varias fuentes de informacin, varios mtodos y varios participantes.

El uso de las herramientas participativas, con las que se obtiene informacin acerca de los problemas, costumbres y posibles soluciones, no debe impedir de revisar otras informaciones secundarias, antes de empezar cualquier accin de campo. Adems se pueden o deben realizar estudios ms detallados, para determinar o comprobar con mayor precisin y certeza los resultados obtenidos.

Las ventajas de los mtodos participativos son4: el empoderamiento de la comunidad: la gente local puede analizar ella misma los resultados y tomar decisiones en base a las informaciones que ella misma ha producido. Se pueden identificar con los resultados y los trabajos necesarios para cambiar su situacin. Adems puede tener un papel importante en desarrollar la autoestima, sistematizando y revalorizando la experiencia y los conocimientos locales. Ajuste y reforzamiento del papel de servicios de la institucin: se desarrollan interacciones ms estrechas con la comunidad. Las instituciones pueden adaptar y reajustar sus servicios a las necesidades reales de la gente/grupo meta. Adems es una capacitacin permanente de los tcnicos y de la institucin, por entender cada vez mejor la problemtica que enfrenta la poblacin.

Fuente: Geilfus, 1997, modificado

Manual para investigadores

4.1 Visualizacin

Un elemento clave en los mtodos participativos es la visualizacin de todos los pasos de un trabajo, de toda la discusin y temas tratados, etc. es muy importante para mejorar la comunicacin en grupos. La visualizacin ayuda a juntar ideas, estructurarlas conjuntamente, hacer visible procesos de discusin, anotar resultados y la presentacin de temas. La visualizacin ayuda a entender y retener informacin ms rpido. Las personas asimilan sus conocimientos (ver grfico 1 y 2) en un 83 % por lo que ven y slo en un 11 % por lo que oyen. O sea, que de una charla de capacitacin netamente oral no se registrar un 89 %. Para retener conocimientos nuevos, nos ayuda todo lo que hemos visto y odo a la vez, siendo lo mejor haberlo ejecutado. Por esta razn resultados de investigaciones, los cuales el agricultor mismo ha elaborado no se olvidarn tan fcil, mientras que experiencias de otros, transmitidos oralmente en un 20 % sern olvidados.
Asimilacin de conocimientos

oir

ver

oler

tocar

gusto

Grfico 1: Asimilacin de conocimientos. Fuente: PolyMedia GmbHIMetaplan GmbH

As lo grabamos

leyendo

oyendo

viendo

viendo y oyendo

dicindolo

hacindolo

Grfico 2: Grabacin de conocimientos. Fuente: PolyMedia GmbHIMetaplan GmbH Para facilitar la visualizacin se utilizan mayormente tarjetas, las que por su tamao y forma de uso son flexibles, movibles a diferentes pizarras o secciones de discusin.
24

Condicin para su uso, es que todos los presentes puedan leer y escribir. Otra limitacin de las tarjetas es mucha veces la vista limitada de los agricultores, que por falta de recursos no tienen acceso a lentes. En muchos casos se puede trabajar con dibujos en vez de palabras. Para el uso de tarjetas se han desarrollado normas que ayudan a su manejo y uso adecuado:

Normas para el uso de tarjetas:

se usan tarjetas de diferentes colores y/o formas, distinguiendo as temas, opiniones, etc. en cada tarjeta se escribe una idea nunca se pone ms de 3 lneas por tarjeta palabras claves en vez de frases completas colores y formas de tarjetas se usan para estructuracin proceso de discusin hay que visualizarlo continuamente

Las tarjetas que se pegan en la pizarra, se leen en voz alta. Tarjetas repetidas slo se sacan si todos estn de acuerdo. No se amontonan ni se sobrepegan. El uso de tarjetas necesita de cierta prctica, tanto por los facilitadores como por los agricultores, para poder trabajar con este modo abstracto, muchas veces lejano a la vida cotidiana de los agricultores. 4.2 Facilitador Como principio fundamental de los diagnsticos habamos mencionado que todos los participantes deben ser considerados como fuente de informacin y decisin y que todos, ricos o pobres, con o sin educacin formal, con o sin poder, deben merecer el mismo respeto y tener la misma posibilidad de expresar sus opiniones. Que esto se d es tarea del facilitador. Importante para cualquier trabajo relacionado con personas, sobre todo para trabajos en equipo, es la motivacin. Un paso para motivar es el inters demostrado en lo que dicen o hacen las otras personas. Esto puede ser tanto verbal como no-verbal. En caso de una encuesta, con la que se quiere obtener informacin sobre un tema, motiva al encuestado a dar informacin si el encuestador asiente, toma una posicin de cuerpo inclinada hacia la otra persona, tiene contacto de vista, sonre, etc., mientras que si contradice la informacin recibida, interrumpe, muestra su desacuerdo o su aburrimiento hace callar a la persona. El idioma corporal es tan importante como el verbal (Werner, 1993). Esto se debe tener en cuenta en los diagnsticos, durante las evaluaciones y sobre todo al analizar los resultados y para las conclusiones y recomendaciones. Para un trabajo participativo Frans Geilfus (1997) concluye con los siguientes requerimientos para un facilitador:

Manual para investigadores

Perfil de un facilitador:
tener fe en la gente y en sus capacidades crear una atmsfera de confianza tener cualidades de paciencia y capacidad de escuchar estar consciente de sus lmites y siempre dispuesto a aprender tener confianza en s mismo sin arrogancia respetar las opiniones y no imponer las suyas ser creativo ser flexible, adaptar los mtodos a la situacin y no seguir programas rgidos ser sensible al estado de nimo y a la sensibilidad de los participantes tener capacidad para dibujar y escribir tener capacidad de sntesis y anlisis

El investigador o tcnico viene a ser un facilitador/motivador de actividades, las que se quieren desarrollar durante el trabajo de investigacin; est para compartir experiencias, apoyar a la gente y sacar lo mejor de sus potencialidades.

En todos los mtodos que usamos, sean encuestas, dilogos, lluvias de ideas, etc. es importante presentar claramente nuestras preguntas y preguntar si es que se entendieron.
Para preguntar hay unos principios bsicos que ayudan a promover el dilogo lograr la participacin de la gente.

Preguntas buenas: 5
provocan curiosidad estimulan la discusin ponen al grupo a reflexionar hacen avanzar el proceso sacan a relucir los conocimientos y capacidades del grupo revelan el deseo de entender y ayudar

Fuente: Geilfus, 1997.

26

Ejemplos para preguntas buenas, preguntas abiertas. Son preguntas que empiezan con:

Ud.cree ...?

Ud. piensa que

Para aclarar dudas o detallar ms un tema, se puede usar las siguientes frases:

Otra forma es usar las palabras claves usadas por el agricultor para preguntar por ms detalles. Una de las normas es: preguntar en lugar de decir. Preguntando se puede averiguar los conocimientos de la gente y asesorar en justamente esos temas donde es necesario. Partir de las necesidades de los participantes motiva y alivia el procedimiento.

Ejemplo: Agricultor: "Esto es ms fcil de usar." Investigador: "Cmo puede usarlo ms fcil?" o "Qu resulta ms fcil?"

Manual para investigadores

Preguntas malas: 6
son preguntas cerradas con respuestas evidentes son declaraciones genera les, mal definidas slo pueden ser respondidas por los expertos amenazan la colaboracin del grupo enfocan a l facilitador, empiezan por una conferencia revelan paternalismo

5. Principales pasos de trabajo en la investigacin participativa

El primer paso en la investigacin participativa es, en conjunto con los agricultores, la identificacin de sus problemas agrcolas y la seleccin de un tema principal. Esto se puede realizar con un diagnstico participativo, reuniendo a los agricultores. Luego se procede a identificar las posibles soluciones al problema, las cuales deben ser apropiadas para satisfacer la demanda identificada. Estas "soluciones" pueden encontrarse en informaciones secundarias, por ejemplo investigaciones documentadas, informacin oral de investigadores, experiencias propias de zonas similares e, igualmente o hasta ms vlidas, son experiencias e informaciones de los mismos agricultores. Se recomienda empezar con las ideas o conocimientos de los agricultores y aumentar la lista de soluciones con la informacin secundaria, en caso sea necesario. Estas opciones para solucionar el problema son discutidas con los agricultores lo ms detallado posible, para tener claro las diferencias y poder descartar con ms facilidad las no viables. Para esto se pueden usar los siguientes criterios (segn Werner, 1993): la viabilidad bajo las circunstancias socioeconmicas dadas la correspondencia con las metas del agricultor y sus preferencias la viabilidad bajo las condiciones naturales dadas la viabilidad ecolgica la viabilidad econmica Teniendo el problema central, el cual ser investigado, se empieza con la planificacin de la investigacin. Las posibles soluciones definidas y elegidas pasan a ser los tratamientos de la investigacin. Para comprobar, si cumplen con los criterios por los cuales han sido seleccionados, se debe definir los datos necesarios para su comprobacin y los mtodos como tomar estos datos. Segn los tratamientos se define el diseo experimental, a los agricultores participantes, se capacita a los agricultores en la evaluacin y anlisis de los datos y finalmente se saca las conclusiones y recomendaciones de la investigacin, tanto a nivel agronmico, socioeconmico como a nivel de aceptacin de la tecnologa investigada.

Fuente: Geilfus, F. 1997.

28

Principales pasos de trabajo en la investigacin participativa:

Diagnstico:
k

Agricultores definen sus problemas principales Tcnicos ofrecen alternativas, ideas para solucionar el/los problema/s

Mutuamente se analizan tcnicos/investigadores

las

propuestas

de

los

Planificacin de la investigacin para probar la propuesta de los tcnicos, escogido por los agricultores Diseo de la investigacin, realizado en campo de los agricultores Evaluacin de la investigacin
e

Anlisis y conclusiones Recomendaciones

5.1 Diagnstico Un diagnstico se elabora en una reunin en grupo, donde en forma exploratoria se discute o analiza un tema. La discusin en grupo permite valorar o rechazar opiniones individuales y puede llegar a crear opiniones en comn durante la discusin. Esto se puede dar durante una sola reunin o realizando varias reuniones sobre el tema de investigacin, creando un grupo familiarizado con las nuevas tecnologas y con confianza mutua. Para aclarar y hacer entender las propuestas tecnolgicas se recomienda usar materiales didcticos, dibujos o los mismos materiales de la investigacin (semillas, abonos, visualizar diferentes cantidades con nmero de bolsas, etc.) para que la finalidad y las diferencias entre los tratamientos queden claras. Tambin las expectativas que se supone cambiar con cada tratamiento.

Tratamiento 1

Tratamiento 2

Tratamiento 3

Tratamiento 4

Dibujo 4: Visualizacin de los diferentes tratamientos de abonamiento (cantidad y abono) con smbolos

El diagnstico es un paso muy importante, ya que es la base para todos los siguientes pasos. Se debe cuidar que el proceso de la investigacin participativa sea dirigida por el camino correcto, sin influir en los temas de preferencia de los agricultores. Resultados no satisfactorios son muchas veces el resultado de un diagnstico

Manual para investigadores

superficial, parcial o incompleto. Es importante tener en cuenta quien hace las demandas (con que grupo se est trabajando, si son representativos para toda la comunidad), que es lo que demandan (identificar el problema central), donde se demanda (es vlido para una zona, una regin o slo para una comunidad).

Principio fundamental del diagnstico:

todos los participantes deben ser considerados como fuente de informacin y decisin. todos, ricos o pobres, con o sin educacin formal, con o sin poder, deben merecer el mismo respeto y tener la misma posibilidad de expresar sus opiniones.

1l

Es necesario que el diagnstico se haga abierto, no guiado por los tcnicos. En el diagnstico participativo los tcnicos tienen funcin de intermediarios, transmiten conocimientos de la investigacin cientfica y amplan los conocimientos de los agricultores; proponen soluciones. no necesariamente se recurre a En el caso de los comits de investigacin del CIAT~, tcnicos, que guen o den nuevas ideas. Estas nacen de ellos mismos o de agricultores vecinos, invitados a las reuniones. En las reuniones del diagnstico los agricultores discuten sobre los posibles temas a investigar y despus de haber decidido un tema principal, discuten sobre costos, tiempo, facilidad de ejecucin, riesgo, beneficio, conocimientos existentes sobre el tema, inters e impacto ambiental. Diagnsticos con grupos heterogneos pueden enriquecer la discusin, dando, en poco tiempo, una gama de opiniones. Pero en estos grupos se da fcil la dominacin por algunas pocas personas, por lo que los resultados logrados pueden no reflejar la opinin de la mayora, lo que pone en peligro el futuro trabajo. Un grupo homogneo (p. ej. todos con inters similar) generalmente es de ventaja. Se recomienda dejar formar grupos por personas que conocen el grupo meta, la zona y sus peculiaridades.

Trabajos participativos, entre otros los diagnsticos, despiertan la expectativa de seguir trabajando con los resultados obtenidos.

No slo el investigador ha trabajado y dado su parte. Tambin los agricultores lo han hecho y se van con una expectativa a un futuro trabajo en comn o con una desilusin, segn el desarrollo del diagnstico.

'CIAT, Cartillas para CIAL, N" 3

30

Cuando hacer un diagnstico

Cuando se conoce poco acerca de las percepciones de los productores sobre un problema, por ej. plagas en los cultivos. Cuando probar innovaciones con los productores sera costoso y lento de lograr. Cuando se sabe poco sobre las razones de los productores para ciertas prcticas, por ej. la defores tacin. Cuando es importante obtener comprensin y accin de la comunidad, ej. en el manejo del riesgo.

Ventajas del diagnstico participativo

rpido bajo costo capta las percepciones de los productores desarrolla capacidad para la accin y el compromiso del grupo

Cuando no es recomendable hacer un diagnstico participativo

Cuando los temas a tratar requieran cierta reserva (sobre todo en el rea de salud, ingresos) Cuando se necesite recoger mayor informacin cuantitativa Cuando no se disponga de suficientes moderadores con buenas capacidades para motivar la discusin del grupo Cuando hay personas muy dominantes en el grupo

Cuando evitar hacer diagnsticos participativos

Cuando actividades del grupo son culturalmente inaceptables Cuando la composicin del grupo no representa su audiencia potencial Cuando las relaciones entre productores incluyen serios conflictos de inters

Desventajas del diagnstico participativo

Susceptible a consenso falso y a otros sesgos causados por los procesos de grupo Requiere buena moderacin

Manual para investigadores

Herramientas para un diagnstico

Un diagnstico, con el que queremos recoger las opiniones de los agricultores, debe ser con mtodos participativos, para realmente escuchar lo que es de su inters. Pero con cuidado, porque tambin son mtodos con los que se pueden influenciar a la gente y manipularlas. Se dispone de diferentes herramientas, que ayudan a desarrollar diferentes actividades y llegar a ciertos resultados.

Herramientas participativas para un diagnstico:

para orientacin lluvia de ideas dilogo semi-estructurado recursos secundarios tiene como objetivo escuchar opiniones y experiencias de otros para anlisis o planificacin o evaluacin rbol de problemas

DPR - diagnstico participativo rpido

transecto, mapeo, etc.
FO DA

Lluvias de ideas es colectar ideas, explicaciones e interpretaciones de un tema concreto. Es una asociacin libre y abierta de posibles soluciones o alternativas sin discusin o crtica de lo mencionado. Cada referencia se anota, por ejemplo en tarjetas. El mtodo se usa en la primera fase de un anlisis. Se obtiene informacin rpida trabajando en grupos. Se recolectan ideas y percepciones de la gente para un tema.
Condicin es que participantes sepan leer y escribir.

No es adecuado en un grupo con fuerte jerarqua y miedo de perder la cara.

rbol de problemas El mtodo se usa para identificar relaciones de causa - efecto en una situacin limitada. Se crea un diagrama desde la limitante de una situacin (problema principal) hasta la comprobacin de su totalidad y validez. Es un buen mtodo para reconocer dependencias, relaciones y problemas primarios. El mtodo requiere de un buen moderador con facilidad de anlisis. Diagnstico rpido participativo Sirve sobre todo para reconocer la importancia que las personas dan a ciertas cosas, su valoracin. Para los facilitadores/investigadores es importante participar como oyentes en la elaboracin de un mapa social para extraer de la discusin informacin adicional (diferentes opiniones, quien habla). Transecto Para concretizar y adicionar informaciones oficiales sobre el tema de trabajo. Se cruza una zona o pueblo sistemticamente junto con informantes de la zona. Por ej. se puede atravesar una zona de norte a sur o del punto ms alto al ms bajo, anotando todo lo visto respecto a suelo, flora, fauna, infraestructura o lo que sea de inters para la investigacin. Se usa sobre todo en el campo, en la ciudad o pueblo no da muchas informaciones adicionales.

FODA: para anlisis de problemas o para evaluacin de las actividades realizadas en la investigacin. Se puede realizar para la evaluacin final de los diferentes tratamientos. Importantes mbitos de trabajo y vida son analizados conjuntamente con toda una comunidad en vista a xitos y debilidades. Propias posibilidades son evaluadas y discutidas, con lo que ayuda a fomentar nuevas iniciativas en las comunidades y la autoevaluacin de grupos. A raz de un FODA pueden surgir nuevos temas de investigacin. Significa: Fortalezas - Oportunidades - Debilidades - Amenazas El mtodo tiene la ventaja de incluir factores externos que pueden influir en el xito de las alternativas propuestas. 33

Manual para investigadores

5.2 Planificacin Despus de haber definido los problemas de la zona y haber fijado un tema de investigacin, se busca soluciones y se las discute con los agricultores. Junto con ellos se define que tratamientos se van a investigar, dnde, cmo y con quin. Aqu tambin se selecciona a los agricultores que participarn en la investigacin, segn los criterios mencionados en el captulo "Actores" (pg. 17). Para poder seleccionar con mayor seguridad a los agricultores, se recomienda dejar claro las condiciones de la investigacin, para que cada agricultor pueda decidir si le conviene asumir esta responsabilidad. Esto puede ser fecha de siembra, disposicin de insumos necesarios, disposicin de tiempo para las evaluaciones, entrevistas, etc. Con estos agricultores se trabajar durante el resto de la investigacin, y se los rene para planificar y discutir cada siguiente paso en la ejecucin. Tambin en esta reunin debe quedar claro que la investigacin es de y para los agricultores, no es el investigador que pone tema, ni tratamientos, ni el que se lleva todos los resultados y conocimientos. El investigador slo acompaa el proceso asesorando y apoyando el desarrollo de la agricultura regional. Planificar tambin significa alistar y organizar los insumos necesarios para el experimento. En una reunin de planificacin se define exactamente las herramientas e insumos necesarios para la investigacin, se calcula el costo y se hacen los reajustes necesarios. Esta reunin, que puede ser ya slo con los agricultores involucrados, tiene la finalidad de verificar que la investigacin se pueda realizar con los medios y materiales a disposicin y para definir responsables para las diferentes actividades. Segn estilo de trabajo se pueden realizar varias reuniones para explicar la metodologa de la investigacin: el porqu de la randomizacin, repeticiones, evaluaciones, etc. antes que se realicen estos trabajos en el campo de cada agricultor. El investigador acompaar al agricultor en la instalacin del experimento, por ejemplo en la ubicacin del terreno, randomizacin, instalacin y sealizacin de las parcelas, etc. asegurando as cierta uniformidad entre los diferentes agricultores. Agricultores experimentados pueden realizar estos trabajos sin asesoramiento. Nmero de tratamientos El nmero de tratamientos utilizados se define segn el objetivo de la investigacin. En la investigacin participativa se da como nmero mximo para experimentos seleccionando variedades unas 10 diferentes variedades y para experimentos verificando tecnologa de 2 a 3. El nmero tambin depende de la situacin de los agricultores, en cuanto a disponibilidad de terreno, tiempo y voluntad de trabajo. Cada agricultor debe tener todo el set de tratamientos en su chacra y elaborar sus propios resultados. Esto asegura una mejor comparacin y condiciones similares para todo el set, sin variar el manejo general del cultivo. Es preferible reducir el nmero de tratamientos y hacer varios ensayos pequeos en vez de uno grande y con diseo complicado. Investigaciones pequeas son ms fciles de observar e interpretar, sobre todo para personas no experimentadas.

El testigo en la investigacin participativa es la prctica local con el cual se comparan las alternativas nuevas. Todo ensayo debe tener su testigo local y debe ser incluido en la randomizacin. Su manejo debe ser igual al de los otros tratamientos, mientras los objetivos no indiquen lo contrario. Ya que la prctica local puede variar de agricultor en agricultor es recomendable que cada agricultor participante en la investigacin tenga una parcela testigo. Si la investigacin est dentro del cultivo "normal", los datos pueden ser tomados de este, aunque en general no se da tanto cuidado al cultivo "normal" como a parcelas de investigacin, lo que puede influenciar en los datos. Tamao de parcelas (ver tambin en la Parte 2, Tamao de parcelas, pg. 58) Para fijar el tamao de parcelas se discute con los agricultores sobre su disponibilidad de terreno y el tamao mnimo que debe tener la parcela para poder realizar la investigacin sin influencias entre las parcelas y excluyendo el efecto individual de cada planta.

En una investigacin con fumigaciones o incorporacin de abono al voleo se puede demostrar el efecto voltil del extractolabono en una prctica. Si se fumiga agua sobre un suelo seco se puede ver fcilmente el rea de dispersin, como tambin espolvoreando un producto parecido al abono previsto (harina, arena, etc.) sobre un fondo de diferente color se puede apreciar muy bien la distribucin despareja y10 el alcance del producto.

Repeticiones (ver tambin en la Parte 2, Repeticiones, pg. 47) Las repeticiones son una parte bsica de la investigacin, tambin en la investigacin participativa. Con repeticiones se aseguran los resultados, por ejemplo contra daos o prdidas de cosecha en una parcela, contra el numero decreciente de agricultores participantes en la investigacin, etc. Es recomendable tener un set de tratamientos en cada finca y no repetir el set en la misma finca, en caso que se quiera obtener datos vlidos para toda una regin y validada con diferentes prcticas locales. El nmero depende de la homogeneidad de la zona, de los terrenos y la diferencia entre la prctica local. O sea, en la forma de manejar las parcelas, los cultivos.

Manual para investigadores Para la investigacin participativa se habla de entre 10 a 30 repeticiones. Este nmero tiene sus lmites en el personal tcnico que apoya a los agricultores en el manejo, toma de datos, etc.

En la explicacin sobre la importancia de las repeticiones se puede recurrir a frases como "Una golondrina no hace un verano" o demostrar en forma de juego la diferencia entre una accin aparentemente idntica. Por ejemplo doblar avioncitos de papel: Cada agricultor dobla avioncitos, cultiva arroz de una manera diferente, pero parte de la misma base (papel, semillas de arroz y al final tiene un avinlarroz. Pero el modo de cmo llegar hacia ello, influencia en el resultado: como vuela el avin, cosecha de arroz. Los diferentes modelos de doblar los aviones pueden ser ejemplos para los tratamientos. Al final de la "investigacin" se puede dar recomendaciones, que modelo vuela mejor. Ser el que, en la mayora de los agricultores, ha mostrado mejores / resultados.

5.3 Diseo Despus de haber definido el nmero de tratamientos y nmero de repeticiones, se definen los agricultores que quieran participar. La investigacin se hace en campo de los agricultores, bajo el manejo de ellos, usando la experiencia del agricultor. Cada agricultor participante da una parte de su terreno y lo divide en parcelas de igual tamao segn el nmero de tratamientos previstos. Cada tratamiento, incluyendo el testigo se realiza en una parcela extra y todas las parcelas deben ser manejadas de la misma forma con excepcin del objetivo o problema que se quiere solucionar. El diseo ms simple y recomendado cuando se empieza a hacer investigaciones con los agricultores es que cada agricultor tenga todos los tratamientos completos en su chacra. En este caso cada agricultor representa 1 bloque o una repeticin, con una diferente reparticin de las parcelas en el bloque. Sera un diseo de bloques completos randomizados. En experimentos de adaptacin o verificacin se usan frecuentemente el diseo de parcelas divididas. Dentro de los bloques o repeticiones, se debe tener en cuenta la homogeneidad del suelo, o sea, tratar de realizar la investigacin en un terreno de iguales condiciones de sombra, riego, pendiente, pedregosidad, fertilidad, sin que una parcela tenga una desventaja contra la otra parcela vecina. En cambio, entre los bloques (de agricultor a agricultor) deben haber diferencias. Para la forma y ubicacin de las parcelas ver el captulo sobre Formas y Tamao de parcelas en la Parte 2, Forma y ubicacin de parcelas, Tamao de parcelas, pg. 55). En la investigacin participativa valen los mismos criterios sobre randomizacin, bordes, efectos vecinales y marginales, tamao de parcelas y lo dicho para los diferentes diseos en la parte 2 del manual. La randomizacin se debe hacer para cada bloque, aunque estn ubicados en el terreno de diferentes agricultores, para excluir los efectos vecinales y marginales.

5.4 Evaluacin o toma de datos

Evaluar significa medir u observar en todas las parcelas lo mismo y comparar entre ellas, y se realiza para facilitar o posibilitar la toma de decisiones sobre los resultados de la investigacin. La toma de datos o la coleccin de datos y su preparacin es un paso muy importante, que requiere de mucho tiempo, pero es determinante para la calidad del trabajo. Esto significa, que los datos deben estar completos para todos los tratamientos y se debe minimizar el error de ensayo, registrarlos en forma lgica y contundente. Hay dos tipos de datos:

* los datos primarios, los cuales son datos nuevos, registrados para o durante la
investigacin en forma de encuestas, discusin de grupos, mediciones u observaciones. Las encuestas, discusiones y observaciones son datos subjetivos, mientras que mediciones son objetivas. Observaciones, p. ej. el porcentaje de ataque de plagas, deberan realizarse por una sola persona para poder comparar datos. En la investigacin participativa se puede formar grupos de 2 a 3 personas que evalan una caracterstica en todas las parcelas, para garantizar objetividad y comparabilidad.

+ los datos secundarios son datos a base de los cuales se formulan los objetivos de la investigacin. Adems nos ayudan a evaluar y analizar los resultados. Las fuentes pueden ser datos meteorolgicos, mapas, investigaciones anteriores, informaciones escritas tanto como orales.
Para poder cumplir con estos requisitos y poder contestar las preguntas de inicio al final de la investigacin, tanto las preguntas agronmicas como las de aceptacin de la tecnologa por los agricultores, es necesario hacer un plan detallado segn los objetivos; hacer una lista de los datos necesarios y en que momento se deben registrar, ya que datos no tomados a tiempo no se pueden recuperar. Este trabajo nos ayuda adems, a ahorrar tiempo impidiendo levantar datos innecesarios. Tambin siempre hay datos a los que se puede recurrir de otras fuentes, los que nos pueden facilitar la evaluacin y la interpretacin de los resultados. Una de las tareas ms importantes de cada tcnico o agricultor investigador, es visitar el campo regularmente, para no perder el contacto con los agricultores participantes, evitar prdidas de cultivo (p. ej. un ataque de plagas imprevisto) y hacer observaciones sobre el desarrollo de las plantas. En la investigacin participativa se hacen todas las tomas de datos junto con el agricultor o las hace directamente el agricultor. En ninguno de los pasos en la investigacin participativa se sacan datos de los campos sin los agricultores. Todos los trabajos realizados son comentados y explicados. Durante la investigacin se realizarn varias reuniones de evaluacin, segn lo requiera el objetivo, para mantener el contacto con el agricultor y para conocer y discutir el manejo del cultivo. En estas evaluaciones vale lo anteriormente descrito, de hacer preguntas abiertas para conocer la opinin del agricultor antes de preguntar sobre una inquietud especfica por parte del investigador o dar su propia apreciacin. Las evaluaciones realizadas se basan en el problema u objetivo de la investigacin. Por ejemplo, si se investiga el control de pulgones por un extracto de una planta biocida, se debe evaluar la presencia o el ataque de pulgones en los diferentes tratamientos, el dao en las plantas o frutos y quizs el nmero de pulgones muertos.

Manual para investigadores Adems se debe evaluar el rendimiento del cultivo en los diferentes tratamientos y su costo. En caso de probar un abono orgnico, se evaluar el crecimiento y desarrollo de las plantas y el rendimiento final. El objetivo tambin nos indica cuando evaluar y como. El rendimiento se evala a la cosecha, pesndola; el ataque de pulgones en la poca de presencia, contndolos o estimando la cantidad; el dao por gusanos de tierra se evala en poca de germinacin y crecimiento, contando plantas cadas o daadas, una barrera viva contra erosin se evala en poca de lluvia, midiendo el volumen de tierra erosionada, etc. Es preferible tener poca informacin, pero relacionada con el objetivo, que mucha informacin que confunde y no aclara nada8. Diferentes mtodos de toma de datos:

- observaciones de campo: stas nos dan informacin sobre datos agronmicos

- dilogo con los agricultores: nos dan datos socioeconmicos, por ejemplo problemas en la instalacin, el uso o aplicacin de la investigacin o algunas de las tecnologas investigadas en los diferentes tratamientos.
Observaciones de campo: Para las evaluaciones se pueden usar escalas: La internacional de 1 a 9 (ver captulo Toma de datos en la Parte 2, pg. 73) para investigadores ms experimentados o una simple hecha por los agricultores con sus propios criterios. Para medir el ataque de plagas o enfermedades se puede diferenciar en ataque muy fuerte, ataque fuerte, ataque regular, ataque bajo y ataque muy bajo. La misma escala vale para la resistencia de plantas a plagas o enfermedades. Para la altura, en caso que no quiera o pueda medir, se puede modificar la escala en: muy alta, alta, regular, baja, muy baja. En casos de medir o pesar resultados se calcula un promedio de las repeticiones de cada tratamiento y se compara con los otros resultados obtenidos. Tener una medida fija siempre facilita el trabajo de evaluacin. Para la altura de maz, por ejemplo, el CIAT propone trabajar con la siguiente medida: se trata de una variedad con altura muy baja, en caso que la espiga del maz alcance la altura de los ojos. Plantas muy altas, son las plantas de las que no se pueden tocar las espigas estirando el brazo. Para los agricultores las plantas tienen una buena altura cuando la espiga queda ms arriba de los ojos y pueden tocarla estirando el brazo. Este ejemplo de escala es una escala individual, segn los criterios de los agricultores de la zona. No puede ser transferida a agricultores de otros pases, pero para los fines de la investigacin y las condiciones de los agricultores es la ideal. Hay datos, que puede que no sean contestados por los agricultores, como por ejemplo calidad nutritiva del producto, calidad de coccin. Esto puede ser por ejemplo el tiempo de coccin de una nueva variedad de papa, que segn los agricultores tiene un buen rendimiento, pero en el mercado no se venden por su largo tiempo de coccin, lo que significa ms gastos de gas o lea. Aqu es ms importante preguntar a las personas encargadas de la preparacin de la comida por su evaluacin de las variedades del ensayo. As pueden haber otros criterios (postcosecha, mercadeo) importantes para los que se necesita interrogar a diferentes personas del hogar. En la investigacin participativa se necesitan adems de los datos agronmicos, otros datos como los socioeconmicos. Los agricultores deben evaluar la tecnologa de acuerdo a sus circunstancias, como puede ser: mano de obra requerida, tiempo solicitado en poca de mucho trabajo, materiales requeridos estn a disposicin o son
8

CIAT, Cartillas para CIAL, No6

38

difcil de conseguir, etc. La adopcin de una tecnologa investigada puede depender ms de factores indirectos que del mismo efecto agronmico de la tecnologa. El agricultor comnmente hace esas evaluaciones inconscientemente, pero es importante llevarla a la consciencia y que el investigador/tcnico participe en esta evaluacin para poder desarrollar una siguiente investigacin o entender mejor los problemas relacionados. A los agricultores les puede ayudar un anlisis para entender mejor las causas de un rechazo o aceptacin y para tener ms claro sus demandas y poder formularlas respectivamente.

5.5 Anlisis y conclusiones

El primer paso es la preparacin de los datos originales, lo que incluye el chequeo de los datos, si estn completos, transformarlos para poder procesarlos (p. ej. calcular el promedio para cada parcela). Datos incompletos deben ser completados en caso de ser posible, datos incorrectos o no contundentes o ilgicos deben ser rechazados. El anlisis de datos, al igual que la toma de datos, se hace con el agricultor para poder sacar conclusiones en conjunto y para la comprensin de todos los participantes. Aunque Werner, 1993, no duda en analizar todos los datos va estadstica convencional con apoyo de la computadora, el ClAT en sus cartillas sobre el CIAL, no usa mtodos estadsticos ms all de clculos matemticos bsicos, que pueden ser entendidos y comprendidos por los agricultores y reduce sus mediciones a un nivel manejable para cualquier productor, midiendo la altura, por ejemplo, en bajo, mediano y chico, y evaluando los criterios ms convenientes para el agricultor. Esto tambin coincide con un principio bsico de los mtodos participativos: no sacar datos o informacin de las investigaciones sin que los agricultores lo sepan o entiendan. Todos los datos elaborados son propiedad de ellos. Una de las ventajas de la investigacin participativa es sobre todo la fcil aceptacin por los agricultores de tecnologas probadas y comprobadas por ellos, por lo que se debe preferir analizar datos con ellos y evaluar los resultados en conjunto. Juntos se sacan las conclusiones, siempre teniendo en cuenta lo antes dicho: respeto mutuo, equidad entre agricultores y tcnicos. Tambin, teniendo en cuenta, que diferencias estadsticamente significativas, si no son visibles, no convencen a personas no capacitadas en estadstica. En caso que se use anlisis estadsticos, stos son igual para la investigacin participativa y la convencional (ver Parte 2 del libro). No slo es importante hacer un anlisis agronmico, sino tambin es importante hacer un anlisis econmico del ensayo y verificar el beneficio econmico del experimento. Aqu entran el tiempo, insumos, posibilidad de mercadeo y rendimiento. Otro aspecto que no se debe dejar de lado es el anlisis de aceptacin por el agricultor. Como en la investigacin participativa entran tambin datos secundarios, como arriba mencionado, es necesario hacer una evaluacin final de la investigacin, resumiendo los resultados intermedios y10 tcnicos y hacer un balance final de todas las observaciones, problemas y ventajas que ha tenido el problema de la investigacin. Para este fin el responsable de la investigacin debe presentar los resultados de manera resumida y de fcil entender para los agricultores. Para evaluaciones intermedias realizadas durante el cultivo se pueden usar los materiales de reuniones anteriores para recordar los resultados de estos (por ejemplo si se ha trabajado con papelgrafos). Dependiendo del nivel de participacin de la investigacin, en la preparacin de la reunin pueden participar los agricultores investigadores, presentando sus
39

Manual para investigadores

experiencias y resultados que han tenido con el problema investigado. De esta forma el agricultor tiene la posibilidad de presentar con sus propias palabras sus resultados sin el "filtro" del investigador o tcnico y sin su valoracin. El agricultor pondr nfasis en los puntos de su mayor inters, lo que se aprovechar para identificar sus criterios de seleccin y calificacin. En esta reunin, la cual se realiza pocas semanas despus de terminar la investigacin, se elaboran las conclusiones finales y puede ser usada para plantear nuevas investigaciones.

5.6 Recomendaciones

Las recomendaciones se elaboran junto con las conclusiones en una reunin de evaluacin final, en la que toman parte, tanto los agricultores que han participado en la investigacin como otros invitados. En esta reunin se elabora recomendaciones en las palabras de los agricultores para que puedan ser transferidas de agricultor a agricultor. La ventaja es que el idioma es el mismo, la credibilidad puede ser mayor. La difusin de estas recomendaciones es tarea de todos los participantes de la investigacin, sean agricultores, tcnicos o investigadores. Algunos los harn en forma oral, otros por escrito, documentando y comprobando los resultados con los datos registrados y analizados en conjunto.

6. Bibliografa

Ashby, J. A. 1991. Manual para la Evaluacin de Tecnologa con Productores. Proyecto de Investigacin Participativa en Agricultura (IPRA). CIAT, Cali, Colombia. 102 pp. Bolliger, E.; Reinhard, P.; Zellweger, T. 1993. Extensin agrcola. Una Gua para asesoras y asesores en zonas rurales. SKAT, LBL, Suiza. CIAT. 1993. Cartillas para CIAL. Los Comits de Investigacin Agrcola Local. Cartilla No 2. Centro lnternacional de Agricultura Tropical (CIAT). Cali, Colombia. 35 pp. CIAT. 1993. Cartillas para CIAL. Los Comits de Investigacin Agrcola Local. Cartilla No 3. Centro lnternacional de Agricultura Tropical (CIAT). Cali, Colombia. 29 pp. CIAT. 1993. Cartillas para CIAL. Los Comits de Investigacin Agrcola Local. Cartilla No 6. Centro lnternacional de Agricultura Tropical (CIAT). Cali, Colombia. 41 pp. Geilfus; Frans. 1997. 80 Herramientas para el Desarrollo Participativo. Diagnstico, Planificacin, Monitoreo, Evaluacin. IICA, Prochalate. El Salvador. 208 pp. PolyMedia GmbHIMetaplan GmbH, MCMLXXX. 1997. Citado en: Separatas del Curso de preparacin para cooperantes del DED. Quirs, C.; Ashby, J. Metodologa para la Investigacin Participativa en Agricultura. IPRA-CIAT, Colombia. Werner, Jrgen. 1993. Participatory Development of Agricultural Innovations. Procedures and Methods of On-Farm-Research. Schriftenreihe der GTZ, No. 234. Typo-Druck-RoBdorf, Alemania. 251 pp.

Parte 2 Investigacin cientfica

1. Sobre la estadstica

La funcin de la estadstica describen muy bien Steel y Torrie (1997) en su libro "Bioestadstica: principios y procedimientos": "... es necesario tener en cuenta que la estadstica se ha propuesto como instrumento de investigacin. ... Es el campo de investigacin, no el instrumento, el que debe proporcionar los "por qu" del problema de investigacin. A veces, este hecho pasa por alto y los usuarios olvidan que tienen que pensar, que /a estadstica no puede pensar por ellos. La estadstica, sin embargo, ayuda a los investigadores a disear experimentos y a evaluar objetivamente los datos numricos resultantes. " Este enunciado deja muy claro, que la estadstica es nada ms que un instrumento muy til, una herramienta para el investigador en su trabajo de investigar. Pero este instrumento, mal usado, no da resultados o los distorsiona. Slo por haber hecho un ANVA, todava no se tiene un trabajo cientfico y resultados interesantes, vlidos o confiables. Si se realiz un ANVA con datos sobre la cosecha de diferentes rboles frutales, el ANVA puede dar buenos resultados, puede afirmar las diferencias significativas tan deseadas por todos los investigadores, pero se est comparando manzanas con peras, lo que tcnicamente no tiene ningn sentido. El investigador debe pensar, cuales son los datos, que va a analizar. Los nmeros son elementos pasivos con los que se pueden hacer cualquier clculo; a las frmulas se pueden ingresar cualquier tipo de datos; es el investigador, el que decide, segn su criterio tcnico y lgico, que datos son aptos para ser analizados. En toda la investigacin no se debe olvidar que la estadstica slo nos resuelve un problema: bien aplicada nos da cierta seguridad que los efectos observados son efectos reales, no casuales. Pero generalmente no puede detectar errores en la planificacin y realizacin de la investigacin. Si en estos no se cumplen las condiciones (randomizacin, repeticin, distribucin normal, etc.) los datos pierden validez, por ms impresionantes que estas sean. Los resultados significantes tambin hacen olvidar fcilmente los problemas tcnicos y metodolgicos en la realizacin de la investigacin. Frecuentemente la interpretacin es limitada a las diferencias significativas, sin prestar atencin a las dificultades, los cuales pueden tener gran influencia en los resultados. La estadstica no debe ser usada como coartada para escapar de los problemas y los aspectos difciles del trabajo. Trabajos con gran nfasis en las pruebas estadsticas hacen pensar que el investigador no ha podido solucionar los problemas metdicos. Hay dos clases de estadstica: la descriptiva y la analtica. La descriptiva tiene como meta, presentar los datos obtenidos en una investigacin de tal forma, que resalte lo importante o lo esencial. Lo que se define como importante o esencial depende de la pregunta inicial de la investigacin, pero tambin de la decisin subjetiva del investigador. Para obtener claridad y buena disposicin sobre los datos del ensayo hay que ordenarlos, para lo cual la estadstica descriptiva usa principalmente tres formas: tablas, grficos y medidas caractersticas. La estadstica analtica, de los datos obtenidos y ordenados, concluye en normas generales. Partiendo de los datos adquiridos, que slo son una muestra de datos sobre efectos u observaciones nicas, se trata de teorizar regularidades estadsticas, normas vlidas para toda la poblacing. Los anlisis nos ayudan a interpretar los datos, a confirmar o desechar supuestos, diferencias, etc. de forma ms objetiva que lo podemos visualmente. Para poder llegar
La poblacin son todos los posibles valores de una variable, siendo una muestra una parte de la poblacin. Por ejemplo, la poblacin puede ser todos los posibles valores del rendimiento de maz en el departamento de Lima. La muestra es el rendimiento de maz observado en la investigacin en Caete.
9

43

Manual para investigadores

a conclusiones vlidas, es necesario trabajar la investigacin con mucha seriedad y exactitud. Una investigacin a la ligera no da resultados confiables.

Tabla 1: Nmero acumulativo de moscas masculinas muertas de Drosophila melanogaster despus de aplicar 300 pg DDT.
Horas despus del tratamiento Nmero moscas total de
1 2 12

3
58

4 84

5 95

6
98

7
98

8 99

100

'PO J I
U)

U)

40 30 20

1o

o
1 2 3
4

horas

Grfico 3: Presentacin grfica de la tabla 1.

De los datos no podemos predecir la hora de muerte de una mosca en especial, tampoco podemos decir, que en una siguiente repeticin otra vez van a sobrevivir 2 moscas despus de 6 horas. Pero con la estadstica analtica se puede concretar que despus de 4 horas ms de la mitad de las moscas de la poblacin analizada estn muertas despus de ese tratamiento con DDT.

La meta de la estadstica quizs se podr aclarar con ayuda de las siguientes preguntas tpicas :

'Qu datos hay que tener para poder contestar la pregunta inicial de la invest~gac~n? 'Cuntos datos hay que tomar? De que forma s e escoge el material d e la investigacin? 'Cmo ordenar los datos obtenidos.? 'Cmo sern descritos los datos y presentados en forma visible y clara? .Cmo s e analizar los datos? Qu conclusiones se podrn tomar? 'Cun confiables son las conclusiones? Cules son las preguntas, dudas abiertas despus del anlisis d e datos?
La lista se puede dividir en tres partes: Tarea o hiptesis de la investigacin: Despus de una formulacin precisa de la pregunta inicial de la investigacin, se eligen las caractersticas, un mtodo y medidas para evaluar y se hace el diseo. Toma de datos: Levantar datos de las plantas a evaluar, medir, pesar, observar, etc. Elaboracin /Anlisis de los datos: los datos obtenidos deben ser preparados en forma grfica y matemtica, concluir de las observaciones aisladas normas generales, comprobar y analizarlas.

2. Principios bsicos de la planificacin

En general, es normal buscar a un experto en estadsticas recin despus de haber ejecutado la investigacin, para el anlisis de los datos ya recolectados. Pero la confiabilidad de conclusiones depende mucho de como el ensayo ha sido ejecutado y como han sido tomado los datos; el experto necesita toda esta informacin detallada antes de poder analizarlas. Esto puede tener como consecuencia que slo una parte de los datos pueden ser usados estadsticamente o que los datos confiables no dan respuesta a la pregunta inicial de la investigacin. Bajo estas circunstancias, a veces no queda ms que asesorar al investigador cmo debe planificar y ejecutar un futuro experimento. Por eso: una de las tareas de la estadstica agrcola o biometra es asesorar al investigador desde el punto de vista estadstico, antes de ejecutarlo, para asegurar una toma de datos lgica y completa. Esto consolida que la posterior descripcin y el anlisis sern lo ms efectivo y completo posible, para poder contestar las preguntas iniciales de la investigacin. Esta parte de la estadstica se denomina planificacin de la investigacin. La planificacin requiere tanto de una preparacin tcnica como estadstica. La investigacin experimental afirma hiptesis o supuestos y los verifica o falsifica con ayuda de observaciones. Las investigaciones son el medio para obtener estas

Manual para investigadores observaciones. Despus de la preparacin tcnica, haber formulado la hiptesis y elegido el modelo de investigacin, viene la preparacin estadstica. El modelo debe ser formalizado por un modelo matemtico correspondiente. Se debe aclarar los parmetros estadsticos, asegurando que los datos colectados cumplan con las condiciones para analizarlos con los tests previstos. Igual la eleccin de los factores (en lo posible equidistantes) y del nmero de repeticiones debe ser realizada conscientemente. De la planificacin exacta depende el error del ensayo, la exactitud del mismo y con esto los resultados a obtener. Aqu tambin juega un rol muy importante el inters del investigador, que debera llegar hasta tal punto de controlar o realizar el mismo cada una de los trabajos necesarios de la investigacin, para asegurarse que se hagan de manera adecuada y exacta. Para bajar el error del ensayo a un mnimo es importante tener en cuenta todos los factores que influyen sobre la exactitud y tratar de minimizarlos. Esto empieza con prepararlos bien y llevarlos a cabo esmeradamente. Adems incluye tener las herramientas necesarias en buenas condiciones y funcionando antes de empezar. Un chequeo anterior es obligatorio. Factores que influyen son entre muchos otros el pesar y dosificar los productos usados para el ensayo. Por ejemplo, si se pesa la cosecha con una balanza vieja y mal calibrada influye esto en el error y la exactitud de los resultados. El peso indicado en la balanza estar alrededor del peso "real". Si pesamos la misma cosecha varias veces sobre esta balanza, nos dar resultados diferentes alrededor del valor "real". Esta desviacin sistemtica es causada por falta de exactitud y es expresada como medida estadstica de precisin. Realizando investigaciones bajo condiciones precarias, conociendo factores fuentes de poca exactitud, se puede contrarrestar esto aumentando el nmero de repeticiones. Para reducir el error de los ensayos se deben tener en cuenta los principios bsicos de la investigacin:

l . ceteris paribus: todo el manejo de las parcelas queda igual, con excepcin del
tratamiento 2. repeticiones: para poder determinar y reducir el error del ensayo 3. randomizacin o aleatorizacin: para que influencias marginales y vecinales puedan actuar en forma homognea sobre las diferentes variantes/tratamientos Est dems mencionar que una buena planificacin tambin incluye una buena documentacin del ensayo, elaborando el plano de campo, fichas para la evaluacin y anotar tantas observaciones como sean necesarias para un anlisis y, sobre todo, para una buena interpretacin de los datos. El plano se recomienda hacerlo detallado, con escala, incluyendo caminos, rboles aledaos, acequias o cuanto factor pueda ser interesante para la ejecucin. Los datos de las evaluaciones no deben hacerse en hojas provisorias u hojas sueltas, ya que se pueden perder. Adems, cada transcripcin de datos es una fuente de error. Un ejemplo para una hoja de evaluacin ver Anexo 1. Los cuadernos o folderes en uso deben forrarse para que no se mojen y, adems, escribir con tinta no-lavable. Tambin se deben etiquetar debidamente las parcelas con tinta resistente al agua y a los rayos del sol, sujetados de tal forma que no puedan volarse ni estorban los trabajos en el cultivo.

2.1 Repeticiones

Repeticiones son rplicas de la investigacin. Obteniendo varios datos de los mismos tratamientos pero de parcelas diferentes se puede estimar el error experimental. Sin repeticin no podemos estimar el error experimental, sin error no podemos determinar si las diferencias observadas son reales o si se deben a la variacin individual. Aumentando el nmero de repeticiones se aumenta la precisin del experimento y el poder de las pruebas estadsticas. Aumentar el nmero de repeticiones puede permitir hasta cierto grado trabajar con material, suelo, etc. no homogneo, pero no reducen el error debido a tcnicas defectuosas. No es posible dar indicaciones de validez general respecto al nmero de repeticiones.

El nmero de repeticiones depende de: la homogeneidad del terreno o ataque de plagas la diferencia esperada entre los tratamientos la precisin del ensayo deseado del objetivo de la investigacin

En general, en condiciones muy favorables, se puede limitar la investigacin a 3 hasta 5 repeticiones. En caso que se quiera determinar diferencias finas se debe efectuar de 6 a 8 repeticiones. El nmero mnimo son 3 rplicas, con menos, los datos no son lo suficientemente confiables. Aumentar el nmero de repeticiones es ms favorable a la investigacin que aumentar el tamao de parcelas.

Como repeticin no vale una parcela dividida en diferentes fracciones, de las cuales se toman las muestras (por ejemplo tres fracciones, tres repeticiones). Las parcelas deben estar separadas una de otras por otros tratamientos de la investigacin, para simular/incluir a lo mximo las diferentes influencias vecinales, climticas y del suelo o ubi'cacin.

Manual para investigadores

2.2 Randomizacin

La randomizacin reduce la falsificacin sistemtica, por ejemplo ordenando varias o todas las parcelas de un tratamiento a un costado del campo donde la luz es mayor, influir fuertemente en nuestros datos. La randomizacin adems nos da una de las condiciones bsicas para la mayora de los diseos: los datos son independientes. Consiste en la determinacin al azar de los tratamientos en el rea de experimento o parcelas, para que influencias marginales y vecinales puedan actuar en forma homognea sobre las diferentes variantesltratamientos. Sin randomizar el coeficiente de varianza es pequeo, o sea, la precisin alta. Pero la credibilidad del experimento es baja. El ensayo no es reproducible con el mismo resultado en otro terreno, es decir: del muestre0 no se puede estimar a la totalidad de datos. Para obtener datos vlidos y poder responder la hiptesis de la investigacin hay que randomizar. La precisin puede resultar ms baja, pero el valor "real" es ms acertado.

A) Resultados obtenidos en rendimientos en un ensayo no randomizado Calidad del suelo

/

buena
A

baja B

//

'

E E

rendimiento

>

* la precisin es alta, la confiabilidad de los datos baja.

B) Resultados obtenidos en rendimiento en un ensayo randomizado completamente Calidad del suelo buena A C B baja

>
D C

E C
rendimiento

>

+ la precisin es menor, la confiabilidad es alta

48

No se debe hacer la distribucin "a dedo", sino de una de las siguientes formas:

* tabla de nmeros al azar (ver Anexo 2). En la tabla se escoge al azar un nmero de
cualquier columna y se utilizan los nmeros siguientes para ordenar los tratamientos.

* calculadoras cientficas con opcin de nmero randomizado (RAN #) * rifas o sorteos: Por ejemplo: En una investigacin se tiene 4 tratamientos con 3
repeticiones. Se da una clave a los tratamientos (TI R1 = Trat. 1, rep. 1; T1 R2 = Trat. 1, rep. 2; T I R3 = Trat. 1, rep. 3; T2R1 = Trat. 2, rep. 1, etc.). Se enumeran 12 papelitos, se doblan y mezclan y se comienza el sorteo. El primer nmero corresponde al No 1 de los tratamientos, el segundo nmero del sorteo al No 2 de los tratamientos y as sucesivamente. Lo mismo se puede hacer tambin con dados. En caso que se usan bloques, se repite para cada bloque el sorteo. O sea, se hacen tres sorteos, uno para cada repeticin.

* gua telefnica

o agenda: se abre la gua en una pgina al azar y se copian consecutivamente tantos nmeros como parcelas hay en la investigacin y se ordenan a los tratamientos. En un segundo paso se ordenan los nmeros de telfono en forma ascendente y ese orden da el orden de los tratamientos.

Ejemplo: Randomizacin en diseo de bloques para una investigacin unifactorial (A) y una polifactoriaf (B)
A) Randomizacin por sorteo, para el primer bloque en una investigacin unifactorial (Factor abono):
Abono Clave T1 Papelito
4

Distribucin en el campo

Guano de isla Guano de corral Humus de lombriz humus de lombriz Fertilizante qumico

T5

T2

T5

Manual para investigadores

6)Randomizacin con nmeros de telfono, de los cuales slo se usan los ltimos
tres en forma ascendente, para el primer bloque en una investigacin polifactorial (Factor abono y factor dosis):
Abono Guano de isla Guano de isla 2 t/ha Guano de isla 3 tiha Humus de lombriz 2 tiha Humus de lombriz 3 tiha Humus de lombriz 4 tiha
T3 T4

Clave

N"
2718 128 3581430 2548221 8887666 4761 023 21 16005

Orden

Distribucin en el campo

4 6 2

T5
T6

En experimentos realizados se observ que algunos "randomizadores", que "a dedo" escogan campos a ser evaluados, sin usar una de las tcnicas arriba descritas, tenan la tendencia a seleccionar instintivamente campos con menos cosecha o ms cosecha, aunque estaban convencidos de su objetividad. Esta influencia inconsciente se elimina randomizando en papel y10 usando las tcnicas descritas.

2 . 3 Bloques
Para hacer ms homogneo el material del experimento y para poder calcular diferencias ambientales (calidad del suelo, malezas, luz, viento, ataque de plagas), se recomienda formar grupos homogneos, que se denominan bloques. Para reducir estos factores (conocidos o desconocidos) que influyen en la investigacin, pero no son de inters, se forman grupos, en los cuales las condiciones deben ser lo ms homogneas posibles. Estos grupos se denominan bloques. Las diferencias o variaciones dentro de los bloques deben ser mnimas y entre bloques lo ms grande posible. Entre mas homogneo sea un bloque, mejor se podr calcular en el ANVA el efecto de la influencia no deseada. Estas diferencias pueden ser tanto las arriba mencionadas, como tambin puede ser la cosecha durante varios das. En este caso la cosecha se realiza en un da todo el completo bloque 1 , al siguiente da el siguiente bloque completo, para mantener la mayor homogeneidad dentro de un bloque. Lo mismo vale para evaluaciones. Si diferentes personas evalan la investigacin, una persona debe hacerlo en todo un bloque, la otra persona lo har en otro bloque. Con la ayuda de los bloques se puede calcular el factor "calidad del suelo" (en caso de heterogeneidad del suelo) y restarlo del error del ensayo. Con esto, los efectos causados por los factores del tratamiento obtienen estadsticamente mejor visibilidad. Zonas de heterogeneidad pueden ser zonas de estancamiento, con sombra de rboles o edificios, zonas pedregosas o laderas. En laderas, el agua puede llevar el abono de una parcela ms alta a la ms baja, que en el peor de los casos es el testigo nulo. Este lavado influye o falsifica los datos obtenidos en la investigacin.

En caso de no conocer con exactitud las influencias se recomienda hacer bloques y parcelas cuadradas. Para mayor informacin ver captulo Forma y ubicacin de parcelas (pg. 55). La distribucin de bloques o parcelas depende segn las posibilidades o condiciones del terreno. Pueden estar en una fila, un bloque detrs de otro, un bloque debajo de otro, en dos filas, o separados un bloque del otro (ver grfico 4). Una forma para obtener bloques cuadrados es:

Bloque I

Bloque II

Bloque III

Bloque IV

Grfico 4: Distribucin de bloques en forma cuadrada.

Randomizacin y formacin de bloques en si son contradictorios, ya que la formacin de bloques requiere de cierta distribucin consecuente, mientras que la randomizacin trata de impedir esto. Esta contradiccin se resuelve en formar bloques y randomizar dentro de ellos.

Manual para investigadores

Formacin correcta de bloques: dentro de ellos el efecto acta con la misma intensidad. Las parcelas tienen condiciones idnticas.

Formacin incorrecta de bloques: dentro de ellos el efecto acta con diferente intensidad. Las parcelas no tienen condiciones homogneas.

Grfico 5: Formacin de bloques (a - d) bajo diferentes condiciones climticas. Fuente:

O1svth/Geidel.

2.4 Tratamientos

Los diferentes procedimientos, cambios en materiales, variedades, etc. se llaman tratamientos. Son ellos los que se evaluarn durante el experimento y son el nico factor modificado en toda la investigacin, variando el procedimiento/material, variedad de tratamiento en tratamiento. Todos los otros factores que influyen en la investigacin, sean esto labores culturales, semillas, riego, fertilizacin, control de plagas, deben ser idnticos para todas las parcelas (ceteris paribus). Los tratamientos deben ser definidos sobre todo segn los requerimientos tcnicos. A raz del tema de la investigacin, del problema a estudiar y un buen estudio de literatura se definen los tratamientos. Como "literatura" tambin es vlido las comunicaciones orales de los agricultores o tcnicos. Una buena preparacin significa recoger informacin bsica sobre el sitio de la investigacin, las condiciones climticas y econmicas, prcticas locales e informacin especfica alrededor del problema. Todos estos factores influyen en una investigacin y en la definicin de los tratamientos, tratando de definir estos orientndose a las necesidades del agricultor. De nada vale una investigacin sobre un abono, que en otras regiones ha tenido muy buenos efectos, si en la zona de la investigacin los agricultores no tienen acceso a este abono. Una buena preparacin facilita tambin la interpretacin de los datos a obtenerse y la vinculacin de estos al contexto. En una investigacin se debe justificar la eleccin de los tratamientos. Por ejemplo, quedando con el ejemplo de una planta biocida, la planta seleccionada y las dosis usadas en la aplicacin deben basarse en observaciones, informacin sobre su efecto. Teniendo poca informacin se recomienda partir de dosis con grandes diferencias (0,01 %, 0,1 %, 1 %) y distanciamiento equidistante, acercndose en investigaciones posteriores a la concentracin ideal (0,l %, 0,2 %, 0,3 %, 0,4 74). Hacer varias investigaciones con un nmero reducido de tratamientos reduce el costo,, tanto de insumos como de mano de obra. Los tratamientos deben responder al objetivo de la investigacin. Ejemplo: Comparacin del efecto de 5 diferentes extractos contra mosca blanca en algodn en el valle de Caete. En el valle se presentan en algodn tres diferentes moscas blancas y los agricultores siembran cuatro diferentes linajes de algodn. Si queremos llegar a recomendaciones vlidas para todo el valle, debemos incluir en nuestra investigacin todas las moscas blancas y los linajes usuales. Es importante si el investigador quiere generalizar la informacin para todas las moscas y todos los linajes. Generalmente conclusiones a este nivel no se pueden tomar a raz de una sola investigacin. El momento oportuno para la realizacin de los diferentes procedimientos (tratamiento) depende de las caractersticas de los tratamientos. El abono ser aplicado a la siembra, al aporque o de manera foliar, si as indica la investigacin, teniendo en cuenta que la planta necesita ciertos nutrientes ms en la fase vegetativa, otros durante la floracin, etc. Una aplicacin de productos biolgicos y/o qumicos ser realizada en la fase ms susceptible del insectolenfermedad a controlar, o sea, en el estadio, en el que el insecto ofrece la menor resistencia a la aplicacin o en la fase en la que la planta sea susceptible al ataque de la plaga. Esto implica, que el investigador se informe sobre la biologa del insecto plagalenfermedad y10 sobre la poca de ataque de la plaga. Puede ser necesario observar la aparicin de las plagas y hacer la aplicacin segn el nmero de plagas en el cultivo, como puede ser til comparar la presencia con datos meteorolgicos (por ejemplo: presencia de hongos a los dos das despus de bajar la temperatura, aumentar la humedad relativa).

Manual para investigadores

El nmero de tratamientos se define segn el objetivo de la investigacin. En la investigacin convencional se da como nmero para experimentos seleccionando variedades unas 10 diferentes variedades. Se pueden hacer hasta ms tratamientos, pero sobre todo investigaciones con varios factores son complicadas y difcil de interpretar. Es preferible reducir el nmero de tratamientos y hacer varios ensayos pequeos en vez de uno grande con diseo complicado. En caso de una investigacin sobre una planta biocida, se tiene como interrogante si es que funciona, cuando aplicar (nivel de dao, presencia de insectos plagas), que dosis aplicar, cuantas veces aplicar y comparar con insecticidas en el mercado. Cada una de estas preguntas puede ser una o ms investigaciones aparte.

2.5 Testigo

El testigo en la investigacin convencional tiene como finalidad comparar lo actual con lo nuevo. Puede ser un tratamiento de comparacin adicional a los tratamientos que aprobarn la hiptesis, como un tratamiento nulo, en el cual el factor central de la investigacin est ausente; pero se recomienda definirlo como el tratamiento local, el manejo/dosis que dan los agricultores a su cultivo, ya que en la investigacin orientada hacia los problemas de los agricultores debe afirmar que un cambio en las costumbres resulta beneficioso para ellos. La comparacin siempre se har con el manejo actual, no con una parcela nula.

En ensayos de fertilizacin orgnica el testigo comnmente es la variante qumica. Por ejemplo: para investigar el efecto de incorporacin de materia orgnica al suelo en cuanto a contaminacin, efectos secundarios, efectos fungicidas, etc. se trata de mantener todos los otros factores a igual nivel. El factor nutrientes se elimina fertilizando las parcelas testigo al nivel mximo de N que se incorpora con la M.O. Al igual que los otros tratamientos el testigo necesita repeticiones y debe ser incorporado al diseo experimental.

2.6 Investigaciones factoriales

Si en una investigacin se quiere analizar el efecto de un nico factor se habla de una investigacin unifactorial. Por ejemplo: una investigacin analizando el efecto del nitrgeno en la produccin a tres concentraciones es unifactorial, mientras que si analizamos el efecto del nitrgeno y el fsforo cada uno a tres concentraciones hablamos de polifactoriales o de factoriales de dos factores. Cada factor aporta varios tratamientos. Meta en estas investigaciones factoriales es analizar el efecto de varios factores o variables al mismo tiempo. Algunas ventajas de los factoriales son:

* En investigaciones unifactoriales la concentracin de los otros factores involucrados son determinados de manera arbitraria, al contrario en ensayos factoriales, donde varan todos los factores interesados.

* Se puede conseguir una precisin ms alta con el mismo esfuerzo en planificacin e

implementacin.

* Se puede analizar las interacciones entre diferentes factores y su relacin.

Por ejemplo, recin en investigaciones factoriales se ve que una dosis alta del abono A limita la absorcin del abono B y le resta efecto a la fertilizacin.

Una investigacin con m factores a n niveles tiene una posibilidad de combinacin de rl". El ensayo rpidamente se hace grande, complejo y difcil de interpretar. Ser importante medir las ventajas y ver si no conviene hacer previamente varios ensayos unifactoriales, eliminando niveles sin efecto y como recin como ltimo hacer un factorial con los factores y niveles restantes.
Diseos apropiados para investigaciones factoriales son el diseo de bloques completos al azar, el cuadrado latino o las parcelas divididas.

2.7 Forma y ubicacin de parcelas

Al buscar un terreno apropiado es importante tener en cuenta el cultivo anterior. En terrenos con investigaciones anteriores de fertilizacin, se debe esperar 3 a 4 aos para que se "borre" el diferente abonamiento en el terreno. Vale la pena usar un rea representativa para la zona o regin. La forma de las parcelas ayudan a mejorar la precisin, ya que tambin en ellas, como en los bloques, se refleja por ejemplo la homogeneidad del suelo u otros factores de influencia. Se recomienda situar las parcelas (los lados largos) a lo largo, o sea en forma paralela al factor perturbador, el cual no ha podido ser registrado completamente con la formacin de bloques, para tener parcelas uniformes.

Manual para investigadores

Ejemplo: Resultados obtenidos de una investigacin con diferente ubicacin de parcelas

A) Parcelas transversales a la calidad del suelo
Calidad del suelo buena Bloaue 1 baja

3 Parcelas no homogneas dentro de un bloque: Las parcelas son heterogneas, ya que la calidad del suelo se refleja en cada una de ellas. El tratamiento A, Bloque I est en un rea de mejor calidad de suelo que la parcela C en el mismo Bloque.

B) Parcelas paralelas a la calidad del suelo

Calidad del suelo

,
buena baja

Parcelas homogneas dentro de un bloque: todas las parcelas tienen zonas con menor o mayor calidad de suelo, por lo que la influencia suelo ha sido limitada y se pueden apreciar los efectos reales de los tratamientos.

En caso que la heterogeneidad del suelo sea desconocida, se recomienda hacer bloques y parcelas cuadradas. En general vale: parcelas largas y estrechas son ms exactas por ser ms fciles de trabajar y controlar mejor la calidad del suelo. Pero la estrechez tiene sus lmites (efectos vecinales, ancho de mquinas, etc.). Se recomienda formas con una relacin ancho a largo de 1 : 2,5 a 1 : 5. La forma de las parcelas se define adems por el objetivo de la investigacin: en investigaciones de variedades, abonamiento, manejo de suelos o malezas, la forma

rectangular suele ser la de ms fcil manejo, por lo que se puede trabajar a lo largo de los surcos o lneas de siembra. Las fronteras con las otras parcelas pueden marcarse claramente y el efecto vecinal no es aumentado por los tratamientos. En cambio, en investigaciones, en las cuales se fumiga, se aplica insumos al voleo, etc. por el mismo efecto vecinal las parcelas deben ser cuadradas.

Para ensayos de variedades y abono:

* parcelas rectangulares, largas

/I

Para ensayos de control de plagas o enfermedades:

* parcelas cuadradas, ya que la calidad del suelo es menos importante que

el ataque de plagas, el efecto vecinal y el efecto marginal

1I

parcelas incorrectas

parcelas correctas

Grfico 6: Ubicacin de parcelas en ladera. Fuente: O'svth/Geidel, modificado.

Manual para investigadores

Al implementar la investigacin en el campo es importante conseguir parcelas de vnculo recto, para poder trabajarla de forma ptima. Para trazar un vnculo de 90, nos podemos ayudar con Pitgoras (c2= a2 + b2): En una Inea CD partimos desde C y marcamos un punto A con 3, 6 o 5 metros. Desde A se traza una Inea con el valor de la hipotenusa (5, 10 o 13 respectivamente) en direccin a B y desde C se traza una Inea con el valor del cateto (4, 8 o 12 m) hacia B. Tanto el punto A como B se prolongan hasta obtener el largo o ancho deseado de la parcela, obteniendo un vnculo recto. Esto se repite para cada vnculo del bloque, parcela, etc. Como crculo se puede usar una pita con dos estaquillas a los extremos. Uno de ellos se amarra en "lpiz" que marca los puntos obtenidos.

C "... ...,

A
I I I I

. .

l I l l I I
I

el punto de partida, y el segundo palo es el

2.8 Tamao de parcelas El tamao de las parcelas es importante para la confiabilidad de los datos. Se necesita una cantidad mnima de plantas dentro de una parcela, para poder hacer las evaluaciones correspondientes de manera acertada y seria, ya que se debe tener en cuenta, que de la muestra de tres o cuatro parcelas (segn nmero de repeticiones) se sacan conclusiones para toda la poblacin. En plantas de baja densidad de siembra, deben ser mnimo 20 a 30 plantas dentro del rea neta, para plantas de alta densidad de siembra se calcula el rea neta mnima, no tanto la cantidad de plantas necesarias. En todo caso se necesita un mnimo de 20 a 30 datos por cada caracterstica evaluadalo para eliminar la influencia individual de cada planta sobre el resultado total, para obtener resultados representativos para la poblacin. Para algunas plantas Rohrmoser (1984) da las siguientes recomendaciones para contrarrestar la variabilidad gentica: Cereales Maz Papa 300 - 400 plantas por parcela 100 - 140 plantas por parcela 40 - 50 plantas por parcela

En caso de que se evale la cosecha de una parcela, se obtiene un solo valor por parcela ya que la cosecha es el resultado de un nmero "x" de plantas. Ms bien se deben cosechar mnimo 20 a 30 plantas para obtener un valor confiable para la caracterstica "rendimiento".

1o

El tamao de las parcelas depende de: objetivo tipo de tratamiento nmero de repeticiones homogeneidad del suelo poca de realizacin cultivo tcnica usada en la investigacin

No se pueden dar tamaos exactos para cada cultivo, ya que depende del objetivo, pero tambin de la poca del ao. Por ejemplo, en una poca del ao con mucho viento, se necesitan parcelas ms grandes (efecto vecinal). En general se prefiere trabajar con parcelas chicas, ya que un tamao muy grande de parcelas agranda el error del ensayo, por la creciente heterogeneidad del suelo. Es preferible hacer un mayor nmero de repeticiones con parcelas pequeas, que pocas repeticiones con parcelas grandes. En el control de plagas mediante biocidas e insecticidas el tamao se agranda, la calidad de suelo no es el factor determinante, sino los efectos vecinales, marginales y la direccin del viento, ataque de plagas, etc. Para investigaciones en este rea se trabaja con parcelas de 25 m2 hasta 100 m2, dependiendo del cultivo.

se pueden hacer aplicaciones ms uniformes menor costo resultados ms exactos en evaluaciones

Al final, el tamao de parcelas tambin es influenciado por el presupuesto, la mano de obra, materiales y campo disponibles, al cual el investigador se debe adecuar. Algunos datos referenciales se dan en la tabla 2.

Manual para investigadores

I ama 2 : i amano

nero ae parcelas usaaas en ia invesrigacion (en m=).

Cultivo
Algodn

Area

Tema de la investigacin
riego variedades

Arroz

variedades, fertilizacin control de enfermedades

Arveja Cacao Caf Cereales Coles Frijol Gramneas Haba Lechuga Maz control de plagas control de plagas fertilizacin, variedades control de plagas fertilizacin variedades, fertilizacin variedades control de plagas fertilizacin, variedades riego Man fertilizacin, variedades riego Papas Pltano Tomate Trbol Fuente: Rohrmoser, 1984, modificado. variedades fertilizacin, variedades control de plagas

2.9 Efecto vecinal

Es la influencia recproca de las parcelas vecinas entre s. En ensayos de variedades y abono es tanto ms intenso cuanto ms se diferencian los tratamientos, p. ej.: altura de las plantas, que influyen a las parcelas vecinas, plagas que pasan de una parcela a la otra, repelente que acta ms all de los bordes de la parcela aplicada. En el diseo hay que buscar tratamientos comparables o, en caso de desconocer el efecto, separar las parcelas con barreras (p. ej. barreras de avena en un Sultivo de papas) y eliminar los mrgenes de las parcelas antes de evaluar. En ensayos fitosanitarios la propagacin de plagas y desviacin de los productos de aspersin y espolvoreo por el viento juega un rol muy importante. Esto sobre todo es fuerte en parcelas longitudinales. Adems, la migracin y expansin de las plagas influyen sobre la eficacia del extracto a investigar y es ms notable en parcelas longitudinales. En la propagacin se da muchas veces (p. ej. pulgones) un foco de contaminacin, que puede influir a parcelas vecinas. Hay que tener en cuenta la direccin del viento, por la cual estas plagas suelen entrar al campo o los otros factores respectivos. Por consiguiente, para investigaciones en el manejo de plagas es preferible la forma cuadrada en lugar de la cuadrilonga. As se puede disponer en cada parcela de un ncleo no influenciado por efectos vecinales para la evaluacin. Efecto vecinal (por viento) en una parcela cuadrada Efecto vecinal rectangular en una parcela

Grfico 7: rea en una parcela libre de los efectos vecinales.

Una forma de solucionar el problema del viento es mediante telas que se colocan durante la aplicacin en los bordes de la parcela aplicada, pero slo es viable para cultivos de tamao bajo. Con viento fuerte se prohiben hacer aplicaciones, ya que el efecto ya no es controlable. Otra forma para evitar un efecto vecinal es mediante caminos entre los tratamientos, pero esto ocasiona otro efecto negativo para el resultado final:

Manual para investigadores

2.1 0 Efecto marginal

Este efecto se produce por la falta de competencia que tienen las plantas en el borde. Esto puede causar un tamao de plantas o cosecha mayor o menor a la del centro del cultivo. El microclima del centro de un cultivo es muy diferente al de los bordes, lo que puede ocasionar un ataque de hongos diferente. Otro problema que surge por los caminos es el ataque de algunas plagas, que se da preferentemente por esos caminos. En caso de ser necesario dejar un camino, se recomienda dejar una franja de borde, que queda excluida de la evaluacin. El efecto marginal en investigaciones de variedades y de abono es sobre todo la diferencia en rendimiento entre las plantas en el borde y el centro del cultivo por las diferentes condiciones climticas. Antes de cosechar se eliminan las plantas marginales para tener un rendimiento absoluto y no relativo. En los ensayos fitosanitarios en cambio, el efecto marginal es causado por el grado de ataque de las plagas, que en el margen suele ser ms alto que en el interior. Hay que tener buenos conocimientos de la plaga a estudiar para saber como se propaga. Por ejemplo, pulgones realizan un vuelo de ataque. En vuelos a larga distancia dan mecnicamente con las plantas marginales y prueban ah si la planta de aterrizaje es un hospedero. De ah se propagan y se expanden al interior del cultivo. Si el control de pulgones es el nico factor a investigar y se hacen las aplicaciones recin a la aparicin de pulgones, se pueden definir las parcelas segn el ataque. En la planificacin se tiene en cuenta el efecto dejando una franja suficientemente ancha que no se evala.
2.1 1 Simetra

Una estructura simtrica de la investigacin, o sea levantar datos en igual nmero para cada parcela y usar niveles de factores equidistantes (p. ej. 10, 20, 30 y 40 kg de Nitrgeno; evaluacin de plagas a 1, 2, 3, 4 das de aplicacin) es de ventaja, ya que es una condicin para muchos tests o anlisis. Esto por ejemplo para un ANVA factorial, donde para cada parcela debe haber el mismo nmero de datos. Para la regresin se recomienda tener niveles equidistantes para el factor x. Esta estructura simtrica trae ventajas simplificando el anlisis de los datos y un incremento de informacin.

3. Diseo experimental

Como hemos visto en los captulos anteriores, hay factores que obstaculizan la investigacin e influencian los resultados en forma no deseada. Para eliminar o limitar estos factores se han creado diferentes diseos, como los bloques. Algunos diseos facilitan el manejo de una gran cantidad de parcelas, otros se han creado especialmente para manejar dos factores. La etapa de planear el diseo es una etapa fundamental, que finalmente permite la recoleccin apropiada de datos y conducir a un anlisis objetivo y con deducciones vlidas del problema investigado. El diseo tiene el propsito de proporcionar mtodos que permitan obtener la mayor cantidad de informacin vlida acerca de una investigacin mediante mtodos que permitan disminuir el error experimental. Si ya sabemos el tamao y forma de las parcelas, debemos decidirnos por un diseo. A continuacin veremos los principales diseos para investigaciones agrcolas.
3.1 Diseo Completamente Aleatorio

El diseo ms simple es el Diseo completamente randomizado o aleatorio, el DCA, el cual se usa en laboratorio, mas no se suele usar en el campo ni en invernadero, ya que cada suelo o ubicacin en invernadero tiene cierta heterogeneidad, aunque no la conozcamos. Los datos son ms confiables dejando la posibilidad de calcular el efecto de bloque. Condicin para el diseo es que todos los factores que influyen en la investigacin sean bastante homogneas.

Ejemplo: Investigacin sobre el efecto de biocontroladores contra Sclerotium cepivorum en cebolla en laboratorio con 3 repeticiones1'
Tratamientos: T 1 Sclerotium cepivorum T 2 Trichoderma viride T 3 T. harzianum T 4 Penicillium expansum

T 5 Coniothyrium minitans T 6 Gliocladium roseum T 7 Chaetomium globosum

La randomizacin del diseo se hace para todas las unidades experimentales o sea parcelas, macetas, placas petri, etc. sin restricciones (ver tambin captulo de Randomizacin, pg. 48).
11

Tratamientos tomados de la tesis de Marco A. Arenas Aspilcueta, UNSA, Arequipa, 1996.

Manual para investigadores

3.2 Diseo de Bloques Completos Aleatorizados

Otro diseo simple y el ms usado en la agricultura es el diseo de bloques completos aleatorizado, el DBCA. Las ventajas de los bloques y la forma de distribuirlos ya las hemos discutido anteriormente. Se enumera los bloques y dentro de los bloques se distribuye las parcelas de manera randomizada.

Ejemplo: Investigacin sobre el efecto de seis extractos vegetales, goma natural y aceite vegetal sobre Spodoptera frugiperda en maz en campo con 4 repeticiones12
Tratamientos: T 1 Argemone mexicana T 2 Nerium oleander T 3 Ambrosia peruviana T 4 Brugmansia arborea T 5 Capsicum sculentum
T 6 Lycopersicon esculentum T 7 Pouteria sapota T 8 Aceite vegetal T 9 Testigo sin tratamiento T 10 Testigo qumico

Se divide el campo en 4 bloques y se fracciona en 10 parcelas. La distribucin de los tratamientos a las parcelas se hace mediante randomizacin dentro de los bloques (ver captulo de Radomizacin, pg. 48). Bloaue

Otra forma de bloque es:

l2

Tratamientos tomados de la tesis de Eulogio B. Lino Chvez, UPAO, Trujillo, 1997

64

3.3 Diseo en Cuadrado Latino

En el DBCA se puede eliminar o limitar slo a un factor no deseado. En caso de tener heterogeneidad de suelo en dos direcciones o un segundo factor x, se puede aplicar el cuadrado latino. En este diseo tanto las filas como las columnas representan un bloque completo. Como filas y columnas son criterios de clasificacin, tambin pueden ser usados como una clase de tratamientos. Steel y Torrie (1997) dan como ejemplo una investigacin de almacenamiento, siendo los das las filas y los almacenes las columnas. Pero advierten, que no se debe usar el diseo en caso que se puedan presentar interacciones significativas entre estos factores. El diseo es poco manipulable con un gran nmero de factores ya que, por ser columnas = filas = tratamientos, requiere un gran nmero de parcelas. Por ejemplo, una investigacin factorial con 3 factores (3 formas de control de plagas) a 2 niveles (dosis de aplicacin) cada uno: Tenemos 8 posibles combinaciones entre factores y niveles, para los cuales sern necesarios 64 parcelas (8 x 8). En un diseo de bloques con 4 repeticiones necesitaramos 32 parcelas (8 x 4). En una investigacin can diseo de cuadrado latino se parte de un plano matriz, el cual es randomizado. Planos matriz se encuentran en el Anexo 3. El cuadrado latino se analiza como un ANVA de tres factores, siendo el factor A el factor analizado, el factor B las columnas y el factor C las filas, sin calcular las interacciones, las cuales quedan incluidas en la suma de los cuadrados del error. Ejemplo: Randomizacin de una investigacin sobre el rendimiento de cinco variedades en campo Se prueba 5 diferentes variedades en un terreno con dos influencias negativas. Se decide hacer un cuadrado latino. 5 tratamientos requieren de 5 repeticiones, con lo que tenemos un cuadrado 5 x 5. En un cuadrado latino el nmero de tratamientos es igual al nmero de filas e igual al nmero de columnas. El plano de origen es el siguiente: Columnas

Manual para investigadores

1. El primer paso es randomizar las filas de la siguiente manera:

Noal azar

No de fila

Rango

antes fila 3 antes fila 4 antes fila 2 antes fila 5

Con esto la fila No 3 pasa ser fila No 1, la No 4 pasa ser No 2 y as sucesivamente.

2. Randomizacin de las columnas

antes fila 1

Noal azar

No de fila

Rango
Columna

(N0de columna del plano anterior)

Con esto la columna No 4 pasa ser la No 1 del nuevo plan, la No 1 pasa ser la No2 y sucesivamente.

BE
E C B B A D A D C A B E C D E E A B E D C B D A C

El anlisis de datos se calcula como para un ANVA de tres factores.

3.4 Diseo de Parcelas Divididas

El diseo se frecuenta en investigaciones factoriales, en las cuales un factor requiere de parcelas grandes para facilitar el manejo del tratamiento. Generalmente se define como factor principal al factor del que se esperan grandes efectos diferentes y el factor secundario dentro del cual las diferencias esperadas son menores. El factor principal es investigado en parcelas grandes y el factor secundario en subparcelas dentro de las parcelas grandes. Otra razn de las parcelas divididas es facilitar la manipulacin de un factor, p. ej. manejo de malezas, el cual con traccin animal o maquinaria slo se puede hacer en parcelas grandes. Aqu los costos son los que determinan el factor principal. Para la randomizacin se divide primero el rea de la investigacin en el nmero de repeticiones, luego se subdividen los bloques en el nmero de parcelas principaJes, que corresponden al factor principal. Estas parcelas principales se randomizan por separado para cada bloque. Luego se divide cada parcela principal en subparcelas, segn el nmero de niveles del segundo factor.

Ejemplo: Randomizacin de una investigacin sobre la fertilizacin orgnica foliar en frijol en campo con 4 repeticiones. La fertilizacin orgnica se define como factor principal, la fertilizacin foliar como secundario13

Tratamientos: Factor principal: FO 1 FO 2 FO 3 FO 4

Fosfocompost Fosfocompost-RP Humus de lombriz Urea

1) Se divide el rea en cuatro partes, para las cuatro repeticiones o bloques. 2) Se divide cada repeticin en cuatro unidades para las parcelas del factor principal.

FO 2 FO 1 FO 4 FO 3 Repeticin 1

FO 1 FO 4 FO 3 FO 2 Repeticin 2 Repeticin 3

3) Se subdivide las parcelas principales en tres unidades, para las tres formas de fertilizacin foliar y se randomiza por separado cada parcela principal.

Tratamientos: Factor secundario

FF 1 FF 2 FF 3

sin abono Bayfolan Humus de lombriz

Repeticin 1

Repeticin 2

Repeticin 3

El anlisis de datos se calcula de la manera descrita en el captulo Anlisis de datos, pg. 87.

13

Tratamientos tomados de la investigacin de Pineda, R., CIPCA, Piura, 1997.

4. Toma de datos

Antes de empezar a evaluar, es necesario hacer una lista detallada de los datos que se necesitan para poder contestar la pregunta inicial de la investigacin, ya que datos no tomados a tiempo no se pueden recuperar. Y, adems, nos ahorramos tiempo en levantar datos innecesarios. La lista ayudar a reconocer el trabajo y tiempo que requiere la evaluacin y, en caso que sea muy amplio, modificar la investigacin y hacer los respectivos cambios para que la investigacin sea realizable. Muchas evaluaciones deben hacerse el mismo da, algunas en la misma poca del da, ya que los trminos pueden cambiar rpidamente. Por ejemplo, la presencia de plagas en la madrugada puede ser muy diferente a la del medioda o en la tarde, por lo que se tendr que registrar todas las parcelas p. ej. en las horas de la madrugada. Una investigacin con gran nmero de parcelas o gran cantidad de diferentes registros por parcela no permitira esto. En caso que sea necesario cosechar durante varios das, se debe realizar la cosecha por bloques, o sea, en un da todo el completo bloque 1, al siguiente da todo el bloque II, etc. Lo mismo vale para evaluaciones. Si diferentes personas evalan la investigacin, una persona debe hacerlo en todo un bloque, la otra persona lo har en otro bloque. El momento ms oportuno es el momento en el que se muestra mejor el efecto o la caracterstica evaluada. Las evaluaciones tempranas pueden ser muy exactas, pero en el sentido tcnico no son correctos. Por ejemplo la eficacia de una aplicacin de Bacillus thuringiensis se ve a partir del tercer a cuarto da, una evaluacin anterior no da los resultados correctos. Esto no quiere decir que despus de la aplicacin, el investigador recin regresa al campo/laboratorio a los tres das, sino observa la evolucin de la investigacin durante toda su fase. Si en una investigacin los nicos datos a evaluar son el rendimiento y calidad del producto segn el abonamiento, no por eso se puede dejar de observar la investigacin durante largo tiempo. Aunque no se registren datos para un anlisis, se debe estar observando constantemente el desarrollo de las plantas, tanto para garantizar un crecimiento y desarrollo ptimo como para poder reaccionar a influencias no planificadas (ataque fuerte de plagas, sequas, etc.). De estas observaciones pueden resultar valiosas informaciones para la interpretacin de los datos. Por ejemplo, con una fertilizacin de un alto nivel de nitrgeno el ataque de plagas es ms fuerte que en parcelas con fertilizacin equilibrada o baja en nitrgeno. Los datos de las evaluaciones no deben hacerse en hojas provisorias u hojas sueltas, ya que se pueden perder. Adems, cada transcripcin de datos es una fuente de error. Los cuadernos o folderes usados deben forrarse para impedir que se mojen y, adems, escribir con tinta no-lavable. Todos los datos deben ir bien documentados, con fecha, lugar, nombre, nmero, etc. y archivados de manera que a la hora de la sistematizacin se encuentren, entiendan y puedan ser analizados.

Manual para investigadores

4.1 Tamao de muestra

Con la toma de datos registramos los resultados de la investigacin. De esta muestra de datos se conlleva a conclusiones vlidas para toda la poblacin, por lo que se necesita un mnimo de 20 a 30 datosI4 por parcela por cada caracterstica evaluada para eliminar la influencia individual de cada planta sobre el resultado total, para obtener resultados representativos para la poblacin. En frutales se debe trabajar como mnimo con 5 rboles por parcela. El nmero de muestras puede ser tanto ms pequeo, tanto ms homogneo son las plantas de las parcelas o, en caso de investigaciones de control de plagas, tanto ms denso es el ataque de plagas. Pero: un anlisis se hace ms sensible o sea, puede detectar una diferencia ms pequea entre los tratamientos, a medida que el tamao de la muestra crece.

4.2 rea de muestre0

De cada parcela slo se registran datos de un rea neta, dejando bordes a los lados, de un tamao segn la necesidad del ensayo. Esto depende del efecto vecinal, marginal, etc. como hemos visto en los captulos anteriores. En cada parcela se puede medir el efecto de un tratamiento midiendo la unidad completa o una parte de ella. Por ejemplo se pesa la cosecha de toda el rea neta de una parcela o se evala el ataque de plagas al azar slo en varias hojas dentro de esta rea. Si para la evaluacin hay que destruir parte de la parcela (extraer hojas), se evala una parte de ella.

En caso de que se evale la cosecha de una parcela, se obtiene un solo valor por parcela ya que la cosecha es el resultado de un nmero x de plantas. Ms bien se deben cosechar mnimo 20 a 30 plantas para obtener un valor confiable para la caracterstica "rendimiento".

14

70

Nuestro ojo no es un instrumento adecuado para definir una muestra homognea dentro de la parcela, por lo que se desarrollaron diferentes mtodos de extraccin o seleccin: Un mtodo es el completamente randomizado, entrando al campo y evaluando una cierta cantidad de plantas. Con el registro de un nmero adecuado de plantas, este mtodo es el ms ventajoso, pero como no se logra una real randomizacin sin planificarlo y detallarlo (haciendo sorteo, rifas, etc. para cada parcela) es trabajoso. Otro mtodo es el sistemtico, entrando al campo y evaluando cada tercera planta en cada segunda fila del rea neta. Se usa en caso de parcelas grandes, pero no garantiza una buena representatividad para los datos de toda la poblacin. Un tercer mtodo es el de agrupacin, en el cual se definen al azar puntos dentro de la parcela, alrededor de los cuales se evalan varias plantas. Se aplica en casos de difcil acceso a las plantas, pero es susceptible a la heterogeneidad dentro de la parcela. Vale la pena definir de antemano cual parte de la planta se evaluar, lo cual se define segn la caracterstica de la plaga o enfermedad que se evala. dtodo randomizado Mtodo sistemtico Mtodo por agrupacin
0 . .

.
0 .

.. .
.

.. .
0 . . .

4.3 Que es lo que se evala?

Teniendo la hiptesis de la investigacin, hay que decidir cuales son las caractersticas o criterios a evaluar. No se puede definir de antemano las caractersticas segn cultivo ni segn tema, ya que puede ser diferente para cada caso. En caso de una investigacin sobre una planta biocida, se tiene como interrogante si es que funciona, cuando aplicar (nivel de dao, presencia de insectos plagas), que dosis aplicar, cuantas veces aplicar y la comparacin con insecticidas en el mercado. Cada una de estas preguntas puede ser una o ms investigaciones aparte y sern evaluadas de forma diferente. Por ejemplo en caso de ensayos con aspersiones es importante anotar, adems de insectos plagas vivos y10 muertos, etc. las condiciones meteorolgicas (viento, radiacin solar, lluvia, humedad relativa) ya que influyen en el actuar del producto asperjado. Es importante encontrar criterios apropiados para comprobar un efecto y el momento propicio para realizar la evaluacin. Los criterios deben dar informacin sobre la eficacia del tratamiento, registrndolo en la manera ms adecuada. En investigaciones de variedades o abonos el rendimiento puede ser un criterio muy importante, mientras que en investigaciones en el control de plagas no son de inters. Aqu ms bien interesa la eficacia del mtodo de control, o sea la reduccin de las plagas. Si queremos informacin sobre el grado de ataque de plagas no podemos usar el dao como criterio, a menos que haya una relacin muy estrecha entre ataque y dao. En general debemos tener en cuenta, que la caracterstica sea obietiva, independiente del evaluador. La evaluacin de un concurso de afiches o pancartas por ejemplo depende en general del jurado calificador, segn sus gustos personales de colores, diseo, etc. La evaluacin de una investigacin debe buscar criterios objetivos.

Manual para investigadores

La caracterstica debe ser re~licable en repeticiones en otro sitio, evaluada por otras personas. Por ejemplo mediciones con un metro estandarizado se puede replicar en todos los pases sudamericanos, mientras que una escala desarrollada por el investigador no cumple con estos requisitos. La caracterstica debe ser vlida y de contenido para la pregunta inicial. Por ejemplo las notas del examen de admisin son importantes para ingresar a muchas universidades como la de medicina. Pero 'tiene que ver esa nota con la habilidad de ejecutar la profesin de mdico, dnde se debe tener bastante facilidades de comunicacin y paciencia con los enfermos?

Cmo se puede evaluar?

contar medir pesar observar estimar analizar

Qu se evala as?
nmero de plagas, de frutos, hojas, plantas germinadas altura, tamao de hojas, mazorcas o frutas peso de cosecha total o parcial (tubrculos, granos, hojas) color de hojas, plantas, maduracin grado de ataque de plagas o enfermedades nutrientes en frutas, semillas (protenas, almidn, azcar, fibras), en suelo, agua

Mientras que los datos obtenidos midiendo, pesando, analizando y contando son objetivos, observar o estimar es subjetivo, pero puede ser valorado como dato objetivo, si fue hecho durante todo el perodo vegetativo por una sola persona, sin prejuicios y sin ser influida. Antes de empezar a observar o estimar las parcelas se recorre todo el terreno para hacerse una idea de los diferentes grados de expresin estn representados en la investigacin. En caso de no tener fotos o dibujos con las diferentes notas como ayuda ver grfico 8),se memoriza las diferentes grados de la caracterstica antes de empezar con la primera parcela. Puede ser til recoger un ejemplo de los principales grados de la caracterstica para poder comparar las parcelas con estos. Esto aumenta la objetividad de la evaluacin. Por ejemplo para una evaluacin del color de hoja despus de aplicacin de biol se recorren todas las parcelas recogiendo hojas del color verde claro o amarillento (grado 3), verde (grado 5) y verde oscuro o azulado (grado 7).

1 = faltante

3 = leve

5 = mediana

7 = fuerte

9 = muy fuerte

o muy baja

Grfico 8: Grad

e curvatura de vainitas. Fuent:e: Bundessortenamt (1995).

Para las observaciones y estimaciones se usan mayormente categoras con la escala internacional, siendo 1 la menor expresin de la caracterstica observada y 9 la mayor. Los nmeros pares se usan para los intermedios entre dos rangos. Slo se usan nmeros enteros, en caso de dudas se opta por el grado menor.

caracterstica falta o presente en grado muy leve (p. ej. sin ndulos en la raz o muy pocos) leve presencia de la caracterstica (pocos ndulos) mediana presencia (mediana cantidad de ndulos) fuerte presencia (gran nmero de ndulos) muy fuerte presencia (muy alto nmero de ndulos)

3
5

lI

en el caso de enfermedades / plagas:

1

sin ataque o muy leve ataque de plagas leve ataque de plagas mediano ataque de plagas fuerte ataque de plagas muy fuerte ataque de plagas

3
5

7 9

Los datos obtenidos a base de las escalas son datos cualitativos, de frecuencia o rangos y normalmente deben ser analizados con un x2. En caso de la escala del 1 al 9, las frecuencias, con las que cada valor se da en la investigacin, no es tan grande como en escalas de menor divisin, con lo que la distribucin es ms pareja. Mayor es

Manual para investigadores el nmero de notas o escalas, mayor es la distribucin. Para el anlisis de los datos ver Parte 2, captulo 5.8, pg. 124. La escala internacional es una escala de valores, que basa en porcentajes o datos en intervalos (ataque de plagas se podra contar y expresar en nmeros de insectos). Pero esto no vale para todas caractersticas. Para hacer la escala ms real a muchas condiciones biolgicas y estadsticas, se han desarrollado escalas diferentes, en las cuales los intervalos no son equitativos. El distanciamiento entre los rangos ha sido establecido segn la necesidad. Una de ellas es la escala de Bolle, con clases de 1 al 9, siendo el distanciamiento de los rangos con los nmeros bajos ms estrecho que en los otros. Esta escala se usa por ejemplo en investigaciones de productos insecticidas o biocidas o de deshierbo. La divisin es la siguiente (ver Parte 2, captulo 5.8, pg. 124 para su anlisis):

1 2 3 4 5 6 7
8

= sin plagas, enfermedad = algunas plagas, manchas (ataque primario) = mayor nmero de plagas /manchas (ataque primario) = > 5 - 10 % de la superficie de las hojas con plagas 1manchas = > 10 - 15 % de la superficie de las hojas con plagas 1manchas = > 15 - 25 % de la superficie de las hojas con plagas 1manchas = > 25 - 35 % de la superficie de las hojas con plagas 1 manchas = > 35 - 67,5 % de la superficie de las hojas con plagas 1manchas = > 67,5 % de la superficie de las hojas con plagas 1manchas

La tabla hasta cierto punto tambin tiene en cuenta que la estimacin de porcentajes de ataque entre los valores de 40 60 % no es muy exacta y muy difcil para el ojo humano, mientras que los porcentajes entre O - 5 % y 95 - 100 % se puede estimar con bastante exactitud. Algunos ejemplos para el ataque de enfermedades en porcentaje se dan en el Anexo 4.

Adems de la evaluacin con la escala se puede hacer un conteo de insectos. Esto nos permite calcular el grado de eficacia (ver captulo en Anlisis de datos, pg. 119) de un productolmtodo de control, el cual es una herramienta para calcular un valor exacto para las diferencias entre las parcelas no tratadas y las tratadas. La evaluacin en escalas nos da un valor ms confuso como "fuerte", "mediano" o "leve", lo que segn cada evaluador puede ser de diferente tamao o cantidad de insectos. Para investigaciones fitosanitarias es posible contar tanto insectos muertos como vivos en la planta o cados al suelo. Contar insectos muertos en el suelo slo tiene sentido, si no hay vegetacin o grietas en donde no puedan ser visibles los individuos, ya que falsificara la evaluacin o sera inexacta. Con las aplicaciones tambin puede ocurrir que los insectos emigran, por lo que para las aplicaciones de efecto lento no se tienen en cuenta los muertos, sino slo los vivos en la planta. Todas las parcelas deben ser evaluadas el mismo da, a veces a la misma hora, por lo que, dependiendo del insecto evaluado, se pueden producir cambios de densidad 1 presencia en poco tiempo.

5 .Anlisis de datos
5.1 Niveles de datos Segn las formas de evaluar tenemos diferentes niveles de datos y con esto diferentes tests para su posterior anlisis. Se diferencian cuatro niveles de datos:

* datos cualitativos o numerativos: son datos divididos en por lo menos dos clases o categoras. Por lo general son variables discretas, en las cuales se observa la cantidad de veces en la que se presenta una categora. Las categoras son definidas sin intermedios y no son comparables entre ellas. Por ejemplo respuestas de silno en una encuesta, el sexo (masculino, femenino), colores (rojo, azul, amarillo) son datos cualitativos en los que no hay intermedios.

* datos en rangos: las caractersticas se presentan en diferentes categoras, comparables y se las evala en escalas de muy bueno, bueno, mediano, etc. Adems de contar se ordena los datos comparndolos. Con esto, los datos contienen ms informacin que los datos cualitativos.
Por ejemplo se usa para la intensidad de ataque de plagas, color de hojas o frutas. El problema de estos datos consiste en que se sabe, que un tomate de color rojo es mejor que un tomate de color verde, pero no se sabe en cuanto. Las diferencias entre los rangos no son definidos con exactitud. Por ejemplo: el ganador de una medalla de oro es mejor que l de la medalla de plata, pero no se sabe por cuanto. Rangos son caractersticas como notas, escalas de evaluacin (del 1 al 9, etc.)

* datos en intervalos fijos: los intervalos entre los datos son fijos, bien definidos, como por ejemplo en datos que se miden (temperatura). No slo se tiene aqu la comparacin entre las caractersticas, sino tambin se tiene la informacin concreta sobre la distancia o diferencia entre ellas y la escala es continua. Por ejemplo la temperatura es una medida en intervalos fijos. La diferencia entre ciertos meses se conocen con exactitud. * datos relacionados: se usa no slo la diferencia entre dos datos sino tambin la
relacin entre ellos. Esto es posible, porque las escalas tienen un punto cero claramente definido. Por ejemplo la longitud es una escala con datos relacionados. Una planta de 32 cm es 16 veces ms larga que una planta de 2 cm. Esto no se cumple con datos de intervalos fijos, como la temperatura. Las posibilidades estadsticas crecen a mayor nivel de los datos, ya que contienen ms informacin. Por lo general esto significa tambin un mayor esfuerzo en el anlisis. Por ejemplo podemos investigar un bioinsecticida contra pulgones y tomar los siguientes datos:

Manual para investigadores

Caracterstica Pulgones se caen al aplicar

Categoras

Nivel de datos datos cualitativos

cantidad de pulgones cados permanecen en la planta

- nmero de pulgones que

Pulgones chupan en las plantas

Duracin del chupar

- chupan - slo chupan corto tiempo - no chupan - de O minutos a ...

datos en rangos

datos relacionados

Los diferentes niveles de datos son analizados de diferente maneral5: datos cualitativos datos en rangos datos en intervalos fijos datos relacionados

X*
Friedman - Test, H - Test (Kruskal - Wallis) ANVA ANVA

Lo ms usual en la agricultura son datos con intervalos fijos y datos relacionados y la elaboracin de ellos es con el anlisis de varianza (ANVA). Es una tcnica estadstica para analizar la variacin total de los resultados experimentales de un diseo en particular. Tiene como objetivo identificar la importancia de los diferentes factores o tratamientos en estudio y determinar como actan entre s.

l5

Tabla incompleta, se mencionan, con excepcin del

x2,los anlisis tratados en esta gua.

76

5.2 El anlisis de varianzas - ANVA Supuestos para el ANVA Para obtener resultados serios, se necesita cumplir con algunos requisitos para el ANVA:

Supuestos para el ANVA:

* Normalidad: Los valores de cada muestra provienen de una distribucin

"normal"

* Independencia: Los resultados observados son independientes entre s

Dependencia existe cuando se analizan datos antes y despus de una aplicacin, se hacen diseos sin randomizar, etc.

Varianzas (medida de la dispersin de la muestra) homogneas: los diversos datos generados por los tratamientos tienen varianzas homogneas

i Cmo se puede comprobar una distribucin normal?

- grfico en forma de histograma manual o en Excel. Para un histograma se calculan rangos para datos ingresados y suma la cantidad de datos dentro de un rango. Esta frecuencia es representada sobre un eje como columnas de forma ascendente, y deja interpretar la distribucin de los datos. Con ms datos se tiene por cada tratamiento, mejor se puede ver la distribucin, con mayor frecuencia se obtiene una distribucin normal. Con dos o tres datos por tratamiento las posibilidades grficas no son muy grandes y la informacin depende mucho de cada valor. Valores extremos tienen una gran influencia.

- Kolmogorov-Smirnow-Test (integrado en muchos programas estadsticos, muy complicado para calcularlo sin computadora).

Manual para investigadores

Histograma en Excel
El programa Excel ofrece, dentro de sus herramientas "Anlisis de datos" una posibilidad de hacerse ver en forma grfica la distribucin de datos.

1er paso:

Se ingresan los datos en una tabla de Excel, ordenndolos por ejemplo como mostrado en la tabla 3. Tambin se pueden ordenar todos en una sola columna.
Tabla 3: Tabla de datos para un anlisis con MS Excel.

2do paso:

En caso de tener a disposicin las funciones adicionales, se escoge la funcin "Anlisis de datos", y la opcin "Histograma". En caso contrario, estos se pueden hacer accesibles de la siguiente manera: En la barra superior de Excel, en el men Herramientas, ir a "Complementos" y agregar "Herramientas para anlisis", con lo que ya estar visible al final del men Herramientas como "Anlisis de datos".

3er paso:

Llenar las casillas correspondientes y ejecutar .el programa. No se debe usar la opcin "Pareto", ya que ordena las columnas segn la frecuencia, sin poder ver asbla curva de distribucin normal. Se recomienda agregar una columna con rangos definidos (en el ejemplo columna G), ya que Excel por lo general slo divide en tres rangos principales con distanciamiento desigual, lo cual puede ser muy poco detallado. Los rangos pueden calcularse como lo descrito en el captulo Presentacin, Tablas (Parte 2, cap. 7.1, pg.128). A ms datos para cada tratamiento, mejor se ve la distribucin normal.

Grfico 9: Ventana de entrada en MS Excel para el clculo de un histograma.

4to paso:

Los resultados calculados para el tratamiento T son los siguientes:

Clase Frecuencia

v mavor...

Histograma
6T

4500

5 1 50

5800

Clase

6450

7100

y mayor ...

Grfico 10: Visualizacin de la distribucin de los datos por Excel y la tabla base.

Visualmente se puede comprobar o desechar la distribucin normal de los datos.

Manual para investigadores

i Cmo se puede comprobar varianzas homogneas?

- con el F-max-Test:

Supuestos:

* datos necesitan ser balanceados, o sea igual cantidad de datos para cada
tratamiento

1
I

* distribucin normal

1
!

Se calcula con la frmula: F-max = si2max sFmin

F-max Ens I F-max Tab l6 => no hay diferencias, varianzas son homogneas F-max En, > F-max Tab => hay diferencias, varianzas heterogneas siendo en la tabla de F-max k = nmero de tratamientos v = (n - l ) , o sea: nmero de repeticiones - 1

Ejemplo: Comprobacin de la homogeneidad de varianzas con el F-max Los datos son tomados del ejemplo unifactorial del ANVA.
De la tabla de Excel se lee la varianza mayor y la menor: F-max = S : max = 11,58 = 2,35 4,92 sFmin F-max E,,S = 2,35 2 F-max homogneas
Tab l6

= 72,9

no hay diferencias, varianzas son

En el caso de un diseo bi-factorial, este se trata como unifactorial: Por ejemplo en una investigacin con 3 tipos de abonos A, B, C y 3 cantidades de nitrgeno 0, 50, 100 kglha, se analizan las varianzas de cada uno de los nueve niveles (A O , A 50, A 100, B O, B 50, ...). De estas nueve varianzas se divide la mayor por la menor y se compara con el valor tabular.
l6

Ver Anexo 5.

80

Qu se tiene que tener en cuenta en un ANVA? Para hacer un anlisis estadstico se necesita cierta cantidad de datos, para poder obtener un resultado vlido. Ensayos han mostrado que es necesario un mnimo de 20 a 30 datos por tratamiento.

Siempre se hacen los anlisis con los datos originales de las parcelas. Llevarlas a hectrea u otra unidad superior a la experimentada se puede hacer despus para una presentacin, pero NUNCA antes del anlisis.

Trabajar con datos llevados a hectrea falsifica los datos y hace crecer las diferencias que en realidad no existen. Las conclusiones tomadas no son confiables. Adems es algo problemtico llevar datos procedentes de parcelas chicas a reas grandes, ya que un manejo en parcelas pequeas en investigaciones siempre dan mejores resultados, sea por el mejor manejo o mayor cuidado que se dan a las parcelas de una investigacin. Calcular la posible cosecha por hectrea con la nueva tcnica o variedad comprobada en una investigacin, crea expectativas que en la prctica no se cumplen. Analizar los datos con estos "nuevos" es falsificar resultados y publicar o vender estos "nuevos" datos a personas no involucradas en la investigacin es una forma de falsificarlos, de crear expectativas que no pueden cumplirse. Una forma de comparar los resultados obtenidos, saliendo del nivel de parcela, es expresarse en porcentaje, comparando la tcnica o variedad antigua con lo nuevo.

Valor F Calcular el valor F en el ANVA depende de los factores de nuestra investigacin. Hay factores fijos, definidos por el investigador, es decir, no hay una seleccin aleatoria. Este es el caso de variedades, abonos, cantidad de abono, extractos de plantas, concentracin del extracto. Mientras que factores aleatorios no son definidos por el investigador, por ejemplo bloques, aos (investigador no tiene influencia en condiciones climticas). Norma 1: interacciones de un factor fijo con un factor aleatorio o variable se denomina aleatorio. lnteracciones entre factores aleatorios son aleatorios, y entre factores fijos son fijos. Norma 2: en un anlisis con solamente factores fijos, todo los CM se analizan contra el CM del error. (Modelo 1) Norma 3: en modelos mixtos (factores fijos y aleatorios) un factor aleatorio se analiza contra su(s) interaccin(es), si es que el otro factor de la interaccin es aleatorio. Si no hay otro factor aleatorio en la investigacin, el nico presente se analiza contra el CM error. + Un factor fijo se analiza contra las interacciones de primer grado, integrado por otro aleatorio.

Manual para investigadores

+ Las interacciones de primer grado se analizan contra las interacciones de segundo grado en las que estn incluidas, si el tercer factor es aleatorio, en caso contrario contra el CM error.
Norma 4: en caso de tener solamente factores aleatorios todos los factores se analizan contra las interacciones de primer grado, en las cuales estn incluidas. Las interacciones de primer grado se analizan contra las interacciones de segundo grado, en las cuales estn incluidas. (Modelo II) Norma 5: modelo/diseo jerrquico: si el factor jerrquico es aleatorio, es tratado como si fuera una interaccin con factores aleatorios sub-puestos (orden ms alto). Por ejemplo en bloques incompletos. Ejemplo: Modelo 1: todos factores fijos A (fijo) B (fijo) A*B
Error

CM A CM error

CMA*B CM error

Modelo II: todos factores aleatorios A (aleatorio) B (aleatorio) A*B

Error

CMA*B CM error

Modelo mixto:

A (aleatorio) B (fijo) A*B

Error

CM A CM error CM B CMA*B CMA*B CM error

Cuando no se cumplen las condiciones: Prob A 0,90 0,0001

B Error Total

El valor F nunca debe tener un valor menor a 1 ! Con un valor F c 1 se deben interpretar las significancias con sumo cuidado y en caso que sea e 0,5, no se puede usar el ANVA y se debe recurrir a otros anlisis. En caso de tener tal resultado, comprobar los supuestos y recorrer a pruebas no paramtricas (ver Parte 2, cap. 5.6, pg. 107).

El ANVA para factoriales El anlisis de datos para un factorial se puede realizar tanto por un ANVA simplificado, sin tener en cuenta las interacciones o como un modelo ANVA factorial, el cual nos da ms informacin sobre los efectos presentados. En una investigacin con 3 diferentes niveles de abonamientos como factor A y 4 variedades de trigo como factor B, tenemos k = 3 niveles del factor A y m = 4 niveles del factor B. En la investigacin se pueden presentar tanto efectos ocasionados por el factor A como por el factor B y sus interacciones. Los efectos causados por los factores, se llaman efectos principales. Estos efectos se calculan mediante el promedio de los efectos simples, los cuales expresan los efectos de una factor a cada nivel del otro factor. lnteracciones son los efectos generados por los 2 factores y su influencia mutua. Por ejemplo, la variedad A aumenta su rendimiento con el aumento del abonamiento, con lo que se puede suponer, que con ms abonamiento ms rendimiento. Pero la variedad B no responde de la misma forma al abonamiento, ya que en el ltimo nivel del abonamiento decrece el rendimiento. Esta reaccin diferente o respuesta diferente de un factor a la presencia de otro factor se llama interaccin. En un ANVA se calculan los efectos principales de cada factor, las interacciones y el error, pero no los efectos simples. Para poder calcular un ANVA factorial se deben cumplir las mismas condiciones como un ANVA unifactorial:

Supuestos:

* datos necesitan ser balanceados, o sea igual cantidad de datos para cada
tratamiento

* distribucin normal de las muestras

varianzas homogneas

l1 1

* muestras independientes

II
83

Manual para investigadores

La comparacin mltiple de medias se puede hacer con Tukey. Si no hay interacciones significantes, se puede concluir que los factores son independientes entre s y se compara cada factor con diferencias significantes como en un unifactorial. Pero en el caso que la interaccin de dos factores sea significante, no tiene sentido; es tcnicamente ilgico comparar las medias de un factor, sin tener en cuenta al otro factor, por lo que se deben comparar las medias de las combinaciones de los factores, o sea los efectos simples (ver ejemplo en Parte 2, cap. 5.5, pg. 102). Para una interpretacin ms fcil se recomienda visualizar las interacciones en forma de grfico (Grfico 11). Se observa que entre los factores hay un cambio en la magnitud de la respuesta al otro factor, la reaccin del nivel 1 del factor A al factor B es diferente que el nivel 2 del factor A al factor B. En una investigacin sin interaccin las lneas estaran paralelas. En otras palabras: En una investigacin, en la cual diferentes agricultores comparan 4 variedades, las variedades reaccionan diferente al manejo que le da cada persona o a cada circunstancia dada. El agricultor 3 tiene el mayor rendimiento en todas las diferentes variedades, menos en la variedad 1. Es decir, la variedad 1 reaccion diferente al factor manejo que las otras variedades.

+Agricultor 2 tAgricultor 3

o I
Variedad 1

Variedad 2

Variedad 3

Variedad 4

Grfico 11: lnteracciones entre los factores principales."

Clculo del AN VA unifactorial con Microsoft Excel97 Con los datos ingresados en una tabla de Excel se pueden realizar clculos estadsticos, si estn a disposicin las funciones adicionales, en este caso el anlisis de datos. En caso contrario, estos se pueden hacer accesibles de la siguiente manera: en la barra superior de Excel, en el men Herramientas, ir a "Complementos" y agregar "Herramientas para anlisis". Con lo que ya estar visible al final del men Herramientas como "Anlisis de datos".

17

Datos tomados de E. Moll, 1997; ver tambin clculo de comparacin mltiple de medias.

84

1er paso:

Se ingresan los datos en una tabla de Excel, ordenndolos como se muestra en la tabla 4.
Tabla 4: Tabla de datos para una anlisis de varianza con MS ~ x c e l ' ~ .

Tratamientos

Brotes atacados por Polilla

2do paso:

En el men Herramientas se escoge la opcin "Anlisis de datos" y ah la opcin "Anlisis de Varianza de un factor". Se rellena las casillas correspondientes con los datos necesarios y se ejecuta el programa.

Grfico 12: Ventana de entrada en MS Excel para el clculo de un ANVA de un factor.

l8 Datos de

la investigacin de Condor Quispe, P. 1999.

Manual para investigadores

Los resultados calculados son los siguientes: Tabla 5: Resultados de un ANVA calculado por MS Excel. Resumen de los resultados. Anlisis de varianza de un factor RESUMEN Grupos T T1 T2 T3 T4 T5 T6 Cuenta 4 4 4
4 4 4 4

Suma 97 123 115 112 129 140 147

Promedio 24,25 30,75 28,75 28 32,25 35 36,75

Varianza 4,91666667 4,91666667 4,91666667 8,66666667 11,5833333 6,66666667 10,9166667

Tabla 6: Resultados de un ANVA calculado por MS Excel. Tabla del ANVA.

Origen de las variaciones

Entre grupos* Dentro de los grupos**

Suma de cuadrados
440,357143 157,75

Grados de libertad
6 21

Promedio de los cuadrados

73,3928571 7,51190476

F 9,77020602

Probabilidad
3,4682E-05

Valor crtico para F

2,57271182

** Dentro de los grupos viene a ser el resto, el error del ensayo, que no es causado por los

Los grupos son los tratamientos, en el ejemplo T, T 1 hasta T 6.

tratamientos.

Los datos se interpretan de la siguiente manera: A) En el primer cuadro Excel nos calcula los promedios y las varianzas de cada tratamiento, lo cual nos ayuda calcular el F-max para comprobar la homogeneidad de varianzas (ver Parte 2, cap. 5.2, pg. 80).

B) El segundo cuadro nos da la tabla del ANVA en la forma clsica, indicando el valor F y el valor crtico (valor de la tabla 6). En este caso, los tratamientos se diferencian significativamente:

F, , ,= 9,77 > F

= 2,57 a hay diferencias significativas entre los tratamientos

Con este resultado se prosigue con un anlisis de comparacin mltiple de medias (Tukey, Duncan). C) El valor F es mayor a 1, con lo que la investigacin no tiene errores visibles.

Anlisis de varianza de parcelas divididas La frmula a continuacin es para un diseo de bloques completos al azar, es decir, en las parcelas principales est cada factor principal (A) y en las subparcelas estn todos los factores secundarios (9). En el ANVA se calcula los bloques y los factores principales, calculando el valor F para el factor A contra el Error a, y para el factor B contra el Error b. La tabla del ANVA es la siguiente: Tabla 7 : Tabla del ANVA para un diseo de parcelas divididas.
Fuente Bloques Factor A Error (a)

r-1
a-1 ( r - l ) * ( a - 1)

SC Bloque GL SC A GL SC Error a CM A CM Error (a)

Factor B AxB Error (b) Total

b-1 (a - 1) (b- 1) i * ( r - 1 ) - ( b - 1 ) SC Total - (suma de todos : las restantes SC) r*a*b-1

SC B GL SCA*B GL SC Error GL

CM B CM Error (b) CMA*B CM Error (b)

siendo r = nmero de repeticiones o bloques a = niveles de factor A b = niveles de factor B Los coeficientes de variacin (cv): cv (a) = .( CM Error (a) Promedio total (G / n)

100

cv (b) = .(~ ~ ~ r(b)r o 100 r Promedio total

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

Manual para investigadores

Ejemplo: ANVA para parcelas divididas: Investigacin de 4 variedades de arroz (V 1 V 4) y 6 niveles de nitrgeno (N O - N 5) con 3 repeticiones, siendo el nitrgeno el factor principal y las variedades el factor secundariolg

Tabla 8: Datos originales para un ensayo con parcelas divididas con 4 variedades de arroz y 6 niveles de nitrgeno.
Cosecha en kglha Bloque II NO ( O kglha) 4 478 5 314 2 944 4 482 N 1 (60 kglha) 5 166 5 858 6 004 4 604 N 2 (90 kglha) 6 420 6 127 5 724 5 744 N 3 (120 kglha) 7 056 6 982 5 880 5 036 N 4 (150 kglha) 7 848 6 594 6 662 1 960 N 5 (180 kglha) 8 832 7 387 7 122 1 380.

Variedad
V1 V2 V3 V4 V1 V2 V3 V4 V1 V2 V3 V4 V1 V2 V3 V4 V1 V2 V3 V4

Bloque I
4 430 3 944 3 464 4 126 5 418 6 502 4 768 5 192 6 076 6 008 6 244 4 546 6 462 7 139 5 792 2 774 7 290 7 682 7 080 1 414 8 452 6 228 5 594 2 248

Bloque III
3 850 3 660 3 142 4 836 6 432 5 586 5 556 4 652 6 704 6 642 6 014 4 146 6 680 6 564 6 370 3 638 7 552 6 576 6 320 2 766 8 818 6 006 5 480 2 014

V1 V2 V3 V4

l9

Ejemplo tomado de Gomez y Gomez, 1976.

88

lerpaso:

Se ordena los datos de la investigacin, facilitando los clculos posteriores. A) Suma por factor principal segn repeticiones
Tabla 9: Datos sumados por el factor principal segn repeticiones en un ensayo con parcelas divididas con 4 variedades de arroz y 6 niveles de nitrgeno.

Nitrgeno NO N1 N2 N3 N4 N5 Total Repet. (R) Total (G)

Bloaue I

Cosecha total (RP 1 Bloaue II

Nitrgeno Total Bloaue III (A) 48 670 65 738 70 395 70 373 69 744 69 561

128,873

135 604

B) Suma por factor principal segn variedades

Tabla 10: Datos sumados por el factor principal segn variedades para un ensayo con parcelas divididas con 4 variedades de arroz y 6 niveles de nitrgeno.

Nitrgeno NO N1 N2 N3 N4 N5 Total Variedad (B)

v1
12 758 17 016 19 200 20 198 22 690 26 102 117 964

Cosecha total (AB) v2 v3 9 550 12 918 16 328 17 946 17 982 18 777 18 042 20 685 20 062 20 852 18 196 19 621
110 799 100 160

v4 13 444 14 448 14 436 11 448 6 140 5 642

65 558

Manual para investigadores

2do paso:

Se calcula el factor de correccin (FC) FC=& rab siendo G = la suma total de los datos r = nmero de repeticiones a = nmero de niveles del factor A b = nmero de niveles del factor B

3er paso:

Con el FC se procede a calcular las Sumas de los Cuadrados (SC) SC Total = E x2 - FC

= [ (4 4 3 0 ) ~ +

siendo x = valores de cada parcela

... + (2 014)2 ] - 2 161 323 047 = 204 747 916

SC Bloques =

R~ - FC ab

SC (Factor) A =

A2 - FC rb

SC Error (a) = 2 ( R A ) ~ - FC - SC Bloques - SC A b

SC (Factor ) B = E B2 - FC ra

SC Error (b) = SC Total - (suma de todos las restantes SC)

= 204 747 916 - (1 082 577 + 30 429 200 + 1 419 678 + 89 888 101 + 69 343 487)

= 12 584 873

410 paso:

Se prosiaue a calcular las Medias de los cuadrados (CM) . , dividiendo el SC entre el respectivo Gado de libertad. (Resultados ver tabla 11).

Sto paso:

Con el CM se calculan los valores de F: F(A)= CMA CM Error (a) F (B) = CM Error (b)

F(AXB)= CMA*B CM Error (b)

Manual para investigadores

6to paso:
Se calculan los coeficientes de variacin (cv): cv (a) = d CM Error (a) Promedio total (G 1 n)
100

cv (b) = d CM Error (b) Promedio total

100

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

Se obtiene la siguiente tabla del ANVA:

Tabla 11: Tabla del ANVA para un ensayo con parcelas divididas con 4 variedades de arroz y 6 niveles de nitrgeno.
Fuente Bloques Factor A Error (a) Factor B AxB Error (b) Total

L
F tab (5%)

cv (a) = 6,9 %

cv (b) = 10,8 %

El ANVA ha detectado diferencias significativas en los factores, como en la interaccin de los factores. Para una comparacin de medias ver Parte 2, cap. 5.5, pg. 102.

Para la interpretacin se obtiene la mayor informacin de las interacciones, que se recomienda presentarlas como grfico. (Grfico 13). Esto se complementa con la comparacin de medias.

Grfico 13: lnteracciones entre diferentes variedades a diferente niveles de nitrgeno.

En el grfico 13 se observa que no todas las variedades reaccionan con mayor rendimiento a mayor abonamiento, en la mayora de las variedades baja el rendimiento a partir de cierta cantidad de nitrgeno.

5.3 Transformacin de datos

En caso que la condicin para un anlisis de varianza de distribucin normal 1 1 0 se de, se pueden transformar los datos para obtenerla y poder cumplir con las condiciones para el ANVA. Pero no siempre se encuentra una transformacin adecuada, por lo que se debe recurrir a los anlisis no-paramtricos.

No se transforman datos para obtener resultados ms deseados o convenientes, sino para obtener datos vlidos y correctos.

Manual para investigadores

Cuando se calcula el ANVA con datos transformados, todas las comparaciones deben hacerse con estos datos. Para la presentacin se usan tambin los datos transformados, pero estos pueden ser re-transformados, siempre indicando esto en la tabla o grfico.

!1

Si se calcula un ANVA con datos transformados, se deben hacer todos los anlisis siguientes con estos datos (comparacira mltiple, etc.). Unicamente la presentacin se puede hacer con datos re transf ormados, indicando esto.

Algunas transformaciones comunes son: Raz cuadrada: Se usa sobre todo cuando una caracterstica slo puede obtener ciertos valores (escalas de 1 al 9) y si los datos de la investigacin son nmeros enteros, pequeos. Si los valores son muy pequeos, se corrige demasiado con la raz cuadrada y se recomienda sumar ~ 0,5). los valores con la constante 0,5, antes de sacar la raz ( d + Esto sobre todo debe hacerse cuando hay ceros. Se usa si las varianzas son proporcional a las medias. Transformacin logartmica: Se usa sobre todo en caso que las desviaciones estndares sean proporcionales a los cuadrados de las medias de los tratamientos, teniendo nmeros enteros positivos que cubren un amplio intervalo. En caso de nmeros menores al 1 O, se suman los datos con 1 antes de tomar los logaritmos (log (Y + 1)). Se usa para una distribucin Transformacin angular o de arcoseno: Se usa para datos con distribucin binomial, teniendo generalmente varianzas chicas en los dos extremos de las categoras formadas (cerca de O y 100 %) y grandes en el centro (alrededor del 50 %). Esto se da muchas veces en datos estimados, ya que podemos estimar mejor la diferencia de ataques de O o de 5 % que entre 40 y 45 %, y esto se refleja en los datos registrados. La transformacin es: arcoseno . Esto corresponde a la transforman de cada dato en porcentaje x = y %, despus se calcula d y % sin". Ejemplo: Se cuenta el nmero de plantas germinadas, teniendo un mximo de 50 semillas sembradas, lo que corresponde al 100%. Para los restantes valores se calcula su respectivo porcentaje. Por ejemplo para e b l o r 1 = 2 %, obteniendo como nuevo valor transformado x = 8,1 (d0,02 sin-').

Despus de la transformacin de datos se debe comprobar las condiciones para el ANVA. Tambin despus de transformados, los datos pueden seguir sin distribucin normal.

Tambin datos transformados deben cumplir con las condiciones del ANVA y se debe comprobar la distribucin normal.

5.4 Clculo de datos perdidos

En algunas ocasiones puede haber factores que hacen perder los datos de una parcela o quedan tan pocas plantas que una evaluacin de stas sera muy dudosa. Si el anlisis de datos previsto no requiere de datos balanceados, se calcula el anlisis suponiendo tener una repeticin menos para el respectivo tratamiento. En caso que esto no sea posible y slo falta un valor, este puede ser estimado con ayuda de los datos de este tratamiento de las otras repeticiones y los datos del bloque en el que falta el valor.

Clculo de datos perdidos para diseo de bloques completos al azar

Estimar el valor faltante: X=r.B,+t*T-G ( r - l ) * ( t - 1) siendo X = valor estimado del valor faltante t = nmero de tratamientos r = nmero de repeticiones T = suma de las repeticiones o bloques del tratamiento en el cual falta el valor B , = suma de los tratamientos del bloque en el cual falta el valor G = gran total de todos los valores en la investigacin

,do paso:
Calcular el ANVA u otro anlisis con el valor estimado, despus de haber comprobado si se cumplen las condiciones.

Manual para investigadores

3er paso:

Hacer las siguientes modificaciones al ANVA obtenido: substraer 1 (uno) de los grados de libertaddel error como del total y calcular un factor de correccin (B).

El valor B se substrae de SC Tratamientos y del SC Total con los cuales se calculan los nuevos MC y el valor F.

4to paso:

En caso de obtener diferencias significativas se calcula una comparacin mltiple de medias mediante el Tukey de- la siguiente manera. (Ver captulo para informacin general sobre el Tukey, Parte 2, cap. 5.5, pg. 99).

: = siendo S

4 s2r 2+
del ANVA

siendo s2 = el M C ,

Ejemplo: Estimacin de un valor faltante en una investigacin con diseo de bloques completo al azar2'

Tabla 12: Datos originales para un ensayo con diseo de bloques con un valor faltante.

Cosecha kg/ha Tratamiento

5 398 5 952 5 713

Tratamiento total

1 Rep. total

30 953

falta 4 848 4 542 (26 453 = 8,) (

29 846

26 947

1 ~ r a total n 1

2do Daso:

Calcular el ANVA con el valor estimado, despus de haber comprobado si se cumplen las condiciones obteniendo la siguiente tabla:
Tabla 13: Tabla del ANVA para un diseo de bloques.

Fuente Repeticin Tratamiento Error Total

SC
2 188 739

MC

Valor F

Valor tabular

23

Datos tomados de Gomez y Gomez, 1976.

Manual para investigadores

3er paso:

Hacer las siguientes modificaciones al ANVA obtenido: substraer 1 (uno) de los grados de libertaddel error como del total y calcular un factor de correccin (B):

El valor B se substrae de SC Tratamientos y del SC Total con los cuales se calculan los nuevos MC y el valor F. SC Tratamiento corregido = 1 1401501- 546 = 1 139 955 SC Total corregido = 4 869 966 - 546 = 4 869 420 Tabla 14: Tabla del ANVA con los grados de libertad y la suma de los cuadrados corregidos, para un diseo de bloques con datos-faltantes. Fuente Repeticin Tratamiento Error Total
3

Valor F GL 3 5 14 22

Valor tabular (5%)

i _ i

no hay diferencias significativas

5.5 Anlisis de comparacin mltiple de medias

En caso que el ANVA d diferencias significativas entre los tratamientos se procede a investigar cuales de los tratamientos se diferencian, haciendo una prueba de comparacin de medias. Esto en general es un Duncan o un Tukey, siendo Tukey ms exigente, es decir, la probabilidad de detectar diferencias es menor que con Duncan, o - expresado de otra manera: si con Tukey se demuestran diferencias, estas diferencias se pueden replicar con ms seguridad en otras investigaciones, mientras que con Duncan esto no siempre se da. Algunos autores recomiendan no usar Duncan, por ser menos prudente y los intervalos de confianza no son apropiados2'. Por esta razn aqu se presenta la prueba de Tukey, por ser ms prudente y fcil de usar.

21

Ver Steel and Torrie, 1997; Moll, E. 1997.

98

Las pruebas de comparacin nicamente se permiten en caso que el ANVA ha demostrado diferencias dentro de los tratamientos o bloques y se realizan nicamente para el factor significante. En caso contrario no contienen informacin.

Prueba de comparacin de medias: Tukey El procedimiento de Tukey calcula para todas las comparaciones entre dos medias los intervalos de confianza ms estrechos y con esto el valor crtico ms pequeo. La distribucin, en la que se basan los valores crticos, son los cuartiles de los rangos "studentizados".

e ANVA dio diferencias significantes e comparacin de medias no planificadas

Comparacin de medias mediante Tukey para un unifactorial

Para el valor crtico (w) de Tukey vale: Para investigaciones no balanceadas:

Para investigaciones balanceadas:

siendo n = nmero de repeticiones C M , = los cuadrados medios del ANVA q , (k; GLerror) ver en la tabla de Rangos studentizados, Anexo 6. siendo k = nmero de tratamientos GL = grados de libertad del error

Manual para investigadores

Ejemplo: Prueba de comparacin de medias mediante Tukey para un unifactorial

Los datos corresponden al ejemplo del ANVA de un factor, pg. 85.

Se calcula el w de Tukey mediante la frmula para ensayos balanceados:

Se construye una tabla, ordenando las medias en orden ascendente y calcula la diferencia entre todos los promedios xl - x2 ; il- & ; etc.:

1 1

Tabla 15: Tabla en cruz para la comparacin de medias mediante Tukey.

Comparar las diferencias entre los promedios con el valor calculado w Las diferencias mayores al valor w = 6,30 se marcan con un asterisco, significando este (*) diferencias significativas a un nivel a = 5 %, dos asteriscos (**) a un nivel de a = 1% y tres asteriscos (***) a un nivel de a = 0,1%.

Tabla 16: Tabla en cruz para la comparacin de medias mediante Tukey. Estn marcado con asterisco las diferencias mayores al valor w.
T (24,25)

Interpretar los datos segn las diferencias encontradas. En el ejemplo se diferencian estadsticamente el tratamiento T 6 del T 2, T 3 y T, pero no del T 5, T 4 y T 1. Estas diferencias se deben interpretar segn el contexto, el tipo de tratamientos que se han aplicado y discutirlo. Aqu termina la ayuda de la estadstica y el investigador debe usar sus conocimientos tcnicos para sacar las conclusiones adecuadas de la investigacin. Para visualizar mejor los resultados en caso de presentacin ver siguiente captulo.

Manual para investigadores

Comparacin de medias mediante Tukey para un factorial

En caso que no haya interacciones significantes se usan las siguientes frmulas:

Para el factor A:
siendo b = niveles del factor B n = nmero de repeticiones

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

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

Ejemplo: Prueba de comparacin de medias mediante Tukey para un bifactorial con interacciones significantes
Factor A = agricultor, participando 3 agricu~tores~~ Factor B = variedad de arroz, con 4 variedades Los datos son: k=12 se calculan los grados de libertad multiplicando el nmero de niveles de factor A por el nmero de niveles del factor B. En el ejemplo son 3 4 = 12 grados de libertad del error CM del error se lee de la tabla de Rangos studentizados

GLerror = 48 CM = 14,167 q , (12; 48) = 4,80 n=3

Con lo que podemos calcular el valor w de Tukey:

** Datos tomados de E. Moll, 1997.

102

Con este valor se compara como en el ejemplo anterior las diferencias entre las medias de la combinaciones AB a nivel de B. En este caso sera la media de variedad 1 en agricultor 1, variedad 1 en agricultor 2 y variedad 1 en agricultor 3. La siguiente comparacin seria la variedad 2 en los 3 niveles del factor A, la variedad 3 en los tres niveles del factor A, etc. Las diferencias calculadas mayores a w = 10,43 se diferencian estadsticamente, las menores al valor dado no.

Tabla 17: Comparacin de medias a nivel 1 del factor B = variedad 1.

1
Agricultor 2 (45)

1 Agricultor 2 (45)
--

1 ~ ~ r i c u l t3 o (41) r
4

1 ~ ~ r i c u l t1 o (30) r
15 *

1 1

1 Agricultor 3 (41) 1 Agricultor 1 (30)

1 1

11 *

Tabla 18: Comparacin de medias a nivel 2 del factor B = variedad 2.

Agricultor 3 (64) Agricultor 3 (64) Agricultor 2 (55) Agricultor 1 (49) Agricultor 2 (55) 9 Agricultor 1 (49)
15 *

--

--

Comparacin de medias mediante Tukey para un diseo de parcelas divididas{

~ "Prueba de: Tukey, parcelas divididas" }

Como hemos visto en el ejemplo del bifactorial, en caso que la interaccin{ ~ "lnteracciones" ) de dos factores sea significante, no tiene sentido comparar las medias de un factor, sin tener en cuenta el otro factor. Se comparan las medias de las combinaciones de los factores. Para poder comparar las medias del factor A, se comparan las medias de las combinaciones (AB) a igual nivel de B. En caso, que las interacciones no dieran diferencias significativas, se hace la comparacin de medias para los factores principales con las siguientes frmulas:

Para el factor A:
w = qa (kGLerror (a))

nob

siendo E (a) = CMerror (a) n = nmero de repeticiones b = niveles del factor B

Para el factor B:
siendo E (b) = CMerror (b) n = nmero de repeticiones a = niveles del factor A

Manual para investigadores

En caso de interacciones significantes:

Para comparar diferentes niveles del factor B a mismo nivel del factor A: n n = nmero de repeticiones

Para comparar diferentes niveles del factor A a mismo o diferente nivel del factor B:

siendo q , ' = (b - 1) E (b) q(b)+ E (a) q (a) (b-l)*E(b)+E(a) q(,) y q(b) lase de la Tabla de rangos studentizados, siendo GL los grados de libertad del error a o b respectivamente.

Ejemplo: Comparacin de medias mediante Tukey para parcelas divididas con interacciones( E( "Interacciones" ) significativas

Los datos son tomados del ANVA para parcelas divididas. A) Para comparar diferentes niveles del factor B (factor secundario) a mismo nivel del factor A:

Tabla 19: Comparacin de medias para parcelas dividas con interacciones significativas a mismo nivel del factor A.

Es decir, la variedad 1 y 2 tienen mejor rendimiento que la variedad 4 con un abonamiento de N 90 kglha. Las otras variedades no se diferencian entre ellas.

B) Para comparar diferentes niveles del factor A (factor principal) a mismo o diferente nivel del factor B:

Tabla 20: Comparacin de medias para parcelas dividas con interacciones significativas a mismo nivel del factor A.
N5V1 (8700,67) N5V1 N4V1 (7563,33) 1137,34 N3V1 (6732,67) N2V1 (6400) N l V l (5672) NOVl (4252,67)

--

1968 *

2300,67 *

3028,67 *

4448 *

N1V1 NOVl

--

1419,33*

--

En la variedad 1 el rendimiento aumenta con mayor nivel de nitrgeno, diferencindose N O de todos los otros niveles, N 1 de nivel N 5 y N 4 y el tratamiento N 2 y N 3 del nivel ms alto (N 5). Este comienzo de interpretar los resultados deben o pueden ser complementados con comparaciones con las otras variedades y analizando el contexto del experimento.

Manual para investigadores

Mtodo de presentacin Para la presentacin de las diferencias encontradas y hacerlas visible al lector se usa el mtodo de las letras iguales o lneas continuas. Tratamientos con letras iguales o con la misma lnea, no se diferencian estadsticamente, mientras tratamientos con diferente letra o lnea son diferentes. En caso que el tratamiento T 1 se diferencie del tratamiento T 3, pero no del tratamiento T 2, entonces el T 1 y T 2 tienen letras iguales, el T 3 letra diferente. Para las lneas se deben agrupar los tratamientos del mayor al menor. Para las letras se puede usar el orden de la investigacin. Suponiendo en el ejemplo anterior, que T 2 no se diferencia ni d e T 1 ni del T 3, debe tener las mismas letras que los dos tratamientos o las dos lneas.

a b

I,
1

T I a T ab ~3 b

Ejemplo: Presentacin de los resultados de una investigacin

Los datos son tomados del ejemplo de la comparacin de medias de Tukey.

l e r paso: Dar letras a los tratamientos segn las diferencias con el primer tratamiento, significando a = no se diferencian del T 6, b = se diferencian del T 6.

2do paso: Comparar y aumentar letras para las diferencias del segundo tratamiento con los restantes. En caso de diferir con las letras anteriores, se cambian segn la necesidad. El T 2 se diferencia del T 6 pero no del T 5, con lo que se aumenta la letra b al T 5. Ahora T 5 y T 2 tienen letras iguales, con lo que se expresa la falta de diferencia. El tratamiento T 3 se diferencia tanto del T 6 como del T 5, pero como al T 5 se le ha dado tanto la letra a como la b, no se manifiesta la diferencia. En este caso se cambia la letra del tratamiento T 3, anotando la letra c. Con este cambio se testifica la diferencia entre T 3 y T 5. Lo mismo se repite para T.

3er paso: Se controla tratamiento por tratamiento aumentando letras o cambindolas respectivamente, hasta completar la lista.
T 6 (36,75) T 5 (35) T 4 (32,25) T 1 (30,751) T 2 (28,75) T 3 (28) T (24,25)
a ab abc abc bcd cd d T (24,25) T 1 (30,75) T 2 (28,75) T 3 (28) T 4 (32,25) T 5 (35) T 6 (36,75) cd abc bcd cd abc ab a

Lo mismo se puede graficar con lneas (columna a la izquierda). En el caso de las letras se puede dar el orden "original" (columna a la derecha).

5.6 Pruebas no paramtricas

En caso que no se cumplan los supuestos para el ANVA o no se tenga datos de rangos fijos, los datos pueden ser analizados por pruebas especficas. Las ms usuales son el Kruskal-Wallis-Test y el Friedman-Test.

Kruskal-Wallis-Test o H-Test

+ Anlisis de varianza en

rangos, unifactorial y para comparacin de ms de dos medias. Es adecuado para un diseo completamente al azar.

datos en rangos o datos en rangos fijos sin distribucin normal

* distribucin simtrica

* datos independientes
mnimo de tres medias/muestras

II

Manual para investigadores

Se ordenan la totalidad de los datos del experimento en rangos, comenzando con el menor, el cual viene a ser el rango 1 y siguiendo sucesivamente. En el caso de datos idnticos, se suman los rangos correspondientes y se dividen por el nmero de rangos sumados. Por ejemplo: Los datos de menor valor son el nmero 5, que est representado tres veces en el experimento. A los tres les corresponde el rango 1, 2 y 3. Estos se suman (1 + 2 + 3 = 6 ) y se divide por el nmero de rangos sumados (3) =+ 613 = 2. Los tres datos con un valor 5 reciben el rango 2. El valor siguiente tiene el rango 4. Los rangos de los valores (xij) son denominados rij. Obtenemos la siguiente tabla:

Tabla 21 : Ordenamiento de los datos para calcular un Kruskal-Wallis o H-Test. Tratamientos i=2

i=l valor

...

i=k

siendo n = nmero de repeticiones k = nmero de tratamientos N = nmero total de datos Fli2= la suma de rangos en el tratamiento i ni

Prueba de verificacin: C Ri = N (N + 1) 2

Se calcula HcaI como sigue:

En el caso balanceado, o sea nl = n2 = .. . nk:

Comprobar la necesidad de correccin: En caso de que 25% de los rangos estn repetidos. r(l), r(2) son los rangos repetidos: r(1) se repite tl veces r(2) se repite t2 veces r(v) se repite tv veces r(g) se repite t , veces

Si

C t, >N
4

entonces es necesario corregir siendo K = 1 9

N3 - N

E (1," - tv)
v=l

Comparar Hcorr con HTab (a=5%), de la Tabla X2 (Anexo i ) , siendo HTab (a) = X2Tab (GL= k-I ; a)

HCaI > H ~ , 5

X2Tab
X2Tab

* hay diferencias significativas

no hay diferencias significativas

Manual para investigadores

Prueba de comparacin de medias: Nemenyi En caso de identificar diferencias estadsticas con el Kruskal-Wallis-Test, se comprueba con el Nemenyi cuales de los tratamientos se diferencian.

Supuestos:

* independencia de los valores * valores balanceados (n, = n2= ... nk)

Se elabora una tabla en cruz, donde R12 R22 Rk

Tabla 22: Tabla en cruz para la comparacin de medias segn Nemenyi.

1 Ri-Ri 1 se compara con valor ND (k; n; a) de la tabla de ~emenyi'~,

siendo k = nmero de tratamientos n = nmero de repeticiones

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

23

23

Ver tabla de Nemenyi, Anexo 8.

110

Ejemplo: ~nvesti~acin sobre el efecto de 4 tratamientos sobre el nmero de nematodes en el suelo para un caso no balanceado con 5 y 6 repeticiones Tabla 23: Datos originales de una investigacin con diseo completamente al azar y nmero de -repeticiones no balanceado.

Antes de empezar los clculos se recomienda, como en cualquier otro anlisis, visualizarse los datos.

T2

rrr

Grfico 14: Visualizacin de la distribucin de datos de una investigacin. En el grfico 14 se puede observar la distribucin de las frecuencias, lo que nos da una idea de las posibles diferencias a encontrar y la gravedad de la distribucin, lo que es importante para los supuestos.

Manual para investigadores

1er paso

Se procede a dar rangos a los datos de la investigacin:

1 El valor mnimo es 331 y recibe rango El valor siguiente es 363 2 384 3 409 4 459 5 468 468 6+7+8=21=7 468 3 505 9 Tabla 24: Ordenamiento y rangos de los datos para calcular un Kruskal-Wallis o HTest.

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

2do paso

3er paso
Correccin: rango r (1) = 7 est repetido tl = 3 veces t2= 2 r (2) = 10,5

Zt , = tl + t2 = 5 e N=5,25
4

no es necesario corregir

4to paso: HcaI= 11,84 > X 2 ~ a b (GL= 3; a = 5%) = 7,81 H1, hay diferencias

El Test nos seala que entre los cuatro tratamientos existen diferencias estadsticas. Para saber a detalle que tratamientos se diferencian, se sigue con una prueba de comparacin de medias. Prueba de comparacin de medias: En caso de valores balanceados se usa la frmula de Nernenyi.

En caso de valores no balanceados (nl

zn2z ... nk)se usa la siguiente frmula:

Con los datos del ejemplo:

A) Comparando tratamiento 2 con tratamiento 1

8 46

51,5 I 4 7,81
5

21 (21 + 1) 12

0 -

6+ 6.5

no hay diferencias

B) Comparando tratamiento 2 con tratamiento 4

84 - 17 > 4 6 5 7,81 21 (21 + 1) 12 6+5 6.5
3

hay diferencias

Manual para investigadores

Friedman-Test

-+Anlisis de varianza para datos en rangos, polifactorial y para comparacin de ms

de dos mediaslmuestras. Es el apropiado para diseos completos de bloques.

Supuestos:

* datos por lo menos en rangos * datos con distribucin simtrica

* datos dependientes (bloques)

* ms de dos muestras

1er paso:
Se ordenan los datos del experimento en rangos, los cuales se dan dentro de los bloques. En el caso de datos idnticos, se suman los rangos correspondientes y se dividen por el nmero de rangos sumados. Por ejemplo: Los datos con el valor 5 se repiten dos veces dentro del bloque. A los dos les corresponde el rango 3 y 4. Estos se suman (3 + 4 = 7) y se divide por el nmero de rangos sumados (2) 712 = 3,5. Los dos datos con un valor 5 reciben el rango 3,5. El valor siguiente tiene el rango 5. Se obtiene la siguiente tabla:

Tabla 25: Ordenamiento de datos para calcular un Friedman-Test.

tratamientos

siendo n = nmero de repeticioneslbloques k = nmero de tratamientos Ri2 = suma de los rangos del tratamiento i

Se calcula x2 cal como sigue:

Comprobar la necesidad de correccin: En caso de ligaciones = rangos repetidos. r(l), r(2) son los rangos repetidos: r(1) se repite t, veces r(2) se repite tp veces r(v) se repite t , veces r(g) se repite t , veces

siendo ri = nmero de rangos repetidos en bloque (i) ti = cantidad de (j) rangos repetidos en bloque (i)

de la tabla de Friedman (ver Anexo 8). Se compara x2,a1 con x2Tab

x2Cal x2cal

<x2Tab 3 > x2Tab

no hay diferencias hay diferencias

Manual para investigadores

Prueba de comparacin de medias: Wilcoxon-Wilcox En caso de identificar diferencias estadsticas con el Friedman-Test, se comprueba con el Wilcoxon-Wilcox cuales de los tratamientos se diferencian.

* valores con dependencia

* valores balanceados (nl = n2= ... nk)

Se elabora una tabla en cruz, donde R, 2 R22 ... 2 Rk Tabla 26: Tabla en cruz para la comparacin de medias segn Wilcoxon-Wilcox.

1 Ri - R, 1

se compara con el valor WD = (k; n; a) de la tabla de ~ i l c o x o n - ~ i l c o x ~ ~ ,

siendo k = nmero de tratamientos n = nmero de repeticiones

1 Ri - Rj 1 5 WDT, 1 Ri - R, 1 > WDTab

25

H , no hay diferencias ti,, hay diferencias

24

Ver tabla de Wilcoxon-Wilcox, Anexo 9.

116

Ejemplo: Investigacin sobre la efectividad de 8 biocidas sobre el nmero de larvas con 5 bloques

ri
Bloque
1er paso

Tabla 27: Datos originales de una investigacin con diseo de bloques completos randomizados.

Se procede a dar rangos a los datos de la investigacin: Tabla 28: Ordenamiento y rangos de datos de una investigacin analizada con el Friedman-Test.

2do paso

Manual para investigadores

3er paso Correccin:

" "
Para calcular
1=1 j=1

(tI3 - ti):

Bloque Rango

Frecuencia

4to paso:

x2corr = 21,29 > x2Tab (k = 8, n= 5; a = 5%) = 13,23 3 hay diferencias

El test seala que entre los ocho tratamientos existen diferencias estadsticas. Para saber a detalle que tratamientos se diferencian, se sigue con una prueba de comparacin de medias.

Prueba de comparacin de medias: Wilcoxon-Wilcox Tabla 29: Tabla en cruz para la comparacin de medias segn Wilcoxon-Wilcox.

WD = (k; n; a) WD = (8; 5; 5%) = 23,5 WD < 1 R1 - R21 WD 2 1 R1 - R21

+ diferencias significativas + no hay diferencias significativas

5.7 Grado de eficacia

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

Manual para investigadores

Abbott:

* para conteo de insectos vivos

* para ataque simtrico en las parcelas antes de la aplicacin * para registros numricos
Grado de eficacia en % = C

100

siendo C = individuos vivos en el testigo o grado de ataque en el testigo despus de la aplicacin T = individuos vivos en la parcela del producto o grado de ataque en la parcela del producto despus de la aplicacin

Se usa en caso de laboratorio, donde se parte de un igual nmero de individuos por parcela, placa petri, etc. y los individuos sobrevivientes no pueden escapar.

Ejemplo: Grado de eficacia para un extracto botnico contra pulgones Datos de la investigacin: Tratamiento Pulgones vivos antes de la aplicacin Pulgones vivos despus de la aplicacin
80

Testigo
80 78

En caso de conteo de insectos muertos En caso de partir con un igual nmero de individuos por parcela, pero de ser ms fcil contar los insectos muertos en la parcela o unidad de experimento se usa la frmula de Schneider-Orelli, calculando previamente el porcentaje de muertos en cada parcela. Esto puede ser el caso en invernadero o campo, cuando a los sobrevivientes tienen la posib;lidad de trasladarse a otras plantas.

Schneider-Orelli:

* para conteo de insectos muertos

* para ataque simtrico en las parcelas antes de la aplicacin

* para registros numricos

!l

Grado de eficacia en % =

b - k 100 - k

100

siendo b = % de muertos en el tratamiento

k = % de muertos en el testigo

Ejemplo: Grado de eficacia para un extracto botnico contra pulgones

Datos de la investigacin: Tratamiento Pulgones vivos antes de la aplicacin Pulgones vivos despus de la aplicacin % individuos muertos 80 7 91,25 Testigo 80 78 2,5

Manual para investigadores En caso de aumentar la poblacin de insectos La frmula de Abbott no considera el aumento natural de la poblacin en las parcelas, lo que sobre todo en investigaciones de campo influye en el resultado. Esta influencia se tiene en cuenta en la frmula elaborada por Sun y Shepard:

/I

Sun y Shepard:

* para conteo de insectos muertos * para ataque asimtrico en las parcelas antes de la aplicacin
* para registros numricos
Grado de eficacia en % = Pt Pck 100 + Pck
100

siendo Pt = % de mortalidad, calculado de la diferencia de nmero de insectos vivos antes, menos insectos vivos despus de la aplicacin Pck = % de cambio en la poblacin (aumento (+) o disminucin (-)), calculado de la diferencia de nmero de insectos vivos antes, menos insectos vivos despus de la aplicacin en la poblacin de la parcela testigo

Ejemplo: Grado de eficacia para un extracto botnico contra pulgones

Datos de la investigacin:

Pulgones vivos antes de la aplicacin (Tb) Pulgones vivos despus de la aplicacin (Ta) % mortalidad en la parcela tratada (300 - 30 = 270; 270 1300 = 0,9 = 90 %) (Pt) % cambio en la poblacin en la parcela testigo (600 - 500 = 100; 100 1500 = 0,2 = 20 % (Pck) Pt + Pck 100 + Pck
100 = 90 + 20 100 + 20

Grado de eficacia en % =

100

En caso de diferente ataque de insectos antes de la aplicacin Para la evaluacin de investigaciones en el control de caros Henderson y Tilton crearon la siguiente frmula, la cual puede ser usada para investigaciones con ataque asimtrico antes de la aplicacin:
ll

Henderson y Tilton:

* para el conteo de insectos vivos

* para ataque asimtrico en las parcelas antes de la aplicacin

* para registros numricos

Mortalidad en % = 100 (1 - Ta Cb ) Tb Ca siendo Ta = Nmero de insectos despus del tratamiento Tb = Nmero de insectos antes del tratamiento Ca = Nmero de insectos en el testigo despus del tratamiento

Cb

Nmero de insectos en el testigo antes del tratamiento

Ejemplo: Grado de eficacia para un extracto botnico contra pulgones

Datos de la investigacin: Tratamiento Pulgones vivos antes de la aplicacin (Tb) Pulgones vivos despus de la aplicacin (Ta) % mortalidad en la parcela tratada (300 - 30 = 270; 270 1300 = 0,9 = 90 %) (Pt) % cambio en la poblacin en la parcela testigo (600 - 500 = 100; 100 1500 = 0,2 = 20 % (Pck) 30 500 ) Mortalidad en % = 100 (1 - Ta Cb ) = 100 (1 - Tb Ca 300 600 = 9l,67% Testigo 500 600

Manual para investigadores

5.8 Anlisis de datos registrados en escala

Los datos de una investigacin obtenidos en forma de evaluacin con escala o estimacin son datos en rangos, con lo que no se puede hacer un anlisis de varianza para comprobar diferencias entre los tratamientos. Pero segn el biomtrico Thoni, la base de los rangos son datos en intervalos, las notas nada ms se deducen de estos intervalos para facilitar el registro. En caso que la escala de rangos se refiera a la expresin de una caracterstica se supone una escala en intervalos y se analiza, en caso se den las otras condiciones, con un ANVA. Este es el caso para datos provenientes de ataque de plagas o enfermedades. Como referencia se puede decir: cuando el distanciamiento entre dos notas o rangos son definidos de manera equidistante, se los puede tratar como datos en intervalos. Este no es el caso por ejemplo para notas, en las cuales para el evaluador A la nota 1 se da slo con 20 puntos, el evaluador B la da con 18 - 20 puntos. El distanciamiento entre las notas no es igual. Los datos registrados en escala suelen tener una distribucin desigual segn el tratamiento, por lo que se recomienda hacer un x2 ya que esta prueba reconoce muy bien diferencias en la distribucin de los datos, lo cual se pierde muchas veces analizando los datos mediante sus medias con un ANVA. En caso que la distribucin sea simtrica (comprobar esto para cada parcela; es importante tener un nmero grande (2 25) de datos para poder realizar esto) se puede trabajar con las medias y hacer un ANVA. Para los datos originados de escalas tambin se pueden calcular ndices con los cuales se calcula el ANVA. En este caso se crea de forma artificial datos en intervalos, lo que es fingir una realidad falsa. Pero el mtodo es usual en la estadstica, como forma de calcular los promedios de las parcelas.

. .
Clculos preliminares para un ANVA con datos en escala de 1 a 4 sobre el grado de infestacin de hojas con Phytophthora cinnamomi
En la investigacin se analizan 5 extractos con efecto fungicida y un testigo nulo en un diseo de bloques completos aleatorios con cuatro repeticiones. En cada parcela han sido evaluadas 25 plantas con la siguiente escala:
1 = planta sana 2 = planta levemente infestada 3 = planta fuertemente infestada 4 = planta casi muerta o muerta

Para cada parcela se obtuvo 25 datos con valores del 1 al 4 en diferentes cantidades. En el tratamiento 5, bloque 3 por ejemplo se obtuvo 3 veces el nmero 1, 8 veces el 2, 7 veces el 3 y 1 vez el 4.

En la tabla 30 se muestran los datos registrados resumidos segn las frecuencias de presentarse.

Tabla 30: Frecuencia de rangos de infestacin con Phytophthora cinnamomi. -ratamientos Clases o rangos Bloques
1 2 3 4

Suma

Promedio

j=4

5 22 14 17 15

13 57 4 6 3

7 21 2 1 2

25 25 25 25

Suma
j=l j=2 j=3 j=4

O
5 1 5

Suma
j=1 j=2

j =3
j=4 9 31 9 2 1O

8
40 4 9 7 5 25

6
21
8

25 25 25 25 25

Suma
j=1 j=2 j=3 j=4

8
4 3 1 4 12

11 7

8
29

8
34

Suma

Suma
j=1 j=2 j=3 j=4

23 13 11 14 14 52

46 11 12 9 1O 42

22 1 1 2 1 5

9 25 25 25 25

suma

Los ndices se calculan para el ejemplo mencionado de tratamiento 5, bloque 3, obteniendo el promedio:

Manual para investigadores Cada promedio resulta de los 25 datos de cada parcela. Los datos calculados son aptos para ser comparados en un ANVA, ya que se pueden ver como cantidades continuas. En la tabla 31 se resumen los datos para el ANVA. Para estos datos valen las mismas condiciones que para otros datos, o sea, deben tener una distribucin normal, ser independientes, etc., lo que debe ser comprobado segn lo descrito arriba. En caso de no cumplir con un requisito, se calcula un Friedman (diseo de bloques). Tabla 31: ndices calculados sobre frecuencias de rangos de infestacin. Tratamientos Bloques 1
2
3
4

Suma

Promedio

Suma Promedio

6. Interpretacin de los datos

Despus del anlisis los datos son interpretados, comentando los efectos de los diferentes tratamientos en las plantas, ahondando el significado de los resultados. El criterio principal en la interpretacin es la diferencia significante entre los resultados de cada tratamiento, comparndolos de acuerdo al problema inicial y el mtodo de investigacin. Por lo que los resultados obtenidos no slo resultan de los tratamientos, sino tambin de las influencias del clima, suelo, la tcnica de la investigacin, etc., stos deben ser descritos y relacionados con los resultados. Las interacciones entre todos los diferentes factores son descritos e interpretados. Por ejemplo el rendimiento de diferentes variedades no slo depende del nivel de abonamiento, sino tambin las interacciones entre el pH del suelo y el tipo de abono debe ser tomado en cuenta. La base de estas descripciones son las observaciones tomadas durante el periodo de investigacin y los datos adicionales registrados antes o durante la investigacin. Los resultados son comparados con datos de otras investigaciones, discutiendo las posibles diferencias. La interpretacin no slo es la descripcin de los resultados, los cuales se pueden leer de las tablas y grficos, sino ms bien una descripcin de las relaciones entre la causa y el efecto. Se busca encontrar explicaciones para los efectos obtenidos. Puede facilitar la interpretacin y ser de gran inters evaluar las dependencias y correlaciones entre diferentes factores (ver literatura estadstica). En base a los resultados y su discusin se llega a las conclusiones con lo que se contesta la pregunta inicial rechazando o aceptando la hiptesis planteada. Las conclusiones se sacan nada ms para el problema inicial planteado y se basan en datos concretos. En caso de una investigacin exitosa las conclusiones son el resultado al problema, el cual se debe describir lo ms preciso y exacto posible. Se debe tener cuidado en expresar generalizaciones, ya que no se pueden comprobar. La estadstica nada ms confirma cierta certeza en los resultados. Las conclusiones tambin incluyen recomendaciones para siguientes pasos en el rea de trabajo.

Manual para investigadores

7. Presentacin de datos e informes Hay dos clases de estadstica: la descriptiva y la analtica. La descriptiva tiene como meta, presentar los datos obtenidos de tal forma, que resalte lo importante o lo esencial. Que se define como importante o esencial depende de la pregunta inicial de la investigacin, pero tambin de la decisin subjetiva del investigador. Para obtener claridad hay que ordenar los datos, para lo que la estadstica descriptiva usa principalmente tres formas: tablas, grficos y medidas caractersticas.
7.1 Tablas

Teniendo datos sobre frecuencias, por ejemplo conteos, estos se ordenan segn sus caractersticas, sumando la cantidad de caractersticas idnticas. En caso que hayan muchos diferentes valores, se recomienda formar rangos o categoras. Como representante de una categora se escoge normalmente el medio aritmtico. La amplitud de las categoras debe ser igual para todas las categoras y se define tratando de lograr con una cantidad mnima de categoras un mximo de informacin especfica, sin perder informacin valiosa. Cada resumen de datos oculta informacin. Ms amplia se escoge las categoras, ms pequeo es el nmero de categoras, lo que puede ocasionar borrar o "esconder" informacin. Una amplitud muy pequea aumenta el peligro de detallar informacin o efectos casuales. Si no se tiene informacin bsica se puede partir de la siguiente frmula de Sturges para calcular la amplitud de las categoras (b): b=

V 1 + 3,32 log n

V 5 log n

siendo: n = la cantidad de valores V = rango

Tabla 32: Lista original de la longitud de alas (mm), conteo de 25 individuos, segn su medicin.

Tabla 33: Lista ordenada por tamao de la longitud de alas (mm), 25 individuos.

Tabla 34: Distribucin de la frecuencia de las medidas de las alas.

Valor medido (K) Lista de conteos Frecuencias (fi) lfl=l 0f2=1 1f3=1 4f4=1 0f5=1 5f,3=1 2f7=1 0f8=1 2fg=l 1 fl0 = 1 4fll = 1 3 f 1 2 =1 1 f13= 1 0 f14= 1 1 fI5 = 1

= 3,3 X2 = 3,4 XJ = 3,5 ~4 = 3,6 X5 = 3,7 xs = 3,8 X7 = 3,9 XB = 4,O

Xl

De la lista ordenada calculamos los rangos (V = valor mayor menos valor menor, o sea V = 4,7 - 3,3 = 1,4) y la frmula de Sturges nos da como amplitud de categora de 0,2 a 0,3.

Tabla 35: Frecuencias categorizadas y suma de las frecuencias con una amplitud de categora de b = 0,3.
Frecuencias categorizadas: longitud de alas Medio de categora
Xi

1
fi

Frecuencia

Frecuencias sumadas Fi F1= 2 F2= 11 F3=15 F4= 23 F5= 25

3,45 3,75 4,051 4,35 4,65

fl = 2 f2 = 9 f3 = 4 f4 = 8 f5 = 2

Manual para investigadores

Presentacin grfica de las tablas anteriores (34, 35):

10

11

12

13

14

15

Longitud de alas

Categoras

Grfico 15: Presentacin de los datos originales y los datos resumidos en 5 categoras. Recin del grfico categorizado (grfico 15, derecha) se reconoce el resultado especfico de la investigacin: una distribucin bimodal. Con una buena categorizacin se puede facilitar la interpretacin de los datos. Es importante, formar categoras suficientemente grandes para que la forma general de la distribucin se pueda ver fcilmente, pero no tan pequeos, como para perderse en detalles.

7.2 Grficos

La interpretacin tambin es facilitada, adems de un buen resumen de datos, por una buena presentacin grfica. Esta presentacin debe cumplir con ciertos criterios. La meta de un grfico es visualizar datos y10 resultados para personas ajenas al tema, pero no tienen propiedad de prueba y no deben ser usados para verificar las conclusiones. El eje horizontal (x) es usado para las categoras y el eje vertical (y) para los valores de la investigacin. Diferentes formas de presentacin grfica: Diagrama en barras horizontales o verticales: Se usan para presentar categoras, niveles de datos cualitativos o rangos y comparar entre ellos. Son fciles de leer y entender. Es necesario indicar la escala o eje, para que el lector tenga una medida sobre el tamao de los datos. En caso contrario ve nada ms frecuencias relativas. En el eje de categoras (x) se distribuyen las barras con igual ancho y distancia entre ellos. El largo o la altura de las barras depende de las frecuencias en las categoras (nmero, peso, etc.).

Cebolla

Camote
Caf

Cacao
Arroz

Algodn Achiote

Achiote Algodn Arroz

Cacao

Caf Camote Cebolla

5000

1O000

15000

20000

Grfico 16: Produccin de cultivos agrcolas en el Per en 1995.

El circular o barras al 100%: Con ellos se presenta el aporte de cada valor al total, o sea el porcentaje. Son muy vistosos y usados frecuentemente, aunque no todos los datos se prestan para una presentacin al 100%. Se usan cuando interesa la relacin entre las frecuencias, no su valor absoluto. Es ideal comparando varias muestras, por ejemplo rea cosechada de algodn segn departamentos, aos, etc. Una forma es presentar todo el pas como un crculo, dividido en los diferentes departamentos segn su proporcin en la cosecha. Si se quiere agregar la comparacin entre diferentes aos, se puede usar adems el tamao del crculo como referencia. El tamao del crculo representa el rea total de algodn cosechado en todo el pas. Como el rea vara segn los aos, el tamao de crculo tambin vara. Para calcular diferentes tamaos de crculos se escoge un radio (rA) indeterminado para el primer crculo. El rea de crculo A es n: r2A. Se busca el radio del crculo B (rB), con un tamao x: rg = &* rA. Se conoce el porcentaje hi %, entonces se calcula el vnculo del sector ia i = hi 3,6".

NO se pueden hacer grficos circulares comparando la produccin de diferentes tratamientos, ya que no se tiene un valor total del cual se calcula los porcentajes.

Manual para investigadores

Ejemplo: Presentacin grfica en forma circular

El rea de algodn rama cosechada en el Per en 1994 era de 97 309 ha y 1995 de 123 681 ha. En 1995 el rea era x = 1,27 veces ms grandes que en 1994. Para 1994 escogemos rA = 3 cm. Para 1995 el radio r~ = dx rA= 1,12 3 = 3,36 cm. Para Ica hi % es 36,02 %, es decir, el vnculo es a i = hi 3,6" = 36,02 3,6" = 129,7".

Otros Otros

Lneas: La forma de lneas se usa cuando se quiere presentar un desarrollo, por ejemplo de temperatura, de rea de produccin, etc. Esto tiene como condicin que un dato sigue al otro, o sea la produccin anual de 1990 al 1999 debe contener datos para los 10 aos consecutivos y deben basarse en la misma informacin, siempre refirindose a todo el pas, una regin, etc.

Se debe tener datos con nivel de datos en intervalos fijos o datos relacionados.

?!

NO se puede usar para comparar manzanas con peras, ya que son de diferente categora y no hay ninguna relacin entre ellos.

25
26

Datos inventados. Datos segn SENASA, 1996.

Los grficos dan una buena primera impresin e informacin sobre los resultados obtenidos en la investigacin, pero se debe sealar otra vez, que no pueden ser usados para comprobar conclusiones, supuestos y a su vez indicar, que se pueden malusar para distorsionar resultados. Los grficos se tienen que observar detallada y crticamente, para entender toda su informacin. El investigador debe titular su grfico y participar la informacin necesaria para entenderla correctamente, por ejemplo con leyenda, ttulo de ejes, etc. Un criterio bsico es el mismo distanciamiento y las mismas categoras en los ejes. No se puede detallar un desarrollo anual con valores anuales para los aos anteriores e indicar para el ltimo ao los meses (ver grfico 17). Se crea una impresin equivocada, siendo los datos para los aos quizs un promedio de todos los meses, mientras que para los ltimos meses se usan los valores reales. En el ejemplo se pierde la tendencia decreciente de las hectreas bajo control biolgico en Ica en los ltimos aos y se cree la impresin de un constante crecimiento en Lima, lo cual hasta fin de ao puede cambiar.

tPiura +Lima

fija

Grfico 17: Hectreas bajo control biolgico segn departamentos. Mal ejemplo para la presentacin grfica de datos.

Manual para investigadores

El ejemplo a continuacin (grfico 18) muestra como se puede manejar la informacin cambiando el largo y ancho de los ejes.

Grfico 18: Diferencia de apreciacin de datos iguales: mientras que A deja una impresin redonda, B parece alargada y C chata. Ntese en el sombrero las diferencias en una presentacin de curva. Fuente: Kohler, Schachtel y Voleske,
1984.

8. Recomendaciones para redactar avances o informes finales

El informe final es un documento importante para documentar la investigacin. Muchas veces es el nico documento al que personas ajenas a la investigacin tienen acceso, mas no a la documentacin de la planificacin o realizacin. Esto hace tan relevante su calidad e integridad. Para que sea entendible para todos los interesados, se debe tratar de lograr mxima claridad, en idioma inteligible y con los detalles necesarios para su comprensin. Como ayuda se han anotado algunas preguntas a base de los que se puede hacer un informe.
A) Preguntas importantes:
-

Cul es el obJetivo de mi informe? Sobre que quiero informar?

- En que consiste mi investigacin,?

-

En q u e contexto debo ubicarla,? Qu obJetivos me propuse en mi trabajo?

- Qu herramientas y medios auxiliares utilic?

-

Cul fue el resultado? Qu aspectos fueron especialmente importantes.? i Q u cosa realizarl diferente la prxima vez?

En los informes deben ir todas los detalles necesarios para entender y replicar la investigacin. Por ejemplo es necesario mencionar la poca de aplicacin: abonamiento a la siembra, aporque, etc., ya que la planta asimila los nutrientes en diferentes fases en diferente cantidad. En aplicaciones de preparados la edad de las plagas controladas, las condiciones meteorolgicas, etc. son importantes, ya que una larva en el primer estadio reacciona diferente que una larva en tercer estadio o una pupa.
B) Puntos para recordar:
-

informar s o b r e d a t o s concretos describir e l cmo, e l p o r qu, las circunstancias y condiciones

- n o describir detalles superficiales (hora de salida, llanta baja en el camino), ino e s un informe de actividades!
-

no d e s c r i b ~ r tanto e l qu, e l cunto

- informes de ms de 20 a 30 pginas rara vez s e leen

-

elegir una forma atractiva y adaptada: grficos claros, lenguqe comprensible, apoyo visual como fotos, dibujos

Manual para investigadores

Tabla 36: Pasos para redactar un informe.

1.

Introduccin y revisin bibliogrfica

Definir el problema que se pretende resolver y justificar la ejecucin del estudio, desde el punto de vista tcnico, econmico o social; as como para sustentar las hiptesis y sealar los objetivos que se persiguen. Sustentar esto con bibliografa sobre temas relacionados y bases tericas. Se logra una visin general sobre la problemtica y se clasifica su contexto.
-

--

2.

Materiales y mtodos

Describir los materiales y la metodologa empleada para validar la hiptesis, listar las aplicaciones, su forma, preparacin, cantidad y fecha, diseo, pruebas estadsticas y observaciones adicionales con importancia para la investigacin. Presentar los resultados obtenidos de manera comprensible y su anlisis. Discutirlos en trminos de la hiptesis planteada y a la luz de los conocimientos existentes sobre el aspecto investigado. Evitar especulaciones o comentarios simples sin fundamento tcnico. Sealar los hallazgos del estudio en relacin con los objetivos propuestos, indicando el grado en que se ha alcanzado la solucin del problema planteado y sus consecuencias. Organizar una lista con las referencias bibliogrficas, a las cuales se ha hecho referencia en el informe. Estas referencias deben ser ordenadas alfabticamente por el apellido del autor principal seguido de sus nombres. La cita debe incluir luego los nombres completos de todos los otros autores, ttulo completo del artculo, nombre de la publicacin, nmero del volumen, paginas que abarca y el ao de la publicacin.

3.

Resultados y discusin

4.

Conclusiones

5.

Bibliografa

6.

Resumen

Breve y sumaria exposicin de lo ms sustancial de todo el trabajo, no slo de los resultados (hoja separada).

9. Bibliografa

Biologische Bundesanstalt fr Land- und Forstwirtschaft. 4 - 3.2.1. Richtlinien fr die Prfung von Fungiziden gegen Falsche Mehltaupilze an Gemse. November 1983. Braunschweig, Alemania. Biologische Bundesanstalt fr Land- und Forstwirtschaft. 4 - 2.2.1. Richtlinien fr die Prfung von Fungiziden gegen Echte Mehltaupilze an Gemse. November 1983. Braunschweig, Alemania. Box, G.; Hunter, W. G.; Hunter, J. S. 1993. Estadstica para investigadores. Introduccin al diseo de experimentos, anlisis de datos y construccin de modelos. Editorial Revert S.A., Barcelona, Espaa. Bundessortenamt. 1995. Richtlinien fr Wertprfungen und Sortenversuche im Gemsebau. Ausgabe 1995. Landbuch-Verlag GmbH, Alemania. Gomez, K. A..; Gomez, A. A. 1976. Statistical Procedures for agricultural Research. IRRI, Manila. Kohler, W.; Schachtel, G.; Voleske, P.; 1996. Biostatistik. Einfhrung in die Biometrie fr Biologen und Agrarwissenschaftler. 2. Auflage, Springer Verlag, Berlin Heidelberg. Moll, E. 1997. Einfhrung in die Biometrie unter Bercksichtigung der Software SAS. Teil2: Vergleich von mehr als zwei Mittelwerten, ein- und zweifacktorielle Varianzanalyse mit festen und zufalligen Effekten. In: Berichte aus der BBA, Heft 31. Braunschweig, Alemania O'svth. J.; Geidel, H. 1975. Besonderheiten der biometrischen Auswertung von Pflanzenschutzversuchen. En: Pflanzenkrankheiten, 8/9/75, pag. 449 - 466. Rohrmoser, K. 1984. Kompendium fr Feldversuche in der technischen Zusammenarbeit. 2. verb. Auflage. TZ-Verlagsgesellschaft mbH, RoBdorf, Alemania. Steel, R.; Torrie, J. 1997. Bioestadstica: Principios y Procedimientos. McGrawHill/lnteramericana de mxico, S.S. de C.V., Mxico. Unterstenhoefer, G. 1963. Las bases para Ensayos fitosanitarios de campo. En: Pflanzenschutz-Nachrichten "Bayer". 1963, 3.

Anexos

Anexo 1: Hoja de evaluacin

Manual para investigadores

Anexo 2: Tabla de nmeros al azar

Fuente: Kohler, Schachtel, Voleske, 1996

142

Anexo 3: Planos para cuadrado latino

Fuente: Box, Hunter, Hunter, 1993

Manual para investigadores

Anexo 4: Ejemplos para la evaluacin de enfermedades expresada en porcentajes de reas atacadas

Phytophthora infestans en tomate

10

25

50

Bremia lactucae en lechuga

Mildiu en pepinillos

Fuente: Biologische Bundesanstalt fr Land- und Forstwirtschaft. Richtlinien fr die amtliche Prfung von Pflanzenbehandlungsmitteln. 4 - 3.2.1 y 4 - 2.2.1. November 1983. Braunschweig, Alemania.

Anexo 5: Tabla de F-max

F-max (a)

=uente: Kohler, Schachtel, Voleske, 1996

h e x o 6: Tabla dle ran 1s stu

4 3 26.98 32.82 8.33 9.80 5 . 9 1 632 5,04 5,76 4,60 5.22 4.34 4.90 4.16 4.68 4.04 4.53 3,95 4.41 3.88 4,33 3.82 4.26 3.77 4.20 3.73 4.15 3.70 4,11 3,67 4,08 4,05 3.65 3.63 4,02 3 . 6 1 4.00 3.59 3.98 3,58 3.96 3-56 3.94 3.55 3.93 3.54 3.91 3.54 3.90 3.52 3.89 3.51 3.88 3,51 3-87 3,50 3.86 3.49 3.85 3,49 3.85 3,48 3-83 3,48 3.83 3.47 3.82 3.47 3,82 3,46 3.81 3.46 3.81 3,45 3.80 3.45 3.80 3.44 3.79 3,44 3,79 3,41 3.76 3.40 3,74 3.36 3,68 . 3 1 3.63 -3
ske, lS

S hler, Schachtel, VI

Anexo 7 : Tabla de

x2(para Kruskal-Wallis)

%ente: Kohler, Schachtel, Voleske, 1996

Manual para investigadores

Anexo 8: Tabla de Nemenyi a=5%

ND (k; n; a)

361,l
2:

527,O

698,8

875,4

1056,3

1240,4

1427,9

1617,6

Kohler, Schachtel, Voleske, 1996

Tabla de Friedman a=5%

n 3

(k; n; 4

1 3 4 5 6 7 8 9 1 0 11

4 6,000 6,500 6,400 7,000 7,143 6,250 6,222 6,200 6,545

7 1 8 1 9 110111 1 1 2 1 1 3 1 1 4 1 1 5 1 5 1 6 7,4 8,53 9,86 11,24 12,57 13,88 15,19 16,48 17,76 19,02 20,27 21,53 7,8 8,8110,24 11,63 12,99 14,34 15,67 16,97 18,3 19,6 20,9 22,l 7,8 8,99 10,43 11,84 13,23 14,59 15,93 17,27 18,6 19,6 21,2 22,4 7,6 9,08 10,54 11,97 13,38 14,76 16,12 17,4 18,8 20,l 21,4 22,7 7,8 9,11 10,62 12,07 13,48 14,87 16,23 17,6 18,9 20,2 21,5 22,8 7,65 9,19 10,68 12,14 13,56 14,95 16,32 17,7 19,O 20,3 21,6 22,9 7,66 9,22 10,73 12,19 13,61 15,02 16,40 17,8 19,l 20,4 21,7 23,O 7,67 9,25 10,76 1 7,68 9,27 10,79 1

20
o3

5,99 7,74 9,37 10,92 12,41 13,8 5,99 7,82 9,49 11,07 12,519 14,07 15,51 16,92 18,31 19,68 21,03 22,36 23,69

Fuente: Kohler, Schachtel, Voleske, 1996

Anexo 9: Tabla de Wilcoxon-Wilcox

a=5%

WD (k; n; a)

3 4 5 6 7 8 9 1O 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

53 7,1 82 92 10,1 10,9 11,7 12,4 13,O 13,7 14,3 14,9 15,4 16,O 16,s 17,O 17,5 18,O 18,4 18,9 19,3 19,8 20,2 20,6

8,O 93 11,4 12,7 13,9 15,O 16,1 17,1 18,O 18,9 19,7 20,5 21,3 22,O 22,7 23,4 24,1 24,8 25,4 26,O 26,7 27,3 27,8 28,4

1O,3 12,6 14,6 16,3 17,8 19,3 20,6 21,8 23,O 24,1 25,2 26,2 27,2 28,2 29,l 30,O 30,9 31,7 32,5 33,4 34,1 34,9 35,7 36,4

%ente: Kohler, Schachtel, Voleske, 1996

lndice

Abbott, 119, 120 Agricultores, 17, 18, 20, 30, 40 Anlisis, 39 ANVA, 43,62,77 en MS Excel, 84 factorial, 83 parcelas divididas, 87 supuestos, 77 unifactorial, 77 rbol de problemas, 33 Area de muestreo, 70

Efecto marginal, 62 vecinal, 61 Eficacia, 119 Error experimental, 46, 47, 59, 63 Estadstica analtica, 43, 120 descriptiva, 43, 120 Evaluacin, 37, 69, 71 Extensionistas, 17, 18, 30

Biometra, 45 Bloques, 50 (ver tambin Diseo) completos randomizados, 36, 64

Facilitador, 15, 19, 25 Factoriales, 54 FODA, 33 Frmula de Sturges, 120 Frecuencias, 120, 125

Ceteris paribus, 46, 53 Coeficiente de variacin, 87 Comits de investigacin agrcola local, 17, 30, 39 Comparacin mltiple de medias, 98 Comunicacin no-verbal, 21, 25 Conclusiones, 39

Grfico, 122 circular, 123 en barras, 122 en lneas, 124

Datos cualitativos, 75 en escala, 124 en intervalos fijos, 75 en rangos, 75 perdidos, 95 primarios, 37 relacionados, 75 secundarios, 37 Diagnstico, 29 rpido participativo, 33 Diseo, 36, 63 Completamente Aleatorio, 63 de Bloques Completos Aleatorizados, 36,64 de Parcelas Divididas, 66 en Cuadrado Latino, 65 Distribucin normal, 77

Henderson y Tilton, 123 Herramientas participativas, 23, 32 Heterogeneidad, 50, 56, 59, 63, 65 Histograma, 78 Homogeneidad, 36,47

Informes finales, 127 Interaccin, 81, 83, 84, 92, 102, 103, 1O 4 Interpretacin, 119 Investigacin cientfica, 9, 10 participativa, 9, 10, 15, 28 Investigadores, 18, 20, 26, 40

Lluvias de ideas, 32

Manual para investigadores

Modelo 1, 82 Modelo 1 1 , 82 Modelo mixto, 82

Simetra, 62

Niveles de datos, 75

On-Farm-Research, 9

Parcelas divididas, 36 forma, 55 tamao, 58 ubicacin, 55 Planificacin, 34, 45 Precisin, 48 Presentacin, 20, 120 Presentacin de datos, 106 Prueba de Duncan, 98 Nemenyi, 110 Schneider-Orelli, 121 Sun y Shepard, 122 Tukey, 98 Tukey, factorial, 102 Tukey, parcelas divididas, 103 Tukey, unifactorial, 99 Wilcoxon-Wilcox, 116 no paramtricas, 107

Tablas, 120 Tamao de muestra, 70 de parcelas, 35 Tarjetas, 24, 25 Tcnicos, 30, 40 Test de F-max, 80 Friedman, 114 H, 107 Kolmogorov-Smirnow, 77 Kruskal-Wallis, 107 Testigo, 35, 54 Toma de datos, 37, 38, 69 Transcripcin, 46 Transecto, 33 Transformacin de datos, 93 angular, 94 logartmica, 94 raz cuadrada, 94 Tratamientos, 34, 53

Valor F, 81, 83 Varianzas homogneas, 80 Visualizacin, 24, 29

Randomizacin, 36, 48 de cuadrado latino, 65 de parcelas divididas, 67 polifactorial, 50 unifactorial, 49 Recomendaciones, 40, 127 Redaccin, 127,128 Repeticiones, 35, 47