Vocero
|
Transcripción
|
| Paulo Peloia |
Hola, mi nombre es Paulo Peloia. Soy el líder de análisis de datos para América Latina en Syngenta Crop Protection. La investigación |
| |
que voy a presentar es sobre la optimización del tamaño de la submuestra para plagas del suelo en experimentos de caña de azúcar. |
| |
Aquí en Brasil, llevamos a cabo pocos experimentos para probar productos contra plagas del suelo en caña de azúcar con cuatro repeticiones en cuatro submuestras por parcela. |
| |
Y en cada submuestra, tenemos que cavar el suelo para quitar las raíces de ... la de la caña de azúcar y luego evaluar el daño causado por estas plagas del suelo. Bien, lo hacemos en 0,5 metros de fila. |
| |
Con este diseño, lamentablemente, este es nuestro problema, podemos detectar una diferencia significativa entre el tratamiento en el 40% de los casos solo considerando un alfa del 5%. Bueno. |
| |
Antes de aumentar el número de réplicas en nuestros ensayos, lo que aumentaría drásticamente el costo de nuestros experimentos, decidimos evaluar primero el número de submuestras que recopilamos. |
| |
Se sabe que cuanto mayor es el número de submuestras, menor es el error experimental. También se sabe que esto ... esta disminución del error experimental se reduce con el número de submuestras. Entonces tenemos una tendencia no lineal y |
| |
en cierto punto, esta reducción de los errores experimentales se acerca a cero. Bueno, por eso decidimos utilizar el modelo de meseta cuadrática, la metodología de la que vamos a hablar en unos segundos. |
| |
Entonces, dije que el objetivo de esta investigación era determinar el número óptimo de submuestras por parcela. |
| |
para las plagas del suelo en la caña de azúcar, lo que contribuye en la menor instancia a un proceso experimental más eficiente. Bien, ahora hablemos de la metodología que usamos. |
| |
Bueno, comenzamos este estudio con ... con la realización de dos experimentos en blanco con 11 tratamientos, cuatro bloques y ocho submuestras por parcela. Otra vez ocho, no cuatro |
| |
submuestras por parcela. Vale, con esto ... con el resultado de estos dos experimentos en blanco, lo aplicamos, esto ... la metodología bootstrap |
| |
estimar el error estándar medio o el error experimental para cada tamaño de submuestra de ocho a uno. Después de eso, ajustamos el modelo de meseta cuadrática. Ahora echemos un vistazo a esta metodología, el modelo de meseta cuadrática. |
| |
Bien, aquí a la izquierda, tenemos las ecuaciones relacionadas con este modelo, pero me enfocaré aquí a la derecha, en el gráfico, está bien. |
| |
Básicamente, este modelo comienza con un modelo cuadrático, está bien, hasta una ruptura ... hasta un punto de ruptura donde se convierte en una meseta o una línea horizontal, está bien. |
| |
En el caso de este estudio, en el eje X tenemos la submuestra .... el número de submuestras por parcela, y en el eje Y tenemos la raíz media |
| |
error cuadrático, o la desviación estándar de nuestra prueba, y luego este punto de equilibrio, está bien. Este punto de ruptura se llama punto óptimo. En nuestro caso, este es el |
| |
número óptimo de submuestras por parcela, está bien. Solo ... solo un comentario adicional, si desea implementar eso en JMP, |
| |
esta fórmula aquí en la parte superior se convierte en esta fórmula en la parte inferior de la diapositiva en JMP, de acuerdo. |
| |
Y luego puede ir al menú de análisis, luego al modelado especializado y finalmente a la plataforma no lineal, de acuerdo. Entonces, si quieres hacer eso en JMP, este es el ... este es el camino que debes seguir. Volvamos a la primera diapositiva. |
| |
Así que aquí todavía estamos en ... en la metodología, conociendo el número óptimo de submuestras |
| |
por parcela que ... que identificamos utilizando el modelo de meseta cuadrática, realizamos en la temporada siguiente |
| |
tres ensayos reales utilizando este número de submuestras, y luego aplicamos el método bootstrap nuevamente para comparar la capacidad que tienen estos ensayos para detectar diferencias significativas entre tratamientos en comparación si se hubieran realizado con cuatro submuestras, nuestro estándar anterior, está bien. |
| |
Así que echemos un vistazo a ... los resultados. Primero aquí los resultados relacionados con experimentos en blanco para identificar el número óptimo de |
| |
submuestras por parcela. |
| |
Así que aquí a la izquierda, tenemos una ... una gráfica para cada experimento en blanco. En el eje X, tenemos el número de submuestras por parcela de ocho a uno. En el eje y, tenemos una desviación estándar de la prueba, y aquí podemos ver que tenemos 1,000 ... 1,000 puntos por cada número de submuestra. |
| |
Bien, y aquí en el Experimento en blanco 1, podemos ver una distribución muy simétrica de los puntos, y el punto rojo aquí representa la media, |
| |
la desviación estándar. En el segundo experimento en blanco, podemos ver una distribución asimétrica. En realidad, es una distribución sesgada a la derecha, de acuerdo. |
| |
Y nuevamente, por esta razón, creo que es importante usar más de un experimento en blanco para estimar que, porque no siempre, tenemos una distribución normal, está bien. |
| |
Entonces, básicamente, los puntos rojos aquí se transfieren a ... a los gráficos en el lado derecho de la pantalla aquí. Luego alimentamos el modelo de meseta cuadrática. Como dije, comenzamos con el modelo cuadrático y luego |
| |
en el ... en el punto de ruptura, se convierte en una línea horizontal, está bien. En ambos casos, quiero decir, en el caso de ambos experimentos, la R cuadrado es realmente buena, 97%, está bien. Podemos ver que el modelo y el |
| |
los datos son buenos, quiero decir que lo son ... están cerca y podemos ver aquí el número óptimo de submuestras. En el caso del primer experimento en blanco, 5.6, y en el caso del segundo, 5.4, está bien. |
| |
Bueno, dado que no es posible tener 5.5 submuestras por parcela, adoptamos el número óptimo, así que seis submuestras por parcela, y este es el número que usamos para realizar los ensayos reales en la siguiente temporada, está bien. |
| |
Entonces |
| |
volviendo a la primera diapositiva. Nuevamente, cubrimos la primera parte de la metodología y luego vamos a validar los resultados, me refiero a evaluar el beneficio de aumentar el número de submuestras por parcela, está bien. Vamos para allá. |
| |
Entonces, nuevamente en la parte izquierda de la pantalla, tenemos en el eje y, el valor p para los tratamientos, y aquí, esta línea roja representa nuestro alfa, 5%. Así que experimentos con ... |
| |
con un valor de p para tratamientos por debajo de esta línea roja se puede identificar una diferencia significativa entre tratamientos y valores que ambos no pueden, de acuerdo. En la parte superior tenemos los tres ... los tres experimentos de validación diferentes y dentro de cada uno ... |
| |
cada experimento a la izquierda, tenemos el experimento con cuatro submuestras, y a la derecha, tenemos seis submuestras, está bien. |
| |
Podemos ver claramente que la cantidad de puntos de datos por debajo del 5%, o este límite de especificación superior, es mayor que con cuatro submuestras, está bien. Podemos ver eso claramente. Y si resumimos estos resultados, tenemos |
| |
casi el 41% de los ensayos detectaron una diferencia significativa entre los tratamientos con cuatro |
| |
submuestras. Y con seis submuestras, nuestro número óptimo, llega a ser casi 54, está bien. Esto no es perfecto, pero hay un buen incremento aquí, está bien, un incremento de 13 puntos porcentuales. Así que volvamos a la primera diapositiva. |
| |
Entonces, para concluir sobre este estudio, como dije, |
| |
el incremento de cuatro a seis submuestras por parcela aumentó nuestra capacidad para detectar diferencias significativas entre tratamientos en 13 puntos porcentuales. |
| |
Podemos decir que el modelo de meseta cuadrática funcionó bien porque el cuadrado de R fue bueno y fue bastante fácil identificar el punto óptimo, de acuerdo. Es bueno. |
| |
Y para futuras investigaciones, tenemos que investigar si esta mejora es suficiente o si también necesitamos aumentar el número de réplicas. Y para ello, siempre es bueno agregar algunos ... |
| |
algún valor, algunos costos para este modelo para identificar el diseño experimental óptimo, está bien. Bueno, esto es lo que tenía que ... lo que tenía que mostrarte. Espero que te guste. Si tiene alguna pregunta, no dude en ponerse en contacto conmigo. Gracias y adiós. |
