| Vocero |
Transcripción |
| Paulo Peloia |
Hola, me llamo Paulo Peloia. Soy el responsable de análisis de datos para Latinoamérica en Syngenta Crop Protection. La investigación... |
| |
El tema que voy a presentar es sobre la optimización del tamaño de submuestras para plagas del suelo en experimentos de caña de azúcar. |
| |
Aquí en Brasil, realizamos algunos experimentos para probar productos contra plagas del suelo en la caña de azúcar con cuatro réplicas en cuatro submuestras por parcela. |
| |
En cada submuestra, tenemos que excavar la tierra para eliminar las raíces de la caña de azúcar y luego evaluar el daño causado por estas plagas. Bien, lo hacemos en 0,5 metros de hilera. |
| |
Con este diseño, lamentablemente, este es nuestro problema: podemos detectar una diferencia significativa entre tratamientos en el 40 % de los casos, considerando solo un alfa del 5 %. De acuerdo. |
| |
Antes de aumentar el número de réplicas en nuestros ensayos, lo que aumentaría dramáticamente el costo de nuestros experimentos, decidimos evaluar primero el número de submuestras que recolectamos. |
| |
Se sabe que a mayor número de submuestras, menor es el error experimental. También se sabe que esta disminución del error experimental se reduce con el número de submuestras. Por lo tanto, tenemos una tendencia no lineal y |
| |
En cierto punto, esta reducción de los errores experimentales se acerca a cero. Por esta razón, decidimos utilizar el modelo de meseta cuadrática, la metodología que abordaremos en breve. |
| |
Entonces, dije que el objetivo de esta investigación era determinar el número óptimo de submuestras por parcela. |
| |
En el caso de las plagas del suelo en la caña de azúcar, ¿qué contribuye en menor medida a un proceso experimental más eficiente? Bien, ahora hablemos de la metodología que utilizamos. |
| |
Bueno, comenzamos este estudio con la realización de dos experimentos en blanco con 11 tratamientos, cuatro bloques y ocho submuestras por parcela. Nuevamente, ocho, no cuatro. |
| |
Submuestras por parcela. Bien, con el resultado de estos dos experimentos en blanco, aplicamos la metodología bootstrap. |
| |
Para estimar el error estándar medio o el error experimental para cada tamaño de submuestra de ocho a uno, se ajusta el modelo de meseta cuadrática. Analicemos ahora esta metodología: el modelo de meseta cuadrática. |
| |
Bien, aquí a la izquierda tenemos las ecuaciones relacionadas con este modelo, pero me centraré en la parte derecha, en el gráfico, ¿de acuerdo? |
| |
Básicamente, este modelo comienza con un modelo cuadrático, bien, hasta una ruptura...hasta un punto de ruptura donde se convierte en una meseta o una línea horizontal, 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 media raíz. |
| |
Error cuadrático medio, o la desviación estándar de nuestra prueba, y luego este punto de equilibrio, bien. Este punto de equilibrio se llama punto óptimo. En nuestro caso, este es el |
| |
Número óptimo de submuestras por parcela, de acuerdo. Solo un comentario adicional: si quieres implementarlo 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? |
| |
Luego puedes ir al menú "Analizar", luego a "Modelado especializado" y, finalmente, a "Plataforma no lineal". Si quieres hacerlo en JMP, este es el camino que debes seguir. Volvamos a la primera diapositiva. |
| |
Así que aquí todavía estamos en la... en la metodología, conociendo el número óptimo de submuestras. |
| |
por parcela que nosotros...que identificamos usando el modelo de meseta cuadrática, realizamos en la siguiente temporada |
| |
tres ensayos reales utilizando ese número de submuestras, y luego aplicamos nuevamente el método bootstrap para comparar la capacidad que tienen estos ensayos de detectar diferencias significativas entre tratamientos comparado si se hubieran realizado con cuatro submuestras, nuestro estándar anterior, vale. |
| |
Así que echemos un vistazo a los resultados. Primero, aquí están los resultados relacionados con los experimentos en blanco para identificar el número óptimo de... |
| |
submuestras por parcela. |
| |
Aquí, a la izquierda, tenemos un gráfico para cada experimento en blanco. En el eje X, tenemos el número de submuestras por parcela, de ocho a una. En el eje Y, tenemos la desviación estándar del ensayo, y aquí podemos ver que tenemos 1000... 1000 puntos para 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, observamos una distribución asimétrica. En realidad, es una distribución sesgada hacia la derecha. |
| |
Y de nuevo por esta razón creo que es importante utilizar más de un experimento en blanco para estimar eso, porque no siempre tenemos una distribución normal, ¿de acuerdo? |
| |
Básicamente, los puntos rojos aquí se transfieren a los gráficos del lado derecho de la pantalla. Luego, alimentamos el modelo de meseta cuadrática. Como mencioné, comenzamos con el modelo cuadrático y luego... |
| |
En el... en el punto de ruptura, se convierte en una línea horizontal, ¿de acuerdo? En ambos casos, es decir, en el caso de ambos experimentos, el R cuadrado es realmente bueno, 97%, ¿de acuerdo? Podemos ver que el modelo y el... |
| |
Los datos son buenos, es decir, están cerca, y aquí podemos ver el número óptimo de submuestras. En el caso del primer experimento en blanco, 5,6, y en el caso del segundo, 5,4. |
| |
Bueno, como no es posible tener 5,5 submuestras por parcela, adoptamos el número óptimo que son seis submuestras por parcela, y este es el número que usamos para realizar los ensayos reales en la temporada siguiente, ¿de acuerdo? |
| |
Entonces |
| |
Volvamos a la primera diapositiva. De nuevo, cubrimos la primera parte de la metodología y luego validaremos los resultados; es decir, evaluaremos el beneficio de aumentar el número de submuestras por parcela. Bien. Vayamos por ahí. |
| |
Entonces, nuevamente en la parte izquierda de la pantalla, tenemos en el eje y el valor p de los tratamientos, y aquí, esta línea roja representa nuestro alfa, 5%. Así que los experimentos con... |
| |
Con un valor p para los tratamientos por debajo de esta línea roja, se puede identificar una diferencia significativa entre tratamientos y valores que ambos no pueden identificar. En la parte superior tenemos los tres experimentos de validación diferentes, y dentro de cada uno... |
| |
Cada experimento de la izquierda, tenemos el experimento con cuatro submuestras, y a la derecha, lo tenemos con seis submuestras, bien. |
| |
Podemos ver claramente que la cantidad de puntos de datos por debajo del 5%, o este límite superior de especificación, es mayor que con cuatro submuestras. Podemos verlo 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, se convierte en casi 54, ¿de acuerdo? Esto no es perfecto, pero hay un buen incremento aquí, un incremento de 13 puntos porcentuales. Volvamos a la primera diapositiva. |
| |
Entonces, para concluir este estudio, como dije, |
| |
El incremento de cuatro a seis submuestras por parcela aumentó nuestra capacidad de detectar diferencias significativas entre tratamientos en 13 puntos porcentuales. |
| |
Podemos decir que el modelo de meseta cuadrática funcionó bien porque su R cuadrado era bueno y fue bastante fácil identificar el punto óptimo. Es bueno. |
| |
Para futuras investigaciones, debemos investigar si esta mejora es suficiente o si también necesitamos aumentar el número de réplicas. Y para ello, siempre es bueno añadir algo... |
| |
Este modelo tiene valor y costos para identificar el diseño experimental óptimo. Bueno, esto es lo que tenía que mostrarles. Espero que les guste. Si tienen alguna pregunta, no duden en contactarme. Gracias y adiós. |
