📊 statistics

Fisher's ideas and the design of field experiments in agronomy and plant breeding

Este artículo revisa las contribuciones fundamentales de R. A. Fisher al diseño experimental, particularmente las derivadas de su trabajo en Rothamsted, y conecta estos principios históricos con la investigación contemporánea del autor sobre experimentos de campo en agronomía y mejora vegetal, abarcando temas como diseños de filas y columnas, ensayos multiambientales y asignación óptima de ensayos.

Autores originales: Hans-Peter Piepho

Publicado 2026-05-29

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hans-Peter Piepho

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Este artículo es un homenaje a R. A. Fisher, uno de los mayores científicos del siglo XX, quien inventó las reglas sobre cómo realizamos experimentos científicos, especialmente en la agricultura. El autor, Hans-Peter Piepho, actúa como guía, mostrando cómo las ideas antiguas de Fisher siguen funcionando hoy y cómo han sido ajustadas para resolver problemas modernos en la mejora vegetal y la agricultura.

Aquí está la historia del artículo, desglosada en conceptos y analogías simples.

La Gran Imagen: La regla del "Juego Limpio"

Imagina que eres un juez en una carrera de caballos. Para saber cuál es realmente el caballo más rápido, no puedes dejar que corran cuando quieran en pistas diferentes. Necesitas asegurarte de que cada caballo corra en la misma pista, al mismo tiempo y en un orden aleatorio, para que ningún caballo obtenga una ventaja injusta por el viento o un parche de barro.

El mayor regalo de Fisher a la ciencia fue la Aleatorización. Él dijo: "No solo alinee las cosas ordenadamente; barájalas como un mazo de cartas". Esto asegura que si ves una diferencia en los resultados, sea debido al tratamiento (la velocidad del caballo o el fertilizante utilizado) y no debido a algún patrón oculto en el campo.

Parte 1: La Carrera Individual (Ensayos de Campo Individuales)

1. El Problema de las "Filas Ordenadas" (Sistemático vs. Aleatorio)
En el pasado, los agricultores a veces plantaban cultivos en patrones ordenados y repetitivos (como A-B-C-D-E, A-B-C-D-E). Fisher odiaba esto. Argumentó que si el suelo mejora ligeramente a medida que caminas por el campo, tu patrón ordenado podría alinearse accidentalmente con ese cambio en el suelo, engañándote para que pienses que tu fertilizante funcionó cuando no fue así.

El Hallazgo del Artículo: El autor probó esto utilizando datos antiguos. Mostró que las filas ordenadas y no aleatorias son como un juego amañado. No puedes confiar en los resultados. La aleatorización es la única manera de obtener un resultado "válido", incluso si las matemáticas parecen complicadas.

2. El Juego de la Rejilla (Diseños de Fila-Colonna)
A veces, un campo no es solo una línea recta; es una rejilla (como un tablero de ajedrez). Podrías tener suelo malo corriendo de Norte a Sur y de Este a Oeste.

La Analogía: Imagina un tablero de ajedrez donde quieres probar diferentes piezas de ajedrez. Necesitas asegurarte de que ninguna pieza esté atrapada en una "casilla mala" más a menudo que las demás.
El Giro Moderno: El autor discute patrones de "Movimiento de Caballo" (una forma específica de organizar piezas en un tablero de ajedrez). Aunque estos patrones son muy precisos, a veces pueden engañar a las matemáticas si no tienes cuidado. El artículo sugiere un enfoque "pragmático": usa computadoras para barajar las piezas, pero asegúrate de evitar patrones que se vean demasiado perfectos o que se agrupen, solo para estar seguro.

3. El Problema del "Solo Una Vez" (Diseños Aumentados)
En la mejora vegetal temprana, los científicos tienen miles de nuevas variedades de semillas, pero solo una pequeña cantidad de semilla para cada una. No pueden plantar 10 parcelas de cada nueva variedad; solo tienen suficiente para una.

La Solución: Plantan varias veces unas pocas variedades de "control" (plantas familiares y confiables) para actuar como una regla. Luego, esparcen las nuevas semillas no replicadas entre ellas.
La Contribución del Artículo: El autor explica cómo organizar estas "reglas" y las "nuevas semillas" para que las matemáticas aún puedan distinguir entre una buena nueva semilla y una mala, incluso si la nueva semilla aparece solo una vez.

Parte 2: La Gran Liga (Ensayos Multiambientales)

1. La Lotería del Clima
Una planta podría ser excelente en un año húmedo pero terrible en un año seco. Para saber si una planta es realmente "buena", tienes que probarla en muchos lugares diferentes (granjas) y en muchos años diferentes (estaciones).

La Perspectiva de Fisher: Fisher se dio cuenta de que el "ruido" (las diferencias climáticas) es en realidad la parte más importante de las matemáticas. Si pruebas una planta en 10 lugares, la diferencia entre cómo se desempeña en esos lugares te dice más sobre su fiabilidad que la puntuación promedio.
La Analogía: Si quieres saber si un corredor es un verdadero campeón, no solo lo cronometras una vez. Lo cronometras bajo lluvia, nieve y calor. Si gana en todos ellos, es un campeón. Si solo gana bajo la lluvia, no lo es.

2. Prestar Fuerza (Diseños Parcialmente Replicados)
Probar cada nueva semilla individual en cada ubicación individual es demasiado costoso.

La Solución: Diseños "Parcialmente Replicados" (p-rep). Imagina que tienes 1.000 semillas. No puedes probarlas todas 5 veces en 5 países diferentes. En su lugar, pruebas unas pocas semillas dos veces en el País A, unas pocas diferentes dos veces en el País B, y así sucesivamente.
La Magia: Usando matemáticas inteligentes, puedes "prestar" información. Si una semilla parece buena en el País A, y sabes que el País A y el País B tienen un clima similar, puedes hacer una suposición inteligente sobre cómo le irá en el País B, incluso si no la probaste allí directamente.

3. El Equipo Internacional (Fusionando Países)
Actualmente, Alemania prueba sus propias semillas y Polonia prueba las suyas. Rara vez se superponen.

El Problema: Si una semilla es excelente en Alemania, Polonia no se entera hasta que la prueba ellos mismos, lo cual toma años.
La Propuesta: El autor sugiere fusionar los sistemas. Si Alemania y Polonia prueban las mismas semillas, pueden compartir datos.
El Resultado: Incluso si prueban menos semillas por país, el hecho de que compartan datos hace que todo el sistema sea más rápido y preciso. Es como dos vecinos compartiendo una sola herramienta de alta calidad en lugar de que cada uno compre una barata.

El Futuro: ¿Qué Sigue?

El artículo termina diciendo que aún estamos descubriendo la forma perfecta de hacer esto.

Pruebas Dispersas: Esto es como probar una gran cantidad de semillas, pero dando a cada una solo un pequeño trozo de la torta (probándolas en muy pocos lugares). Confiamos en los árboles genealógicos (pedigree) para llenar los vacíos.
El Objetivo: Crear un "super-diseño" que ahorre dinero y tiempo mientras encuentra las mejores plantas para los agricultores.

Resumen

Este artículo es una celebración de las reglas de R. A. Fisher: Baraja tus cartas (aleatoriza), usa una regla (replicación) y controla tu entorno (bloqueo). El autor muestra que, aunque tenemos nuevas computadoras y nuevos problemas (como probar semillas en muchos países), la lógica central que Fisher descubrió hace 100 años sigue siendo el ingrediente secreto para encontrar la verdad en la agricultura.

Resumen Técnico: Las Ideas de Fisher y el Diseño de Experimentos de Campo en Agronomía y Mejora Genética Vegetal

Planteamiento del Problema
El artículo aborda la vigencia perdurable de los principios de diseño experimental de R. A. Fisher —específicamente la aleatorización, la réplica y el control local— en el contexto de los experimentos de campo agrícolas modernos y los Ensayos Multi-Ambiente (MET). Si bien el trabajo fundacional de Fisher en Rothamsted estableció la base teórica para el Análisis de Varianza (ANOVA) y los diseños aleatorizados, persisten desafíos contemporáneos. Estos incluyen el uso continuado de diseños sistemáticos en ciertos contextos agrícolas (por ejemplo, ensayos en fincas y a largo plazo), la necesidad de diseños eficientes cuando la disponibilidad de semillas es limitada (mejora genética de generaciones tempranas) y la complejidad de optimizar redes de ensayos a través de poblaciones objetivo de ambientes (TPE) subdivididas. El artículo busca revisar las ideas clave de Fisher, relacionarlas con las prácticas estadísticas actuales y evaluar la validez y eficiencia de las extensiones modernas de diseño, particularmente en lo que respecta a la tensión entre arreglos sistemáticos e inferencia basada en la aleatorización.

Metodología
El artículo emplea un enfoque de revisión y síntesis teórica, combinando el análisis histórico de los textos seminales de Fisher (Métodos Estadísticos para Trabajadores de Investigación y El Diseño de Experimentos) con modelado estadístico moderno y validación empírica.

Validación de Ensayos de Uniformidad: El autor utiliza datos históricos de ensayos de uniformidad (específicamente Mercer y Hall, 1911) para probar empíricamente la validez de diversas estrategias de diseño y análisis. Al superponer diferentes diseños (Aleatorizado Completamente, Bloques Completos Aleatorizados, Sistemático) sobre datos reales de campo, el artículo compara los errores estándar basados en modelos con los errores estándar empíricos y las tasas de error Tipo 1.
Modelos Lineales Mixtos: El análisis depende en gran medida de modelos lineales mixtos para describir los MET, tratando los ambientes (finjas/estaciones) y sus interacciones con los tratamientos como efectos aleatorios. Este marco permite la derivación de componentes de varianza y el cálculo de semi-varianzas para las diferencias entre tratamientos.
Algoritmos de Optimización de Diseño: El artículo discute enfoques algorítmicos para generar diseños, incluyendo:
- Aleatorización Restringida: Uso de búsquedas computacionales para excluir patrones indeseables (por ejemplo, problemas de equilibrio de vecinos) en diseños de filas-columnas mientras se mantiene una validez aproximada.
- Diseños Aumentados y Parcialmente Replicados (p-rep): Utilización de resultados teóricos (por ejemplo, factores de eficiencia, contracciones) y matrices $\alpha$ para generar diseños donde las líneas de prueba no están replicadas o están parcialmente replicadas, a menudo aumentados con variedades de control.
- Asignación Óptima: Aplicación de soluciones analíticas y optimización numérica para determinar la asignación óptima de ensayos a través de zonas subdivididas dentro de una TPE, considerando las correlaciones genéticas entre zonas.
Marco de Análisis de Potencia: Para evaluar sistemas complejos de ensayos multinacionales donde es difícil derivar óptimos analíticos, el artículo adopta el marco de Stroup (2002). Esto implica el uso de software de modelos mixtos para calcular parámetros de no centralidad para pruebas F basados en tamaños de efecto fijos y componentes de varianza preespecificados, evaluando efectivamente el poder estadístico de diferentes escenarios de diseño sin requerir iteraciones completas de REML.

Contribuciones y Resultados Clave

Diseños Sistemáticos vs. Aleatorizados: El artículo confirma que, aunque los diseños sistemáticos (por ejemplo, el bloque deslizante de Mitscherlich) pueden ofrecer precisión, carecen de un método único y válido para la estimación del error. Las pruebas empíricas sobre datos de uniformidad muestran que los arreglos sistemáticos producen estimaciones inválidas de la varianza del error y tasas de error Tipo 1 en comparación con los diseños aleatorizados. Sin embargo, el artículo señala que la aleatorización restringida (por ejemplo, en diseños de filas-columnas para garantizar el equilibrio de vecinos) puede proporcionar una inferencia aproximadamente válida si el conjunto de aleatorización permanece suficientemente grande, un enfoque pragmático respaldado por evaluaciones de ensayos de uniformidad.
Diseños Aumentados y de Filas-Columnas: El autor extiende el trabajo sobre diseños aumentados (Federer) y diseños de filas-columnas. Se demuestra que los diseños aumentados de filas-columnas pueden generarse eficientemente a partir de "contracciones" (diseños auxiliares), proporcionando un punto de referencia teórico para los factores de eficiencia promedio. Además, las estrategias de aleatorización restringida para garantizar el equilibrio de vecinos y la distribución uniforme de tratamientos en diseños de filas-columnas no resolubles se validan como aproximadamente válidas utilizando el coeficiente de error de tratamiento de Tedin.
Ensayos Multi-Ambiente (MET) y Componentes de Varianza: El artículo refuerza la visión de Fisher de que en los MET, la interacción tratamiento-ambiente es el término de error principal para comparar las medias de los tratamientos. Demuestra que la precisión de las comparaciones de tratamientos depende en gran medida del número de sitios y no del número de réplicas dentro de los sitios, siempre que la varianza de interacción sea significativa. El artículo aclara que modelar los factores ambientales como aleatorios es crucial para recuperar información inter-ambiente y estimar correctamente la varianza de las diferencias de tratamiento, vinculando esto con la heredabilidad en sentido amplio ( $H^2$ ).
Asignación Óptima en TPE Subdivididas: Para TPE estratificadas en zonas, el artículo presenta resultados sobre la asignación óptima de ensayos. Bajo una estructura de varianza de simetría compuesta, la asignación igual entre zonas es óptima. Sin embargo, para otras estructuras, la asignación óptima depende de los parámetros específicos de varianza-covarianza, requiriendo zonas altamente correlacionadas menos ensayos por zona.
Integración de Ensayos Transfronterizos: Aplicando el marco de análisis de potencia de Stroup a los sistemas de ensayos de maíz en Alemania y Polonia, el artículo encuentra que el análisis conjunto que explota las correlaciones genéticas entre países mejora significativamente la precisión. El escenario más eficiente identificado implica probar todas las variedades en todos los países utilizando diseños parcialmente replicados (p-rep), lo que permite el préstamo de información a través de fronteras incluso con una intensidad de prueba reducida por variedad.

Significado y Afirmaciones
El artículo se posiciona como un puente entre los principios fundamentales de Fisher y las aplicaciones agrícolas modernas. Su significado principal radica en:

Reafirmación de la Aleatorización: Argumenta que, si bien la aleatorización a menudo se considera meramente una herramienta para justificar los supuestos del modelo lineal, su papel en garantizar la validez de las estimaciones de error sigue siendo primordial, especialmente en contraste con los diseños sistemáticos.
Evolución Pragmática del Diseño: Aboga por un enfoque pragmático del diseño, donde las restricciones a la aleatorización (para evitar patrones espaciales indeseables) son aceptables siempre que se validen empíricamente (por ejemplo, mediante ensayos de uniformidad) para producir una inferencia aproximadamente válida.
Modernización de los Conceptos MET de Fisher: Conecta las primeras ideas de Fisher sobre la interacción tratamiento-ambiente con conceptos modernos como Poblaciones Objetivo de Ambientes (TPE), correlaciones genéticas y pruebas escasas.
Orientación Metodológica: El artículo sugiere que, en ausencia de un marco completamente desarrollado para la optimización compleja multifactorial (por ejemplo, la integración de ciclos de mejora, pedigrí y covariables ambientales), los investigadores pueden lograr avances significativos utilizando suposiciones informadas basadas en principios fisherianos y evaluándolos mediante marcos de análisis de potencia como el de Stroup.

El autor concluye que, si bien el objetivo final es un diseño óptimo general para los programas de mejora, las limitaciones metodológicas actuales requieren un enfoque paso a paso. El artículo destaca la "prueba escasa" y la integración de información de pedigrí como extensiones prometedoras de las ideas fisherianas, aunque señala que la optimización rigurosa para estos escenarios complejos sigue siendo un área para futuras investigaciones. La obra sirve como recordatorio de que los principios de Fisher, particularmente el tratamiento de los ambientes como factores aleatorios y la importancia de los términos de interacción, siguen siendo centrales para el diseño y análisis de los ensayos modernos de mejora genética vegetal.