QU ESPERARA USTED DE UN CURSO DE DISEO EXPERIMENTAL?

Aprender a disear adecuadamente un experimento

Aprender las diferentes formas de diseos que un experimento puede tomar

Cmo generar una hiptesis de estudio adecuada? Qu tipos de datos debo tomar y cuantos datos son un nmero apropiado para obtener representatividad en un experimento?

 Cmo hacer un pre-muestreo y qu hacer con la informacin que ste me proporcione? Qu es importante en un muestreo? Qu hacer preliminarmente con los datos obtenidos de un experimento? Qu cosas hay que controlar en una investigacin? Cmo hago para aleatorizar y cumplir otras suposiciones de un experimento?

Sesgo Estadstico
Actitud de bilogos

Estadstica sencilla bien diseado

Estadstica compleja dudoso

Creencias populares: Mark Twain There are three kinds of lies: lies, dammed lies, and statistics (hay tres clases de mentiras: las mentiras comunes, las condenadas mentiras, y la estadstica)
Statistics can prove anything (con la estadstica se puebe probar cualquier cosa)

It is easy to lie with statistics. It is hard to tell the truth without it Andrejs Dunkels Statistics are like bikinis. What they reveal is suggestive, but what they conceal is vital Aaron Levenstein

Qu Piensan?

Con esto se puede decir que:

los cientficos de la biologa han sido muy lentos para adoptar procedimientos estadsticos apropiados y sensibles para analizar e interpretar sus datos experimentales
Lo que se ha visto reflejado en: 1. Publicaciones (50% erradas) 2. Incapacidad de la mayora para escoger una prueba estadstica adecuada

3. Una vez obtenidos los resultados, incapacidad para hacer una correcta interpretacin

Diseo Experimental Problemas estadsticos problemas de diseo (problemas conceptuales)

Esto por lo general desemboca en datos que no pueden ser tratados estadsticamente
Complejidad del experimento mayor dificultad y mayor error Menor control sobre variables externas Disminucin del efecto equiparando influencias potenciales sobre todo el experimento
ALEATORIZACION

Que es Diseo Experimental?

Cuando hacemos un experimento: Manipulamos una o ms variables que actan en un proceso (factores) Observamos lo que pasa (por esa manipulacin) en una o ms variables de respuesta Hacemos inferencias y tomamos decisiones

Un Diseo Experimental (DE) es: Un procedimiento eficiente para planear experimentos de tal forma que: los datos obtenidos puedan ser analizados objetivamente y se puedan sacar conclusiones vlidas, claras y precisas (objetivas) Tambin puede definirse como la disposicin de un plan experimental detallado con antelacin a la realizacin del experimento

Una secuencia lgica de un DE puede ser: 1. Determinacin de objetivos del experimento

2. Seleccin de los procesos/factores de estudio Si lo anterior fue bien escogido: El DE maximiza la cantidad de informacin obtenida por una cantidad dada de esfuerzo experimental

Teora Estadstica Subyacente al DE

concepto de modelacin de procesos

Modelo inicial (comnmente): proceso de tipo caja negra Varios factores de entrada (controlados) Discretos o Continuos

Una o ms mediciones de respuestas de salida: observaciones El DE se usa para derivar un modelo emprico (aproximacin) que une las entradas y salidas

Con frecuencia el experimento es afectado por una cantidad de factores no-controlados (ruido) Estos pueden ser: Discretos (e.g. diferentes equipos o investigadores), y/o Continuos (e.g. temperatura ambiental o humedad)

Entradas no-controladas (Co-Factores)

Diferentes Diferentes Instrumentos Investigadores

... Entradas controladas (Factores)

DISCRETO
1 2 3 1 2

. . .

PROCESOS

. . .
r

k CONTINUO

Temperatura

Humedad

...

Esquema del modelo de un proceso de Caja Negra

Salidas (Respuestas)

Modelos para los Diseos Experimentales Los modelos empricos ms comunes ajustados a datos experimentales son:

1. Lineal, y
2. Cuadrtico Ejemplo de modelo lineal con dos factores:
= 0 + 1 1 +2 2 + 12 1 2 + error experimental

 = 0 + 1 1 +2 2 + 12 1 2 + error experimental

Y: respuesta para niveles dados de los efectos

0: respuesta de Y (ambos efectos son 0)

Los modelos cuadrticos (o de segundo orden) son ms complejos Usados cuando hay respuestas curvilneas: casi TODAS las situaciones biolgicas Sin embargo tendencia a linealizar Razn: Dificultad Ruido