A1262717193isyjk

1
Durante su primer embarazo, Michelle tenía la
extraña sensación de que podía predecir el
futuro, por ejemplo, ella podía predecir
correctamente el resultado del lanzamiento de una
moneda por lo menos en 80 de los casos. En busca
de fama y fortuna, ella fue al Centro de
Investigación en Parasicología Aplicada para que
la certifiquen como psíquica. En el centro le
propusieron someterla al siguiente experimento
ella debería predecir el resultado de 20
lanzamientos consecutivos de una moneda. Si ella
predecía correctamente por lo menos 16 (80) ella
sería certificada. Era esto justo para
Michelle?
OBrien, R.G. 1998. A tour of UnifyPow A SAS
module/macro for sample size analysis. Proc 23rd
SAS Users Group Interntl Conf-Cleveland Clinic
Foundation
2
Escépticamente, el Centro asumió que Michelle
era normal (Ho ? 0.5). Bajo la hipótesis nula
sólo había una probabilidad de 0.006 (?) que el
Centro certifique a Michelle siendo normal. Esto
parece razonable desde el punto de vista
escéptico, pero
? 0.5
Pr 0.006
3
Qué tal si Michelle era realmente psíquica
(i.e. Ha ? 0.8)? La probabilidad de que el
Centro la hubiese certificado era de sólo
0.630.
?
? 0.5
NORMAL
Pr 0.006
1-?
?
? 0.8
Pr 0.630
PSÍQUICA
4
Epílogo Al enterarse de esto, Michelle decidió
documentarse en estadística y llegó a la
conclusión que, considerando que el escepticismo
del Centro era comprensible, ella toleraría un ?
conservador (0.005) pero no toleraría una
probabilidad menor a 0.990 (poder de la prueba)
de que la certifiquen siendo ella psíquica. Su
documentación le permitió estimar que para ésto,
el Centro debería usar un experimento
aproximadamente tres veces más grande (69
lanzamientos). Sin embargo, bajo la Ha ?
0.8, ella sólo hubiese necesitado acertar ? 46
veces De 383 ensayos clínicos con resultados
negativos publicados en JAMA, Lancet y New
England Journal of Medicine entre 1975 y 1990,
sólo 16 y 36 tenían suficiente poder de la
prueba para detectar diferencias relativas de 25
y 50, respectivamente (Moher et al. JAMA 1994,
272122)
5

• Moralejas
• Hipótesis nula e Hipótesis alternante
• Diferencia a detectar
• Tamaño de la muestra
• Error ? y Error ?
• Poder de la prueba
• Dirección de la prueba (una o dos colas)

6
Facultad de Medicina Veterinaria Unidad de
PostGrado Doctorado en Ciencia Animal Diseños
Experimentales para la Ciencia Animal Clase
1 Noviembre 2007
7
Contexto Estructura de la Investigación
Problemas de Investigación
Preguntas de Investigación
Operacionalización
Hipótesis de Investigación
Observación Sistemática
Análisis de Datos
Validez?
Conclusiones
Generalización
8
La Escalera de Validez de la Investigación
Validez





Podemos generalizar a otras muestras de la
población?
Externa
Concepción
Podemos generalizar a preguntas e hipótesis?
Interna
Es esta relación causal?
Conclusión
Hay una relación entre la causa y el efecto?
Trochim, W.M.K. 2006. Dept. Policy Analysis
Management. Cornell Univ.
9
Amenazas a la Validez de la Investigación
Amenazas
Conjuros
Validez de la Conclusión
Adecuado poder de la prueba
Concluir que (no) existe una Relación Cuando
realmente (no) la hay
Confiabilidad
Implementación
10
Amenazas
Conjuros
Validez Interna
1 grupo experimental
Maduración
Modificación por la observación
Uso de Grupo Control
Mortalidad
gt 1 grupo experimental
Comparabilidad
Aleatorización
Interacción
11
Amenazas
Conjuros
Validez de la Concepción
Inadecuada Operacionalización
Mapeo de Conceptos
Sesgo en la aplicación de Tratamientos/Observacio
nes
Uso de múltiples versiones de Tratamientos/Observ
aciones
Validez Externa
Modelo Adecuado de Muestreo
Definición del Universo de Inferencia
Generalización Errónea
Réplicas Espaciales/Temporales
12
Diseño Experimental
Amenazas a la Validez
Hipótesis
Diseño de Muestreo
Material Experimental
Diseño Experimental
Diseño de Grupos o Tratamientos
Observaciones o Medidas
Análisis
13
Facultad de Medicina Veterinaria Unidad de
PostGrado Doctorado en Ciencia Animal Diseños
Experimentales para la Ciencia Animal Clase
2 Noviembre 2007
14
Panorama de los Diseños Experimentales Conceptual
ización

• El diseño experimental no es más que una
  optimización de la función
• Observación f (efectos, error aleatorio)
• Mediante técnicas de muestreo y/o distribución
  del material experimental en los diferentes
  tratamientos sustrae componentes del error
  aleatorio y los explica, reduciéndolo
• Ejemplo
• Diseño completamente al azar y tratamientos
  error
• Diseño bloques completos al azar y
  tratamientos bloques error

15
Clasificación Naturaleza

• Estudio de caso
• Descriptivos Serie de casos
• Datos institucionales
• 
  Caso-control
• Observacionales
• Comparativos
  Cohortes
• Experimentales Ensayos aleatorizados

16
Clasificación Señal/Ruido
Amplificadores de la Señal
Diseños Factoriales
Diseños de Bloqueo
Reductores del Ruido
Diseños de Covarianza
17
Clasificación Señal/Ruido
Amplificadores de la Señal
Diseños Factoriales
Diseños de Bloqueo
Reductores del Ruido
Diseños de Covarianza
18
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y A B(A) Diseño
Completamente al Azar (CA)
y A B AB Diseño
Bloques Completos al Azar (BCA)
Diseños con bloqueo
y A B C BC Diseño
Cuadrado Latino (CL) Diseño de Sobrecambio (Cross
Over)
19
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y A B AB C
C(AB) Diseño Completamente al Azar (CA)
y
A B AB C ABC Diseño Bloques Completos al Azar
(BCA)
Ensayos Factoriales, Aleatorización simultánea
y A B AB C D
CD Diseño Cuadrado Latino (CL)
20
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y A C(A) B AB
CB(A) Diseño Completamente al Azar (CA)
Ensayos Factoriales, Aleatorización secuencial
(Parcelas divididas)
y
A C AC B AB CB(A) Diseño Bloques Completos
al Azar (BCA)
y A C D CD B AB CB(A) Diseño Cuadrado
Latino (CL)
21
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y A B AB C
C(AB) Diseño Completamente al Azar (CA)
Ensayos Factoriales, Aleatorización simultánea
con el factor B tiempo o lugar (Ensayos
repetidos en tiempo o espacio)

y
A B AB C ABC Diseño Bloques Completos al Azar
(BCA)
y A B AB C D
CD Diseño Cuadrado Latino (CL)
22
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y A C(A) B AB
CB(A) Diseño Completamente al Azar (CA)
Ensayos Factoriales, Aleatorización secuencial.
El factor B son mediciones repetidas (Ensayos
longitudinales)
y
A C AC B AB CB(A) Diseño Bloques Completos
al Azar (BCA)
y A C D CD B AB CB(A) Diseño Cuadrado
Latino (CL)
23
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y A x B(A) Diseño
Completamente al Azar (CA)
y A x B
AB Diseño Bloques Completos al Azar (BCA)
Diseños con covarianza
y A x B C BC Diseño
Cuadrado Latino (CL)
24
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y x Regresión Lineal
Simple
y x1 x2 Regresión
Lineal Múltiple
Diseños de Regresión
y x xx Regresión
Polinomial
y1 y2 x Regresión
Multivariada
25
Clasificación Factorial
A,B, Factores de clasificación, efectos
fijos A,B, Factores de clasificación, efectos
aleatorios o variables categóricas y, x,.
Variables continuas AB, AB,. Interacción (A
por B) A(B),... Anidamiento (A dentro de B)
y x A Regresión Con
Factores Categóricos
Diseños de Regresión
A x A
B Regresión Logística
26
Generalización Análitica Modelos Generales
Lineales Actualmente, y desde el punto de vista
del análisis, los diseños (clasificatorios y de
regresión) donde la variable de respuesta es
continua y normalmente distribuida se agrupan
bajo el modelo general y X? ? donde X es una
matriz de diseño, con forma particular para el
caso de que la variable explicatoria sea continua
o categórica. Modelos Lineales Generalizados Más
recientemente, los MGLs han sido generalizados
mediante la manipulación de la familia
exponencial de variables a un modelo común E(y)
g-1(X?) donde g es la llamada función de enlace y
depende de la distribución de la variable de
respuesta. P. ej. si esta es normal, g es la
identidad, si es binomial, g es el logit log
(?/1-?)
27
Facultad de Medicina Veterinaria Unidad de
PostGrado Doctorado en Ciencia Animal Diseños
Experimentales para la Ciencia Animal Clase
3 Noviembre 2007
28
De la Hipótesis al Diseño Tipos de hipótesis
DESCRIPTIVA Propone un
determinado conjunto de niveles para variables o
atributos de una característica
RELACIONAL Propone una
asociación (y su naturaleza) entre una o más
variables o atributos.
CAUSAL Propone que una o
más variables o atributos causan o afectan uno o
más resultados
29
Relación Hípótesis-Diseño
HIPÓTESIS DESCRIPTIVA

Definición del Universo de Inferencia
Diseño de Muestreo
Modelo de Muestreo
Tamaño de Muestra
Análisis de los Datos
30
Relación Hípótesis-Diseño
HIPÓTESIS RELACIONAL
Definición del Universo de Inferencia
Definición de la Naturaleza y Alcance de la
Relación
Diseño de Muestreo
Modelo de Muestreo
Tamaño de Muestra
Análisis de los Datos
31
Relación Hípótesis-Diseño
HIPÓTESIS CAUSAL
Definición del Universo de Inferencia
Estructura de Tratamientos
Sin Estructura
Control vs Tratamientos
Niveles Crecientes
Factorial
(Comparativo)
(Efecto)
(Nivel Óptimo)
(Combinación Óptima)
MaterialExperimental
Arreglo Experimental
Tamaño de Grupo
Diseño
Análisis de los Datos
32
Facultad de Medicina Veterinaria Unidad de
PostGrado Doctorado en Ciencia Animal Diseños
Experimentales para la Ciencia Animal Clase
4 Noviembre 2007
33
V. El diseño en función de la hipótesis
Hipótesis Descriptivas 1. Definición del
Universo de Inferencia Ejemplo El
peso al nacimiento de las crías de alpaca nacidas
en la provincia de Canchis en la campaña de
parición de 2008
?
Población Lugar Tiempo
S
Definir
34
2. Naturaleza de la variable Por los valores
Nominales
Ordinales
Métodos estadísticos apropiados
Métodos estadísticos inapropiados
Categóricas
Intervalo
Discretas
Continuas
35
2. Naturaleza de la variable Por la frecuencia
de los valores con respecto a la media
Uniformes
Frecuencia de los valores
Insesgadas o normales
Sesgadas

Intervalo
36
3. Diseños de muestreo 3.1. Modelos
MUESTREO SIMPLE AL AZAR
37
MUESTREO ESTRATIFICADO
38
Fuentes GL SC CM
Entre estratos 2 2073 1036.5
Dentro de estratos 27 6491 240.4
Total 29 8564 295.3
39
(No Transcript)
40
MUESTREO POR ETAPAS
41
Los criterios para la optimización del número de
muestras y de submuestras son los mismos que para
el muestreo estratificado
42
DOBLE MUESTREO
Variable objetivo
Variable concomitante
43
Ejemplos
PESO VIVO
BIOMASA

ALTURA
DIÁMETRO
44

• Es más un método que un diseño de muestreo
• Condiciones Favorables
• Gran número de evaluaciones indirectas
• Regresión con mínima
• Obtención de medidas directas e indirectas bajo
  las mismas condiciones experimentales.

45
MUESTREO SISTEMÁTICO
Obtención de y semejante al muestreo
simple al azar. No hay problemas con , pero la
calidad de como estimador es
discutible Considerar como último recurso cuando
la población es grande, uniforme y de tamaño
indefinido y cuando no existe un patrón cíclico.
46
MUESTREO DISCRIMINADO
Autoritativo Conveniencia (accesibilidad,
voluntarios)