DEyAE presentación

Vista previa del material en texto

Grados en Biología, 
Biotecnología y 
Ciencias 
Ambientales 
 
Facultad de Biología 
Competencias 
transversales 
encaminadas a la 
mejora del Trabajo 
Fin de Grado 
Diseño experimental 
y análisis estadístico 
Profesor: José Francisco Calvo Sendín | jfcalvo@um.es | webs.um.es/jfcalvo 
 
1. El método científico 
2. Fundamentos de probabilidad 
3. Contraste estadístico de hipótesis 
4. Fundamentos del diseño experimental 
5. Análisis estadístico: enfoques metodológicos 
6. Análisis estadístico: estadísticos descriptivos 
7. Análisis estadístico: métodos y modelos 
Diseño experimental y análisis estadístico – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
1. El método científico 
• Ciencia 
 La ciencia trata de explicar racionalmente la naturaleza obteniendo 
explicaciones sobre el funcionamiento de un sistema, o siendo capaz de 
predecir los resultados del sistema (Kéry y Schaub 2012). 
 Science is a process for learning about nature in which competing ideas 
about how the world works are measured against observations (Richard 
Feynman, citado en Hilborn y Mangel 1997). 
• Hipótesis: 
 Son las ideas o descripciones sobre cómo funciona el mundo. 
 Dado que nuestras descripciones del mundo son casi siempre incompletas y 
nuestras medidas incorporan incertidumbre e imprecisión, necesitamos 
métodos que nos permitan evaluar el grado de concordancia entre las ideas 
confrontadas y las observaciones: la estadística (Hilborn y Mangel 1997). 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
1. El método científico 
• Hipótesis y teorías 
Una hipótesis científica se refiera a un mecanismo o relación causa-efecto 
particular. Una teoría científica es mucho más general y sintética (Gotelli y 
Ellison 2004) e implica un nivel de evidencia y soporte considerablemente 
mayor (Hilborn y Mangel 1997). 
• Método científico 
Es la técnica que se utiliza para decidir entre las hipótesis en base a las 
observaciones (Gotelli y Ellison 2004). 
• Azar, variación, impredecibilidad, incertidumbre 
Cualquier sistema que encontramos en la naturaleza (y cualquier faceta de la 
vida) es estocástico; es decir, sistemas que no son completamente predecibles 
porque incluyen procesos aleatorios que añaden un mayor o menor grado de 
variabilidad y, en consecuencia, de incertidumbre en sus resultados. 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
1. El método científico 
• Modelos 
Para interpretar formalmente cualquier observación necesitamos un modelo. 
Los modelos son herramientas para evaluar las hipótesis (Hilborn y Mangel 
1997). Un modelo es una definición abstracta de cómo creemos que nuestras 
observaciones son el resultado de cantidades observables (datos) e 
inobservables (parámetros). 
Los resultados de un sistema estocástico (la respuesta) pueden expresarse, en 
forma de modelo estadístico: 
𝐫𝐞𝐬𝐩𝐮𝐞𝐬𝐭𝐚 = 𝐩𝐚𝐫𝐭𝐞 𝐬𝐢𝐬𝐭𝐞𝐦á𝐭𝐢𝐜𝐚 + 𝐩𝐚𝐫𝐭𝐞 𝐞𝐬𝐭𝐨𝐜á𝐬𝐭𝐢𝐜𝐚 
 
 
Pero un modelo es una abstracción y, por tanto, siempre es incorrecto (Kéry 
2010). 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
“señal”, información estructural “ruido”, entropía 
• El papel de los modelos en ciencia: Dichos sobre los modelos científicos 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Fuente: Kéry y Schaub (2012) 
Modelling is as much art as it is science (McCullagh y Nelder) 
All models are wrong, but some are useful (Box) 
There has never been a straight line nor a Normal distribution in history, and yet, 
using assumptions of linearity and normality allows, to a good approximation, to 
understand and predict a huge number of observations (Youden) 
Everything should be made as simple as possible, but not simpler (Einstein) 
Nothing is gained if you replace a world that you don’t understand with a model 
that you don’t understand (Maynard Smith) 
It is difficult to imagine another method that so effectively fosters clear thinking 
about a system than the use of a model written in the language of algebra (Kéry) 
Diseño experimental y análisis estadístico 
 
1. El método científico 
• Contraste de hipótesis 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Fuente: Wiens (1989) 
Método hipotético-deductivo 
Diseño experimental y análisis estadístico 
 
1. El método científico 
Karl Popper (1902-1994) 
Fuente: Wikimedia Commons 
• Cuatro visiones filosóficas de la ciencia 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Filósofo Palabras clave Tipo de confrontación 
Popper Falsación de hipótesis 
Una única hipótesis es refutada por confrontación con los 
datos. 
Kuhn 
Paradigmas, ciencia normal, 
revolución científica 
Una única hipótesis es utilizada hasta que exista mucha 
información de que ha sido “derrocada” por una hipótesis 
“mejor”. 
Polanyi República de la ciencia 
Se permiten múltiples visiones del mundo de acuerdo a 
diferentes opiniones de los científicos. La confrontación 
de estas visiones y los datos son juzgadas en función de 
su (i) verosimilitud, (ii) valor, (iii) interés. 
Lakatos 
Programa de investigación 
científica 
Confrontación de múltiples hipótesis con los datos como 
juez. 
Fuente: Hilborn y Mangel (1997) 
Diseño experimental y análisis estadístico 
 
1. El método científico 
• Probabilidad y estadística 
 Son ciencias que tratan sobre la incertidumbre. 
 Estudian las características de: 
• Sistemas estocásticos (descritos por los parámetros de un modelo). 
• Los efectos o resultados de dichos sistemas (los datos observados). 
 La teoría probabilística especifica los parámetros y el modelo. 
 La estadística intenta inferir (deducir) las propiedades del sistema, dado el 
modelo. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
1. El método científico 
La inferencia estadística tiene como 
objetivo la estimación de las 
propiedades o características de una 
población a partir del análisis de una 
muestra de dicha población 
“You can, for example, never foretell what 
any one man will do, but you can say with 
precision what an average number will be 
up to. Individuals vary, but the percentages 
remain constant. So says the statistician.” 
 
Sherlock Holmes. The Sign of Four. 
• Probabilidad: 
Es la frecuencia esperada con la que ocurre un evento 
• Midiendo la probabilidad 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Si no hubiese 
incertidumbre en el 
resultado no haría falta 
ni la probabilidad ni la 
estadística 
Diseño experimental y análisis estadístico 
 
2. Fundamentos de probabilidad 
𝑃 =
número de resultados
número de ensayos
 
𝑃 =
número de hembras nacidas
número de individuos nacidos
 
0,0 ≤ 𝑃 ≤ 1,0 
Ley de Hardy-
Weinberg 
𝑃 𝐴𝐴 = 𝑝2 
𝑃 𝐴𝑎 = 2𝑝𝑞 = 𝑃 ℎ𝑒𝑚𝑏𝑟𝑎 𝐴 𝑦 𝑚𝑎𝑐ℎ𝑜 𝑎 𝑜 𝑃 ℎ𝑒𝑚𝑏𝑟𝑎 𝑎 𝑦 𝑚𝑎𝑐ℎ𝑜 𝐴 
𝑃 𝑎𝑎 = 𝑞2 
• Probabilidad condicional 
Es la probabilidad de que ocurra un evento A, sabiendo que también sucede 
otro evento B (probabilidad de A dado B): 
 
 
 
 
• Teorema de Bayes: 
 
 
 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
2. Fundamentos de probabilidad 
𝐴 
𝐵 
𝐴 ∩ 𝐵 
𝑆 
Conjunto de todos 
los resultados 
posibles 
𝑃 𝐴 𝐵 = 
𝑃 𝐵 𝐴 𝑃(𝐴)
𝑃(𝐵)
 
área de B / área de S 
𝑃 𝐴 𝐵 = 
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵)
 
Probabilidad 
conjunta de A y B 
prior (distribución 
o probabilidad 
previa) 
posterior(distribución o 
probabilidad 
posterior) 
D
en
si
d
ad
 
z 
• Variables aleatorias y distribuciones de probabilidad 
La distribución de probabilidad de una variable aleatoria es una función que 
asigna a cada suceso la probabilidad de que ocurra. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
2. Fundamentos de probabilidad 
95% 
𝑁(0,1) 
Distribución normal 
(media = 0, desviación 
estándar = 1) 
-1,96 1,96 
Prueba un web app 
en 
showmeshiny.com 
• Variables aleatorias y distribuciones de probabilidad 
Ejemplos: 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
2. Fundamentos de probabilidad 
Distribución Media Varianza Comentarios 
Bernoulli 𝑝 𝑝(1 − 𝑝) Un único experimento con dos posibles resultados 
Binomial 𝑛𝑝 𝑛𝑝(1 − 𝑝) Secuencia de n ensayos de Bernoulli 
Poisson 𝜆 𝜆 Eventos raros independientes 
Uniforme 
(𝑏 − 𝑎)
2
 
(𝑏 − 𝑎)2
12
 Resultados equiprobables sobre el intervalo [a, b] 
Normal 𝜇 𝜎2 Genera curvas simétricas para datos continuos 
Log-normal 𝑒
𝜇+𝜎2
2 𝑒
𝜇+𝜎2
2 × 𝑒𝜎
2
 Para datos con asimetría positiva (right-skewed) 
Exponencial 1 𝛽 1 𝛽2 Distribución continua análoga a la de Poisson 
D
is
cr
et
as
 
C
o
n
ti
n
u
as
 
Fuente: Gotelli y Ellison (2004) 
• La probabilidad proporciona las bases para la inferencia 
La inferencia estadística tiene como objetivo la estimación de las propiedades 
o características de un sistema (por ejemplo, una población) a partir del 
análisis de una muestra. 
Por inferencia podemos entender lo siguiente (Royle y Dorazio 2008): 
 
 Confrontar modelos con datos para estimar parámetros (ajustar un 
modelo). 
 Contrastar hipótesis, seleccionar modelos o evaluar modelos. 
 Realizar predicciones. 
 Proporcionar asesoramiento para muestrear procesos subyacentes de 
manera eficiente. 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
2. Fundamentos de probabilidad 
• Significación estadística y valores de P 
El contraste de hipótesis se realiza mediante pruebas o test estadísticos. Cada 
test produce un resultado numérico (un estadístico) y un valor de probabilidad 
asociado (P). 
• La hipótesis nula estadística (H0) 
Establece un modelo simple que considera que las variaciones observadas en 
los datos son debidas al azar y no al efecto del factor o factores estudiados. 
• La hipótesis alternativa (H1) 
En general, como hipótesis alternativas (una o varias), se definen las que sí 
consideran la existencia de efectos debidos al factor o factores estudiados. 
• Habitualmente se utiliza el criterio P < 0,05 para rechazar H0 
• Pero el rechazo de H0 NO implica aceptar H1 (solo sugiere que H1 puede ser 
cierta). 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
• El valor de probabilidad (P, p, P-value, p-value) 
Expresa la probabilidad de obtener los datos observados (y otros más 
extremos pero no observados) dado un modelo específico (definido por un 
parámetro o conjunto de parámetros θ): 
 
 
Habitualmente el modelo considerado es la hipótesis nula (H0), y por tanto, el 
valor de P es la probabilidad de obtener unos datos (generalmente expresados 
como el resultado de un test estadístico) al menos tan extremos como los 
observados: 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
También es frecuente 
utilizar otras notaciones: 
 
P (datos|H0) 
Pr (datos|H0) 
Pr {datos|H0} 
P (datos|H0) 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
P ( y ≥ yobs|θ ) 
P no es la 
probabilidad de que 
H0 “sea cierta” 
• Verosimilitud (likelihood) 
De manera similar a un valor de P, la verosimilitud (ℒ) cuantifica la 
probabilidad de los datos dado un modelo. Pero ℒ solo usa los datos 
observados, no los más extremos e inobservados. : 
 
 
 
 
La interpretación de ℒ es opuesta (como una versión inversa) a la de P: aquél 
valor 𝜃 que proporcione el máximo de la función de verosimilitud para los 
datos observados es considerado la mejor estima de θ (estimación de máxima 
verosimilitud, maximum likelihood estimate, MLE). 
La verosimilitud de los datos es directamente proporcional a la probabilidad de 
obtener los datos observados dado el parámetro o parámetros estimados. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
ℒ(θ | yobs ) ∝ P ( yobs | θ ) 
“es proporcional a” θ puede ser un escalar o un vector 
• Verosimilitud (likelihood) 
Las verosimilitudes son números muy pequeños, menores que 1, por lo que 
suele utilizarse más frecuentemente el logaritmo (natural) de la verosimilitud: 
 
 
 
Un buen modelo es el que tiene una alta verosimilitud. Por tanto, cuanto 
mayor es logℒ, mejor es el ajuste del modelo a los datos. 
Un valor de ℒ es, en sí mismo, irrelevante. Pero tiene utilidad comparativa. La 
razón de verosimilitudes (likelihood ratio) permite comparar cuánto más 
verosímil es un parámetro frente a otro: 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
También denotado 
como logLik, LL, L 
ℒ(θ 2 | yobs ) / ℒ(θ 1| yobs ) 
logℒ 
• Verosimilitud, desvianza y criterio de información de Akaike (AIC) 
La desvianza (deviance) se calcula como: 
 
siendo ℒs la verosimilitud del modelo saturado: aquél que tiene tantos 
parámetros como datos y, por tanto, tiene un “ajuste” perfecto. 
El criterio de información de Akaike (Akaike’s information criterion) se calcula 
como: 
 
siendo K el número de parámetros del modelo. 
Al igual que la verosimilitud y la desvianza, el AIC proporciona una medida de 
la calidad relativa de un modelo, para un conjunto dado de datos. Cuanto 
menor sea el valor de AIC de un modelo, mejor es el ajuste. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
−2 (logℒ − logℒs) 
−2 (logℒ − logℒs) + 2K 
• Errores en el contraste de hipótesis 
 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
Decisión: 
Realidad: No rechazar H0 Rechazar H0 
H0 cierta 
Decisión correcta 
(probabilidad = 1 – α) 
Error Tipo I 
(probabilidad = α) 
“falso positivo” 
H0 falsa 
Error Tipo II 
(probabilidad = β ) 
“falso negativo” 
Decisión correcta 
(probabilidad = 1 – β ) 
Nivel de 
significación; 
habitualmente 
α = 0,05 
Poder o potencia 
estadística: 1 – β 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
• Errores en el contraste de hipótesis 
 
 
• Potencia estadística 
La potencia estadística es la probabilidad de rechazar una H0 falsa (la 
probabilidad de observar un efecto cuando realmente ocurre). Depende de 
cuatro factores: 
1. El nivel de significación (α ). 
2. El tamaño del efecto. Es la magnitud mínima de la diferencia o 
asociación que se considera relevante. Es una medida del “grado de 
diferencia” o del “grado de relación” que queremos detectar. Es una 
medida estandarizada, de cálculo complejo. 
3. El tamaño de la muestra (n ). A mayor tamaño de muestra mayor 
potencia alaumentar la precisión. 
4. La variabilidad de la respuesta (σ ). A menor variabilidad mayor 
potencia. Influye en la estimación del tamaño del efecto y es mayor 
cuando el tamaño de la muestra es pequeño. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
• Potencia estadística 
La potencia 1 β aumenta si seleccionamos un nivel de significación α mayor: 
 
Pero elegir un α mayor 
implica un mayor 
riesgo de cometer 
error Tipo I. 
 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
• Potencia estadística 
 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
Mayor nivel de 
significación α 
Mayor tamaño 
del efecto 
Mayor 
tamaño de 
la muestra 
(precisión) 
Prueba un web app 
en 
showmeshiny.com 
α 
• El debate sobre la utilidad de P 
La cultura científica basada en el uso de P ha dominado durante la mayor parte 
del siglo XX (y aún domina en el siglo XXI). No obstante, se tiende a abandonar 
su utilización y cada vez con mayor frecuencia se emplean como alternativa 
procedimientos de selección de modelos e inferencia multimodelo, nuevo 
paradigma para el análisis estadístico. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
3. Contraste de hipótesis estadísticas 
En síntesis, un procedimiento de selección de modelos 
evalúa un conjunto de modelos “candidatos” (generalmente 
mediante el AIC) y realiza la estimación de parámetros en 
función de las estimaciones ponderadas de dicho parámetro 
en los diferentes modelos. 
Se busca la “mejor” explicación posible para los datos 
observados (best approximating model) y, bajo esta 
perspectiva, el uso de P no tiene sentido. 
Portada del libro de 
Burnham y Anderson (2002) 
• Diseño experimental: 
Término que describe la estructura lógica de un experimento. 
• Experimento: 
Es una operación o procedimiento para testar una hipótesis. 
• Unidad experimental: 
División más pequeña de material experimental que recibe un tratamiento. 
• Tratamientos y controles: 
Tratamiento es un término general para cualquier conjunto de comparaciones. 
Entre los tipos tratamientos de un experimento debe figurar uno de control, 
que sirva de comparación para el análisis de los efectos (generalmente un no-
tratamiento). En determinadas ocasiones (por ejemplo cuando se pretende 
determinar entre dos o mas tratamientos cuál es el mejor), cada tratamiento 
actuaría como control del resto. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
[Krebs, 1999] 
• Experimentos “manipulativos” y “experimentos” mensurativos 
En sentido estricto, un experimento es un procedimiento de investigación en el 
que todos los factores ambientales están bajo control. Como consecuencia es 
imprescindible manipular las condiciones en las que se realiza el estudio: 
hablamos de experimentos “manipulativos” o estudios experimentales. 
No obstante, muchas investigaciones utilizan procedimientos de obtención de 
la información “no manipulativos” que reciben la denominación de muestreos. 
El muestreo es un procedimiento de observación y medida exclusivamente: 
hablamos de estudios observacionales, “experimentos” mensurativos, o 
“experimentos naturales”. 
Generalmente el tratamiento estadístico en ambos casos es idéntico, pero la 
diferencia radica en la confianza y generalidad que podemos atribuir a las 
conclusiones derivadas del estudio. En cualquier caso, los principios generales 
del diseño experimental deben ser igualmente aplicados. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
• Elementos clave en el diseño experimental 
1. Replicación y pseudorreplicación 
Replicar consiste en disponer al menos de dos unidades experimentales por 
cada tipo de tratamiento. La incorrecta consideración de lo que constituye 
una unidad experimental se conoce como pseudorreplicación. 
2. Aleatorización y espaciamiento 
Otro aspecto fundamental es la distribución de las réplicas en el espacio: un 
esquema de disposición espacial aceptable debe considerar la adecuada 
separación o espaciamiento (interspersion) de aquellas unidades 
experimentales con el mismo tratamiento. Lo ideal es una distribución 
aleatoria. 
3. Control del diseño 
Por control del diseño nos referimos a la consideración de otros elementos 
que tiene por objeto reducir el error experimental. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
• Elementos clave en el diseño experimental 
1. Replicación y pseudorreplicación 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
Fuente: Krebs (1999) 
• Elementos clave en el diseño experimental: 
2. Aleatorización y espaciamiento 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
Fuente: Krebs (1999) 
• Elementos clave en el diseño experimental 
3. Control del diseño 
Para reducir el error experimental (es decir, para que las conclusiones de las 
comparaciones estadísticas sean más precisas), hay que considerar: 
a) usar unidades experimentales más homogéneas; 
b) usar información de variables adicionales medidas en cada unidad 
experimental (análisis de la covarianza); 
c) usar más réplicas; 
d) usar un diseño experimental más eficiente: diseños equilibrados o 
“balanceados” (balancing) y uso de bloques (blocking). 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
• Factores (efectos) fijos y factores (efectos) aleatorios 
Una variable la consideramos factor fijo cuando sus niveles o valores son 
considerados de interés específico en la investigación y son seleccionados o 
“deliberadamente”. 
Una variable la consideramos como factor aleatorio cuando sus niveles o 
valores se seleccionan aleatoriamente entre todos los posibles. [No confundir 
con el concepto de variable aleatoria.] 
Los efectos fijos son los que analizamos normalmente sobre observaciones 
estadísticamente independientes. Los efectos aleatorios surgen cuando 
tenemos más de una observación en cada unidad experimental (Venables y 
Ripley 2002). 
Según los factores considerados, tenemos diseños (y modelos estadísticos) 
fijos, aleatorios o mixtos (si incluyen ambos tipos de efectos). 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
• Tipos (en función de la naturaleza de las variables) (Gotelli y Ellison 2004) 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
4. Fundamentos del diseño experimental 
• Tipos de diseño experimental (Krebs 1999) 
1. Modelos lineales aditivos 
2. Diseños factoriales 
3. Diseños de bloques aleatorios 
4. Diseños split-plot 
 
5. Diseños anidados6. Diseños de cuadrado latino 
7. Diseños de medidas repetidas 
8. Estudios de impacto ambiental 
Variable independiente 
Variable dependiente Continua Categórica 
Continua Regresión ANOVA 
Categórica Regresión logística Tabular 
• Análisis paramétrico 
• Análisis Bayesiano 
• Análisis de Monte Carlo 
• Análisis no paramétrico 
• Selección de modelos e inferencia multimodelo 
 
 
 
• Análisis paramétrico (clásico, convencional o frecuentista) 
Asume que los datos se ajustan a un determinado tipo de distribución 
conocida. Estima los parámetros de dicha distribución a partir de los datos. 
Aquí la probabilidad se define como la frecuencia relativa de una característica 
de los datos. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
5. Análisis estadístico: enfoques metodológicos 
Ronald Fischer (1890-1962) 
Fuente: Wikimedia Commons 
Thomas Bayes (1702-1761) 
Fuente: Wikimedia Commons 
• Análisis Bayesiano 
El análisis Bayesiano es mucho más antiguo (s. XVIII) que el frecuentista, pero 
es más complejo y su uso no se ha generalizado hasta el desarrollo de software 
accesible para la mayoría de usuarios (WinBUGS). 
La estadística Bayesiana también asume que los datos se ajustan a una 
distribución, pero los parámetros se estiman no solo a partir de los datos, sino 
también de información o conocimiento previo, y asigna probabilidades a esos 
parámetros. Por tanto, la probabilidad se usa para expresar la incertidumbre 
sobre un parámetro (en estadística clásica es sobre los datos). 
La receta para un análisis Bayesiano es (Lindley 1983): 
 ¿Qué es lo que no sabes y te interesa? Llámalo θ. 
 ¿Qué sabes? Llámalo D. 
 Ahora calcula P (θ |D). 
 ¿Cómo? Usando las reglas de probabilidad. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
5. Análisis estadístico: enfoques metodológicos 
• Análisis de Monte Carlo (tests de aleatorización) 
No asume ningún tipo de distribución paramétrica de los datos (por ejemplo, 
normalidad). Utiliza la aleatorización de los datos observados (permutaciones 
aleatorias). 
• Análisis no paramétrico 
Se fundamentan en el análisis de los datos transformados en sus rangos 
(número de orden), pero son un caso especial de análisis de Monte Carlo. 
Actualmente su uso no se recomienda (Gotelli y Ellison 2004) porque: 
a) con la transformación se pierde mucha información, 
b) las técnicas paramétricas son a menudo “robustas” frente las 
violaciones de las asunciones (gracias al Teorema del Límite Central), y 
c) solo hay métodos disponibles para análisis simples. 
• Selección de modelos e inferencia multimodelo: punto 7 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
5. Análisis estadístico: enfoques metodológicos 
• Exactitud y precisión 
Son dos aspectos fundamentales en el proceso de obtención de datos. La 
ausencia de exactitud se denomina sesgo (bias). La precisión se refiere a la 
dispersión de los datos y se relaciona con la repetibilidad y la reproducibilidad. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
6. Análisis estadístico: conoce tus datos 
Fuente: Wikimedia Commons 
• Representa tus datos 
> sewage 
> attach(sewage) 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
6. Análisis estadístico: conoce tus datos 
Variable de respuesta 
(dependiente) 
Tratamiento 
(variable 
categórica 
independiente) 
Covariable 
Tamaño 
de la 
muestra 
(8 + 8) 
• Representa tus datos gráficamente 
> hist(coliform) 
> plot(day, coliform, col=factor(method)) 
 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
6. Análisis estadístico: conoce tus datos 
• Box plot (box-and-whisker plot, diagrama de caja) 
> boxplot(coliform ~ method) 
 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
6. Análisis estadístico: conoce tus datos 
Fuente: Wikimedia Commons 
• Barras de error 
 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
6. Análisis estadístico: conoce tus datos 
Barra de error Tipo Descripción Fórmula 
Rango Descriptivo 
Amplitud entre los extremos de los 
datos 
El mayor valor menos el menor 
Desviación 
estándar (SD) 
Descriptivo 
Diferencia media entre los datos y 
su media SD =
 (𝑥𝑖−𝑥 
2
𝑛 − 1
 
Error estándar Inferencial 
Medida de la variabilidad de la 
media, si el estudio se repite 
muchas veces 
SE = SD 𝑛 
Intervalo de 
confianza (CI) 
Inferencial 
Intervalo de valores entre los 
cuales se estima que estará la media 
verdadera con una determinada 
probabilidad de acierto 
𝑥 ± 𝑡𝜐,1−𝛼 2 × SE 
Fuente: Cumming et al. (2007) 
• Requisitos de normalidad y homocedasticidad. Transformaciones 
 La aplicación de los test paramétricos presenta una serie de requisitos que 
deben cumplir los datos: independencia, normalidad (ajuste a una 
distribución normal) y homogeneidad de varianzas (homocedasticidad). 
 La independencia se consigue con un diseño experimental (o de muestreo) 
adecuado. Si tenemos datos no independientes hay que utilizar las técnicas 
adecuadas para analizarlos (modelos mixtos). 
 La normalidad y la homocedasticidad (en el caso de variables continuas) se 
pueden conseguir a través de transformaciones (por ejemplo aplicando 
logaritmos). 
 No obstante, los tests paramétricos suelen ser “robustos” frente a las 
violaciones de estos requisitos. 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
6. Análisis estadístico: conoce tus datos 
• Guion de ejercicios prácticos 
 ANOVA, regresión lineal y ANCOVA 
 ANOVA de dos factores 
 Modelos lineales generalizados 
 Más sobre regresión 
 Modelos mixtos 
 Modelos anidados 
 Análisis split-plot 
 Análisis de datos pareados 
 Tablas de contingencia, chi-cuadrado y análisis log-lineal 
 Tablas de contingencia con más de un factor 
 Selección de modelos e inferencia multimodelo 
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología 
Diseño experimental y análisis estadístico 
 
7. Análisis estadístico: métodos y modelos 
Bibliografía recomendada 
• Gotelli NJ, Ellison AM. 2004. A Primer of Ecological Statistics. Sinauer, 
Sunderland, MA. 
• Krebs CJ. 1999. Ecological Methodology. 2ª ed. Benjamin/Cummings, 
Menlo Park, CA. 
• Venables WN, Ripley BD. 2002. Modern Applied Statistics with S. 4ª ed. 
Springer, New York. 
Otras referencias citadas 
• Burnham KP, Anderson DR. 2002. Model Selection and Multimodel Inference. 2ª ed. Springer, New York. 
• Cumming G, Fidler F, Vaux DL. 2007. Error bars in experimental biology. The Journal of Cell Biology, 177: 7-11. 
• Hilborn R, Mangel M. 1997. The Ecological Detective. Confronting Models with Data. Princeton University 
Press, Princeton, NJ. 
• Kéry M. 2010. Introduction to WinBUGS for Ecologists. Elsevier, Amsterdam. 
• Kéry M, Schaub M. 2012. Bayesian Population Analysis Using WinBUGS. Elsevier, Amsterdam. 
• Lindley DV. 1983. Theory and practice of Bayesian statistics. Statistician 32: 1-11. 
• Royle JA, Dorazio RM. 2008. Hierarchical Modeling and Inference in Ecology. Elsevier, Amsterdam. 
• Wiens JA. 1989. The Ecology of Bird Communities. Cambridge University Press, Cambridge. 
Diseño experimentaly análisis estadístico – Facultad de Biología