Clase_5_2021

Vista previa del material en texto

R
e
c
o
le
c
c
ió
n
d
e
	d
a
to
s
	y
	
d
is
e
ñ
o
	d
e
	e
x
p
e
rim
e
n
to
s
Bioestadística2020
2021
R
e
c
o
le
c
c
ió
n
d
e
	d
a
to
s
	
•
Norm
alm
ente	los	datos	de	interés	para	la	bioestadística	(y	las	ciencias	biológicas	
en	general)	no	son	recolectados	o	generados	al	azar,	sino	que	provienen	de	un	
estudio	planificado	y	diseñado.	
•
Si	el	proceso	de	generación	y/o	obtención	de	los	datos	fue	bien	realizado,	esos	
datos	m
uestralesnos	perm
itirán	cum
plir	el	objetivo	ulterior	de	la	estadística,	que	
es	extraer	conclusiones	que	puedan	considerarse	válidas	para	toda	la	población,	
habiendo	trabajado	solo	sobre	una	pequeña	m
uestra	de	esta.
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
E
s
ta
d
ís
tic
a
in
fe
re
n
c
ia
l
•
La	inferenciaestadística	es	el	conjunto	de	m
étodos	y	técnicas	que	perm
iten	
inducir,	a	partir	de	la	inform
ación	proporcionada	por	una	m
uestra,	cual	es	el	
com
portam
iento	de	una	determ
inada	población	con	un	riesgo	de	error	m
edible	
en	térm
inos	de	probabilidad.
Usuario1
Highlight
Usuario1
Highlight
A
s
o
c
ia
c
ió
n
	y
	c
a
u
s
a
lid
a
d
ASO
CIACIÓ
N
•
Decim
osque
dosvariables
están
asociadas
silos
valores
de
una
variable
tienden
a
estar
relacionadoscon
losvaloresde
otra
variable.
•
Vinculando
esta
idea
con
lo
visto
en
la
sección
previa,la
asociación
se
vincula
con
la
correlación.
•
Ya
m
encionam
os
que
correlación
fuerte
(asociación
fuerte)
no
necesariam
ente
im
plica
causalidad
(a
m
odo
de
ejem
plo,recuerden
la
fuerte
correlación
observada
entre
tasa
de
divorcio
en
elperíodo
2000-2009
y
elconsum
o
de
m
argarina!!).
Usuario1
Highlight
A
s
o
c
ia
c
ió
n
	y
	c
a
u
s
a
lid
a
d
CAUSALIDAD
•
Decim
os	que	dos	variables	están	causalm
ente	asociadas	su	al	cam
biar	el	valor	de	una	
variable,	se	m
odifica	el	valor	de	la	otra	variable.	
•
Es	decir	si	podem
os	establecer	una	relación	causa:	efecto	entre	ellas,	perm
itiéndonos	
hallar	una	expresión	algebraica	que	perm
ita	calcular	en	form
a	exacta	o	aproxim
ada	los	
valores	de	una	de	las	variable	en	función	de	la	otra,	con	una	finalidad	predictiva.	
•
Vinculando	este	concepto	con	lo	visto	en	la	sección	previa,	la	causalidad	se	vincula	con	la	
regresión.
Usuario1
Highlight
A
s
o
c
ia
c
ió
n
	y
	c
a
u
s
a
lid
a
d
CAUSALIDAD
•
Cuando
tenem
os
una
relación
causalentre
dos
variables,decim
os
que
una
de
ellasesla
variable
explicativa
(o
independiente)y
la
otra
esla
variable
respuesta
(o
dependiente).
Usuario1
Highlight
E
je
m
p
lo
	-
A
s
o
c
ia
c
ió
n
e
n
tre
	d
o
s
	v
a
ria
b
le
s
	(n
o
	c
a
u
s
a
l)
•
Lograr	discrim
inar	correctam
ente	entre	estos	dos	conceptos	es	clave	en	
estadística	(y	en	la	vida	en	general).	
•
A	m
odo	de	ejem
plo,	tom
em
os	el	estudio	publicado	en	“The
New
	England
Journal
of	M
edicine”	titulado	“Consum
o	de	chocolate,	función	cognitiva,	y	prem
ios	
Nobel”		(M
esserli2012).	
n
 en
g
l j m
ed
 367;16 
n
ejm
.o
rg
 
o
cto
ber 18, 2012
1563
O
ccasio
n
al N
o
tes
D
isc
u
ssio
n
The principal finding of this study is a surpris-
ingly pow
erful correlation betw
een chocolate 
intake per capita and the num
ber of N
obel laure-
ates in various countries. O
f course, a correla-
tion betw
een X and Y does not prove causation 
but indicates that either X influences Y, Y influ-
ences X, or X and Y are influenced by a com
m
on 
underlying m
echanism
. H
ow
ever, since choco-
late consum
ption has been docum
ented to im
-
prove cognitive function, it seem
s m
ost likely 
that in a dose-dependent w
ay, chocolate intake 
provides the abundant fertile ground needed for 
the 
sprouting 
of 
N
obel 
laureates. 
O
bviously, 
these findings are hypothesis-generating only 
and w
ill have to be tested in a prospective, ran-
dom
ized trial.
The only possible outlier in Figure 1 seem
s to 
be Sw
eden. G
iven its per capita chocolate con-
sum
ption of 6.4 kg per year, w
e w
ould predict 
that Sw
eden should have produced a total of 
about 14 N
obel laureates, yet w
e observe 32. 
Considering that in this instance the observed 
num
ber exceeds the expected num
ber by a fac-
tor of m
ore than 2, one cannot quite escape the 
notion 
that 
either 
the 
N
obel 
Com
m
ittee 
in 
Stockholm
 
has 
som
e 
inherent 
patriotic 
bias 
w
hen assessing the candidates for these aw
ards 
or, perhaps, that the Sw
edes are particularly 
sensitive 
to 
chocolate, 
and 
even 
m
inuscule 
am
ounts greatly enhance their cognition.
A second hypothesis, reverse causation —
 
that is, that enhanced cognitive perform
ance 
could 
stim
ulate 
countryw
ide 
chocolate 
con-
sum
ption —
 m
ust also be considered. It is con-
ceivable that persons w
ith superior cognitive 
function (i.e., the cognoscenti) are m
ore aw
are 
of the health benefits of the flavanols in dark 
chocolate and are therefore prone to increasing 
their consum
ption. That receiving the N
obel 
Prize w
ould in itself increase chocolate intake 
countryw
ide seem
s unlikely, although perhaps 
celebratory events associated w
ith this unique 
35302520105 150
0
5
10
15
C
hocolate!C
onsum
ption!(kg/yr/capita)
Nobel!Laureates!per!10!Million!Population
Poland
Sw
itzerland
Sw
eden
N
orw
ay
C
hina
B
razil
G
reece
Portugal
U
nited 
States
G
erm
any
France
Finland
Italy
A
ustralia
The N
etherlands
C
anada
B
elgium
U
nited Kingdom
Ireland
Spain
A
ustria D
enm
ark
r=
0.791
P
<
0.0001
Japan
A
ustralia
Italy
Italy
Spain
Spain
Portugal
Japan
Japan
A
ustria D
enm
ark
Figure!1.!C
orrelation!betw
een!C
ountries’!A
nnual!Per!C
apita!C
hocolate!C
onsum
ption!and!the!N
um
ber!of!N
obel!
!Laureates!per!10!M
illion!Population.
The N
ew
 England Journal of M
edicine 
D
ow
nloaded from
 nejm
.org at IO
W
A
 STA
TE U
N
IV
ER
SITY
 on January 22, 2019. For personal use only. N
o other uses w
ithout perm
ission. 
 C
opyright ©
 2012 M
assachusetts M
edical Society. A
ll rights reserved. 
M
á
s
E
je
m
p
lo
s
	d
e
	p
u
b
lic
a
c
io
n
e
s
	-
A
s
o
c
ia
c
ió
n
(c
o
rre
la
c
ió
n
)	e
n
tre
	d
o
s
	v
a
ria
b
le
s
•
Asociación
entre	consum
o	de	vino	y	reducción	del	riesgo	de	m
uerte	por	ataques	
cardíacos
•
Asociación	entre	políticas	públicas	y	vacunación	contra	la	BCG	universal	
(tuberculosis)	e	incidencia	de	CO
VID-19
R
eproduced w
ith perm
ission of the copyright ow
ner. Further reproduction prohibited w
ithout perm
ission.
W
ine, A
lcohol, Platelets, and the French Paradox for C
oronary H
eart D
isease
R
enaud, S
The Lancet; Jun 20, 1992; 339, 8808; R
esearch Library C
ore
pg. 1523
C
orrelation betw
een universal B
C
G
 vaccination policy and reduced m
orbidity and 
m
ortality for C
O
VID
-19: an epidem
iological study 
Aaron M
iller, M
ac Josh R
eandelar, Kim
berly Fasciglione, Violeta R
oum
enova, Yan Li, and 
G
onzalo H
. O
tazu* 
D
epartm
ent of Biom
edical Sciences, N
YIT C
ollege of O
steopathic M
edicine, N
ew
 York Institute 
of Technology, O
ld W
estbury, N
ew
 York, U
SA 
*C
orrespondence to: gotazual@
nyit.edu 
A
bstract 
C
O
VID
-19 has spread to m
ost countries in the w
orld. Puzzlingly, the im
pact of the disease is 
different in different countries. These differences are attributed to differences in cultural norm
s, 
m
itigation efforts, and health infrastructure. H
ere w
e propose that national differences in C
O
VID
-
19 im
pact could be partially explained by the different national policies respect to Bacillus 
C
alm
ette-G
uérin (BC
G
) childhood vaccination. BC
G
 vaccination has been reported to offer broad 
protection to respiratory infections. W
e com
pared large num
ber of countries BC
G
 vaccination 
policies w
ith the m
orbidity and m
ortality for C
O
VID
-19. W
e found that countries w
ithout universal 
policies of BC
G
 vaccination (Italy, N
ederland, U
SA) have been m
ore severely affected com
pared 
to countries w
ith universal and long-standingBC
G
 policies. C
ountries that have a late start of 
universal BC
G
 policy (Iran, 1984) had high m
ortality, consistent w
ith the idea that BC
G
 protects 
the vaccinated elderly population. W
e also found that BC
G
 vaccination also reduced the num
ber 
of reported C
O
VID
-19 cases in a country. The com
bination of reduced m
orbidity and m
ortality 
m
akes BC
G
 vaccination a potential new
 tool in the fight against C
O
VID
-19. 
Introduction 
The C
O
VID
-19 pandem
ic originated in C
hina and it has quickly spread over all continents 
affecting m
ost countries in the w
orld. H
ow
ever, there are som
e striking differences on how
 
C
O
VID
-19 is behaving in different countries. For instance, in Italy there has been strong curtailing 
of social interactions and C
O
VID
-19 m
ortality is still high. In contrast, Japan had som
e of the 
earlier cases, but the m
ortality is low
 despite not having adopted som
e the m
ore restrictive social 
isolation m
easurem
ents. These puzzling differences have been adjudicated to different cultural 
norm
s as w
ell as differences in m
edical care standards. H
ere w
e propose an alternative 
explanation: that the country-by-country difference in C
O
VID
-19 m
orbidity and m
ortality can be 
partially explained by national policies on Bacillus C
alm
ette-G
uérin (BC
G
) vaccination. 
BC
G
 is a live attenuated strain derived from
 an isolate of M
ycobacterium
 bovis used w
idely across 
the w
orld as a vaccine for Tuberculosis (TB), w
ith m
any nations, including Japan and C
hina, 
having a universal BC
G
 vaccination policy in new
borns 1. O
ther countries such as Spain, France, 
and Sw
itzerland, have discontinued their universal vaccine policies due to com
paratively low
 risk 
for developing M
. bovis infections as w
ell as the proven variable effectiveness in preventing adult 
TB; countries such as the U
nited States, Italy, and the N
etherlands, have yet to adopt universal 
vaccine policies for sim
ilar reasons. 
 Several vaccines including the BC
G
 vaccination have been show
n to produce positive 
“heterologous” or non-specific im
m
une effects leading to im
proved response against other non-
m
ycobacterial pathogens. For instance, BC
G
 vaccinated m
ice infected w
ith the vaccinia virus 
w
ere protected by increased IFN
-Y production from
 C
D
4+ cells
2. This phenom
enon w
as nam
ed 
 . 
C
C
-BY-N
D
 4.0 International license
It is m
ade available under a 
author/funder, w
ho has granted m
edR
xiv a license to display the preprint in perpetuity. 
 is the
(w
hich w
as not peer-review
ed)
 The copyright holder for this preprint 
.
https://doi.org/10.1101/2020.03.24.20042937
doi: 
m
edR
xiv preprint 
	
Figure 2: Earlier date of the start of vaccination reduces the m
ortality rate. Left panel correspond 
to upper m
iddle incom
e and high incom
e countries w
ith current universal BC
G
 vaccination policy. 
The right panel correspond to countries that do not have a current universal vaccination policy. 
																
 . 
C
C
-BY-N
D
 4.0 International license
It is m
ade available under a 
author/funder, w
ho has granted m
edR
xiv a license to display the preprint in perpetuity. 
 is the
(w
hich w
as not peer-review
ed)
 The copyright holder for this preprint 
.
https://doi.org/10.1101/2020.03.24.20042937
doi: 
m
edR
xiv preprint 
V
a
ria
b
le
s
	d
e
	c
o
n
fu
s
ió
n
Por	qué	dos	variables	parecen	estar	fuertem
ente	asociadas,	aun	cuando	sepam
os	
que	no	existe	relación	causa:efecto
entre	ellas?	
•
Aquí	tenem
os	dos	posibles	respuestas:
1)	La	prim
era	es	que	esa	relación	puede	darse	por	sim
ple	azar.
2)	Una	segunda	opción,	y	que	tiene	m
ucha	m
ás	relevancia	en	estudios	biológicos,	es	
que	esa	asociación	entre	dos	variables	se	deba	a	la	presencia	de	una	tercera	variable	
(llam
ada	“de	confusión”)	que	no	estam
os	tom
ando	en	cuenta	y	que	es	la	que	
verdaderam
ente	tiene	una	relación	causa:efecto
con	las	variables	que	estam
os	
observando.	
Usuario1
Highlight
Usuario1
Highlight
E
je
m
p
lo
:	v
a
ria
b
le
	d
e
	c
o
n
fu
s
ió
n
•
Si	retom
am
os	el	trabajo	titulado	“Consum
o	de	chocolate,	función	
cognitiva,	y	prem
ios	Nobel”		(M
esserli2012).	
•
Tenem
os	dos	variables	m
edidas:	consum
o	de	chocolate	y	núm
ero
de	prem
osNobel	ganados,	por	
país.
•
Una	posible	tercera	variable	(de	confusión)	que	no	estam
os	contem
plando	podría	ser	el	poder	
adquisitivo	de	los	habitantes	de	los	m
encionados	países.	
•
Esta	tercera	variable,	que	no	está	contem
plada	en	el	estudio	de	correlación	de	Figura	1,	bien	
podría	estar	causando	los	efectos	que	vem
os.	O	alguna	otra,	que	no	estam
os	considerando…
n
 en
g
l j m
ed
 367;16 
n
ejm
.o
rg
 
o
cto
ber 18, 2012
1563
O
ccasio
n
al N
o
tes
D
isc
u
ssio
n
The principal finding of this study is a surpris-
ingly pow
erful correlation betw
een chocolate 
intake per capita and the num
ber of N
obel laure-
ates in various countries. O
f course, a correla-
tion betw
een X and Y does not prove causation 
but indicates that either X influences Y, Y influ-
ences X, or X and Y are influenced by a com
m
on 
underlying m
echanism
. H
ow
ever, since choco-
late consum
ption has been docum
ented to im
-
prove cognitive function, it seem
s m
ost likely 
that in a dose-dependent w
ay, chocolate intake 
provides the abundant fertile ground needed for 
the 
sprouting 
of 
N
obel 
laureates. 
O
bviously, 
these findings are hypothesis-generating only 
and w
ill have to be tested in a prospective, ran-
dom
ized trial.
The only possible outlier in Figure 1 seem
s to 
be Sw
eden. G
iven its per capita chocolate con-
sum
ption of 6.4 kg per year, w
e w
ould predict 
that Sw
eden should have produced a total of 
about 14 N
obel laureates, yet w
e observe 32. 
Considering that in this instance the observed 
num
ber exceeds the expected num
ber by a fac-
tor of m
ore than 2, one cannot quite escape the 
notion 
that 
either 
the 
N
obel 
Com
m
ittee 
in 
Stockholm
 
has 
som
e 
inherent 
patriotic 
bias 
w
hen assessing the candidates for these aw
ards 
or, perhaps, that the Sw
edes are particularly 
sensitive 
to 
chocolate, 
and 
even 
m
inuscule 
am
ounts greatly enhance their cognition.
A second hypothesis, reverse causation —
 
that is, that enhanced cognitive perform
ance 
could 
stim
ulate 
countryw
ide 
chocolate 
con-
sum
ption —
 m
ust also be considered. It is con-
ceivable that persons w
ith superior cognitive 
function (i.e., the cognoscenti) are m
ore aw
are 
of the health benefits of the flavanols in dark 
chocolate and are therefore prone to increasing 
their consum
ption. That receiving the N
obel 
Prize w
ould in itself increase chocolate intake 
countryw
ide seem
s unlikely, although perhaps 
celebratory events associated w
ith this unique 
35302520105 150
0
5
10
15
C
hocolate!C
onsum
ption!(kg/yr/capita)
Nobel!Laureates!per!10!Million!Population
Poland
Sw
itzerland
Sw
eden
N
orw
ay
C
hina
B
razil
G
reece
Portugal
U
nited 
States
G
erm
any
France
Finland
Italy
A
ustralia
The N
etherlands
C
anada
B
elgium
U
nited Kingdom
Ireland
Spain
A
ustria D
enm
ark
r=
0.791
P
<
0.0001
Japan
A
ustralia
Italy
Italy
Spain
Spain
Portugal
Japan
Japan
A
ustria D
enm
ark
Figure!1.!C
orrelation!betw
een!C
ountries’!A
nnual!Per!C
apita!C
hocolate!C
onsum
ption!and!the!N
um
ber!of!N
obel!
!Laureates!per!10!M
illion!Population.
The N
ew
 England Journal of M
edicine 
D
ow
nloaded from
 nejm
.org at IO
W
A
 STA
TE U
N
IV
ER
SITY
 on January 22, 2019. For personal use only. N
o other uses w
ithout perm
ission. 
 C
opyright ©
 2012 M
assachusetts M
edical Society. A
ll rights reserved. 
V
a
ria
b
le
s
	d
e
	c
o
n
fu
s
ió
n
•
Decim
os	que	las	variables	de	confusión	(tam
bién	llam
adas	terceras	variables),	son	
variables	que	el	investigador	no	controló	o	no	contem
pló
y	que	dañanla	validez	interna	
de	un	estudio.	
•
Se	trata	de	una	(o	m
ás)	variable	que	distorsiona	la	m
edida	de	la	asociación	entre	otras	
dos	variables.	
•
El	resultado	de	la	presencia	de	una	variable	de	confusión	puede	ser	el	surgim
iento	de	un	
efecto	donde	en	realidad	no	existe	o	la	exageración	de	una	asociación	real	(confusión	
positiva)	o,	por	el	contrario,	la	atenuación	de	una	asociación	real	e	incluso	una	inversión	
del	sentido	de	una	asociación	real	(confusión	negativa).
Usuario1
Highlight
Usuario1
Highlight
E
s
tu
d
io
s
	o
b
s
e
rv
a
c
io
n
a
le
s
	y
	e
x
p
e
rim
e
n
ta
le
s
E
je
m
p
lo
	1
•
Una	jardinera	principiante	sabe	que	las	plantas	se	m
ueren	si	uno	no	las	riega,	
pero	que	tam
bién	m
ueren	si	se	las	riega	dem
asiado.	Para	averiguar	cuánta	agua	
toleran	sus	plantas,	decide	proceder	de	la	siguiente	m
anera.	
•
Divide	a	todas	sus	plantas	(tiene	m
uchas)	en	10	grupos	diferentes.	A	cada	grupo	
la	riega	con	una	cantidad	diferente	de	agua:	al	prim
er	grupo	le	pone	1	litro,	al	
segundo	2	litros,	al	tercero	3,	etc.	
•
M
antiene	este	régim
en	por	dos	sem
anas	y	luego	se	fija	qué	plantas	han	m
uerto	o	
sobrevivido.	
E
s
tu
d
io
s
	o
b
s
e
rv
a
c
io
n
a
le
s
	y
	e
x
p
e
rim
e
n
ta
le
s
E
je
m
p
lo
	2
•
Una	jardinera	principiante	sabe	que	las	plantas	se	m
ueren	si	uno	no	las	riega,	
pero	que	tam
bién	m
ueren	si	se	las	riega	dem
asiado.	
•
O
currió	que	una	vez	llovió	en	su	ciudad	durante	7	días	seguidos	sin	parar	(algo	
m
uy	extraño,	ya	que	esta	persona	vive	en	una	zona	de	clim
a	m
uy	seco!!)	y	se	le	
ocurrió	una	idea:	
•
Para	averiguar	cuánta	agua	toleran	sus	plantas,	luego	de	estos	7	días	de	lluvia,	
salió	a	su	jardín	y	contabilizó	cuántas	plantas	habían	m
uerto	o	sobrevivido.	
E
s
tu
d
io
s
	o
b
s
e
rv
a
c
io
n
a
le
s
	y
	e
x
p
e
rim
e
n
ta
le
s
E
je
m
p
lo
s
	1
	y
	2
•
Pueden	notar	que	am
bos	estudios	intentar	dar	solución	a	la	m
ism
a	pregunta	(cuánta	
agua	toleran	las	plantas),	y	tienen	dos	variables:	cantidad	de	agua	y	sobrevida	de	las	
plantas	(cuántas	viven).
•
Si	em
bargo,	estos	estudios	están	encarados	de	form
a	m
uy	diferente.	
•
Si	los	leen	detenidam
ente,	verán	que	en	el	prim
er	caso	(a)	la	persona	activam
ente	
controla	la	variable	cuyo	efecto	quiere	m
edir	(es	decir,	la	cantidad	de	agua)	m
ientras	que	
en	el	segundo	caso	(b)	la	persona	no	controla	la	variable	cuyo	efecto	quiere	m
edir	
(nuevam
ente,	la	cantidad	de	agua)	sino	que	es	una	observadora	pasiva	de	algo	que	ha	
sucedido	(m
ucha	lluvia).	
E
s
tu
d
io
s
	o
b
s
e
rv
a
c
io
n
a
le
s
	y
	e
x
p
e
rim
e
n
ta
le
s
E
je
m
p
lo
	1
•
En	el	caso	del	estudio	(a),	si	la	cantidad	de	plantas	m
uertas	respecto	de	las	que	
sobrevivieron	al	ser	regadas	con	m
ucho	agua	es	m
ayor	que	en	las	m
acetas	que	
recibieron	m
enos	agua,	la	jardinera	podría	concluir	que	hay	efectivam
ente	un	
efecto	de	la	cantidad	de	agua	en	la	sobrevida	de	las	plantas.	
•
Y	de	hecho,	al	haber	hecho	un	gradiente	de	agua	(ya	que	regó	con	1	litro,	2	litros,	
3	litros,	etc)	hasta	puede	establecer	la	cantidad	de	agua	que	es	perjudicial	para	
las	plantas.
E
s
tu
d
io
s
	o
b
s
e
rv
a
c
io
n
a
le
s
	y
	e
x
p
e
rim
e
n
ta
le
s
E
je
m
p
lo
	2
•
En	el	caso	del	estudio	(b),	si	la	jardinera	observó	un	gran	núm
ero	de	plantas	
m
uertas	luego	de	7	días	de	lluvia,	no	sería	correcto	que	atribuya	esto	a	la	gran	
cantidad	de	agua	recibida!	
•
Podría	deberse	a	eso,	pero	tam
bién	a	otras	variables	no	contem
pladas	(de	
confusión),	que	sean	las	que	realm
ente	estén	causando	el	efecto	de	interés	(por	
ejem
plo,	fuerza	y	tam
año	de	las	gotas,	que	lastim
an	y	m
atan	plantas	pequeñas).
E
s
tu
d
io
s
	o
b
s
e
rv
a
c
io
n
a
le
s
	y
	e
x
p
e
rim
e
n
ta
le
s
E
je
m
p
lo
s
	1
	y
	2
•
Podem
os	decir	que	el	estudio	(a)	es	de	tipo	experim
entaly,	de	
haber	un	efecto	en	la	variable	respuesta,	podem
os	atribuírselo	a	
la	variable	explicativa.	Es	decir,	podem
os	hablar	de	causalidad.	
•
Por	su	parte	el	estudio	(b)	es	de	tipo	observacionaly,	de	haber	
efecto,	podem
os	decir	que	hay	una	asociación
entre	las	
variables.
E
s
tu
d
io
e
x
p
e
rim
e
n
ta
l
•
Es	un	estudio	en	el	cual	el	investigador	controla	activam
ente	la	o	las	variables	
explicativas	(es	decir,	de	la	cual	quiere	conocer	el	efecto	que	genera).	
•
De	esta	form
a,	si	el	experim
ento	está	bien	hecho	(ahora	verem
os	qué	hay	que	
tener	en	cuenta	para	considerar	que	“un	experim
ento	está	bien	hecho”),	es	
posible	establecer	relaciones	causa:efecto
entre	variables	(causalidad).
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
E
s
tu
d
io
o
b
s
e
rv
a
c
io
n
a
l
•
Es	un	estudio	en	el	cual	el	investigador	no	controla	activam
ente	el	valor	de	
ninguna	variable,	sino	que	sim
plem
ente	observa	y	registra	sucesos	que	ya	
han	ocurrido	o	que	ocurren	naturalm
ente.	
•
Com
o	es	m
uy	difícil	evitar	variables	de	confusión	en	los	estudios	
observacionales,	NUNCA	se	pueden	utilizar	para	establecer	causalidad.
•
Sólo	podem
os	hablar	de	asociación	entre	variables.	
à
El	estudio	de	asociación	de	M
esserli(2012)	es	un	estudio	claram
ente	observacional
Usuario1
Highlight
Usuario1
Highlight
N
o
c
io
n
e
s
	a
s
o
c
ia
d
a
s
	a
l	c
o
n
c
e
p
to
	d
e
	“
E
x
p
e
rim
e
n
to
”
Tratam
iento
•
El	“tratam
iento”	es	la	variable	explicativa.	Es	aquello	para	lo	cual	el	investigador	
desea	evaluar	o	m
edir	qué	efecto	produce.	Para	poder	estudiar	su	efecto,	el	
investigador	debe	variar	activam
ente	los	valores	del	tratam
iento	(generar	varios	
“niveles”	para	el	tratam
iento),	y	m
edir	cóm
o	varía	la	variable	respuesta	por	
efecto	de	estos	cam
bios.
•
En	el	ejem
plo	(a)	de	las	plantas,	el	tratam
iento	es	el	riego,	y	los	niveles	son:	1	
litro,	2	litros,	3	litros…
	
Usuario1
Highlight
N
o
c
io
n
e
s
	a
s
o
c
ia
d
a
s
	a
l	c
o
n
c
e
p
to
	d
e
	“
E
x
p
e
rim
e
n
to
”
Control	de	las	variables	que	no	son	de	interés	para	la	investigación.	
•
En	un	experim
ento	que	consiste	en	ver	si	la	variable	independiente	tiene	un	
efecto	en	la	variable	dependiente,	es	im
portante	que	lo	único	que	varíe	sean	esas	
dos	variables.	Para	eso,	es	necesario	controlar	que	las	otras	posibles	fuentes	de	
variación	no	cam
bien	(fijarlas)	o	bien,	que	si	varíen	lo	hagan	aleatoriam
ente	(y	no	
en	form
a	sesgada…
	recuerden	la	noción	de	sesgo
que	presentam
os	en	la	clase	2).	
Usuario1
Highlight
E
je
m
p
lo
Control	de	las	variables	que	no	son	de	interés	para	la	investigación.	
•
Un	grupo	de	agrónom
os	está	tratando	de	estudiar	cóm
o	diferentes	tipos	de	
suelos	afectan	el	crecim
iento	de	las	plantas.	Deciden	hacer	un	experim
ento	para	
probar	el	efecto	en	el	crecim
iento	de	cinco	tipos	de	suelo,	los	cuales	varían	en	la	
proporción	de	arena	y	arcilla.	Preparan	cinco	lotes,	cada	uno	con	un	tipo	de	
suelo	diferente.	Riegan	todos	los	lotes	con	la	m
ism
a	cantidad	y	frecuencia.	En	el	
prim
er	lote	plantan	brócoli,	en	el	segundo	alfalfa,	en	el	tercero	trigo,	en	el	cuarto	
girasol	y	en	el	quinto	soja.	Al	cabo	de	15	días	m
iden	el	largo	de	las	plantas.	
E
je
m
p
lo
Control	de	las	variables	que	no	son	de	interés	para	la	investigación.	
•
El	estudio	tiene	com
o	objetivo	determ
inar	el	efecto	de	la	com
posición	del	suelo	en	el	
crecim
iento	de	las	plantas.	
•
Las	variables	de	interés	son	tipo	de	suelo	(proporciones	variables	de	arena	y	arcilla,	
variable	independiente,	la	variable	que	los	agrónom
os	deciden	controlar)		y	largo	de	las	
plantas	(variable	dependiente,	la	que	esperam
os	varíe	por	efecto	del	cam
bio	en	la	
variable	independiente).
•
Sin	em
bargo,	hay	una	fuente	de	variación	que	no	están	contem
plando:	en	los	distintos	
niveles	del	tratam
iento	(es	decir,	en	los	distintos	tipos	de	suelo)	hay	especies	vegetales	
diferentes!!!	
E
je
m
p
lo
Control	de	las	variables	que	no	son	de	interés	para	la	investigación.	
•
Si	encontram
os	diferencias	en	el	largo	de	las	plantas	no	sabrem
os	si	atribuírselas	
al	tipo	de	suelo,	o	sim
plem
ente	a	que	estam
os	trabajando	con	especies	
diferentes,	cada	una	con	un	ritm
o	de	crecimiento	propio	de	la	especie.
•
Para	que	este	experim
ento	esté	correctam
ente	realizado,	esa	variable	que	no	nos	
interesa	(especie	vegetal)	debería	ser	fijada,	controlada.	Es	decir,	sem
brar	en	
todos	los	lotes	la	m
ism
a	especie	(ejem
plo,	soja	en	todos	los	lotes).	
•
Q
ué	otras	variables	hay	que	tratar	de	fijar?	Todas	las	que	puedan	afectar	de	
alguna	form
a	la	variable	de	respuesta:	la	cantidad	de	agua	que	reciben	las	plantas	
que	están	en	cada	lote,	la	fecha	de	siem
bra	de	las	plantas	en	cada	lote,	Som
breo	
de	los	lotes,	presencia	de	plagas	en	los	lotes,	entre	otros.
E
s
	n
e
c
e
s
a
rio
	c
o
n
tro
la
r	a
b
s
o
lu
ta
m
e
n
te
	to
d
a
s
	la
s
	
v
a
ria
b
le
s
?
•
En	realidad	no,	solo	las	relevantes,	aquellas	que	pueden	causar	un	efecto	no	
deseado	en	la	variable	respuesta.	
•
Variables	com
o	el	sexo	de	la	persona	que	va	a	m
edir	las	plantas,	el	color	de	la	
regadera	usada,	el	m
aterial	de	la	regadera,	etc
son	variables	irrelevantes	para	
nuestro	estudio,	así	que	no	necesitan	ser	controladas.		
Usuario1
Highlight
Usuario1
Highlight
A
le
a
to
riza
c
ió
n
•
M
uchas	veces	aquello	que	investigam
os	es	m
uy	variable	y	resulta	casi	im
posible	
controlar	absolutam
ente	todas	las	variables	entre	los	distintos	niveles	del	
tratam
iento.	Este	es	el	caso	con	poblaciones	hum
anas,	y	de	otros	anim
ales	o	
plantas	fuera	del	laboratorio/	bioterio.
•
La	form
a	de	evitar	que	alguna	variable	que	no	sea	de	nuestro	interés	afecte	
nuestra	variable	respuesta	es	aleatorizando.	Q
ué	significa	esto?	Asignar	el	
tratam
iento	a	los	individuos	de	m
anera	aleatoria.
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
E
x
p
e
rim
e
n
to
	a
le
a
to
riza
d
o
•
Es	aquel	en	el	cual	el	valor	de	la	variable	explicativa	que	va	a	recibir	cada	unidad	m
uetral
se	asigna	aleatoriam
ente.	
•
Esto	hace	que,	si	hay	pequeñas	fuentes	de	variación	no	controladas,	estas	sean	
prácticam
ente	iguales	en	todos	los	niveles	del	tratam
iento,	afectando	a	la	variable	
respuesta	en	una	form
a	aleatoria,	no	sesgada	(nuevam
ente,	en	caso	de	no	recordarlo,	
repasen	la	definición	de	sesgo).	
•
De	esta	form
a,	si	un	experim
ento	aleatorizado	m
uestra	una	diferencia	en	la	m
edida	de	la	
variable	respuesta	entre	los	niveles	del	tratam
iento,	podem
os	decir	que	esa	relación	es	
causal.
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
T
ip
o
s
	d
e
	e
x
p
e
rim
e
n
to
s
	a
le
a
to
riza
d
o
s
•
Hay	m
uuuuchos!	Aquí	verem
os	algunos	de	los	m
ás	usados
Experim
ento	com
parativo	aleatorizado:	
•
Es	aquel	en	el	cual	asignam
os	los	distintos	niveles	del	tratam
iento	a	cada	uno	de	las	
unidades	m
uestrales(generando	tantos	grupos	com
o	niveles	haya).	
•
Hacem
os	el	experim
ento,	m
edim
os	las	variables	de	respuesta	y	luego	com
param
os	los	
resultados	observados	entre	los	grupos.	
•
Ejem
plo	de	esto	es	el	de	(a)	la	jardinera	que	divide	a	sus	plantas	en	grupos	y	algunas	las	riega	con	
1	litro	de	agua,	a	otras	con	2	litros,	a	otras	con	3	litros.	Luego	com
para	la	sobrevida	entre	grupos	
Usuario1
Highlight
T
ip
o
s
	d
e
	e
x
p
e
rim
e
n
to
s
	a
le
a
to
riza
d
o
s
•
Hay	m
uuuuchos!	Aquí	verem
os	algunos	de	los	m
ás	usados
Experim
ento	de	pares	o	pareado:	
•
Cada	unidad	m
uestralrecibe	todos	los	niveles	del	tratam
iento,	pero	en	orden	aleatorio.	
Al	finalizar	el	experim
ento	se	observa	y	com
paran	las	diferencias	individuales	en	las	
variable	de	respuesta	entre	los	dos	tratam
ientos.	
•
De	este	m
odo,	cada	unidad	m
uestralproporciona	dos	o	m
ás	datos	(un	dato	por	cada	
nivel	del	tratam
iento).	
•
Ejem
plo	de	esto	es	m
edir	el	contenido	de	una	planta	antes	y	después	de	aplicarle	un	producto	
quím
ico	que	se	supone	puede	afectar	el	contenido	en	clorofila.
Usuario1
Highlight
C
a
s
o
s
	e
s
p
e
c
ia
le
s
:	G
ru
p
o
s
	d
e
	c
o
n
tro
l,	p
la
c
e
b
o
s
	y
	
e
s
tu
d
io
s
	c
ie
g
o
s
.
•
Supongam
os	que	m
ediante	un	ensayo	clínico	se	desea	poner	a	prueba	un	nuevo	m
edicam
ento	
para	decidir	si	es	efectivo	o	no.	La	form
a	m
ás	intuitiva	de	hacerlo	sería	sum
inistrarlo	a	un	grupo	
num
eroso	de	personas	con	el	m
ism
o	cuadro	clínico	y	observar	el	resultado.	
•
Sin	em
bargo,	esto	puede	resultar	engañoso.	El	hecho	de	que	algunos	(todos)	los	pacientes	
m
ejoraran	no	im
plicaría	necesariam
ente	que	el	m
edicam
ento	es	bueno	(y	viceversa:	si	el	paciente	
em
peorara	no	im
plicaría	que	es	el	m
edicam
ento	es	m
alo).	
•
Ya	hem
os	visto	que	existen	las	variables	de	confusión!	¿Cóm
o	saber	si	no	influyeron	otros	
factores?
Usuario1
Highlight
G
ru
p
o
	c
o
n
tro
l	(e
n
	e
l	e
je
m
p
lo
	e
n
s
a
y
o
	c
lín
ic
o
)
•
Para	esto	se	utiliza	el	grupo	de	control.	
•
El	investigador	divide	a	los	individuos	en	estudio	en	dos	grupos.	En	uno	de	ellos	―
el	
grupo	experim
ental―
	se	aplica	el	tratam
iento	testeado	(el	nuevo	m
edicam
ento,	en	este	
caso).	
•
En	el	otro	―
el	grupo	de	control―
	no	se	aplica	el	tratam
iento.​	
•
Luego	se	com
paran	am
bos	resultados.	Si	la	proporción	de	resultados	deseados	es	m
ayor	
en	el	grupo	experim
ental	que	en	el	grupo	de	control,	entonces	el	m
edicam
ento	es	
eficiente.	Si	es	igual,	es	ineficiente.	Y	si	es	m
enor,	es	contraproducente.
C
o
n
s
id
e
ra
c
io
n
e
s
	d
e
l	g
ru
p
o
	c
o
n
tro
l
•
Notem
os	dos	cosas:	en	prim
er	lugar,	que	el	grupo	de	control	no	se	utiliza	
únicam
ente	en	m
edicina.	Su	uso	se	expande	a	todas	las	ram
as	de	la	ciencia	
donde	se	quieran	evaluar	los	efectos	de	cierta	variable.
•
Y	otra	cosa:	que	no	siem
pre	el	control	im
plica	“ausencia	de	tratam
iento”.	A	veces	
es	im
posible	no	aplicar	un	tratam
iento	(ejem
plo,	si	estam
os	probando	la	
capacidad	nutritiva	de	un	nuevo	alim
ento	para	peces,	el	grupo	control	no	puede	
“no	recibir	com
ida”	porque	se	m
uere…
	en	esos	casos,	el	control	sería	“el	alim
ento	
habitual/	com
ercial/	m
ás	com
ún”	para	estos	peces).	
Usuario1
Highlight
P
la
c
e
b
o
	e
n
	e
s
tu
d
io
s
	m
é
d
ic
o
s
•
En	el	caso	particular	de	los	tratam
ientos	m
édicos	existe	lo	que	se	denom
ina	efecto	placebo.	Este	
consiste	en	que	un	paciente,	por	factores	m
eram
ente	psicológicos,	puede	sentirse	curado	y	
m
ostrar	ciertas	m
ejorías	al	creer	que	se	le	ha	adm
inistrado	un	m
edicam
ento	verdadero,	aunque	
en	realidad	este	sea	falso.
•
Por	lo	tanto,	en	el	caso	de	que	el	m
edicam
ento	testeado	fuera	ineficiente,	aún	podrían	
observarse	diferencias	entre	am
bos	grupos	(experim
ental	y	de	control)	debido	a	este	efecto.	Para	
evitar	que	esto	distorsione	las	conclusiones	del	ensayo	clínico,	es	im
portante	que	el	grupo	de	
control	reciba	un	placebo	(es	decir,	algo	sim
ilar	al	m
edicam
ento	o	tratam
iento	aplicado,	pero	sin	
principio	activo/droga).	
Usuario1
Highlight
Usuario1
Highlight
E
stu
d
io
s
	c
ie
g
o
s
•
Para	que	funcione	el	placebo,	es	necesario	que	los	pacientes	del	grupo	control	no	
sepan	que	están	recibiendo	un	placebo	en	vez	del	m
edicam
ento	real.	
•
Esta	técnica	se	denom
ina	estudio	ciego:	es	ciego	porque	ninguno	de	los	
participantes	(unidades	m
uestrales)	sabe	si	está	recibiendo	el	m
edicam
ento	o	el	
placebo.
Usuario1
Highlight
Usuario1
Highlight
A
	te
n
e
r	e
n
	c
u
e
n
ta
	re
s
p
e
c
to
	d
e
	la
	re
c
o
le
c
c
ió
n
	d
e
	d
a
to
s
Se	pueden	generalizar	las	
conclusiones	obtenidas	a	la	
población	de	estudio
La	muestrase	seleccionó	
aleatoriamente?No	se	pueden	generalizar	las	
conclusiones	obtenidas	a	la	
población	de	estudio
Si
No
Se	pueden	obtener	
conclusiones	de	tipo	
causa:efecto(causalidad)
El	tratamiento	se	asignó	al	azar	
a	las	unidades	muestrales?
No	se	pueden	obtener	
conclusiones	de	tipo	
causa:efecto(solo	asociación)
Si
No
Usuario1
Highlight
C
ó
m
o
	g
e
n
e
ra
liza
r	la
s
	c
o
n
c
lu
s
io
n
e
s
	a
	u
n
a
	p
o
b
la
c
ió
n
:	
G
u
ía
p
a
s
o
	a
	p
a
s
o
•
1)	Especificar	la	pregunta	biológica	a	la	cual	querem
os	dar	respuesta.
•
2)	Buscar	inform
ación	previa	y	form
ular	las	hipótesis	BIO
LÓ
GICAS	nula	y	
alternativa.
•
3)	Form
ular	las	hipótesis	ESTADÍSTICAS	nula	yalternativa
•
4)	Determ
inar	cuáles	son	las	variables	im
portantes	en	nuestro	interrogante
•
5)	Determ
inar	qué	tipo	de	variable	es	cada	una
•
6)	Diseñar	un	experim
ento	que	controle	o	aleatorice
las	variables	de	confusión.
Usuario1
Highlight
C
ó
m
o
	g
e
n
e
ra
liza
r	la
s
	c
o
n
c
lu
s
io
n
e
s
	a
	u
n
a
	p
o
b
la
c
ió
n
:	
G
u
ía
p
a
s
o
	a
	p
a
s
o
•
7)	En	base	al	núm
ero	y	tipo	de	variables,	las	hipótesis	a	ser	probadas,	entre	otros,	
elegir	la	prueba	estadística	que	m
ejor	se	ajusta	a	nuestros	datos.
•
8)	Si	es	posible,	hacer	un	análisis	de	potencia	para	determ
inar	cuál	es	el	m
ejor	
tam
año	m
uestralpara	nuestro	experim
ento
•
9)	Hacer	el	experim
ento
•
10)	Exam
inar	si	los	datos	obtenidos	del	experim
ento	cum
plen	con	los	principios	
(supuestos)	del	testestadístico	seleccionado	
•
11)	Aplicar	el	test	estadístico	elegido,	e	interpretar	los	resultados.
Usuario1
Highlight
1
)	E
s
p
e
c
ific
a
r	la
	p
re
g
u
n
ta
	b
io
ló
g
ic
a
	a
	la
	c
u
a
l	q
u
e
re
m
o
s
	
d
a
r	re
s
p
u
e
s
ta
.
•Las	preguntas	biológicas	debem
os	form
ularlas	de	m
anera	tal	que	
puedan	ser	realm
ente	respondidas	por	m
edio	de	experim
entos	u	otro	
tipo	de	estudios.
•NO
	sirve	hacer	preguntas	generales	com
o:
a)
¿La	sal	afecta	el	crecim
iento	de	las	plantas?	
b)
¿Pueden	las	plantas	vivir	en	cualquier	tipo	de	suelo?	
c)
¿Cóm
o	funciona	el	sistem
a	inm
une?	
Usuario1
Highlight
Usuario1
Highlight
1
)	E
s
p
e
c
ific
a
r	la
	p
re
g
u
n
ta
	b
io
ló
g
ic
a
	a
	la
	c
u
a
l	q
u
e
re
m
o
s
	
d
a
r	re
s
p
u
e
s
ta
.
•Las	preguntas	biológicastienen
que	ser	acotadas,	del	estilo:		
(a)	¿Las	begonias	regadas	con	agua	con	sal	crecen	m
enos	en	10	días	que	
begonias	regadas	con	agua	sin	sal?	
(b)	¿Q
ué	relación	existe	entre	la	proporción	de	arena	en	un	suelo	y	el	tiem
po	de	
germ
inación	de	las	plantas?	
(c)	¿Si	extirpo	el	tim
o	a	un	anim
al,	cam
bia	su	respuesta	inm
une?
2
)	B
u
s
c
a
r	in
fo
rm
a
c
ió
n
	p
re
v
ia
	y
	fo
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	
B
IO
L
Ó
G
IC
A
S
	n
u
la
	y
	a
lte
rn
a
tiv
a
.
•
Luego	de	form
ular	la	pregunta	biológica	específica	que	querem
os	responder,	
viene	un	proceso	de	búsqueda	de	inform
ación	ya	disponible	sobre	ese	tem
a	en	
particular	(libros,	artículos	científicos,	charla	con	expertos	del	tem
a,	entre	otros).	
•
Sobre	esa	base	de	conocim
iento,	se	deben	form
ular	las	hipótesis		biológicas	
nulas	y	alternativas.	
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
2
)	B
u
s
c
a
r	in
fo
rm
a
c
ió
n
	p
re
v
ia
	y
	fo
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	
B
IO
L
Ó
G
IC
A
S
	n
u
la
	y
	a
lte
rn
a
tiv
a
.
•
Una	hipótesis	biológica
es	una		afirm
ación	o	declaración	acerca	de	un	proceso	biológico	
que	hace	el	investigador,	sobre	cuál	espera	que	sea	el	resultado	del	experim
ento.	
•
Esa	hipótesis	de	investigación	luego	será	validada	por	los	datos	recolectados	en	el	
experim
ento	o	estudio,	o	refutada.	
•
Una	característica	general	es	que	una	hipótesis	de	investigación	SIEM
PRE	es	una	
afirm
ación.	
•
No	puede	ser	nunca	expresada	com
o	una	pregunta	(no	lleva	signo	de	interrogación!),	
una	duda	o	una	creencia	personal		(“creo	que…
”,		“m
e	parece	que”,	“puede	ser	que…
”).
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
2
)	B
u
s
c
a
r	in
fo
rm
a
c
ió
n
	p
re
v
ia
	y
	fo
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	
B
IO
L
Ó
G
IC
A
S
	n
u
la
	y
	a
lte
rn
a
tiv
a
.
•
El
hecho
de
pensar
cuáles
son
las
dos
posibles
hipótesis
biológicas
para
determ
inado
problem
a
(una
nula
y
una
alternativa),
nos
da
certeza
de
que
nuestro
experim
ento
arrojará
distintos
resultados
para
diferentes
respuestas
de
nuestra
pregunta
biológica.
•
Siem
pre
hay
que
teneren
cuenta
que,porregla,la
hipótesisnula
plantea
que
no
hay
diferencias,m
ientras
que
la
hipótesis
alternativa
norm
alm
ente
plantea
lo
que
elinvestigadorcree
que
va
a
suceder(elresultado
esperado).
Usuario1
Highlight
2
)	B
u
s
c
a
r	in
fo
rm
a
c
ió
n
	p
re
v
ia
	y
	fo
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	
B
IO
L
Ó
G
IC
A
S
	n
u
la
	y
	a
lte
rn
a
tiv
a
-
E
je
m
p
lo
s
Retom
ando	los	ejem
plos	previos,	podríam
os	plantear	las	siguientes	hipótesis	
biológicas:
a)	BEGO
NIAS
•
Hipótesis	biológica	nula:	Las	begonias		regadas	con	agua	con	sal	durante	10	
días	crecen	lo	m
ism
o	que	begonias	regadas	con	agua	sin	sal
•
Hipótesis	biológica	alternativa:	Las	begonias		regadas	con	agua	con	sal	
durante	10	días	crecen	m
enos	que	begonias	regadas	con	agua	sin	sal
2
)	B
u
s
c
a
r	in
fo
rm
a
c
ió
n
	p
re
v
ia
	y
	fo
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	
B
IO
L
Ó
G
IC
A
S
	n
u
la
	y
	a
lte
rn
a
tiv
a
-
E
je
m
p
lo
s
Retom
ando	los	ejem
plos	previos,	podríam
os	plantear	las	siguientes	hipótesis	biológicas:
b)	SUELO
	ARENO
SO
•
Hipótesis	biológica	nula:	No	hay	relación	entre	proporción	de	arena	en	suelo	y	la	
germ
inación	de	plantas;	independientem
ente	de	la	concentración	de	arena	en	suelo,	
las	plantas	germ
inan	igual.
•
Hipótesis	biológica	alternativa:	Si	hay	relación	entre	proporción	de	arena	en	suelo	y	
crecim
iento	de	plantas;	a	m
ayor		proporción	de	arena	en	suelo,	las	plantas	germ
inan	
antes.
2
)	B
u
s
c
a
r	in
fo
rm
a
c
ió
n
	p
re
v
ia
	y
	fo
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	
B
IO
L
Ó
G
IC
A
S
	n
u
la
	y
	a
lte
rn
a
tiv
a
-
E
je
m
p
lo
s
Retom
ando	los	ejem
plos	previos,	podríam
os	plantear	las	siguientes	hipótesis	
biológicas:
c)	TIM
O
•
Hipótesis	biológica	nula:	El	sistem
a	inm
une	anim
al	es	independiente	del	
tim
o.	Se	puede	extirpar	y	no	generará	cam
bios	en	la	respuesta	inm
une
•
Hipótesis	biológica	alternativa:	Extirpar	el	tim
o	cam
bia	la	respuesta	inm
une	
en	m
am
íferos.
2
)	B
u
s
c
a
r	in
fo
rm
a
c
ió
n
	p
re
v
ia
	y
	fo
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	
B
IO
L
Ó
G
IC
A
S
	n
u
la
	y
	a
lte
rn
a
tiv
a
•
Presten	atención	a	lo	siguiente:	en	todos	los	casos	que	presentam
os,	la	hipótesis	nula	
habla	de	ausencia	de	cam
bio.	
•
Respecto	de	la	alternativa,	en	los	dos	prim
eros	casos,	la	hipótesis	alternativa	tiene	una	
dirección,	un	sentido	(“las	begonias	crecen	m
enos”,	“las	plantas	germ
inan	antescuando	
m
ayor	es	la	proporción	de	arena”),	m
ientras	que	en	el	últim
o	caso	la	hipótesis	alternativa	
nos	habla	de	“cam
bio”	pero	sin	dirección	(“cam
bia	la	respuesta	inm
une”,	pero	no	nos	
dice	si	la	aum
enta	o	la	dism
inuye).	
•
Esta	dirección	que	le	dam
os	(o	no)	a	la	hipótesis	biológica	alternativa	tam
bién	depende	
del	objetivo	de	nuestra	investigación	
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
3
)	F
o
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	E
S
T
A
D
ÍS
T
IC
A
S
	n
u
la
	y
	
a
lte
rn
a
tiv
a
•
Luego	de	form
ular	las	hipótesis	biológicas,	que	hacían	referencia	a	procesos	
biológicos,	debem
os	form
ular	las	hipótesis	estadísticas	que	hacen	referencia	a	
núm
eros	(cosas	que	podem
os	m
edir	o	contar).
•
Nuevam
ente	la	hipótesis	nula	nos	plantea	la	ausencia	de	cam
bio,	m
ientras	que	la	
alternativa	nos	plantea	el	cam
bio	que	esperam
os	que	suceda.	
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
3
)	F
o
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	E
S
T
A
D
ÍS
T
IC
A
S
	n
u
la
	y
	
a
lte
rn
a
tiv
a
	-
E
je
m
p
lo
Retom
ando	los	ejem
plos	previos,	podríam
os	plantear	las	siguientes	hipótesis	estadísticas:
a)	BEGO
NIAS
•
Hipótesis	Estadísticanula:	No	hay	diferencia	en	el	largo	de	tallo	prom
edio	de		
begonias		regadas	con	agua	con	sal	durante	10	días	respecto	de	begonias	regadas	
con	agua	sin	sal
•
Hipótesis	Estadísticaalternativa:	Si	hay	diferencias.	El	tallo	de	tallo	prom
edio	de	
begonias		regadas	con	agua	con	sal	durante	10	días	es	m
as	corto	que	el	de	begonias	
regadas	con	agua	sin	sal
3
)	F
o
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	E
S
T
A
D
ÍS
T
IC
A
S
	n
u
la
	y
	
a
lte
rn
a
tiv
a
	-
E
je
m
p
lo
Retom
ando	los	ejem
plos	previos,	podríam
os	plantear	las	siguientes	hipótesis	estadísticas:
b)	SUELO
	ARENO
SO
•
Hipótesis	Estadísticanula:	El	tiem
po	m
edio	desde	siem
bra	hasta	germ
inación,	
m
edido	en	días,es	igual	en	sem
illas	sem
bradas	en	suelos	arenosos	que	en	suelos	
con	baja	proporción	de	arena
•
Hipótesis	Estadísticaalternativa:	El	tiem
po	m
edio	desde	siem
bra	hasta	germ
inación,	
m
edido	en	días,	es	m
ás	corto	en	sem
illas	sem
bradas	en	suelos	arenosos	que	en	
suelos	con	baja	proporción	de	arena
3
)	F
o
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	E
S
T
A
D
ÍS
T
IC
A
S
	n
u
la
	y
	
a
lte
rn
a
tiv
a
	-
E
je
m
p
lo
Retom
ando	los	ejem
plos	previos,	podríam
os	plantear	las	siguientes	hipótesis	estadísticas:
c)	TIM
O
•
Hipótesis	Estadísticanula:	La	m
edia	de	la	concentración	de	linfocitos	T	en	sangre	es	
la	m
ism
a	en	anim
ales	con	tim
o	que	en	anim
ales	a	los	cuales	se	les	extirpó	el	tim
o
•
Hipótesis	Estadísticaalternativa:	La	m
edia	de	la	concentración	de	linfocitos	T	es	la	
distinta	en	anim
ales	con	tim
o	que	en	anim
ales	a	los	cuales	se	les	extirpó	el	tim
o.
3
)	F
o
rm
u
la
r	la
s
	h
ip
ó
te
s
is
	E
S
T
A
D
ÍS
T
IC
A
S
	n
u
la
	y
	
a
lte
rn
a
tiv
a
IM
PO
RTAN
TE	TEN
ER	EN
	CU
EN
TA
•
Com
o	verán,	todas	las	hipótesis	estadísticas	se	plantean	sobre	cosas	m
edibles	o	
contables	(“largo	de	tallo”,	“tiem
po	de	germ
inación”,	“concentración	de	linfocitos	
T”),	y	siem
pre	respetando	que	la	hipótesis	nula	expresa	ausencia	de	cam
bio.	
•
Adem
ás,	no	hacen	referencia	directa	a	los	valores	de	esas	cosas	m
edibles,	sino	a	
descriptores	num
éricos	de	ellos	(“largo	de	tallo	prom
edio”,	“m
edia	del	tiem
po	de	
germ
inación”,	“concentración	m
edia	de	linfocitos	T)
Usuario1
Highlight
C
o
m
p
a
ra
c
ió
n
	e
n
tre
	h
ip
ó
te
s
is
	b
io
ló
g
ic
a
s
	(n
u
la
	y
	
a
lte
rn
a
tiv
a
)	y
	e
s
ta
d
ís
tic
a
s
	(n
u
la
	y
	a
lte
rn
a
tiv
a
)
•
Biológica	
à
Hace	referencia	a	un	proceso	biológico	
à
No	es	directam
ente	cuantificable		
à
Hip	Nula:	ausencia	de	cam
bio	biológico,	al	
realizar	el	experim
ento	
à
Hip	Alternativa	(con	o	sin	dirección:	m
ayor	
que,	m
enor	que,	diferente…
):	el	cam
bio	
biológico	que	el	investigador	espera	
observar	al	realizar	el	experim
ento	
•
Estadística	
à
Hace	referencia	a	una	cantidad	num
érica	
à
Es	directam
ente	cuantificable,	usa	descriptores	num
éricos	
(m
edia,	proporción,	coeficiente	de	correlación,	varianza,	
pendiente	de	recta	de	regresión)	
à
Hip	Nula:	ausencia	de	cam
bio	biológico	num
érico	en	las	
variables	al	realizar	el	experim
ento	
à
Hip	Alternativa	(con	o	sin	dirección,	m
ayor	que,	m
enor	
que,	diferente…
):	el	cam
bio	num
érico	que	el	investigador	
espera	observar	al	realizar	el	experim
ento	
Usuario1
Highlight
4
)	D
e
te
rm
in
a
r	c
u
á
le
s
	s
o
n
	la
s
	v
a
ria
b
le
s
	im
p
o
rta
n
te
s
	e
n
	
n
u
e
s
tro
	in
te
rro
g
a
n
te
•
Casualm
ente	en	todos	los	casos	m
encionados	hasta	ahora	tenem
os	dos	variables	
(O
jo!	no	siem
pre	son	dos	las	variables!)
•
a)	Variables	en	el	estudio	de	BEGO
NIAS?
•
b)	Variables	en	el	estudio	de	SUELO
	ARENO
SO
?
•
c)	Variables	en	el	estudio	de	TIM
O
?
Usuario1
Highlight
4
)	D
e
te
rm
in
a
r	c
u
á
le
s
	s
o
n
	la
s
	v
a
ria
b
le
s
	im
p
o
rta
n
te
s
	e
n
	
n
u
e
s
tro
	in
te
rro
g
a
n
te
•
Casualm
ente	en	todos	los	casos	m
encionados	hasta	ahora	tenem
os	dos	variables	
(O
jo!	no	siem
pre	son	dos	las	variables!)
•
a)	Variables	en	el	estudio	de	BEGO
NIAS?	Largo	de	tallo	y	riego	con	sal	(si/no)
•
b)	Variables	en	el	estudio	de	SUELO
	ARENO
SO
?	Proporción	de	arena	en	suelo	y	
tiem
po	de	germ
inación
•
c)	Variables	en	el	estudio	de	TIM
O
?	tim
o	(presencia/	ausencia)	y	concentración	
de	linfocitos	T	en	sangre
Usuario1
Highlight
5
)	D
e
te
rm
in
a
r	q
u
é
	tip
o
	d
e
	v
a
ria
b
le
	e
s
	c
a
d
a
	u
n
a
•
Esto	ya	lo	hem
os	visto	previam
ente!
•
a)	Tipo	de	variables	en	el	estudio	de	BEGO
NIAS?
•
b)	Tipo	de	variables	en	el	estudio	de	SUELO
	ARENO
SO
?
•
c)	Tipo	de	variables	en	el	estudio	de	TIM
O
?
Usuario1
Highlight
5
)	D
e
te
rm
in
a
r	q
u
é
	tip
o
	d
e
	v
a
ria
b
le
	e
s
	c
a
d
a
	u
n
a
•
Esto	ya	lo	hem
os	visto	previam
ente!
•
a)	Tipo	de	variables	en	el	estudio	de	BEGO
NIAS?	Largo	de	tallo	es	cuantitativa	continua	y	
riego	con	sal	(si/no)	es	cualitativa	nom
inal
•
b)	Tipo	de	variables	en	el	estudio	de	SUELO
	ARENO
SO
?Proporción	de	arena	en	suelo	es	
cuantitativa	continua		y	tiem
po	de	germ
inación	tam
bién	es	cuantitativa	continua	
•
c)	Tipo	de	variables	en	el	estudio	de	TIM
O
?	tim
o	(presencia/	ausencia)	es	cualitativa	
nom
inal	y	concentración	de	linfocitos	T	en	sangre	es	cuantitativa	continua.
Usuario1
Highlight
6
)	D
is
e
ñ
a
r	u
n
	e
x
p
e
rim
e
n
to
	q
u
e
	c
o
n
tro
le
	o
	a
le
a
to
ric
e
la
s
	
v
a
ria
b
le
s
	d
e
	c
o
n
fu
s
ió
n
.
•
Esto	es	lo	que	hem
os	visto	en	la	clase	de	hoy!	Podem
os,	a	m
odo	de	práctica,	
intentar	reconocer	potenciales	variables	de	confusión	en	cada	experim
ento!
•
a)	Posibles	variables	de	confusión
en	el	estudio	de	BEGO
NIAS?
•
b)	Posibles	variables	de	confusión
en	el	estudio	de	SUELO
	ARENO
SO
?
•
c)	Posibles	variables	de	confusión
en	el	estudio	de	TIM
O
?
Usuario1
Highlight
6
)	D
is
e
ñ
a
r	u
n
	e
x
p
e
rim
e
n
to
	q
u
e
	c
o
n
tro
le
	o
	a
le
a
to
ric
e
la
s
	
v
a
ria
b
le
s
	d
e
	c
o
n
fu
s
ió
n
.
•
a)	Posibles	variables	de	confusión
en	el	estudio	de	BEGO
NIAS?
•
La	edad	de	las	plantas	(que	no	ocurra,	por	ejem
plo,	que	reguem
os	con	sal	sólo	plantas	jóvenes	y	sin	sal	
sólo	plantas	m
ás	viejas),	la	disponibilidad	del	luz	de	las	plantas		(que	no	ocurra,	por	ejem
plo,	que	
todas	las	plantas	regadas	con	sal	estén	en	una	zona	m
ás	som
breada	que	las	plantas	regadas	sin	sal),	
que	la	variedad	de	begonias	sea	la	m
ism
a	(que	no	ocurra,	por	ejem
plo,	que	todas	las	begonias	
regadas	con	sal	pertenezcan	a	la	variedad	“Begonia	tuberosa”	y	que	todas	las	regadas	sin	sal	
pertenezcan	a	otra	variedad),	que	la	com
posición	del	suelo	sea	la	m
ism
a	(que	no	ocurra,	por	ejem
plo,	
que	todas	las	begonias	regadas	con	sal	estén	en	suelo	arenoso	y	que	todas	las	regadas	sin	sal	estén	en	
suelo	arcilloso),	tem
peratura	am
biental	constante	(que	no	ocurra,	por	ejem
plo,	que	todas	las	plantas	
regadas	con	sal	estén	en	una	zona	m
ás	cálida	que	las	plantas	regadas	sin	sal),	etc.	
Usuario1
Highlight
6
)	D
is
e
ñ
a
r	u
n
	e
x
p
e
rim
e
n
to
	q
u
e
	c
o
n
tro
le
	o
	a
le
a
to
ric
e
la
s
	
v
a
ria
b
le
s
	d
e
	c
o
n
fu
s
ió
n
.
IM
PO
RTANTE
•
Si	en	nuestra	m
uestra	observam
os	algún	tipo	de	variabilidad	(ejem
plo,	tenem
os	plantas	
jóvenes	y	viejas)	hay	que	aleatorizarlas,	de	m
odo	que	igual	cantidad	de	plantas	jóvenes	y	
viejas	reciban	am
bos	tratam
ientos	(sal	y	no	sal).	
•
Lo	m
ism
o	con	las	otras	variables.	
•
Si	esto	no	se	controla,	nuestras	conclusiones	no	tendrán	validez	porque	los	grupos	a	
com
parar	no	difieren	solo	en	la	variable	de	interés	(sal)	sino	tam
bién	en	otras	variables	
que	no	nos	interesan.
Usuario1
Highlight
6
)	D
is
e
ñ
a
r	u
n
	e
x
p
e
rim
e
n
to
	q
u
e
	c
o
n
tro
le
	o
	a
le
a
to
ric
e
la
s
	
v
a
ria
b
le
s
	d
e
	c
o
n
fu
s
ió
n
.
•
c)	Posibles	variables	de	confusión
en	el	estudio	de	TIM
O
?
•
Edad	de	los	anim
ales	(que	no	ocurra,	por	ejem
plo,	que	se	le	extirpó	el	tim
o	solo	a	anim
ales	
viejos,	m
ientras	que	los	no	extirpados	son	jóvenes),	el	sexo	de	los	anim
ales	(que	no	ocurra,	por	
ejem
plo,	que	se	le	extirpó	el	tim
o	solo	a	anim
ales	m
achos,	m
ientras	que	los	no	extirpados	son	
hem
bras),	el	estado	de	salud	de	los	anim
ales	(que	no	ocurra,	por	ejem
plo,	que	se	le	extirpó	el	
tim
o	solo	a	anim
ales	que	ya	estaban	enferm
os,	m
ientras	que	los	no	extirpados	son	anim
ales	
sanos),	etc.
6
)	D
is
e
ñ
a
r	u
n
	e
x
p
e
rim
e
n
to
	q
u
e
	c
o
n
tro
le
	o
	a
le
a
to
ric
e
la
s
	
v
a
ria
b
le
s
	d
e
	c
o
n
fu
s
ió
n
.
IM
PO
RTANTE
•
Com
o	verán	son	m
últiples	las	variables	que	no	nos	interesa	evaluar,	pero	que	
debem
os	tratar	de	m
antener	lo	m
ás	constantes	y	hom
ogéneas	entre	los	
tratam
ientos	aplicados,	para	que	nuestras	conclusiones	no	pierdan	validez	por	
estar	influidas	por	terceras	variables	de	confusión.	
•
Y	eso	solo	se	lograusando	un	diseño	experim
ental	adecuado,	aleatorizado,	de	
acuerdo	a	lo	visto	previam
ente	en	esta	m
ism
a	clase.
Usuario1
Highlight
7
)	E
n
	b
a
s
e
	a
l	n
ú
m
e
ro
	y
	tip
o
	d
e
	v
a
ria
b
le
s
,	la
s
	h
ip
ó
te
s
is
	a
	
s
e
r	p
ro
b
a
d
a
s
,	e
n
tre
	o
tro
s
,	e
le
g
ir	la
	p
ru
e
b
a
	e
s
ta
d
ís
tic
a
	
q
u
e
	m
e
jo
r	s
e
	a
ju
s
ta
	a
	n
u
e
s
tro
s
	d
a
to
s
.
•
En	las	próxim
as	clases,	aprenderem
os	a	identificar	cuál	es	la	m
ejor	prueba	
estadística	dada	la	naturaleza	de	nuestros	datos	y	variables.	
•
Solo	nos	enfocarem
os	en	m
odelos	de	la	estadística	param
étrica.	
•
Hay	otra	ram
a	de	la	estadística	(no	param
étrica)	en	la	que	no	incursionarem
os.
Usuario1
Highlight
8
)	S
i	e
s
	p
o
s
ib
le
,	h
a
c
e
r	u
n
	a
n
á
lis
is
	d
e
	p
o
te
n
c
ia
	p
a
ra
	
d
e
te
rm
in
a
r	c
u
á
l	e
s
	e
l	m
e
jo
r	ta
m
a
ñ
o
	m
u
e
s
tra
l
p
a
ra
	
n
u
e
s
tro
	e
x
p
e
rim
e
n
to
•
Aprender	a	calcular	el	tam
año	m
uestralóptim
o	para	el	estudio	que	querem
os	
realizar	es	altam
ente	necesario:	la	m
uestra	no	debe	ser	m
uy	pequeña	(que	no	
nos	perm
ita	obtener	diferencias	significativas,	si	es	que	estas	existen),	ni	
dem
asiado	grande	(ya	que	im
plicaría	un	gasto	innecesario	de	recursos).	
•
En	las	secciones	próxim
as	clases	a	calcular	ese	tam
año	m
uestralóptim
o,	al	m
enos	
para	algunos	tipos	de	datos.
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
Usuario1
Highlight
9
)	H
a
c
e
r	e
l	e
x
p
e
rim
e
n
to
•
Fíjense	que	“hacer	el	experim
ento”	es	el	paso	9,	no	el	1	ni	el	2.	
•
Es	necesario	invertir	un	gran	tiem
po	en	pensar,	planificar	y	tom
ar	decisiones	antesde	hacer	el	
experim
ento.	
•
De	esta	form
a,	tendrem
os	un	experim
ento	cuyos	resultados	serán	fáciles	de	com
prender,	de	
analizar	e	interpretar,	y	podrá	dar	respuesta	a	la	pregunta	biológica	planteada	al	inicio.
•
Lam
entablem
ente,	otro	de	los	principales	problem
as	en	la	experim
entación	en	ciencias	biológicas	
en		general	(y	que	se	visibiliza	en	m
últiples	publicaciones)	es	que	(por	apuro,	desconocim
iento	de	
estadística,	etc),	prim
ero	“se	hace	el	experim
ento”	y	después	“se	ve	com
o	analizar	los	datos”.	Esto	
lleva	a	m
últiples	problem
as
Usuario1
Highlight
Usuario1
Highlight
1
0
)	E
x
a
m
in
a
r	s
i	lo
s
	d
a
to
s
	o
b
te
n
id
o
s
	d
e
l	e
x
p
e
rim
e
n
to
	
c
u
m
p
le
n
	c
o
n
	lo
s
	p
rin
c
ip
io
s
	(s
u
p
u
e
s
to
s
)	d
e
l	test
e
s
ta
d
ís
tic
o
	s
e
le
c
c
io
n
a
d
o
•
Dentro	de	los	supuestos	básicos	a	considerar	se	encuentran	el	de	independencia,	
norm
alidad	de	los	datos	y	hom
ogeneidad	de	varianzas.	
•
Esto	tam
bién	lo	verem
os	con	m
ás	profundidad	en	las	próxim
as	clases,	pero	hay	
que	tenerlo	en	cuenta:	si	no	se	cum
plen	los	supuestos,	hay	que	elegir	otra	prueba	
estadística.	
Usuario1
Highlight
Usuario1
Highlight
1
1
)	A
p
lic
a
r	e
l	te
s
t	e
s
ta
d
ís
tic
o
	e
le
g
id
o
	e
	in
te
rp
re
ta
r	lo
s
	
re
s
u
lta
d
o
s
.
•
La	aplicación	de	los	testsestadísticos	hoy	en	día	se	hace	con	softw
are.	
•
Lo	que	ningún	softw
are
puede	hacer,	y	para	eso	necesitam
os	tener	bien	
incorporados	tanto	los	conceptos	biológicos	de	interés	com
o	estadísticos,	es	la	
interpretación	(estadística	y	biológica)	de	los	m
ism
os.	
•
En	esto	nos	enfocarem
os	de	ahora	en	m
ás!	Verem
os	pruebas	de	t,	de	chi-
cuadrado,	análisis	de	la	varianza	y	regresión	lineal.	
Usuario1
Highlight