Diseño experimental

y análisis estadístico

Competencias Grados en Biología,

transversales Biotecnología y
encaminadas a la Ciencias
mejora del Trabajo Ambientales
Fin de Grado Facultad de Biología
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

“señal”, información estructural “ruido”, entropía

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
Diseño experimental y análisis estadístico
1. El método científico
• El papel de los modelos en ciencia: Dichos sobre los modelos científicos

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)
Fuente: Kéry y Schaub (2012)

Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
1. El método científico
• Contraste de hipótesis
Método hipotético-deductivo

Karl Popper (1902-1994)

Fuente: Wikimedia Commons

Fuente: Wiens (1989)

Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
1. El método científico
• Cuatro visiones filosóficas de la ciencia

Filósofo Palabras clave Tipo de confrontación

Una única hipótesis es refutada por confrontación con los

Popper Falsación de hipótesis
datos.

Una única hipótesis es utilizada hasta que exista mucha

Paradigmas, ciencia normal,
Kuhn información de que ha sido “derrocada” por una hipótesis
revolución científica
“mejor”.
Se permiten múltiples visiones del mundo de acuerdo a
diferentes opiniones de los científicos. La confrontación
Polanyi República de la ciencia
de estas visiones y los datos son juzgadas en función de
su (i) verosimilitud, (ii) valor, (iii) interés.

Programa de investigación Confrontación de múltiples hipótesis con los datos como

Lakatos
científica juez.
Fuente: 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
• 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.
“You can, for example, never foretell what
any one man will do, but you can say with
La inferencia estadística tiene como
precision what an average number will be
objetivo la estimación de las
up to. Individuals vary, but the percentages
propiedades o características de una
remain constant. So says the statistician.”
población a partir del análisis de una
muestra de dicha población Sherlock Holmes. The Sign of Four.

Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
2. Fundamentos de probabilidad
• Probabilidad:
Es la frecuencia esperada con la que ocurre un evento
• Midiendo la probabilidad
número de resultados
𝑃=
número de ensayos 0,0 ≤ 𝑃 ≤ 1,0
número de hembras nacidas Si no hubiese
𝑃=
número de individuos nacidos incertidumbre en el
resultado no haría falta
ni la probabilidad ni la
Ley de Hardy-
estadística
Weinberg
𝑃 𝐴𝐴 = 𝑝2
𝑃 𝐴𝑎 = 2𝑝𝑞 = 𝑃 ℎ𝑒𝑚𝑏𝑟𝑎 𝐴 𝑦 𝑚𝑎𝑐ℎ𝑜 𝑎 𝑜 𝑃 ℎ𝑒𝑚𝑏𝑟𝑎 𝑎 𝑦 𝑚𝑎𝑐ℎ𝑜 𝐴
𝑃 𝑎𝑎 = 𝑞 2
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
2. Fundamentos de probabilidad
• Probabilidad condicional
Es la probabilidad de que ocurra un evento A, sabiendo que también sucede
otro evento B (probabilidad de A dado B):
Probabilidad
𝑃(𝐴 ∩ 𝐵) conjunta de A y B
𝑃 𝐴𝐵 =
𝑃(𝐵)
área de B / área de S
𝐵
• Teorema de Bayes:
𝐴∩𝐵
𝑃 𝐵 𝐴 𝑃(𝐴) 𝐴 𝑆
𝑃 𝐴𝐵 =
𝑃(𝐵)
posterior
(distribución o prior (distribución Conjunto de todos
probabilidad o probabilidad los resultados
posterior) previa) posibles

Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
2. Fundamentos de probabilidad
• 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.

Prueba un web app 𝑁(0,1)

en
showmeshiny.com
Densidad

Distribución normal
(media = 0, desviación
estándar = 1)
95%

-1,96 z 1,96
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
2. Fundamentos de probabilidad
• Variables aleatorias y distribuciones de probabilidad
Ejemplos:
Distribución Media Varianza Comentarios
Discretas

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

(𝑏 − 𝑎) (𝑏 − 𝑎)2
Uniforme Resultados equiprobables sobre el intervalo [a, b]
2 12
Continuas

Normal 𝜇 𝜎2 Genera curvas simétricas para datos continuos

𝜇+𝜎2 𝜇+𝜎2
Log-normal 𝑒 2 𝑒 2 × 𝑒𝜎
2 Para datos con asimetría positiva (right-skewed)

Exponencial 1 𝛽 1 𝛽2 Distribución continua análoga a la de Poisson

Fuente: Gotelli y Ellison (2004)

Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
2. Fundamentos de probabilidad
• 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
3. Contraste de hipótesis estadísticas
• 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):
P ( y ≥ yobs|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:
P (datos|H0) También es frecuente
utilizar otras notaciones:
P no es la P (datos|H0)
probabilidad de que Pr (datos|H0)
H0 “sea cierta” Pr {datos|H0}
Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
3. Contraste de hipótesis estadísticas
• 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. :
ℒ(θ | yobs ) ∝ P ( yobs | θ )
“es proporcional a” θ puede ser un escalar o un vector

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
• Verosimilitud (likelihood)
Las verosimilitudes son números muy pequeños, menores que 1, por lo que
suele utilizarse más frecuentemente el logaritmo (natural) de la verosimilitud:

logℒ También denotado

como logLik, LL, L

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:

ℒ(θ 2 | yobs ) / ℒ(θ 1| yobs )

Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
3. Contraste de hipótesis estadísticas
• Verosimilitud, desvianza y criterio de información de Akaike (AIC)
La desvianza (deviance) se calcula como:
−2 (logℒ − logℒ s)
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:
−2 (logℒ − logℒ s) + 2K
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
• Errores en el contraste de hipótesis
Nivel de
significación;
Decisión:
habitualmente
Realidad: No rechazar H0 Rechazar H0 α = 0,05
Error Tipo I
Decisión correcta
H0 cierta (probabilidad = α)
(probabilidad = 1 – α)
“falso positivo”
Error Tipo II
Decisión correcta
H0 falsa (probabilidad = β )
(probabilidad = 1 – β )
“falso negativo”

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

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 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 al aumentar 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
Mayor nivel de
Prueba un web app
en significación α
showmeshiny.com

Mayor tamaño Mayor

del efecto tamaño de
la muestra
(precisión)

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 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.
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
Portada del libro de
perspectiva, el uso de P no tiene sentido. Burnham y Anderson (2002)

Competencias transversales encaminadas a la mejora del Trabajo Fin de Grado – Facultad de Biología
Diseño experimental y análisis estadístico
4. Fundamentos del diseño experimental
• Diseño experimental: [Krebs, 1999]
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
• 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

Fuente: Krebs (1999)

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:
2. Aleatorización y espaciamiento

Fuente: Krebs (1999)

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
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 de diseño experimental (Krebs 1999)
1. Modelos lineales aditivos 5. Diseños anidados
2. Diseños factoriales 6. Diseños de cuadrado latino
3. Diseños de bloques aleatorios 7. Diseños de medidas repetidas
4. Diseños split-plot 8. Estudios de impacto ambiental

• Tipos (en función de la naturaleza de las variables) (Gotelli y Ellison 2004)

Variable independiente
Variable dependiente Continua Categórica
Continua Regresión ANOVA
Categórica Regresión logística Tabular

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 paramétrico
• Análisis Bayesiano
• Análisis de Monte Carlo
• Análisis no paramétrico
• Selección de modelos e inferencia multimodelo

Ronald Fischer (1890-1962)

Fuente: Wikimedia Commons

• 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
• 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. Thomas Bayes (1702-1761)
Fuente: Wikimedia Commons

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
6. Análisis estadístico: conoce tus datos
• 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.

Fuente: Wikimedia Commons

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
• Representa tus datos Variable de respuesta
> sewage (dependiente)
> attach(sewage)

Covariable Tratamiento
(variable
categórica
independiente)
Tamaño
de la
muestra
(8 + 8)

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
• 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)

Fuente: Wikimedia Commons

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
• Barras de error
Barra de error Tipo Descripción Fórmula
Amplitud entre los extremos de los
Rango Descriptivo El mayor valor menos el menor
datos

Desviación Diferencia media entre los datos y (𝑥𝑖 −𝑥 2

Descriptivo SD =
estándar (SD) su media 𝑛−1

Medida de la variabilidad de la
Error estándar Inferencial media, si el estudio se repite SE = SD 𝑛
muchas veces
Intervalo de valores entre los
Intervalo de cuales se estima que estará la media
Inferencial 𝑥 ± 𝑡𝜐,1−𝛼 2 × SE
confianza (CI) verdadera con una determinada
probabilidad de acierto
Fuente: Cumming et al. (2007)

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
• 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
7. Análisis estadístico: métodos y modelos
• 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
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 experimental y análisis estadístico – Facultad de Biología