Durante su primer embarazo,

Michelle tena la extraa sensacin

de que poda predecir el futuro, por
ejemplo, ella poda predecir
correctamente el resultado del
lanzamiento de una moneda por lo
menos en 80% de los casos.
En busca de fama y fortuna, ella fue
al Centro de Investigacin en
Parasicologa Aplicada para que la
certifiquen como psquica.
En el centro le propusieron
someterla al siguiente experimento:
ella debera predecir el resultado de
20 lanzamientos consecutivos de
una moneda. Si ella predeca
correctamente por lo menos 16
(80%) ella sera certificada.
Era esto justo para Michelle?


OBrien, R.G. 1998. A tour of UnifyPow: A SAS module/macro for sample size analysis.
Proc 23rd SAS Users Group Interntl Conf-Cleveland Clinic Foundation
0
0.05
0.1
0.15
0.2
0.25
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
y
P
r
{
Y
=
y
}

Escpticamente, el Centro asumi que Michelle era normal (H
o
: t =0.5).
Bajo la hiptesis nula slo haba una probabilidad de 0.006 (o) que el Centro
certifique a Michelle siendo normal. Esto parece razonable desde el punto
de vista escptico, pero
t = 0.5
Pr = 0.006
{ } ( ) Pr 1
n y
y
n
Y y
y
t t
| |
= =
|
\ .

Qu tal si Michelle era realmente psquica (i.e. H
a
: t =0.8)? La
probabilidad de que el Centro la hubiese certificado era de slo 0.630.



0
0.05
0.1
0.15
0.2
0.25
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
y
P
r
{
Y
=
y
}
0
0.05
0.1
0.15
0.2
0.25
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
y
P
r
{
Y
=
y
}
t = 0.5
t = 0.8
NORMAL
PSQUICA
Pr = 0.006
Pr = 0.630
1-| |
o

Eplogo
Al enterarse de esto, Michelle decidi documentarse en estadstica y
lleg a la conclusin que, considerando que el escepticismo del Centro
era comprensible, ella tolerara un o conservador (0.005) pero no tolerara
una probabilidad menor a 0.990 (poder de la prueba) de que la certifiquen
siendo ella psquica. Su documentacin le permiti estimar que para
sto, el Centro debera usar un experimento aproximadamente tres veces
ms grande (69 lanzamientos). [Sin embargo, bajo la H
a
: t =0.8, ella slo
hubiese necesitado acertar > 46 veces]

De 383 ensayos clnicos con resultados negativos publicados en JAMA, Lancet y New England
Journal of Medicine entre 1975 y 1990, slo 16 y 36% tenan suficiente poder de la prueba para
detectar diferencias relativas de 25 y 50%, respectivamente (Moher et al. JAMA 1994, 272:122)




Moralejas
Hiptesis nula e Hiptesis alternante
Diferencia a detectar
Tamao de la muestra
Error o y Error |
Poder de la prueba
Direccin de la prueba (una o dos colas)

Facultad de Medicina Veterinaria
Unidad de PostGrado
Doctorado en Ciencia Animal


Diseos Experimentales para la Ciencia Animal
Clase 1



Noviembre 2007
Contexto: Estructura de la Investigacin
Problemas de Investigacin
Preguntas de Investigacin
Operacionalizacin
Hiptesis de Investigacin
Observacin Sistemtica
Anlisis de Datos
Conclusiones
Generalizacin

V
a
l
i
d
e
z
?

La Escalera de Validez de la Investigacin
Conclusin
Interna
Concepcin
Externa
Hay una relacin entre
la causa y el efecto?
Es esta relacin
causal?
Podemos generalizar a
preguntas e hiptesis?
Podemos generalizar a
otras muestras de la
poblacin?
Validez
Trochim, W.M.K. 2006. Dept. Policy Analysis & Management. Cornell Univ.
Amenazas a la Validez de la Investigacin
Amenazas
Concluir que (no) existe una
Relacin Cuando realmente
(no) la hay
Confiabilidad
Adecuado poder de la prueba
Implementacin
Conjuros
Validez de la Conclusin
Amenazas
Uso de Grupo Control
Modificacin por la
observacin
Aleatorizacin
Conjuros
Validez Interna
Maduracin
Mortalidad
1 grupo experimental
> 1 grupo experimental
Comparabilidad
Interaccin
Amenazas
Mapeo de Conceptos
Inadecuada
Operacionalizacin
Conjuros
Validez de la Concepcin
Sesgo en la aplicacin de
Tratamientos/Observaciones
Uso de mltiples versiones de
Tratamientos/Observaciones
Validez Externa
Generalizacin Errnea
Modelo Adecuado de Muestreo
Definicin del Universo de
Inferencia
Rplicas Espaciales/Temporales
Diseo Experimental
Diseo
Experimental
Hiptesis
Amenazas a la
Validez

Diseo de Grupos
o Tratamientos

Diseo
de Muestreo
Material
Experimental
Observaciones
o Medidas
Anlisis

Facultad de Medicina Veterinaria
Unidad de PostGrado
Doctorado en Ciencia Animal


Diseos Experimentales para la Ciencia Animal
Clase 2



Noviembre 2007
Panorama de los Diseos Experimentales

Conceptualizacin

El diseo experimental no es ms que una optimizacin de la funcin
Observacin = f (efectos, error aleatorio)
Mediante tcnicas de muestreo y/o distribucin del material experimental en
los diferentes tratamientos sustrae componentes del error aleatorio y los
explica, reducindolo
Ejemplo:
Diseo completamente al azar: y = tratamientos + error
Diseo bloques completos al azar: y = tratamientos + bloques + error


Clasificacin: Naturaleza

Estudio de caso
Descriptivos Serie de casos
Datos institucionales

Caso-control
Observacionales
Comparativos Cohortes

Experimentales Ensayos aleatorizados



Clasificacin: Seal/Ruido
Amplificadores
de la Seal
Reductores
del Ruido
Diseos
Factoriales
Diseos
de Bloqueo
Diseos
de Covarianza


Clasificacin: Seal/Ruido
Amplificadores
de la Seal
Reductores
del Ruido
Diseos
Factoriales
Diseos
de Bloqueo
Diseos
de Covarianza
Clasificacin Factorial

y =A B(A)
Diseo Completamente al Azar (CA)



y =A B AB
Diseo Bloques Completos al Azar (BCA)



y =A B C BC
Diseo Cuadrado Latino (CL)
Diseo de Sobrecambio (Cross Over)

Diseos con bloqueo
A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)
Clasificacin Factorial

y =A B AB C C(AB)
Diseo Completamente al Azar (CA)



y =A B AB C ABC
Diseo Bloques Completos al Azar (BCA)



y =A B AB C D CD
Diseo Cuadrado Latino (CL)

Ensayos Factoriales,
Aleatorizacin simultnea
A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)
Clasificacin Factorial
A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)

y =A C(A) B AB C*B(A)
Diseo Completamente al Azar (CA)



y =A C AC B AB C*B(A)
Diseo Bloques Completos al Azar (BCA)


y =A C D CD B AB C*B(A)
Diseo Cuadrado Latino (CL)
Ensayos Factoriales,
Aleatorizacin secuencial
(Parcelas divididas)
Clasificacin Factorial

y =A B AB C C(AB)
Diseo Completamente al Azar (CA)



y =A B AB C ABC
Diseo Bloques Completos al Azar (BCA)



y =A B AB C D CD
Diseo Cuadrado Latino (CL)

Ensayos Factoriales,
Aleatorizacin simultnea
con el factor B: tiempo o
lugar (Ensayos repetidos
en tiempo o espacio)
A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)
Clasificacin Factorial

y =A C(A) B AB C*B(A)
Diseo Completamente al Azar (CA)



y =A C AC B AB C*B(A)
Diseo Bloques Completos al Azar (BCA)


y =A C D CD B AB C*B(A)
Diseo Cuadrado Latino (CL)
Ensayos Factoriales,
Aleatorizacin secuencial.
El factor B son
mediciones repetidas
(Ensayos longitudinales)
A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)
Clasificacin Factorial

y =A x B(A)
Diseo Completamente al Azar (CA)



y =A x B AB
Diseo Bloques Completos al Azar (BCA)



y =A x B C BC
Diseo Cuadrado Latino (CL)

Diseos con covarianza
A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)
Clasificacin Factorial

y =x
Regresin Lineal Simple



y =x
1
x
2

Regresin Lineal Mltiple



y =x xx
Regresin Polinomial

Diseos de Regresin

y
1
y
2
=x
Regresin Multivariada

A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)
Clasificacin Factorial

y =x A
Regresin Con Factores Categricos



A = x
A = B
Regresin Logstica


Diseos de Regresin
A,B, Factores de clasificacin, efectos fijos
A,B, Factores de clasificacin, efectos aleatorios
o variables categricas
y, x,. Variables continuas
AB, A*B,. Interaccin (A por B)
A(B),... Anidamiento (A dentro de B)
Generalizacin Anlitica
Modelos Generales Lineales
Actualmente, y desde el punto de vista del anlisis, los diseos (clasificatorios y de
regresin) donde la variable de respuesta es continua y normalmente distribuida
se agrupan bajo el modelo general
y = X| + c
donde X es una matriz de diseo, con forma particular para el caso de que la
variable explicatoria sea continua o categrica.
Modelos Lineales Generalizados
Ms recientemente, los MGLs han sido generalizados mediante la manipulacin
de la familia exponencial de variables a un modelo comn
E(y) = g
-1
(X|)
donde g es la llamada funcin de enlace y depende de la distribucin de la
variable de respuesta. P. ej. si esta es normal, g es la identidad, si es binomial, g es
el logit [log (t/1-t)]

Facultad de Medicina Veterinaria
Unidad de PostGrado
Doctorado en Ciencia Animal


Diseos Experimentales para la Ciencia Animal
Clase 3



Noviembre 2007
De la Hiptesis al Diseo
Tipos de hiptesis

DESCRIPTIVA
Propone un determinado conjunto de niveles
para variables o atributos de una caracterstica


RELACIONAL
Propone una asociacin (y su naturaleza)
entre una o ms variables o atributos.


CAUSAL
Propone que una o ms variables o atributos
causan o afectan uno o ms resultados


Relacin Hptesis-Diseo


HIPTESIS DESCRIPTIVA


Definicin del Universo
de Inferencia
Diseo de Muestreo
Modelo de Muestreo Tamao de Muestra
Anlisis de los Datos

Relacin Hptesis-Diseo


HIPTESIS RELACIONAL


Definicin del Universo
de Inferencia
Diseo de Muestreo
Modelo de Muestreo Tamao de Muestra
Anlisis de los Datos
Definicin de la Naturaleza
y Alcance de la Relacin
Relacin Hptesis-Diseo


HIPTESIS CAUSAL


Definicin del Universo
de Inferencia
Arreglo Experimental
Anlisis de los Datos
Estructura de Tratamientos
Sin Estructura Control vs Tratamientos Niveles Crecientes Factorial
(Comparativo)
(Efecto) (Nivel ptimo) (Combinacin ptima)
MaterialExperimental
Tamao de Grupo
Diseo

Facultad de Medicina Veterinaria
Unidad de PostGrado
Doctorado en Ciencia Animal


Diseos Experimentales para la Ciencia Animal
Clase 4



Noviembre 2007
V. El diseo en funcin de la hiptesis: Hiptesis Descriptivas
1. Definicin del Universo de Inferencia











Ejemplo: El peso al nacimiento de las cras de alpaca nacidas en la provincia de
Canchis en la campaa de paricin de 2008
S
O
Poblacin
Lugar
Tiempo
Definir
Mtodos
estadsticos
apropiados
Mtodos
estadsticos
inapropiados
Nominales
Ordinales
Intervalo
Discretas
Continuas
Categricas
2. Naturaleza de la variable: Por los valores
Uniformes
Insesgadas o normales

F
r
e
c
u
e
n
c
i
a

d
e

l
o
s

v
a
l
o
r
e
s

Intervalo
Sesgadas
2. Naturaleza de la variable: Por la frecuencia de los valores con respecto a la media
i
y
y
n

=
1 , si 1 0%

y
s n
s
N
n
| = >
donde,
n
N
| =
MUESTREO SIMPLE AL AZAR
3. Diseos de muestreo
3.1. Modelos
MUESTREO ESTRATIFICADO
, donde
k
k k st k
N
y w y w
N
= =

( )
( )
2 2
1 , en este caso
k k k
k k st
k k
w s n
s y
n N
| | = =

( )
Si el muestreo es proporcional y las variancias son homogeneas 1

Calculo como ANVA
w
st
s
y
n
| =
Fuentes GL SC CM
Entre estratos 2 2073 1036.5
Dentro de estratos 27 6491 240.4
Total 29 8564 295.3
295.3
3.14
30
y
s
s
n
= = =
( )
240.4
2.83
30
w
st
s
s y
n
= = =
Optimizacion de la densidad de muestreo por estrato: ,
donde Costo de muestro por estrato
k k
k
k
k
N
n
C
C
o

=
MUESTREO POR ETAPAS
..
y y =
( )
2
2 2 2
(entre muestras)
1
i
a w a
m y y
s s ms
n

= +

( )
( )
2
2 2
(entre sub-muestras)
1
ij i
I J
w w
y y
s s
n m

2
2
Normalmente usamos o
a a
y y
s s
s s
nm
nm
= =
Los criterios para la optimizacin del nmero de muestras y de submuestras
son los mismos que para el muestreo estratificado
DOBLE MUESTREO
Variable objetivo
Variable concomitante






Ejemplos
DIMETRO
P
E
S
O

V
I
V
O

B
I
O
M
A
S
A

' y a bx = +
( )
( )
( )
( )
2
'
' '
2 2 2
.
' '
2
1



y x x
y n
x x
n n N n
Var s s b
n n Nn
x x

= + +
`

)
ALTURA






Es ms un mtodo que un diseo de muestreo
Condiciones Favorables:
Gran nmero de evaluaciones indirectas
Regresin con mnima
Obtencin de medidas directas e indirectas bajo las mismas condiciones
experimentales.
2
. y x
s
MUESTREO SISTEMTICO
Obtencin de y semejante al muestreo simple al azar.
No hay problemas con , pero la calidad de como estimador es discutible
Considerar como ltimo recurso cuando la poblacin es grande, uniforme y de
tamao indefinido y cuando no existe un patrn cclico.
y
y
s
y
y
s
MUESTREO DISCRIMINADO
Autoritativo
Conveniencia (accesibilidad, voluntarios)