Disefio experimental y andlisis estadistico EW URE et eter etl titerd + Andlisis paramétrico + Anélisis Bayesiano * Anélisis de Monte Carlo + Anilisis no paramétrico + Seleccién de modelos e inferencia multimodelo Ronald Fischer (2890-1952), Fuente: Wikimedia Commons * Andlisis paramétrico (clasico, convencional o frecuentista) Asume que los datos se ajustan a un determinado tipo de distribucion conocida. Estima los parametros de dicha distribucion a partir de los datos. Aqui la probabilidad se define como la frecuencia relativa de una caracteristica de los datos.Pyke ULC CSL iciaae) reer a Pe Cenc eimai rete © Andlisis Bayesiano El andlisis Bayesiano es mucho més antiguo (s. XVIII) que el frecuentista, pero es mas complejo y su uso no se ha generalizado hasta el desarrollo de software accesible para la mayoria de usuarios (WinBUGS). La estadistica Bayesiana también asume que los datos se ajustan a una distribucién, pero los parametros se estiman no solo a partir de los datos, sino también de informacion o conocimiento previo, y asigna probabilidades a esos pardmetros. Por tanto, la probabilidad se usa para expresar la incertidumbre sobre un pardmetro (en estadistica clasica es sobre los datos). La receta para un andlisis Bayesiano es (Lindley 1983): = éQué es lo que no sabes y te interesa? Llamalo 6. — Qué sabes? Llamalo D. = Ahora calcula P(@|D). = éCémo? Usando las reglas de probabilidad. “Thomas Bayes (1702-1761) Fuente: Wikimedia CommonsPe TURAL settle idle) ; oe 5. Analisis estadistico: enfoques metodoldgicos * Anélisis de Monte Carlo (tests de aleatorizacién) No asume ningun tipo de distribucién paramétrica de los datos (por ejemplo, normalidad). Utiliza la aleatorizacién de los datos observados (permutaciones aleatorias). * Analisis no paramétrico Se fundamentan en el analisis de los datos transformados en sus rangos (ntimero de orden), pero son un caso especial de andlisis de Monte Carlo. Actualmente su uso no se recomienda (Gotelli y Ellison 2004) porque: a) con la transformacién se pierde mucha informacién, b) las técnicas paramétricas son a menudo “robustas” frente las violaciones de las asunciones (gracias al Teorema del Limite Central), y c) solo hay métodos disponibles para analisis simples.Disefio experimental y andlisis estadistico 6. Analisis estadistico: conoce tus datos « Exactitud y precision Son dos aspectos fundamentales en el proceso de obtencién de datos. La ausencia de exactitud se denomina sesgo (bias). La precision se refiere a la dispersién de los datos y se relaciona con la repetibilidad y la reproducibilidad. Exactitud Densidad de probabilidad Valor de referencia Valor —— Precision Fuente: Wikimedia CommonPT TiteeeeUe hele t (ae) ; conoce tus datos * Representa tus datos Variable de respuesta > sewage > sewage (dependiente) a > attach (sewage) day coliform method 1 2.8 a 2 2 3.1 a 3 3 2.9 A 4 4 3.0 A Covariable 5 5 2.4 A Tratamiento 6 6 3-0 a (variable a ¢ Bee B categérica 8 8 2.6 A B Ae z independiente) Tamafio 10 2 3.1 B dela 11 3 3.4 B meses, 12 «4 3:5: B (e+8) 13°05 2.7 B 14 6 2.9 B 15 7 3.5 B 16 8 2.8 BMPN acl faem aera ae eRe Loy * Representa tus datos graficamente > hist (coliform) > plot(day, coliform, col-facto (method) ) Frsamecr 2 ihr ote ee ns