Podcast sobre Fundamentos de Diseño Experimental y Estadística

Kapitoly

El dilema del acuicultor

Los ingredientes de un experimento

Los tres pilares del diseño

Definiendo las variables

La apuesta científica: Las hipótesis

Diseños para cada situación

Los errores que podemos cometer

La importancia de todo esto

El Corazón de los Datos

Experimentos a Prueba de Todo

¿Funcionó o fue Suerte?

¿Funciona la predicción?

Resumen y Despedida

Přepis

Sofía: Imagina a un joven estudiante llamado Leo. Le apasiona la acuicultura y quiere descubrir qué tipo de alimento hace que sus peces crezcan más rápido. Tiene tres dietas nuevas y un montón de estanques. Pero, ¿cómo lo hace? Si le da un alimento diferente a cada estanque, ¿cómo puede estar seguro de que el crecimiento extra no se debe a que un estanque recibe más sol que otro?

Diego: Exacto. Ese es el momento en que un buen plan, un buen mapa, lo cambia todo. Ese mapa, en ciencia, se llama diseño experimental.

Sofía: Y de eso vamos a hablar hoy. Estás escuchando Studyfi Podcast.

Diego: ¡Vamos al grano! Un diseño experimental es simplemente la receta que seguimos para que nuestro experimento tenga sentido y los resultados sean confiables.

Sofía: Como una receta de cocina, pero para la ciencia. Me gusta. ¿Cuáles son los ingredientes básicos?

Diego: ¡Buena analogía! Los ingredientes principales son tres. Primero, el **Tratamiento**. En el caso de Leo, sus tratamientos son las tres dietas diferentes: Dieta A, Dieta B y Dieta C.

Sofía: Entendido. Lo que aplicamos o cambiamos. ¿Qué sigue?

Diego: La **Unidad Experimental**. Es lo mínimo a lo que le aplicas el tratamiento. Para Leo, cada estanque con sus peces es una unidad experimental. No el pez individual, sino el estanque completo.

Sofía: Ah, clave esa distinción. ¿Y el último ingrediente?

Diego: La **Variable Respuesta**. Es lo que mides para ver el efecto del tratamiento. Por ejemplo, el peso final de los peces, su tasa de crecimiento o la supervivencia.

Sofía: Okay, tenemos tratamiento, unidad y respuesta. Pero, ¿cómo organizamos todo para que sea justo, como en el problema de Leo con el sol?

Diego: Aquí entran los tres pilares fundamentales. El primero es la **Aleatorización**. Es crucial.

Sofía: ¿Qué significa exactamente aleatorizar? ¿Dejarlo a la suerte?

Diego: ¡En cierto modo, sí! Significa asignar los tratamientos a las unidades experimentales completamente al azar. Como sacar los nombres de los estanques de un sombrero para decidir qué dieta recibe cada uno. Así evitas sesgos.

Sofía: Claro, así te aseguras de que no pongas, sin querer, la dieta que crees que es mejor en los estanques que ya de por sí son mejores. ¿Cuál es el segundo pilar?

Diego: La **Repetición**. No basta con probar cada dieta en un solo estanque. Necesitas aplicarla varias veces en diferentes unidades experimentales.

Sofía: ¿Por qué? ¿No es suficiente con una vez?

Diego: Piénsalo así: si solo usas un estanque por dieta, cualquier cosa rara que pase en ese estanque, como una pequeña enfermedad, podría arruinar tu resultado. Al repetir, puedes estimar la variación natural, lo que llamamos **Error Experimental**, y tener más confianza en tus conclusiones.

Sofía: Tiene todo el sentido. Más repeticiones, más confiable el resultado. ¿Y el tercer pilar?

Diego: El **Control Local**. A veces, no puedes hacer que todas tus unidades experimentales sean idénticas. Quizás unos estanques están en una zona con más sombra. El control local consiste en agrupar las unidades similares en bloques.

Sofía: Como agrupar todos los estanques con sombra y comparar las dietas dentro de ese bloque, y hacer lo mismo con los estanques soleados. Así comparas manzanas con manzanas.

Diego: ¡Exactamente! Con esos tres pilares —aleatorización, repetición y control— tu experimento ya está sobre una base sólida.

Sofía: Hablemos más de las variables. Mencionaste la variable respuesta, que es lo que medimos. Pero, ¿cómo llamamos a lo que nosotros cambiamos a propósito?

Diego: Esa es la **Variable Independiente**. Es la causa, el factor que manipulamos para ver qué pasa. En nuestro ejemplo, la variable independiente es el tipo de dieta.

Sofía: Independiente porque nosotros decidimos cuál poner. Y la que cambia como resultado es la...?

Diego: La **Variable Dependiente**. Su valor depende de la variable independiente. El peso de los peces es la variable dependiente porque esperamos que dependa de la dieta que comieron.

Sofía: Sencillo: la independiente es la causa, la dependiente es el efecto. Pero hay otras cosas que pueden afectar, ¿no? Como la temperatura del agua o el pH.

Diego: ¡Muy buena observación! Esas son las **Variables Controladas**. Son factores que podrían influir en el resultado, así que hacemos todo lo posible por mantenerlas constantes en todas las unidades experimentales para que no interfieran.

Sofía: Una vez que tenemos el plan, ¿qué es lo que queremos probar exactamente? Ahí es donde entran las hipótesis, ¿verdad?

Diego: Correcto. Una hipótesis es una afirmación que sometemos a prueba. Siempre trabajamos con dos. La primera es la **Hipótesis Nula**, o H₀.

Sofía: ¿Nula? ¿Por qué nula?

Diego: Porque establece que no hay efecto. Básicamente, es la posición escéptica. Para nuestro amigo Leo, la hipótesis nula diría: "Las dietas no producen ninguna diferencia significativa en el crecimiento de los peces". Partimos de la idea de que no pasa nada.

Sofía: Entiendo, es como el "inocente hasta que se demuestre lo contrario" de la ciencia.

Diego: ¡Exacto! Y la que intenta demostrar lo contrario es la **Hipótesis Alternativa**, o H₁. Esta afirma que sí hay un efecto. Por ejemplo: "Al menos una de las dietas produce una diferencia significativa en el crecimiento".

Sofía: Entonces, todo el experimento se diseña para recolectar evidencia y ver si podemos rechazar esa aburrida hipótesis nula.

Diego: Precisamente. Buscamos evidencia tan fuerte que nos permita decir: "Lo siento, H₀, pero los datos dicen que aquí sí está pasando algo".

Sofía: Ahora, ¿hay un solo tipo de diseño experimental o varios?

Diego: Hay muchos, pero empecemos con dos básicos. El más simple es el **Diseño Completamente al Azar** o DCA. Lo usas cuando tus unidades experimentales son muy homogéneas, como acuarios idénticos en un laboratorio.

Sofía: Donde todo está súper controlado y no hay factores externos obvios que molesten.

Diego: Exacto. Ahí simplemente asignas los tratamientos de forma totalmente aleatoria. Pero, ¿qué pasa si tus unidades no son homogéneas, como los estanques de Leo, que unos reciben más sol?

Sofía: ¡Ah! Ahí usamos el control local del que hablamos antes. Agrupamos por bloques.

Diego: ¡Correcto! Y eso se llama **Diseño en Bloques Completamente al Azar** o DBCA. Agrupas las unidades en bloques homogéneos y luego aleatorizas los tratamientos dentro de cada bloque. Reduce el error y aumenta la precisión.

Sofía: Perfecto. Y he oído hablar del **Diseño Factorial**. Suena complicado.

Diego: No tanto. Imagina que Leo no solo quiere probar las 3 dietas, sino que también quiere probar 2 temperaturas diferentes. Un diseño factorial le permite estudiar ambos factores —dieta y temperatura— a la vez. Y lo más interesante es que puede ver si hay una **interacción** entre ellos.

Sofía: ¿Interacción? ¿Qué es eso?

Diego: Significa que el efecto de un factor cambia dependiendo del nivel del otro. Por ejemplo, quizás la Dieta A es la mejor solo a temperatura alta, pero a temperatura baja es la peor. Esa es una interacción, ¡y los diseños factoriales son geniales para descubrirlas!

Sofía: Aún con el mejor diseño, supongo que nos podemos equivocar al interpretar los resultados.

Diego: Sí, y en estadística, hay dos tipos de errores principales. El **Error Tipo I**, o alfa, es un falso positivo. Ocurre cuando rechazas la hipótesis nula, concluyendo que hay un efecto, cuando en realidad no lo hay.

Sofía: O sea, crees que tu nueva dieta es milagrosa, publicas los resultados, ¡y en realidad no hacía ninguna diferencia! Qué vergüenza.

Diego: Totalmente. Por eso los científicos fijan un nivel de significancia bajo, usualmente del 5% (α = 0.05), para limitar esa probabilidad. El otro es el **Error Tipo II**, o beta.

Sofía: Déjame adivinar... ¿es lo contrario?

Diego: Exacto. Es un falso negativo. Ocurre cuando no rechazas la hipótesis nula, aunque en realidad sí había un efecto. Tu dieta sí funcionaba, ¡pero tu experimento no fue lo suficientemente sensible para detectarlo!

Sofía: Eso también es terrible. ¡Podrías descartar un descubrimiento importante! ¿Cómo se evita?

Diego: Aumentando la **Potencia Estadística** del experimento, que es 1 menos beta. La forma más común de hacerlo es aumentando el número de repeticiones. Más datos, más poder para detectar efectos reales.

Sofía: Para terminar, Diego, ¿por qué es tan crucial que un estudiante como Leo se tome todo este trabajo? ¿Por qué no simplemente prueba las cosas y ya?

Diego: Porque sin un buen diseño, no puedes confiar en tus conclusiones. Un buen diseño garantiza tres cosas. Primero, **Validez Interna**: que los cambios que observas se deben realmente a tu tratamiento y no a otra cosa.

Sofía: Que la dieta fue la causa del crecimiento, y no el sol.

Diego: Exacto. Segundo, **Validez Externa**: que tus resultados se puedan generalizar a otras situaciones similares. Y tercero, **Confiabilidad**: que si alguien repite tu experimento siguiendo tu receta, obtendrá resultados parecidos.

Sofía: En resumen, el diseño experimental es el pilar de la objetividad científica. Separa las conclusiones reales de las coincidencias.

Diego: No podría haberlo dicho mejor. Es lo que nos permite pasar de una simple anécdota a una evidencia científica sólida. Es la diferencia entre creer y saber.

Sofía: Y es increíble la cantidad de datos que se pueden generar en un solo experimento. Pero, ¿qué hacemos con todos esos números? A veces parece un caos.

Diego: Es una pregunta muy común. Y ahí es donde entra nuestra superestrella de hoy: la bioestadística. No es solo para hacer gráficos bonitos, es la herramienta que convierte ese caos en conocimiento.

Sofía: De acuerdo, entonces, ¿por dónde empezamos a buscar ese conocimiento? ¿Cuál es el primer paso?

Diego: Empezamos buscando el centro de la historia. Pensemos en datos de captura de tilapia... digamos que tenemos diez registros en kilos: 12, 15, 14, 10, y así. Lo primero que hacemos es calcular la media, o el promedio.

Sofía: ¡El promedio! Eso me suena. Sumamos todo y dividimos por la cantidad de datos, ¿cierto?

Diego: ¡Exacto! En este caso, nos daría 14.7 kilos. Es un buen resumen. Pero a veces el promedio puede ser un poco engañoso si hay valores muy extremos. Por eso también usamos la mediana.

Sofía: ¿La mediana? ¿Qué nos dice ella que no nos diga el promedio?

Diego: Si ordenas todos los datos de menor a mayor, la mediana es el valor que queda justo en el medio. Para nuestros peces, es 14.5 kilos. Nos dice que la mitad de las capturas fueron menores a ese peso, y la otra mitad mayores. Es más robusta ante datos atípicos.

Sofía: Entendido. Media y mediana nos dan el centro. Pero, ¿cómo diseñamos un experimento para que esos datos sean confiables? Por ejemplo, si queremos probar tres dietas distintas para peces.

Diego: ¡Gran pregunta! Para eso usamos algo llamado Diseño Completamente al Azar, o DCA. Es el diseño más simple y súper útil, sobre todo en acuicultura.

Sofía: ¿Completamente al azar? Suena como si lanzáramos una moneda para todo.

Diego: ¡Casi! Imagina que tienes 12 tanques idénticos. El truco es asignar las tres dietas a esos tanques de forma totalmente aleatoria. Así evitamos que, no sé, los peces más listos elijan la mejor comida. Aunque no creo que pase.

Sofía: Me lo imagino. ¿Y por qué es tan importante que todo sea idéntico, los tanques y las condiciones?

Diego: Porque queremos que la única diferencia importante sea la dieta que estamos probando. A eso se le llama homogeneidad experimental. Cualquier otra variación, como diferencias de temperatura o errores de medición, se considera "error experimental".

Sofía: Ok, asignamos las dietas al azar. Pasa un tiempo, pesamos a los peces y tenemos nuevos datos. ¿Cómo sabemos si una dieta fue realmente mejor que las otras?

Diego: Ahí entra el análisis, como el ANOVA. Comparamos los resultados y probamos una idea inicial, llamada hipótesis nula.

Sofía: ¿Hipótesis nula? Suena pesimista.

Diego: Un poco. Básicamente, partimos de la idea de que no hay diferencias entre las dietas. Que todas funcionan igual. El análisis nos dirá si tenemos suficiente evidencia para rechazar esa idea y decir: "¡Oye, la dieta B sí que es mejor!".

Sofía: Entonces, la bioestadística no solo describe, sino que nos ayuda a tomar decisiones basadas en probabilidades. ¡Qué potente!

Diego: Exacto. Nos da la confianza para decir que nuestros resultados no son solo producto de la casualidad. Y hablando de confianza, hay otras pruebas que nos permiten establecer rangos de certeza, pero eso podemos verlo más adelante.

Sofía: Y eso nos lleva perfectamente a nuestro último tema de hoy, Diego. La regresión lineal. Suena... intimidante.

Diego: Para nada. Si la correlación te dice *si* dos cosas están relacionadas, la regresión lineal intenta *predecir* una basándose en la otra.

Sofía: Ah, como predecir mis notas en un examen basándome en las horas que estudio.

Diego: ¡Exacto! Trazas una línea a través de los datos, y esa línea es tu "bola de cristal" matemática.

Sofía: Ok, tengo mi línea mágica. Pero, ¿cómo sé si mi predicción es buena o si es solo... una suposición con estilo?

Diego: ¡Ahí está el truco! Para eso usamos el ANOVA de una regresión. Es como un control de calidad para tu modelo predictivo.

Sofía: ¿Un control de calidad? Me gusta. ¿Significa que mi bola de cristal podría estar rota?

Diego: ¡Podría ser! El ANOVA nos dice si nuestra línea de regresión predice significativamente mejor que simplemente adivinar el promedio. Básicamente, nos confirma si el modelo es útil.

Sofía: Increíble. Así que, desde entender variables hasta usar la regresión lineal simple para hacer predicciones. ¡Qué viaje el de hoy!

Diego: Así es. La clave es recordar que la regresión nos da un poder predictivo basado en datos. Es una herramienta súper poderosa.

Sofía: Totalmente. Bueno, eso es todo por hoy en Studyfi Podcast. ¡Gracias por acompañarnos y sigan con curiosidad!

Diego: ¡Hasta la próxima!