Charla #3b | Curso “Servicios Ambientales y Restauración de Bosques Tropicales” | Febrero 2-7, 2015 | Panamá

Introducción a métodos experimentales

y análisis de datos científicos

Edwin Lebrija

Becario postdoctoral

STRI

2

Investigación científica

Es la investigación sistemática, controlada, empírica, y

crítica de fenómenos naturales (o sociales).

Está (A) guiada por la teoría e hipótesis acerca de las

supuestas relaciones (verdaderas) entre dichos

fenómenos o (B) resulta en teorías y proposiciones

acerca de las posibles relaciones (verdaderas) entre

dichos fenómenos

• Que la investigación proponga preguntas que puedan

probarse (Objetivos)

• Que el estudio tenga un vínculo explícito con la teoría y la

investigación previa (Revisión de literatura)

• Que los métodos sean apropiados para responder las

preguntas y para falsificar hipótesis y/o preguntas alternativas

(Diseño experimental)

• Que el análisis de datos sea sistemático y apropiado (Diseño

experimental)

• Que el estudio esté disponible para la revisión y el criticismo

(Reporte/Publicación)

Para hacer (buena) ciencia es necesario:

Empezando un proyecto

Planteamiento del problema

“El reto más grande para un pensandor es describir el

problema de manera que permita una respuesta precisa

del mismo”. (Bertrand Russell)

• Para plantear bien un problema hay que delimitarlo

• Delimitarlo significa describir claramente lo que se intenta

hacer

• Una buena manera de hacerlo es:

1) presentar el problema principal u objetivo general de una manera

descriptiva

2) hacer una o pocas preguntas directas y simples

de una o dos oraciones… pero bien definidas!

Empezando un projecto No hay investigación sin un problema bien planteado

Las preguntas deben descomponer el objetivo

general en unidades más pequeñas

Cada pregunta debe ser una unidad

investigable

UNIVERSIDAD NACIONAL AUTONOMA DE MEXICO

Objetivo:

Entender qué hace que una especie o un grupo de ellas estén presentes, dominen

y posteriormente desaparezcan en un espacio y tiempo determinados.

Específicamente:

¿Cómo cambia la composición, diversidad y estructura de los bosques

secundarios en el tiempo?

¿Cómo modifican al ambiente del sotobosque los cambios en la estructura del

bosque?

¿El ambiente del sotobosque determina la composición de la comunidad de

acuerdo a las estrategias funcionales de las especies?

Estudio de sucesión secundaria

Una vez trazado un objetivo realista y una vez

delimitadas las preguntas de estudio, hay que

determinar los métodos experimentales:

• ¿Cuál es el diseño más adecuado para responder las preguntas?

• ¿Cómo colectar los datos?

• ¿Qué medir?

• ¿Cómo analizar los datos?

La elección de un diseño apropriado depende de los

objetivos de la investigación y de cuánto se conoce del

problema

Diseño experimental Del qué al cómo.

Objetivo Diseño apropiado

Exploratorio,

Descriptivo

Explicativo

(causal)

Describir y medir fenómenos naturales,

Obtener información del entorno,

Clarificar problemas y formular hipótesis,

Establecer prioridades de investigación

Determinar causalidad

Probar hipótesis teóricas

La mayoría de la investigación tiene componentes descriptivos y

exploratorios.

La investigación causal efectiva sólo puede construirse con base en

conocimiento descriptivo sólido.

La investigación científica tambien pude tener como objetivo la

comparación o la clasificación

Diseño experimental Del qué al cómo.

Diseño experimental Métodos de razonamiento

La investigación exploratoria y descriptiva es inductiva:

va de lo específico a lo general

¿Qué, cómo, cúando, dónde

existe o sucede?

La investigación explicativa (causal) es deductiva:

va de lo general a lo específico

¿Por qué existe o sucede?

Investigación exploratoria:

• Sondeos/encuestas de campo: colecta de datos de campo para obtener información general a nivel local. Es una base fundamental para conducir una investigación más compleja.

Investigación descriptiva:

• Estudios transversales: Mide las unidades de muestra de una

población sólamente en un punto en el tiempo

• Estudios longitudinales: Mediciones repetidas de las unidades de muestra de una población a través del tiempo

Diseño experimental Diseños típicos

Investigación explicativa:

• Experimentos de laboratorio:manipulan al menos una variable causal (tratamiento) para evaluar sus efectos en la variable dependiente en un entorno artificial (para controlar lo mejor posible variables de confusión )

• Experimentos de campo: realizados dentro del entorno natural

Los tipos y diseños experimentales pueden combinarse

Elegir un tipo de investigación acorde a las preguntas:

- Ésto asegura que respondamos la pregunta inicial sin

ambigüedad y de manera parsimoniosa.

Un diseño experimental incluye una especificación directa

y clara de los métodos y procedimientos para colectar y

analizar la información necesaria (¿Qué? ¿Cómo?

¿Cuándo? ¿Dónde? y ¿Por qué?).

Diseño experimental resumen

¡OJO!

• La elección de los métodos afecta los resultados, el análisis, la discusión, las conclusiones y el alcance de la investigación.

• Por ejemplo, ¿te parece correcto basar la estimación de la altura promedio de los Panameños en la altura de 100 personas que viven en Clayton/Ciudad del Saber?

• Asegúrate que los métodos sean robustos.

Propósitos del muestreo

• Estimar atributos (parámetros), p.ej.: – Abundancia/ densidad

– Crecimiento

– Sobrevivencia

• Permitir inferencias sobre la población (o extrapolaciones de los datos)

• Permitir estimaciones de precisión (proveer parámetros estadísticos confiables)

Características principales de una muestra

Representa una copia miniatura de la población (en el caso más simple

cada miembro de la población tiene la misma propabilidad de ser

incluido en la muestra)

Esto es lo que permite realizar inferencias sobre la población

El muestreo necesita

• Precisión– conduce a estimaciones

exactas y sin sesgo.

• Repetibilidad– las estimaciones conducen

a respuestas similares

• Eficiencia– Evita el desperdicio de

recursos

Sesgo

• Que tan buena “en promedio” es la

estimación

• No se puede decir a partir de una sola

unidad de muestra

• Depende de la población, diseño de

muestreo y el estimador (parámetro)

Estimación sin sesgo (exacta)

Valor real de la

población

Estimación promedio

Estimación sesgada (inexacta)

Valor real de la

población

Estimación promedio SESGO

Repetible (precisa)

*

*

*

*

* *

*

Estimación

según una

muestra *

No repetible (imprecisa)

* *

*

*

*

*

*

Estimación

según una

muestra

*

Imprecisa pero exacta… ó

* *

*

*

*

*

*

Estimación

según una

muestra

*

Estimación promedio

Valor real

Precisamente inexacta…ó

Valor real

* *

* *

* *

*

*

Estimación promedio

Estimación

según una

muestra

¡Imprecisa e inexacta!

* *

*

*

*

* *

Estimación/muestra

*

Estimación promedio

Valor real

Una buena estimación:

sin sesgo y precisa

Valor real

*

*

*

*

* *

*

*

Estimación promedio

Estimación/muestra

¿Cómo hacer buenas

estimaciones? • Minimizar el sesgo

– Tomar muestras que representen

adecuadamente a la población

• Minimizar la varianza

– Replicación (determinar el tamaño de

muestra adecuado: ¡proyectos/muestras

piloto!)

– Registrar covariables, diseñar bloques

experimentales, estratificación

Hay que preguntarse

• ¿Cuál es el objetivo?

• ¿Cuál es la población de estudio?

• ¿Cuáles son las unidades de

estudio/experimentales adecuadas?

– Tamaño, forma, ubicación

– Cantidades

Abandonment Time (yr)

All Plants

Su

m c

row

n a

rea

Den

sity

Mature forest plantsPioneers (early colonizers)

Una muestra tiene que representar la población…

¿Cómo hacerlo?

Menos muestras

menos confianza en

la estimación del

promedio y en el

deviación (o error)

estándar

Minimiza varianza

Unidades de muestreo no

aleatorizadas (sesgadas)

Camino

Fáciles de ubicar y muestrear

No representan otros hábitats

(fuera del camino)

Bien si se redefine el objetivo

Camino

Unidades aleatorias

– Diseño estadístico válido

– Representa el área de estudio

– Réplicas permiten estimación de la

variación

– Pueden representar un problema logístico

– Más difíciles de ubicar

– Pueden no funcionar en áreas muy

heterogéneas

Muestreo estratificado

– Controlan áreas heterogéneas

– Permiten estimaciones por estrato

– Estimación más precisa del atributo general

– Diseño más complejo

– Puede requerir de una muestra total grande

¿Área Basal? ¿Carbono? ¿Composición de especies?

Sólo área baja (evitando pendientes fuertes): sesgo

¿Aleatoreamente? ¿o estratificado? ¿O todo (censo completo)?

¿Cómo / dónde hacer el inventario?

Inventarios: La composición de los bosques y la abundancia de cada especie

Sucesión

tardía

Sucesión

temprano 1000 m

TP

TP

Colecta de datos

Ya que está todo planeado se puede comenzar

(felizmente) la colecta de datos. Hay que:

• Ser claros y sistemáticos (organizados) acerca

del tipo de datos colectados

• Mantener archivos y registros claros de todos los

datos colectados

• Hacer notas claras de los metadatos

• Tener una bitácora clara de problemas

Recordar…

Colecta de datos

• ¡¡¡Pude pasar de todo en el campo!!! (o en

el lab.)

Colecta de datos

– Mantener recursos de respaldo

– Tener un plan de respaldo

– Tener un respaldo de datos (digital, impreso)

– Respaldar, respaldar, respaldar…

Análisis estadístico o cómo extraer

información de los datos

Estadística descriptiva: Se dedica a la descripción, visualización y resumen de

datos originados a partir de los fenómenos de estudio. Los datos pueden ser

resumidos numérica o gráficamente.

Estadística inferencial: Se usa para modelar patrones en los datos y hacer

inferencias acerca de la población bajo estudio. Estas inferencias pueden tomar

la forma de respuestas a preguntas sí/no (pruebas de hipótesis), estimaciones

de características numéricas (estimación), pronósticos de futuras

observaciones, descripciones de asociación (correlación) o modelaje de

relaciones entre variables (regresión).

Análisis de datos

• Usa técnicas adecuadas para los datos

(tipos de datos/ distribución de los datos/

supuestos del análisis)

• Prefiere lo simple mientras sea posible.

• Innova cuando sea necesario.

• Piensa en presentaciones de resultados

con significado/útiles (gráfica vs. tabla).

• Presentaciones de resultados con

significado/útiles son más persuasivas.

Mortality

-

0.002

0.004

0.006

0.008

0.010

0.012

0.014

0.016

0.018

1975 - 1981 1981 - 2004

Period

Av

era

ge a

nn

ual m

ort

ality

rate

( in

d/i

nd

/yr )

a

a

Mortality

-

0.002

0.004

0.006

0.008

0.010

0.012

0.014

0.016

0.018

1975 - 1981 1981 - 2004

Period

Av

era

ge a

nn

ual m

ort

ality

rate

( in

d/i

nd

/yr )

a

a

R2

= 0.3663,

P < 0.002

0

2

4

6

8

10

12

14

16

0 10 20 30

Years since present

Ye

arl

y n

um

be

r o

f re

cru

its

in

60

0 m

2(N

o)

R2

= 0.3663,

P < 0.002

0

2

4

6

8

10

12

14

16

0 10 20 30

Years since present

Ye

arl

y n

um

be

r o

f re

cru

its

in

60

0 m

2(N

o)

-1.0 1.0

-1.0

1.0

Compoundness

Gravity dispersal

Wind dispersal

Pulvinus

SpininessLatex

Pubescens

Wood density

Hmax

Leaf area

Petiole length

Leaf thickness

LSI leaf

LMA

LDMCN Fix

Light

Air Temp.

Soil WP

Soil Temp.

Animal dispersal

Species

Environmental

variable

-1.0 1.0

-1.0

1.0

Compoundness

Gravity dispersal

Wind dispersal

Pulvinus

SpininessLatex

Pubescens

Wood density

Hmax

Leaf area

Petiole length

Leaf thickness

LSI leaf

LMA

LDMCN Fix

Light

Air Temp.

Soil WP

Soil Temp.

Animal dispersal

-1.0 1.0

-1.0

1.0

Compoundness

Gravity dispersal

Wind dispersal

Pulvinus

SpininessLatex

Pubescens

Wood density

Hmax

Leaf area

Petiole length

Leaf thickness

LSI leaf

LMA

LDMCN Fix

Light

Air Temp.

Soil WP

Soil Temp.

Animal dispersal

SpeciesSpecies

Environmental

variable

Heat

balance

Light

capture

Defense

Dispersal

Heat

balance

Light

capture

Defense

Dispersal

Anímate, sé creativo

Desarrollo de ecuaciones alométricas específicas para estimar biomasa

DBH (cm)

0 5 10 15 20 25 30

AG

B (

kg

)

0

50

100

150

200

250

300

350

R2adj P

Ln AGB = -1.857 + 2.161 * Ln(DBH) 0.97 < 0.00

Ln AGB = -1.274 + 2.206 * Ln(DBH) + 0.913 * Ln(WD) 0.98 < 0.00

Ln AGB = -1.619 + 1.969 * Ln(DBH) + 0.845 * Ln(WD) + 0.432 * Ln(H) 0.98 < 0.00

van Breugel et al. 2011

-60

-40

-20

0

20

40

Rela

tive e

rror

(%)

-60

-40

-20

0

20

40

AGB (Mg/ha)

0 10 20 30 40 50 60

-60

-40

-20

0

20

40

60

AGB (Mg/ha)

0 10 20 30 40 50 60

Rela

tive e

rror

(%)

-40

-20

0

20

40

60

80

c d

e f

-40

-20

0

20

40

60

Rela

tive e

rror

(%)

-20

0

20

40

60

80

a b

-60

-40

-20

0

20

40

60

Rela

tive e

rror

(%)

-60

-40

-20

0

20

40

60

g h

Errores en la estimación de biomasa relacionados con el uso de relaciones alométricas

van Breugel et al. 2011

La investigación en resumen

¿Cómo #1?

Diseño experimental •Sondeos

•Experimento

¿Qué?

Marco de la

investigación

•Conceptos

•Conocido

•Desconocido

Colecta de datos

¿Cómo #2?

Métodos •Colecta de datos

-población

-variables

•Análisis de datos

Análisis Discusión Conclusión

REPORTE/PUBLICACIÓN