martes, 27 de marzo de 2012

¿Qué es la inferencia y cómo se puede utilizar en biología?

Antes de responder a la pregunta que nombra esta sección, debemos de dar significado a la palabra estadística. De manera simplista, se puede definir como la rama de las matemáticas que se encarga de la organización y resumen de datos (estadística descriptiva), y de la obtención de conclusiones de características de algún conjunto de personas o cosas a partir de una porción de estas características (estadística inferencial).
Ahora ya podemos responder la primera parte de la pregunta. Según la Real Academia Española, se definie inferir como sacar consecuencias o deducir algo de otra cosa. En lo anterior radica la relevancia de la estadística inferencial, particularmente para la ciencia.
La ciencia es un intento del hombre por plasmar la realidad, por decirlo de alguna forma, es como a través de una ventana (evidencia y paradigma actual) se pinta un cuadro de lo que se cree que hay afuera. Por tal razón, siempre está cambiando aquello que creemos cierto, pues las evidencias van aumentando (abriendo nuevas ventanas o ampliando aquella desde la que observábamos originalmente), pero sin acceder nunca al total de evidencias (no por no querer, sino por no poder). Así, para realizar ese cuadro, tenemos que inferir a partir de lo que observamos desde nuestra (s) ventana (s).
El carácter científico de la biología ha sido muy discutido a través de su historia como disciplina, sin embargo, grandes pensadores y filósofos de la ciencia y la biología, como Ernest Mayr, han evidenciado su identidad como ciencia. De esta manera, lo mencionado en el párrafo anterior es también una descripción del papel de la biología, sólo habría que especificar que en el ámbito de la vida.
Así, nosotros podemos estar interesados en saber si una población en una isla ha disminuido de talla respecto a aquella de la que procedía originalmente en el continente, si cierto desarrollo hotelero genera un impacto negativo sobre la cobertura de manglar, si la concentración de algún nutriente en la dieta que administramos a una especie de camarón está relacionada con el aumento de peso de los mismos, y tantos ejemplos más como la imaginación nos lo permita. Pero hay que pensar, que salvo raras excepciones, es imposible que podamos tener acceso a todas las características; es como decir que se desea hacer una descripción de las gónadas de todos las almejas en Bahía de La Paz, ya que resultaría imposible y (suponiendo que pudiéramos) terminaríamos diciendo algo como: en Bahía de La Paz, las gónadas de las almejas ERAN de tal manera. Por lo tanto, estamos obligados a usar la inferencia.
Pero, ahora surge otra pregunta: ¿por qué es necesaria la inferencia? Muchas veces observamos resultados de fenómenos que son evidentes, como la producción de frutos silvestres semanas antes y después de una lluvia torrencial en un lugar árido. En tales casos no parece haber problema, pero no siempre es así de fácil.
Supongamos que comparando la producción, en biomasa, de dos pequeños grupos de algas a dos profundidades encontramos que la diferencia fue de 5 kg, nuevamente parece ser sustanciosa la discrepancia; pero, ¿y si fuera de medio kilo? Sin duda, aunque la diferencia fuera de apenas unos gramos, son diferentes, pero podría no ser suficiente como para suponer que la profundidad está teniendo un efecto significativo. Para ello es importante la estadística inferencial.
En palabras de Purificación Galindo, profesora del departamento de estadística de la Universidad de Salamanca en España: “Una investigación  sin tratamiento estadístico es una opinión, no es ciencia”. Y en palabras más comunes para nosotros: ¿qué tanto es tantito?

sábado, 26 de noviembre de 2011

Modelos no lineales

A continuación, les presento una serie de datos que podrán utilizar para estudiar la resolución de Regresión y Correlación no Lineal, tanto a mano como en computadora, lo que les recomiendo es resolverlos primero a mano y luego se cercioren con la computadora. El plantear casos en biología podrá ayudarles a visualizar mejor las pruebas. En todo caso trabajen con un alfa de 0.05.
Modelo potencial:
Ejercicio 1.1.

x
Y
1
4
2
50
3
150
4
370
5
760
6
1300
7
2090
8
3105
9
4283

Ejercicio 1.2.
X
Y
7
30
9
46
11
70
13
100
15
120
17
150
19
208

Ejercicio 1.3.
x
Y
8
2000
16
12200
23
30349
19
19000
15
10300
26
42768
31
70368
34
85416
40
128365
46
190633

Modelo exponencial:
Ejercicio 2.1.

x
y
1
4
2
18
3
120
4
750
5
4500
6
25000
7
170000

Ejercicio 2.2.
x
y
50
1000
60
2700
70
7500
80
20000
90
56000
100
154000
110
420000
120
1200000
130
3100500

Ejercicio 2.3.
x
y
5
2578140
7
402369
12
313203
48
400
26
35
30
12

Modelo sigmoide:
Ejercicio 3.1.
x
y
1
2
2
6
3
14
4
78
5
172
6
344
7
420
8
460
9
470

Ejercicio 3.2.
x
y
12
21
13
26
14
38
15
79
16
146
17
160
18
165

Ejercicio 3.3.
x
y
1
508
3
493
5
365
7
228
9
110
11
45
13
31
15
24
17
20
19
15

Modelo Von Bertalanffy:
Ejercicio 4.1.
X
y
1
10
2
16
3
23
4
28
5
32
6
31
7
35
8
34
9
36

Ejercicio 4.2.
x
y
1
40
2
70
3
82
4
85
5
86
6
88

Ejercicio 4.3.
x
y
1
46
1
50
1
52
1
58
1
40
2
60
2
65
2
63
3
76
3
77
3
73
4
83
4
86
4
84
4
88
5
90
5
90
5
92
5
95