Experimentos simples

Anteriormente hemos escrito acerca de la t de Student y una brevísima introducción al ANOVA de un solo factor, apartir de esta entrada vamos a ver algunos artículos dedicados al diseño de experimentos, para comenzar se detallará lo que son los experimentos simples.

Según Montgomery (2013) son aquellos experimentos en donde se comparan dos condiciones o tratamientos, un ejemplo de ello se puede apreciar en la entrada relacionada a la prueba t de Student, dentro de este tipo de experimentos se tienen los siguientes:

  1. Prueba de proporciones
  2. Prueba para distribuciones con varianza conocida
  3. Prueba para distribuciones con varianza desconocida

Normalmente estos experimentos pueden considerarse dentro del rango de los bivariables, es decir se tiene un factor o variable independiente x y una variable de respuesta o variable dependiente y, además x tiene solamente dos posibles niveles.

En las siguientes publicaciones de este bloc detallaremos un poco más sus herramientas y aplicaciones.

REFERENCIA BIBLIOGRÁFICA

Montgomery D. (2013).  Diseño y Análisis de Experimentos.  México: Limusa Wiley

 

 

Anuncios

Experimento y diseño de experimentos

A diario escuchamos la palabra experimento, aunque a veces no muy bien utilizado, sin embargo, el común denominador de las personas tiene una noción de lo que esto significa, pero a pesar de ello, para un investigador debe quedar bien claro que es y que no es un experimento.

Una definición clara sobre el tema es la siguiente: un experimento es una prueba o serie de pruebas en las que se hacen cambios deliberados en las variables de entrada para observar e identificar los cambios en la respuesta de salida (Montgomery, 2013)

En el párrafo anterior se puede apreciar que experimento es una prueba y que en esta prueba intervienen dos actores, es decir dos tipos de variables, una de entrada y otra de salida, la de entrada es la que controla el experimentador (es decir, el que va a llevar a cabo la prueba) y la de salida es en donde se va a verificar los cambios.

Otra palabra clave es cambio, en todo experimento se desea verificar si hay cambios en la variable respuesta o no los hay, también la magnitud de esos cambios y si son significativos.

Para realizar un experimento hay que hacer previamente un diseño experimental, el mismo que se puede definir como: planear y realizar un conjunto de pruebas para analizar datos estadísticamente de tal forma que pueda responder a las interrogantes planteadas por el investigador (Gutierrez y De la Vara, 2012)

El diseño experimental busca responder a las interrogantes del investigador, estas interrogantes son los problemas de investigación, y sus respectivas respuestas o posibles respuestas son las hipótesis, lo que se va a hacer con el diseño experimental es establecer una estrategia para llevar a cabo el experimento y verificar si es que aporta evidencia a favor o en contra de la hipótesis.

Esta estrategia debe incluir las hipótesis estadísticas a utilizar, tamaño de muestra, diseño de investigación, el estadístico de contraste, entre otros.  Las fases de un diseño experimental son las siguientes:

  1. Identificación del problema
  2. Formulación de la hipótesis
  3. Elección de los factores (variable independiente) y niveles
  4. Selección de la variable respuesta (variable dependiente)
  5. Elección del diseño experimental
  6. Realización del experimento
  7. Análisis estadístico de datos
  8. Conclusiones y recomendaciones

Y además debe cumplir con los siguientes principios básicos:

  1. Aleatorización: hacer corridas experimentales al azar
  2. Repetición: Correr más de una vez un tratamiento
  3. Bloqueo: nulificar todos los factores que pueden afectar la respuesta observada

 

REFERENCIAS BIBLIOGRÁFICAS

Gutierrez H. & De la Vara R. (2012). Análisis y Diseño de Experimentos. México: Mc Graw Hill

Montgomery D. (2013).  Diseño y Análisis de Experimentos.  México: Limusa Wiley

¿Qué son los grados de libertad en los diseños de experimentos?

Cuando trabajamos el tema de diseño de experimentos y otros relacionados, siempre aparece un término importante llamado grados de libertad, lo encontramos por ejemplo cuando queremos determinar el valor de tablas de t de Student o F de Fisher etc., a continuación, vamos a revisar algunas definiciones al respecto para aclarar el tema.

Según Gutiérrez y De la Vara (2012) “son parámetros que definen las distribuciones t, ji-cuadrada y F, y se determinan a partir de los tamaños muestrales involucrados” (p. 15), esta definición es demasiado “estadística”, es decir, nos explica cuál es la función que cumple, su importancia, pero, por ejemplo, no nos dice nada acerca de su naturaleza en si, por que es que definen las distribuciones, etc.

Por otro lado, en The Statistics Problem Solver (1986), citado en Escalante (2014), se dice que es el número total de términos en una expresión menos el número de restricciones lineales entre observaciones; lo cual nos da una idea más cercana de lo que son los grados de libertad, es decir, está relacionado con la diferencia entre los términos que puede tener una expresión y lo que le quitan las restricciones.

En esa misma línea, De la Cruz-Ore (2014) señala que “los grados de libertad son iguales al número de observaciones independientes que son libres de variar (el número de sujetos en los datos) menos el número de parámetros estimados (el número de relaciones impuestas a los datos)” (p. 5), definición que coincide con la anterior.

Para entender mejor este tema, veamos el siguiente ejemplo: supongamos que debemos escoger una muestra de 10 personas cuyo promedio de edades sea 30 años, las primeras nueve personas pueden ser escogidas libremente, es decir de cualquier edad, sin embargo, la décima persona no puede ser escogida libremente, sino que debe tener la edad adecuada que, junto con las nueve de un promedio de 30 años, en este caso los grados de libertad son 9, es decir el tamaño de muestra 10 menos uno, 10-1=9,  o también n-1 en forma general.

Referencias bibliográficas

De La Cruz-Oré J. (2014).  ¿Qué significan los grados de libertad? Revista Peruana de Epidemiología 17(2). 1-6

Gutierrez H. & De la Vara R. (2012). Análisis y Diseño de Experimentos. México: Mc Graw Hill

Montgomery D. (2013).  Diseño y Análisis de Experimentos.  México: Limusa Wiley

 

 

La ciencia como una decatupla según Bunge

Un aspecto muy interesante relacionado a la ciencia, es la definición que Bunge (2009) brinda sobre ella, para éste autor una ciencia en particular (CP) es una decatupla la cual se conforma de la siguiente manera:

Cp=<C, S, D, G, F, B, P, A, O, M>

A continuación, se va a explicar cada uno de los componentes en forma resumida:

Primero tenemos a la comunidad de investigadores (C), una ciencia en particular debe tener en ella un colectivo de investigadores dedicados a su estudio, además, esta comunidad debe debatir entre sus integrantes, cuestionar, cooperar etc, es decir pueden tener diferentes posiciones, pero es comunidad porque hay comunicación entre ellos.

Además, debe estar dentro de una sociedad (S) y para que la ciencia pueda florecer, esta sociedad debe como mínimo tolerar la investigación que se realiza; Bunge menciona la importancia de este elemento porque en sociedades teocráticas, cuya verdad está en un libro sagrado, es muy difícil que pueda desarrollarse la investigación.

También debe tener un dominio (D), este dominio es el conjunto de ideas o hechos que los investigadores estudian dentro de C.

Asimismo, debe contar con supuestos filosóficos (G), y como menciona Bunge, aunque un positivista quiera negarlo, los investigadores de por sí aceptan supuestos filosóficos cuando realizan su trabajo, por ejemplo, si es cuantitativo está aceptando los supuestos que dicho paradigma tiene implícito, los cuales analizaremos en una próxima entrada.

El fondo formal (F) es otro elemento de la decatupla, es decir, en CP no existe la contradicción, tampoco la imprecisión ni los círculos viciosos, se busca la exactitud como resultado final, en otras palabras, puede ser codificada por alguna teoría lógica.

Toda ciencia a excepción de las matemáticas presupone un fondo específico (B), es decir presupone otra ciencia, por ejemplo, la física presupone la matemática, al igual que la química entre otras ciencias, en este caso presuponer significa que lo admite y no lo discute (a menos que se convierta en matemático), esto no ocurre con las matemáticas que no presuponen otra ciencia, es decir, las matemáticas no presuponen a la física, ni a la química, las matemáticas se bastan por sí mismas.

Otro elemento importante son los problemas (P) que aborda CP, y en este caso el conjunto de problemas que aborda no es un conjunto cerrado, sino abierto, ya que cuando se resuelven determinados problemas, generalmente surgen nuevos problemas de investigación.

Luego tenemos el fondo de conocimientos acumulados (A), el cual como su propio nombre lo explica, representa la producción científica que CP ha logrado en un determinado tiempo.

Un componente adicional son los Objetivos (O) que tiene CP, los cuales se van a enmarcar según los objetivos generales de la ciencia aplicada o ciencia básica.

El décimo componente es la metódica (M), es decir los métodos que se utilizan en CP, en especial el método científico, también el método estadístico entre otros.

REFERENCIAS BIBLIOGRÁFICAS

Bunge M. (2009). Vigencia de la Filosofía. Lima: UIGV

Tres concepciones acerca de lo que es una teoría científica

¿Qué es una teoría científica?, es una pregunta bastante compleja y cuya respuesta varía según la escuela de pensamiento a la cual se recurre; sin embargo, Mosterín (2011) señala tres concepciones a saber: la concepción sintáctica, semántica e informática, a continuación, se describirá brevemente cada una de ellas:

La concepción sintáctica

Esta concepción es la más antigua de todas y en ella se considera teoría científica a un conjunto de teoremas los cuales son formulas bajo un lenguaje formal.

Estos conjuntos de fórmulas pueden dar como consecuencia a otras fórmulas, los cuales también serían parte de la teoría, es decir no solo es una colección de fórmulas, sino también de sus consecuencias, en otras palabras, se trata de un conjunto de fórmulas clausurado.

La concepción semántica

Para este caso, una teoría no es una colección de fórmulas o axiomas, sino más bien es la colección de sistemas, modelos u objetos que cumplen con ellas.

Estos sistemas, modelos u objetos pueden ser tanto del mundo real como ficticio, pero cumplen con la característica común de que ellos se verifican que lo que dicen las fórmulas.

La concepción informática

 Para la concepción informática, una teoría es un instrumento que permite comprimir gran cantidad de información, esto significa que, si se hubiera recogido una cantidad alta de datos sobre un determinado tema, y se tuviera digamos un montón de información al respecto (seguimos hablando de datos), una teoría es un conjunto de fórmulas que permiten reproducir esta inmensa cantidad de datos.

El tema de la compresión debe entenderse de la siguiente manera: si se tuviera miles de hojas en donde se registran, por ejemplo, datos del movimiento de un determinado planeta, una teoría sería una fórmula que permita reproducir esos mismos datos, por lo tanto, las miles de hojas quedarían comprimidas en una formula.

REFERENCIA BIBLIOGRÁFICA

Mosterín J. (2011).  Epistemología y racionalidad. Lima: UIGV

 

Consideraciones adicionales sobre el problema de investigación científica

En una entrada anterior, explicamos un poco acerca de la formulación de un problema de investigación, ahora vamos a ver algunas consideraciones adicionales que permiten diferenciar este tipo de problemas de otros.

Ynoub (2015) distingue tres tipos de problemas:

  1. Problemas de hecho o pragmáticos
  2. Problemas de conocimiento
  3. Problemas de investigación/conocimiento científico

Para la autora, los problemas de hecho son aquellos que llaman a la acción, es decir, muestran un obstáculo y se concentran en superarlo, por ejemplo: ¿Cómo reducir los costos de producción de los lápices de la empresa X?

El problema anterior se concentra en reducir los costos, por lo tanto, se trata de formular un plan de trabajo para lograr dicha meta, es decir no va a hacer ningún aporte sustancial a la teoría de costos, se va a formular un conjunto de acciones de mejora ampliamente comprobadas y se enfoca a una organización específica.

Por otro lado, los problemas de conocimiento son aquellos que están orientados a la generación de nuevos saberes los cuales solo tienen un alcance local, aunque requieran la aplicación de conocimientos profesionales, sus resultados no buscan revisar ni ampliar ninguna teoría, por ejemplo ¿Qué características físicas presentan los lápices fabricados por la empresa X?

En este caso se requiere hacer diversas pruebas industriales a la muestra del problema, asimismo la aplicación de conocimiento técnico relevante, pero el resultado solo se alcanza a los lápices mencionados.

El último problema es el de investigación/conocimiento científico, en este caso se quiere formular un problema que no tenga alcance local, o que se oriente a una acción, sino más bien un problema que aporte conocimiento a una teoría determinada o que impacte en ella, por ejemplo: ¿Cómo influye el modelo Newman en la satisfacción del consumidor de x?

Como se puede apreciar, es una investigación experimental, si bien el modelo Newman no existe (se ha usado para ilustrar el tema) se puede observar que el alcance es mayor que en los casos anteriores.

En resumen, los dos primeros casos pueden considerarse consultorías, y el tercer caso recién una investigación científica, sin embargo, la diferencia es bastante sutil y puede haber diversos matices (Ynoub, 2015)

Cabe mencionar que el alcance de la investigación es el aspecto fundamental para determinar el tipo de investigación, pero no debe asociarse con el tamaño de muestra, porque un problema de conocimiento también puede trabajar con una muestra muy grande, y seguirá siendo problema de conocimiento; un problema científico puede trabajar con una muestra pequeña, pero si esta es típica, es decir, que tiene todas las características de la población (puede ser una población bastante uniforme), entonces puede ser de utilidad para este tipo de investigaciones.

 

REFERENCIA BIBLIOGRÁFICA
Ynoub R (2015). Cuestión de método. México: CENGAGE Learning

 

 

Observación participante y no participante, una ampliación

En una entrada anterior, se explica en forma general la observación participante y no participante, en esta ocasión se va a ampliar un poco más el tema. Al respecto Gold (1958), citado por Ynoub (2015) profundiza está clasificación en cuatro niveles, los cuales se describen a continuación:

  1. El participante completo: es un miembro del grupo en estudio, sin embargo, oculta su calidad de observador para poder registrar los eventos y no perturbar su normal desarrollo.
  2. El participante como observador: en este caso, el investigador pertenece al grupo en observación, además el grupo es consciente de eso y de la actividad de investigación que éste desarrolla.
  3. El observador como participante: éste caso es bastante similar al anterior, es decir, el investigador participa en las actividades del grupo, además el grupo sabe el rol que desempeña como observador, pero se diferencia del criterio anterior en el sentido de que el investigador no pertenece al grupo investigado.
  4. El observador completo: en este nivel, el investigador hace la observación en forma oculta, es decir, no participa del grupo observado (de hecho, éste grupo no sabe de su existencia) y su actividad permanece oculta.

 

REFERENCIA BIBLIOGRÁFICA
Ynoub R (2015). Cuestión de método. México: CENGAGE Learning

 

La observación participante y no participante

Dentro de la investigación científica, la observación representa una técnica de recolección de datos muy importante y que permite un acercamiento hacia lo que se está investigando.

Uno de los criterios de clasificación más usados es aquella que los divide en Observación Participante y No Participante, a continuación, se va a dar una breve explicación de cada uno de ellos (Ynoub, 2015)

La observación participante es aquella en la cual el investigador asume un rol activo durante el trabajo de campo, es decir, interactúa directamente con aquel o aquellos que observa, inclusive en una versión extrema, puede llegar a involucrarse con los sujetos que integran la muestra que está investigando.

La observación no participante supone todo lo contrario, es decir, el investigador asume un rol pasivo, tan solo de recopilar datos, sin interferir en el normal comportamiento de lo que está investigando.

Dentro de las opiniones favorables, se tienen aquellas en las cuales se indica que este instrumento (la observación) permite la recolección de datos directamente de campo, teniendo un mejor acercamiento a lo que se está investigando, sin embargo, hay otras opiniones que sostienen que la presencia del investigador en la observación (ya sea participante o no), de todas maneras, ocasiona una distorsión en cuanto al comportamiento normal de los observados.

Atendiendo a estas opiniones tanto a favor o en contra, se han desarrollado otras alternativas a las tradicionales técnicas de observación mostradas anteriormente, las cuales serán desarrolladas en una próxima entrada de este blog.

REFERENCIA BIBLIOGRÁFICA

Ynoub R (2015).  Cuestión de método. México: CENGAGE Learning

Normas Vancouver – NLM

Las normas Vancouver – NLM deben su nombre al hecho de que en 1997 la International Commitee of Medical Journal Editors, publica la quinta edición de su guía de referenciación de textos de medicina, la misma que se originó en una reunión llevada a cabo en Vancouver (de ahí es que son conocidas como las Normas Vancouver) y posteriormente se acogen a las normas de la National Library Of Medicine o NLM (Patiño, 2013)

En esta norma, luego de la cita (ya sea textual o paráfrasis) se coloca un número entre paréntesis el cual indica el número de orden del texto que ha sido citado, en cuanto a las referencias bibliográficas, a continuación, veremos los siguientes casos:

Si se trata de un libro, la estructura es la siguiente:

Apellido del autor Iniciales del nombre (sin punto ni espacio). Título de la obra (sin cursiva). Número de edición. Ciudad de publicación: Editorial; año de publicación.

Por ejemplo:

Delgado BE. La aleatorización del lenguaje humano. Lima: Charapa Ediciones; 2016

Para el caso de un artículo en una revista científica, se tiene lo siguiente:

Apellido del autor Iniciales del nombre (sin punto ni espacio). Título de la obra (sin cursiva). Nombre de la revista (Abreviado).  Año; volumen (número de edición): rango de páginas.

Por ejemplo:

Carpio DS.  El páncreas y sus funciones. Med Com. 2015; 12(2): 145-156

Así como estos casos y como las normas anteriores, también las normas Vancouver – NLM cuentan con estándares para otros tipos de documentos.

REFERENCIAS BIBLIOGRÁFICAS

Patiño G. (2013). Escritura y universidad. Guía para el trabajo académico. Colombia: CEA