Información

¿Qué prueba estadística recomendaría para comparar dos métodos de muestreo del comportamiento animal?

¿Qué prueba estadística recomendaría para comparar dos métodos de muestreo del comportamiento animal?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Estoy haciendo un laboratorio donde comparo el método de escaneo y el método animal focal. Cada método me dará lo siguiente:

  • Método de escaneo: frecuencia de ocurrencia de cada comportamiento (%),
  • método animal focal: las frecuencias de ocurrencia (%), así como la duración de cada comportamiento.

Estaba pensando en una prueba de chi-cuadrado o una prueba t de alguna manera, pero no estoy seguro de qué hacer o cómo formatearlos. ¿Debo comparar de alguna manera las frecuencias de ocurrencia?

No estoy seguro de si esta información es útil, pero normalmente uso R para mi prueba estadística, pero nunca he usado mis propios datos, solo datos de ejemplo. Iba a grabar mis datos en Excel e importarlos a R. Gracias de antemano.


Seleccionar un tamaño de muestra para estudios con medidas repetidas

Muchos investigadores favorecen los diseños de medidas repetidas porque permiten la detección de cambios dentro de la persona a lo largo del tiempo y, por lo general, tienen mayor poder estadístico que los diseños transversales. Sin embargo, la gran cantidad de entradas necesarias para los diseños de medidas repetidas puede dificultar la selección del tamaño de la muestra, un paso crítico en el diseño de un estudio exitoso. Utilizando un estudio de dolor dental como ejemplo de conducción, proporcionamos una guía para seleccionar un tamaño de muestra apropiado para probar una interacción de tiempo por tratamiento para estudios con medidas repetidas. Describimos cómo (1) recopilar las entradas necesarias para el cálculo del tamaño de la muestra, (2) elegir el software adecuado para realizar el cálculo y (3) abordar consideraciones prácticas como datos faltantes, objetivos múltiples y covariables continuas.


Métodos de muestreo de una población.

Normalmente, no sería práctico estudiar una población completa, por ejemplo, al realizar una encuesta por cuestionario. El muestreo es un método que permite a los investigadores inferir información sobre una población en función de los resultados de un subconjunto de la población, sin tener que investigar a cada individuo. Reducir el número de individuos en un estudio reduce el costo y la carga de trabajo, y puede facilitar la obtención de información de alta calidad, pero esto debe equilibrarse con tener un tamaño de muestra lo suficientemente grande con suficiente poder para detectar una asociación verdadera. (El cálculo del tamaño de la muestra se aborda en la sección 1B (estadísticas) del programa de la Parte A.)

Si se va a utilizar una muestra, sea cual sea el método que se elija, es importante que los individuos seleccionados sean representativos de toda la población. Esto puede implicar apuntar específicamente a grupos de difícil acceso. Por ejemplo, si se utilizara el censo electoral de una ciudad para identificar a los participantes, algunas personas, como las personas sin hogar, no se registrarían y, por lo tanto, se excluirían del estudio por defecto.

Hay varias técnicas de muestreo diferentes disponibles y se pueden subdividir en dos grupos: muestreo probabilístico y muestreo no probabilístico. En el muestreo probabilístico (aleatorio), comienza con un marco muestral completo de todos los individuos elegibles de los que selecciona su muestra. De esta manera, todas las personas elegibles tienen la posibilidad de ser elegidas para la muestra y usted podrá generalizar más los resultados de su estudio. Los métodos de muestreo probabilístico tienden a consumir más tiempo y ser más costosos que el muestreo no probabilístico. En el muestreo no probabilístico (no aleatorio), no se comienza con un marco muestral completo, por lo que algunos individuos no tienen posibilidad de ser seleccionados. En consecuencia, no puede estimar el efecto del error de muestreo y existe un riesgo significativo de terminar con una muestra no representativa que produce resultados no generalizables. Sin embargo, los métodos de muestreo no probabilístico tienden a ser más baratos y convenientes, y son útiles para la investigación exploratoria y la generación de hipótesis.

Métodos de muestreo probabilístico

1. Muestreo aleatorio simple

En este caso, cada individuo es elegido completamente al azar y cada miembro de la población tiene la misma posibilidad, o probabilidad, de ser seleccionado. Una forma de obtener una muestra aleatoria es darle a cada individuo de una población un número y luego usar una tabla de números aleatorios para decidir qué individuos incluir. 1 Por ejemplo, si tiene un marco de muestreo de 1000 individuos, etiquetados de 0 a 999, use grupos de tres dígitos de la tabla de números aleatorios para elegir su muestra. Entonces, si los primeros tres números de la tabla de números aleatorios fueron 094, seleccione la persona etiquetada como "94", y así sucesivamente.

Como ocurre con todos los métodos de muestreo probabilístico, el muestreo aleatorio simple permite calcular el error de muestreo y reduce el sesgo de selección. Una ventaja específica es que es el método más sencillo de muestreo probabilístico. Una desventaja del muestreo aleatorio simple es que es posible que no seleccione suficientes individuos con su característica de interés, especialmente si esa característica es poco común. También puede ser difícil definir un marco de muestreo completo e inconveniente para contactarlos, especialmente si se requieren diferentes formas de contacto (correo electrónico, teléfono, correo postal) y sus unidades de muestra están dispersas en una amplia área geográfica.

2. Muestreo sistemático

Los individuos se seleccionan a intervalos regulares del marco de muestreo. Los intervalos se eligen para asegurar un tamaño de muestra adecuado. Si necesita un tamaño de muestra norte de una población de tamaño X, debe seleccionar cada x / n th individuo para la muestra. Por ejemplo, si desea un tamaño de muestra de 100 de una población de 1000, seleccione cada 1000/100 = décimo miembro del marco de muestreo.

El muestreo sistemático suele ser más conveniente que el muestreo aleatorio simple y es fácil de administrar. Sin embargo, también puede dar lugar a sesgos, por ejemplo, si existen patrones subyacentes en el orden de los individuos en el marco de muestreo, de modo que la técnica de muestreo coincide con la periodicidad del patrón subyacente. Como ejemplo hipotético, si se muestreara a un grupo de estudiantes para obtener sus opiniones sobre las instalaciones de la universidad, pero la lista central del Departamento de Registro de Estudiantes de todos los estudiantes se organizó de manera que el sexo de los estudiantes alternara entre hombres y mujeres, eligiendo un intervalo uniforme ( por ejemplo, cada vigésimo estudiante) daría como resultado una muestra de todos los hombres o todas las mujeres. Si bien en este ejemplo el sesgo es obvio y debería corregirse fácilmente, no siempre es así.

3. Muestreo estratificado

En este método, la población se divide primero en subgrupos (o estratos) que comparten una característica similar. Se utiliza cuando podemos esperar razonablemente que la medición de interés varíe entre los diferentes subgrupos y queremos asegurar la representación de todos los subgrupos. Por ejemplo, en un estudio de los resultados de los accidentes cerebrovasculares, podemos estratificar la población por sexo para garantizar una representación equitativa de hombres y mujeres. Luego, la muestra del estudio se obtiene tomando muestras de tamaños iguales de cada estrato. En el muestreo estratificado, también puede ser apropiado elegir tamaños de muestra no iguales de cada estrato. Por ejemplo, en un estudio de los resultados de salud del personal de enfermería en un condado, si hay tres hospitales cada uno con diferentes números de personal de enfermería (el hospital A tiene 500 enfermeras, el hospital B tiene 1000 y el hospital C tiene 2000), entonces Ser apropiado elegir los números de muestra de cada hospital. proporcionalmente (por ejemplo, 10 del hospital A, 20 del hospital B y 40 del hospital C). Esto asegura una estimación más realista y precisa de los resultados de salud de las enfermeras en todo el condado, mientras que el muestreo aleatorio simple representaría en exceso a las enfermeras de los hospitales A y B. El hecho de que la muestra fue estratificada debe tenerse en cuenta en la etapa de análisis.

El muestreo estratificado mejora la precisión y representatividad de los resultados al reducir el sesgo de muestreo. Sin embargo, requiere el conocimiento de las características apropiadas del marco de muestreo (cuyos detalles no siempre están disponibles), y puede ser difícil decidir por qué características estratificar.

4. Muestreo por conglomerados

En una muestra agrupada, los subgrupos de la población se utilizan como unidad de muestreo, en lugar de los individuos. La población se divide en subgrupos, conocidos como conglomerados, que se seleccionan al azar para ser incluidos en el estudio. Por lo general, los grupos ya están definidos, por ejemplo, las prácticas individuales de médicos de cabecera o las ciudades podrían identificarse como grupos. En el muestreo de conglomerados de una sola etapa, todos los miembros de los conglomerados elegidos se incluyen en el estudio. En el muestreo por conglomerados de dos etapas, se selecciona al azar una selección de individuos de cada conglomerado para su inclusión. La agrupación en clústeres debe tenerse en cuenta en el análisis. La Encuesta General de Hogares, que se realiza anualmente en Inglaterra, es un buen ejemplo de una muestra de conglomerados (de una etapa). Todos los miembros de los hogares seleccionados (conglomerados) están incluidos en la encuesta. 1

El muestreo por conglomerados puede ser más eficiente que el muestreo aleatorio simple, especialmente cuando un estudio se lleva a cabo en una amplia región geográfica. Por ejemplo, es más fácil ponerse en contacto con muchas personas en unas pocas prácticas de médicos de cabecera que con unas pocas personas en muchas prácticas de médicos de cabecera diferentes. Las desventajas incluyen un mayor riesgo de sesgo, si los conglomerados elegidos no son representativos de la población, lo que resulta en un mayor error de muestreo.

Métodos de muestreo no probabilísticos

1. Muestreo de conveniencia

El muestreo por conveniencia es quizás el método de muestreo más fácil, porque los participantes se seleccionan en función de la disponibilidad y la voluntad de participar. Se pueden obtener resultados útiles, pero los resultados son propensos a un sesgo significativo, porque los que se ofrecen como voluntarios para participar pueden ser diferentes de los que eligen no hacerlo (sesgo de los voluntarios), y la muestra puede no ser representativa de otras características, como la edad. o sexo. Nota: el sesgo de los voluntarios es un riesgo de todos los métodos de muestreo no probabilísticos.

2. Muestreo por cuotas

Los investigadores de mercado suelen utilizar este método de muestreo. Los entrevistadores reciben una cuota de sujetos de un tipo específico para intentar reclutar. Por ejemplo, se le podría decir a un entrevistador que salga y seleccione 20 hombres adultos, 20 mujeres adultas, 10 niñas adolescentes y 10 niños adolescentes para que puedan entrevistarlos sobre lo que ven la televisión. Idealmente, las cuotas elegidas representarían proporcionalmente las características de la población subyacente.

Si bien esto tiene la ventaja de ser relativamente sencillo y potencialmente representativo, la muestra elegida puede no ser representativa de otras características que no se consideraron (una consecuencia de la naturaleza no aleatoria del muestreo). 2

3. Muestreo de juicio (o intencional)

También conocida como muestreo selectivo o subjetivo, esta técnica se basa en el juicio del investigador a la hora de elegir a quién pedirle que participe. Por tanto, los investigadores pueden elegir implícitamente una muestra "representativa" que se adapte a sus necesidades, o abordar específicamente a individuos con determinadas características. Los medios de comunicación suelen utilizar este enfoque al sondear al público en busca de opiniones y en la investigación cualitativa.

El muestreo por juicio tiene la ventaja de ser rentable en términos de tiempo y costo y, al mismo tiempo, da como resultado una variedad de respuestas (particularmente útil en la investigación cualitativa). Sin embargo, además del sesgo de los voluntarios, también es propenso a errores de juicio por parte del investigador y los hallazgos, aunque son potencialmente amplios, no necesariamente serán representativos.

4. Muestreo de bolas de nieve

Este método se usa comúnmente en las ciencias sociales cuando se investiga a grupos de difícil acceso. Se pide a los sujetos existentes que nominen a otros sujetos que conozcan, por lo que la muestra aumenta de tamaño como una bola de nieve rodante. Por ejemplo, al realizar una encuesta sobre comportamientos de riesgo entre usuarios de drogas intravenosas, se les puede pedir a los participantes que nombren a otros usuarios para ser entrevistados.

El muestreo de bola de nieve puede ser eficaz cuando es difícil identificar un marco de muestreo. Sin embargo, al seleccionar amigos y conocidos de sujetos ya investigados, existe un riesgo significativo de sesgo de selección (elegir un gran número de personas con características o puntos de vista similares al individuo inicial identificado).

Sesgo en el muestreo

Hay cinco importantes fuentes potenciales de sesgo que deben tenerse en cuenta al seleccionar una muestra, independientemente del método utilizado. Se puede introducir sesgo de muestreo cuando: 1

  1. Las reglas de muestreo previamente acordadas se desvían de
  2. Se omiten las personas de los grupos de difícil acceso
  3. Los individuos seleccionados se reemplazan por otros, por ejemplo, si es difícil contactarlos
  4. Hay bajas tasas de respuesta.
  5. Se utiliza una lista desactualizada como marco de muestra (por ejemplo, si excluye a las personas que se han mudado recientemente a un área)

En el capítulo 8 de esta sección se tratan otros problemas potenciales con las estrategias de muestreo (“Fuentes de variación, su medición y control.”).


Orientación para el personal de la industria y la FDA Orientación estadística sobre la presentación de informes de resultados de estudios que evalúan pruebas de diagnóstico

Esta guía representa el pensamiento actual de la Administración de Alimentos y Medicamentos (FDA) sobre este tema. No crea ni confiere ningún derecho para ninguna persona y no opera para obligar a la FDA o al público. Puede utilizar un enfoque alternativo si el enfoque satisface los requisitos de los estatutos y reglamentos aplicables. Si desea discutir un enfoque alternativo, comuníquese con el personal de la FDA responsable de implementar esta guía. Si no puede identificar al personal apropiado de la FDA, llame al número correspondiente que aparece en la página del título de esta guía.

1. Antecedentes

Esta guía tiene como objetivo describir algunas prácticas estadísticamente apropiadas para informar los resultados de diferentes estudios que evalúan pruebas de diagnóstico e identificar algunas prácticas inapropiadas comunes. Las recomendaciones de esta guía se refieren a las pruebas de diagnóstico en las que el resultado final es cualitativo (incluso si la medición subyacente es cuantitativa). Prestamos especial atención a la práctica denominada resolución discrepante y sus problemas asociados.

El 11 de febrero de 1998, el Centro de Dispositivos y Salud Radiológica convocó una reunión conjunta de los Paneles de Dispositivos de Microbiología, Hematología / Patología, Química Clínica / Toxicología e Inmunología. El propósito de la reunión fue obtener recomendaciones sobre “la recopilación de datos, el análisis y la resolución adecuados de resultados discrepantes, utilizando análisis científicos y estadísticos sólidos para respaldar las indicaciones para el uso de la in vitro dispositivos de diagnóstico cuando el nuevo dispositivo se compara con otro dispositivo, un método de referencia reconocido o 'estándar de oro' u otros procedimientos que no se utilizan comúnmente, y / o criterios clínicos para el diagnóstico ". Utilizando los aportes de esa reunión, se elaboró ​​un borrador de documento de orientación que analiza algunos enfoques estadísticamente válidos para informar los resultados de los estudios de evaluación para nuevos dispositivos de diagnóstico. El borrador de la guía fue publicado para comentario público el 12 de marzo de 2003.

Tras la publicación del borrador de la guía, la FDA recibió 11 comentarios. En general, los comentarios fueron favorables y solicitaron que se incluyera información adicional en la guía final. Algunos encuestados solicitaron mayor atención al uso de terminología estándar.

El uso correcto de la terminología para describir los resultados de rendimiento es importante para garantizar un uso seguro y eficaz de un dispositivo de diagnóstico. Siempre que sea posible, esta guía utiliza terminología y definiciones aceptadas internacionalmente, compiladas en la base de datos de terminología armonizada del Clinical and Laboratory Standards Institute (CLSI). 1 Esta guía también utiliza términos tal como se definen en la STARD (STAndards para Reportando de DPrecisión diagnóstica). 2 La Iniciativa STARD se refiere a estudios de precisión diagnóstica. Si bien la Iniciativa STARD no aborda específicamente los estudios diseñados para demostrar la equivalencia de dispositivos de diagnóstico, muchos de los conceptos de informes siguen siendo aplicables.

Los documentos de orientación de la FDA, incluida esta orientación, no establecen responsabilidades legalmente exigibles. En cambio, las guías describen el pensamiento actual de la Agencia sobre un tema y deben verse solo como recomendaciones, a menos que se citen requisitos reglamentarios o estatutarios específicos. El uso de la palabra deberían en las guías de la Agencia significa que se sugiere o recomienda algo, pero no es obligatorio.

Creemos que deberíamos considerar el enfoque menos oneroso en todas las áreas de la regulación de dispositivos médicos. Esta guía refleja nuestra revisión cuidadosa de los requisitos científicos y legales relevantes y lo que creemos es la forma menos onerosa para que usted cumpla con esos requisitos. Sin embargo, si cree que un enfoque alternativo sería menos oneroso, comuníquese con nosotros para que podamos considerar su punto de vista. Puede enviar sus comentarios por escrito a la persona de contacto que figura en el prefacio de esta guía o al Defensor del Pueblo de CDRH. En Internet se puede encontrar información completa sobre el Defensor del Pueblo del CDRH, incluidas las formas de comunicarse con él.

2. Alcance

Este documento proporciona una guía para el envío de notificaciones previas a la comercialización (510 (k)) y aplicaciones de aprobación previa a la comercialización (PMA) para dispositivos de diagnóstico (pruebas). Esta guía aborda el informe de resultados de diferentes tipos de estudios que evalúan dispositivos de diagnóstico con dos posibles resultados (positivos o negativos) en PMA y 510 (k) s. La guía está destinada tanto a estadísticos como a no estadísticos.

Esta guía no aborda las cuestiones estadísticas fundamentales asociadas con el diseño y el seguimiento de estudios clínicos para dispositivos de diagnóstico.

3. Introducción

Esta sección proporciona una explicación de los conceptos relevantes para esta guía. Observamos desde el principio que la evaluación de una nueva prueba de diagnóstico debe comparar el resultado de un nuevo producto (resultados de la prueba) con un punto de referencia de diagnóstico apropiado y relevante utilizando sujetos / pacientes del población de uso previsto es decir, aquellos sujetos / pacientes para los que se pretende utilizar la prueba. En STARD, esto se llama población objetivo.

Otros conceptos y definiciones importantes incluyen los siguientes:

Tipos de resultados de pruebas

El método de comparación depende de la naturaleza de los resultados de la prueba. Los resultados de las pruebas de diagnóstico (resultados) generalmente se clasifican como cuantitativos o cualitativos. Un resultado cuantitativo es una cantidad o nivel numérico, mientras que un resultado cualitativo generalmente consiste en una de las dos únicas respuestas posibles, por ejemplo, enfermo o no enfermo, positivo o negativo, sí o no. Este documento se refiere a las pruebas de diagnóstico en las que el resultado final es cualitativo (incluso si la medición subyacente es cuantitativa). Las pruebas cuantitativas y las pruebas con resultados ordinales (más de dos resultados posibles, pero ordenados) no se tratan aquí.

También asumimos en todo momento que los datos de su estudio no incluyen múltiples muestras de pacientes individuales.

Propósito de una prueba diagnóstica cualitativa

Una prueba de diagnóstico cualitativa (prueba) está diseñada para determinar si una condición objetivo está presente o ausente en un sujeto de la población de uso previsto. Como se define en STARD, el condición objetivo (condición de interés) "puede referirse a una enfermedad en particular, una etapa de la enfermedad, estado de salud o cualquier otra condición identificable dentro de un paciente, como la estadificación de una enfermedad que ya se sabe que está presente, o una condición de salud que debe impulsar una acción clínica, como el inicio, la modificación o la terminación del tratamiento ".

La FDA recomienda que su etiquetado caracterice el rendimiento de las pruebas de diagnóstico para que lo usen todos los usuarios previstos (laboratorios, proveedores de atención médica y / o usuarios domésticos).

Benchmarks

La FDA reconoce dos categorías principales de puntos de referencia para evaluar el rendimiento diagnóstico de nuevas pruebas de diagnóstico cualitativas. Estas categorías son (1) comparación con un estándar de referencia (definido a continuación) o (2) comparación con un método o predicado que no sea un estándar de referencia (estándar no de referencia). La elección del método comparativo determinará qué medidas de rendimiento se pueden informar en la etiqueta.

Precisión diagnóstica y estándar de referencia

los precisión diagnóstica de una nueva prueba se refiere al grado de acuerdo entre el resultado de la nueva prueba y el estándar de referencia. Usamos el término estándar de referencia como se define en STARD. Eso es un estándar de referencia se "considera el mejor método disponible para establecer la presencia o ausencia de la condición objetivo". Divide la población de uso previsto en solo dos grupos (condición presente o ausente) y no considera el resultado de la nueva prueba bajo evaluación.

El estándar de referencia puede ser una única prueba o método, o una combinación de métodos y técnicas, incluido el seguimiento clínico. Si un estándar de referencia es una combinación de métodos, el algoritmo que especifica cómo se combinan los diferentes resultados para hacer una clasificación final positiva / negativa (que puede incluir la elección y el orden de estos métodos) es parte del estándar. Ejemplos de estándares de referencia incluyen el diagnóstico de infarto de miocardio usando los estándares de la OMS (Organización Mundial de la Salud), el diagnóstico de lupus o artritis reumatoide usando las pautas de Reumatología Estadounidense o el diagnóstico de infecciones por H. pylori mediante el uso de combinaciones de cultivo, histología y prueba de ureasa.

La determinación de qué constituye el "mejor método disponible" y si ese método debe considerarse un "estándar de referencia" se establece mediante la opinión y la práctica dentro de la comunidad médica, de laboratorio y reguladora. A veces hay varios métodos posibles que podrían considerarse. A veces, no existe un estándar de referencia de consenso. O puede existir un estándar de referencia, pero para un porcentaje no despreciable de la población de uso previsto, se sabe que el estándar de referencia es erróneo. En todas estas situaciones, le recomendamos que consulte con la FDA sobre su elección de estándar de referencia antes de comenzar su estudio.

Señalamos que algunas definiciones de precisión diagnóstica (consulte la base de datos de terminología armonizada de CLSI) requieren que el estándar de referencia y la condición objetivo se refieran únicamente a un trastorno clínico bien definido. Las definiciones utilizadas en este documento son más amplias. Por ejemplo, la afección objetivo podría ser una afección de salud bien definida o una afección que provoque una acción clínica, como el inicio de un tratamiento.

Medidas que describen la precisión del diagnóstico

Hay diferentes formas de describir la precisión del diagnóstico. Las medidas apropiadas incluyen estimaciones de pares de sensibilidad y especificidad, razón de verosimilitud de pares de resultados positivos y negativos y análisis ROC (Receiver Operating Characteristic) junto con intervalos de confianza. Consulte la edición más actual de las Directrices aprobadas por CLSI EP12-A y GP10-A, los textos de Lang y Secic (1997), Pepe (2003), Zhou et al. (2002) las referencias dentro de estos textos y la bibliografía al final de este documento. Para ayudar a interpretar estas medidas, le recomendamos que proporcione la definición de la condición de interés, el estándar de referencia, la población de uso previsto y una descripción de la población de estudio.

Sensibilidad y especificidad

En estudios de precisión diagnóstica, la sensibilidad de la nueva prueba se estima como la proporción de sujetos con la condición objetivo en los que la prueba es positiva. Del mismo modo, el especificidad de la prueba se estima como la proporción de sujetos sin la condición objetivo en los que la prueba es negativa (consulte el Apéndice para ver un ejemplo de este cálculo). Estos son solo estimados para la sensibilidad y especificidad porque se basan solo en un subconjunto de sujetos de la población de uso previsto si se evaluó otro subconjunto de sujetos (o incluso los mismos sujetos evaluados en un momento diferente), entonces las estimaciones de sensibilidad y especificidad probablemente serían numéricas diferente. Los intervalos de confianza y los niveles de significancia cuantifican la incertidumbre estadística en estas estimaciones debido al proceso de selección de sujetos / muestras. Este tipo de incertidumbre disminuye a medida que aumenta el número de sujetos en el estudio.

Valor predictivo positivo y negativo

También puede calcular otras cantidades para ayudar a caracterizar la precisión del diagnóstico. Estos métodos incluyen el valor predictivo de un resultado positivo (a veces llamado valor predictivo positivo o VPP) y el valor predictivo de un resultado negativo (a veces llamado valor predictivo negativo o VAN). Estas cantidades proporcionan información útil sobre cómo interpretar los resultados de las pruebas. Puede consultar la extensa literatura sobre cómo calcular e interpretar estas medidas. (Véase la edición más actual de CLSI EP12-A, Lang y Secic (1997), Pepe (2003), Zhou et al. (2002), las referencias dentro de los textos y la bibliografía al final de este documento). de estas medidas está fuera del alcance de este documento.

Parcialidad

Las estimaciones de sensibilidad y especificidad (y otras estimaciones del rendimiento diagnóstico) pueden estar sujetas a sesgos. Estimaciones sesgadas son sistemáticamente demasiado altos o demasiado bajos. Las estimaciones de sensibilidad y especificidad sesgadas no serán iguales a la sensibilidad y especificidad verdaderas, en promedio. A menudo, no se puede determinar la existencia, el tamaño (magnitud) y la dirección del sesgo. El sesgo crea estimaciones inexactas.

La FDA cree que es importante comprender las posibles fuentes de sesgo para evitarlas o minimizarlas. El simple hecho de aumentar el número total de sujetos en el estudio no hará nada para reducir el sesgo. Alternativamente, la selección de los sujetos "correctos", el cambio de la conducta del estudio o los procedimientos de análisis de datos pueden eliminar o reducir el sesgo.

Dos fuentes de sesgo que motivaron originalmente el desarrollo de esta guía incluyen el error en el estándar de referencia y la incorporación de resultados de la prueba bajo evaluación para establecer la condición objetivo. Esta guía analiza los problemas que surgen de estas y otras fuentes de sesgo y describe cómo minimizar estos problemas en el diseño de su estudio y análisis de datos. Esta guía no intenta discutir todas las posibles fuentes de sesgo y cómo evitarlas. Para discusiones integrales sobre sesgos y estudios de dispositivos de diagnóstico, ver Begg (1987), Pepe (2003), Zhou et al. (2002), y las referencias citadas en estos textos.

Cuando se utiliza un estándar que no es de referencia para la comparación

Cuando se evalúa una nueva prueba comparándola con un estándar que no es de referencia, la sensibilidad y la especificidad no son términos apropiados para describir los resultados comparativos. La información sobre la precisión o "corrección" de la nueva prueba no se puede estimar directamente. En cambio, cuando se utiliza un estándar que no es de referencia para la comparación, la FDA recomienda que demuestre la capacidad de la prueba candidata para concordar suficientemente con el método o predicado comparativo. Una pregunta que se aborda en este documento es cómo informar los resultados de un estudio que evalúa una nueva prueba de diagnóstico cuando el método comparativo no es un estándar de referencia.

4. Recomendaciones de referencia y población de estudio

La FDA recomienda que planifique cuidadosamente su estudio antes de recolectar la primera muestra o tomar la primera medición. Esto incluye determinar si desea informar la precisión del diagnóstico o el acuerdo del dispositivo. Si desea informar la precisión del diagnóstico, la FDA recomienda que su evaluación incluya el uso de un estándar de referencia en al menos algunos de los temas.

Le recomendamos que se comunique con CDRH lo antes posible para discutir los posibles diseños de estudio y análisis estadísticos antes de cualquier recopilación de datos para el estudio clínico. 3 A menudo existen métodos estadísticos avanzados prometedores que pueden ser apropiados, y constantemente se desarrollan nuevas técnicas de análisis estadístico. La lista de referencias al final de este documento incluye una variedad de enfoques. Hablar de su estudio planificado con CDRH antes de comenzar puede ahorrarle tiempo y dinero.

4.1 Comparaciones con el Benchmark

La elección del punto de referencia comparativo y los métodos de comparación y presentación de informes están influenciados por la existencia y / o la aplicabilidad práctica de un estándar de referencia. Dependiendo de la disponibilidad de un estándar de referencia, la FDA hace las siguientes recomendaciones con respecto a la elección del punto de referencia comparativo:

  1. Si hay un estándar de referencia disponible: utilícelo para estimar la sensibilidad y la especificidad.
  2. Si hay un estándar de referencia disponible, pero no es práctico: utilícelo en la medida de lo posible. Calcule estimaciones de sensibilidad y especificidad ajustadas para corregir cualquier sesgo (de verificación) que pueda haberse introducido al no utilizar el estándar de referencia en su máxima extensión.
  3. Si un estándar de referencia no está disponible o es inaceptable para su uso previsto particular y / o población de uso previsto: considere si se puede construir uno. Si es así, calcule la sensibilidad y la especificidad estimadas según el estándar construido.
  4. Si un estándar de referencia no está disponible y no se puede construir: calcule e informe las medidas de convenio (ver Apéndices).

Ahora proporcionamos más detalles sobre estas recomendaciones:

Si hay un estándar de referencia disponible

Desde una perspectiva puramente estadística, la FDA cree que el mejor enfoque es designar un estándar de referencia y comparar la nueva prueba con el estándar de referencia designado, basándose en sujetos que son representativos de la población de uso previsto. Le recomendamos que consulte con la FDA antes de planificar un estudio para asegurarse de que el estándar de referencia designado satisfaga las necesidades de la Agencia. En esta situación, la sensibilidad y la especificidad tienen significado y puede calcular fácilmente las estimaciones. Los Apéndices contienen un ejemplo numérico.

Si hay un estándar de referencia disponible, pero no es práctico

Si determina que usar un estándar de referencia en todos los temas no es práctico o no es factible, la FDA recomienda que obtenga estimaciones de sensibilidad y especificidad usando la nueva prueba y un método comparativo (que no sea un estándar de referencia) en todos los sujetos, y use el estándar de referencia. en solo un subconjunto de temas (a veces llamados estudios de verificación parcial o estudios de dos etapas).

Por ejemplo, si aplica el estándar de referencia designado a un subconjunto aleatorio de todos los sujetos, oa todos los sujetos donde la nueva prueba y el método comparativo no concuerdan y a una muestra aleatoria de sujetos donde están de acuerdo, entonces es posible calcular estimaciones ajustadas (y variaciones) de sensibilidad y especificidad. En este caso, la FDA recomienda que vuelva a realizar la prueba en un número suficiente de sujetos para estimar la sensibilidad y la especificidad con una precisión razonable.

Tenga en cuenta que las fórmulas simples para calcular la sensibilidad y la especificidad descritas en el Apéndice no son correctas para este diseño y que cálculos tan ingenuos darían estimaciones sesgadas de sensibilidad y especificidad. Este tipo de sesgo es un ejemplo de sesgo de verificación o elaboración. Para más detalles, consulte Begg (1987), Pepe (2003) o Zhou et al. (2002).

Determinar qué tan grande es un subconjunto a elegir, el subconjunto particular a elegir y cómo calcular las medidas de desempeño es actualmente un área de investigación estadística activa. Véase Albert (2006), Albert & amp Dodd (2004, 2006), Hawkins et al. (2001), Kondratovich (2003), Pepe (2003), Zhou et al. (2002), y referencias citadas dentro de estas referencias. Dado que este enfoque puede ser estadísticamente complicado, la FDA recomienda que consulte con un estadístico del CDRH antes de utilizar este enfoque.

En raras circunstancias, puede ser posible estimar la sensibilidad y la especificidad sin utilizar un estándar de referencia en el estudio. Esto puede ser razonable, por ejemplo, cuando la sensibilidad y la especificidad del método comparativo designado están bien establecidas a partir de evaluaciones previas frente a un estándar de referencia en poblaciones de sujetos similares. La elaboración adicional de este tema está más allá del alcance de este documento. Aquí también, la FDA recomienda que consulte con un estadístico de CDRH antes de usar este enfoque.

Si un estándar de referencia no está disponible, pero podría construirse

Un panel de expertos (panel asesor de la FDA u otro panel) puede desarrollar un conjunto de criterios clínicos (o una combinación de pruebas de referencia e información clínica confirmatoria) que serviría como estándar de referencia designado. Si bien este enfoque puede llevar más tiempo desde el principio, si tiene éxito, puede calcular fácilmente estimaciones de sensibilidad y especificidad. En esta situación, la FDA recomienda

  • la etiqueta de prueba describe claramente el estándar de referencia designado que se construyó
  • el nuevo estándar de referencia se creará independientemente del análisis de los resultados de la nueva prueba de diagnóstico (idealmente, antes de recolectar cualquier muestra)
  • consulte con los oficiales médicos y estadísticos del CDRH antes de construir un estándar de referencia.

Si un estándar de referencia no está disponible y no se puede construir

Cuando se evalúa una nueva prueba en comparación con un estándar que no es de referencia, no se pueden calcular directamente estimaciones no sesgadas de sensibilidad y especificidad. Por lo tanto, los términos sensibilidad y especificidad no son apropiados para describir los resultados comparativos. En cambio, se realizan los mismos cálculos numéricos, pero las estimaciones se denominan acuerdo porcentual positivo y acuerdo porcentual negativo, en lugar de sensibilidad y especificidad. Esto refleja que las estimaciones no son de precisión sino de concordancia entre la nueva prueba y el estándar que no es de referencia.

Además, cantidades como el valor predictivo positivo, el valor predictivo negativo y las razones de probabilidad positiva y negativa no se pueden calcular ya que se desconoce el estado de la condición de los sujetos (según lo determinado por un estándar de referencia).

En esta situación, la FDA recomienda que informe

  • la tabla de resultados 2x2 comparando la prueba candidata con el método comparativo
  • una descripción del método comparativo y cómo se realizó
  • el par de medidas de acuerdo junto con sus intervalos de confianza.

Los Apéndices proporcionan un ejemplo numérico.

Adoptamos los términos "acuerdo de porcentaje positivo" y "acuerdo de porcentaje negativo" con la siguiente nota de advertencia. La concordancia de una nueva prueba con el estándar que no es de referencia es numéricamente diferente de la concordancia del estándar que no es de referencia con la nueva prueba (al contrario de lo que implica el término “concordancia”). Por lo tanto, al utilizar estas medidas de acuerdo, la FDA recomienda que indique claramente los cálculos que se están realizando.

Una de las principales desventajas de las medidas de acuerdo es que el acuerdo no es una medida de "corrección". Dos pruebas podrían coincidir y ambas estar equivocadas. De hecho, dos pruebas podrían coincidir bien, pero ambas tienen poca sensibilidad y especificidad. Sin embargo, cuando dos pruebas no concuerdan, eso no significa que la nueva prueba sea incorrecta y que el método comparativo sea correcto.

También se debe tener en cuenta que las medidas de acuerdo general (incluyendo tanto el porcentaje de acuerdo general como el Kappa de Cohen) puede ser engañoso en este contexto. En algunas situaciones, la concordancia general puede ser buena cuando la concordancia porcentual positiva o negativa es muy baja. Por esta razón, la FDA desaconseja el uso independiente de medidas de acuerdo general para caracterizar el rendimiento diagnóstico de una prueba.

Se han realizado muchas investigaciones estadísticas sobre cómo estimar la precisión diagnóstica de una nueva prueba cuando no se dispone de un estándar de referencia o no existe. Albert y Dodd (2004), Pepe (2003) y Zhou et al. (2002) proporcionan revisiones de algunas de estas investigaciones, que incluyen el uso de modelos de clases latentes y modelos bayesianos. Estos enfoques basados ​​en modelos pueden ser problemáticos para estimar la sensibilidad y la especificidad porque a menudo es difícil verificar que el modelo y los supuestos utilizados sean correctos. Más problemático es que diferentes modelos pueden ajustarse igualmente bien a los datos, pero producen estimaciones muy diferentes de sensibilidad y especificidad. Para este tipo de análisis, la FDA recomienda informar una variedad de resultados para una variedad de modelos y suposiciones. La FDA también recomienda que consulte con un estadístico de CDRH antes de utilizar estos enfoques.

4.2 Selección de la población de estudio

Además de elegir un punto de referencia comparativo apropiado, evaluar una nueva prueba también implica elegir un conjunto apropiado de:

  • sujetos o muestras a ensayar
  • personas y laboratorios para realizar las pruebas
  • condiciones en las que se realizarán las pruebas.

Sesgo de espectro

Las estimaciones de precisión diagnóstica están sujetas a sesgo de espectro cuando los sujetos incluidos en el estudio no incluyen el espectro completo de características de los pacientes, es decir, faltan importantes subgrupos de pacientes. Ver Begg (1987), Pepe (2003) o Zhou et al. (2002). Por ejemplo, hay estudios que incluyen solo sujetos muy sanos y sujetos con enfermedad grave, omitiendo los casos intermedios y típicamente más difíciles de diagnosticar. Las medidas de precisión informadas de estos estudios están sujetas a sesgo de espectro.

La eliminación de los casos difíciles produce una imagen demasiado optimista de cómo funciona el dispositivo en el uso real. Por lo tanto, la FDA recomienda que el conjunto de sujetos y muestras a analizar incluya:

  • sujetos / muestras en toda la gama de estados patológicos
  • sujetos / muestras con condiciones médicas de confusión relevantes
  • sujetos / especímenes de diferentes grupos demográficos.

Si el conjunto de sujetos y muestras que se evaluarán en el estudio no es suficientemente representativo de la población de uso previsto, las estimaciones de la precisión del diagnóstico pueden estar sesgadas.

Validez externa

Un estudio tiene alto validez externa si los resultados del estudio reflejan suficientemente el rendimiento en el "mundo real" del dispositivo en la población de uso previsto. La selección del conjunto apropiado de sujetos y / o especímenes no es en sí misma suficiente para asegurar una alta validez externa.Aunque la discusión detallada de la validez externa está más allá del alcance de este documento, la FDA generalmente recomienda:

  • utilizando la versión final del dispositivo de acuerdo con las instrucciones finales de uso
  • usando varios de estos dispositivos en su estudio
  • Incluyendo múltiples usuarios con capacitación relevante y rango de experiencia.
  • cubriendo una gama de condiciones de uso y funcionamiento previstas.

Ver Rothwell (2006) para una discusión no técnica en el contexto de ensayos aleatorios.

5. Recomendaciones para la presentación de informes

Se aplican principios de informes similares a cualquier estudio que evalúe una prueba de diagnóstico, independientemente de si el punto de referencia comparativo es un estándar de referencia.

Informar el contexto del estudio

Las medidas de rendimiento deben interpretarse en el contexto de la población de estudio y el diseño del estudio. La sensibilidad y la especificidad no se pueden interpretar por sí mismas. Se necesita información adicional. Por ejemplo, la sensibilidad y la especificidad estimadas de la misma prueba pueden diferir de un estudio a otro, según los tipos de sujetos incluidos en el estudio y si se utiliza un estándar de referencia obsoleto o un estándar de referencia aceptado actualmente por la comunidad clínica actual.

Antes de presentar los resultados, la FDA recomienda que describa o defina:

  • población de uso previsto
  • población de estudio
  • condición de interés (definición precisa de condición que explica cómo esos

los sujetos con la condición de interés se distinguen de los que no la tienen)

La FDA también recomienda que analice:

  • el fundamento de la elección del punto de referencia comparativo designado
  • las fortalezas y limitaciones que probablemente resulten de la selección de ese punto de referencia.

Definición de las condiciones de uso

La FDA recomienda que defina las condiciones de uso bajo las cuales se realizan la prueba candidata y el estándar de referencia o método comparativo. Estos pueden incluir:

  • experiencia del operador
  • instalación de laboratorio clínico u otro entorno de prueba
  • controles aplicados
  • criterios de aceptación de la muestra.

Descripciones de métodos y resultados comparativos

La FDA recomienda que incluya en sus resultados una descripción clara de todos los métodos utilizados y cómo y qué datos se recopilaron, como:

  • procedimientos de contratación de sujetos
  • demografía del sujeto
  • criterios de inclusión y exclusión de sujetos y muestras
  • procedimientos de recolección de muestras
  • tiempo de recolección y análisis de la muestra
  • tipos de especímenes recolectados
  • número de muestras recogidas y analizadas y número descartado
  • número de muestras incluidas en el análisis de datos final
  • dispositivos de recolección de muestras (si corresponde)
  • procedimientos de almacenamiento y manipulación de muestras.

Informar los resultados del estudio

La FDA recomienda que informe todos los resultados antes de

  • sitio clínico o sitio de recolección de muestras,
  • lugar de procesamiento o análisis de muestras, y
  • subgrupos clínicos y demográficos relevantes.

La FDA recomienda que informe las comparaciones tabulares del resultado de la prueba candidata con el estándar de referencia o el método comparativo. (Por ejemplo, le recomendamos que informe la tabla de resultados de 2x2, como las del Apéndice).

La FDA recomienda que informe las medidas de precisión diagnóstica (pares de sensibilidad y especificidad, pares de razón de probabilidad positiva y negativa) o medidas de concordancia (porcentaje de concordancia positiva y porcentaje de concordancia negativa) y sus intervalos de confianza bilaterales del 95 por ciento. Recomendamos informar estas medidas como fracciones (p. Ej., 490/500) y como porcentajes (por ejemplo, 98,0%). Los Apéndices contienen un ejemplo numérico.

Resultado cuantitativo subyacente

Para las pruebas cualitativas derivadas de un resultado cuantitativo subyacente, la FDA recomienda que proporcione resúmenes descriptivos que incluyan:

  • rangos de resultados
  • histogramas de resultados por estado de condición (si se conoce)
  • Gráficos de características operativas del receptor (ROC) (si se conoce el estado de la condición).

El documento CLSI GP10 Evaluación de la precisión clínica de las pruebas de laboratorio mediante gráficos de características operativas del receptor (ROC) proporciona más orientación sobre este tema.

Contabilidad de materias y resultados de pruebas.

La FDA recomienda que proporcione una contabilidad completa de todos los sujetos y los resultados de las pruebas, que incluyen:

  • número de sujetos previstos para ser evaluados
  • número probado
  • número utilizado en el análisis final
  • número omitido del análisis final.

La FDA recomienda que proporcione el número de 4 resultados ambiguos para las pruebas candidatas, estratificados por resultado estándar de referencia o resultado comparativo.

Informar los resultados de la población de uso previsto por separado

La FDA recomienda que informe los resultados para aquellos sujetos en la población de uso previsto por separado de otros resultados. Puede ser útil informar resultados comparativos para sujetos que no forman parte de la población de uso previsto, pero recomendamos que no se agrupen. Por ejemplo, si las personas sanas no forman parte de la población de uso previsto, recomendamos que esos resultados se informen por separado de los resultados para la población de uso previsto. Los resultados de pacientes fuera de la población de uso previsto no deben etiquetarse como "especificidad". El término especificidad es apropiado para describir la frecuencia con la que una prueba es negativa solo en sujetos de la población de uso previsto para quienes la condición objetivo está ausente.

Rara condición de interés

Cuando la condición de interés es rara, los estudios a veces se enriquecen con sujetos positivos estándar de referencia, lo que puede hacer que los resultados sean inapropiados para combinarlos con otros resultados positivos. Le recomendamos que consulte con la FDA sobre este tema.

Colecciones archivadas

Si su prueba se evalúa utilizando muestras obtenidas retrospectivamente de colecciones archivadas, las afirmaciones de sensibilidad y especificidad pueden ser apropiadas o no. Estas afirmaciones pueden ser apropiadas si las muestras archivadas son representativas de muestras de sujetos en la población de uso previsto, con y sin la condición de destino, incluidos los casos poco claros. La FDA recomienda que proporcione una descripción de los resultados, indicando:

  • la naturaleza de los especímenes estudiados
  • cómo se determinó el estado de la condición objetivo
  • las limitaciones introducidas mediante el muestreo selectivo.

6. Prácticas estadísticamente inapropiadas

Algunas prácticas comunes para informar los resultados son estadísticamente inapropiadas porque son engañosas o pueden dar lugar a estimaciones inexactas del rendimiento de la prueba. Estas prácticas surgen con mayor frecuencia cuando una nueva prueba se compara con un método comparativo que no sea un estándar de referencia.

Comparar una nueva prueba con un estándar que no es de referencia no arroja un rendimiento real. Si la nueva prueba es mejor que el estándar que no es de referencia, la concordancia será deficiente. Alternativamente, el acuerdo podría ser deficiente porque el estándar que no es de referencia es bastante preciso y la nueva prueba es inexacta. No existe una solución estadística para determinar qué escenario es la situación real.

Al comparar una nueva prueba con un estándar que no es de referencia, la FDA hace las siguientes recomendaciones con respecto a cuatro prácticas comunes que creemos dan resultados engañosos o incorrectos.

1. Evite el uso de los términos "sensibilidad" y "especificidad" para describir la comparación de una nueva prueba con un estándar que no es de referencia.

Cuando se evalúa una nueva prueba en comparación con un estándar que no es de referencia, es imposible calcular estimaciones insesgadas de sensibilidad y especificidad. Además, cantidades como el valor predictivo positivo, el valor predictivo negativo y las razones de probabilidad positiva y negativa no se pueden calcular ya que se desconoce el estado de la condición de los sujetos (según lo determinado por un estándar de referencia).

Por esta razón, la FDA recomienda que informe

  • la tabla de resultados 2x2 que compara la nueva prueba con el estándar no de referencia
  • una descripción del estándar que no es de referencia
  • medidas de concordancia e intervalos de confianza correspondientes.

La FDA recomienda el uso de los términos acuerdo porcentual positivo y acuerdo porcentual negativo con el estándar de no referencia para describir estos resultados. Las medidas del acuerdo se analizan con más detalle en los Apéndices.

2. Evite la eliminación de equívocos 5 resultados

Si una prueba puede (según las instrucciones de la prueba) producir un resultado que no sea positivo o negativo, entonces técnicamente no es una prueba cualitativa (ya que son posibles más de dos resultados). En ese caso, las medidas descritas en esta guía no se aplican directamente. Descartar o ignorar estos resultados y realizar los cálculos en esta guía probablemente resultará en estimaciones de desempeño sesgadas.

Para abordar este problema, una opción es informar dos conjuntos diferentes de medidas de desempeño.

  • un conjunto de medidas basadas en la inclusión de los resultados equívocos con los resultados positivos de la prueba
  • un segundo conjunto de medidas basadas en la inclusión de los resultados equívocos con los resultados negativos de la prueba.

Esto puede o no ser razonable para su situación. La FDA recomienda que consulte con los estadísticos de la FDA sobre cómo manejar este tipo de resultados.

3. Evitar el uso de resultados alterados o actualizados por resolución discrepante

No debe utilizar resultados que hayan sido modificados o actualizados por resolución discrepante para estimar la sensibilidad y especificidad de una nueva prueba o la concordancia entre una nueva prueba y un estándar que no es de referencia.

Cuando se evalúa una nueva prueba comparándola con un estándar que no es de referencia, pueden surgir discrepancias (desacuerdos) entre los dos métodos debido a errores en el método de prueba o errores en el estándar que no es de referencia. Dado que el estándar que no es de referencia puede estar equivocado, los cálculos de sensibilidad y especificidad basados ​​en el estándar que no es de referencia están sesgados estadísticamente. Se ha sugerido una práctica llamada resolución discrepante para sortear el problema del sesgo.

Como su nombre indica, resolución discrepante se centra en temas en los que hay una discrepancia, es decir, en los que la nueva prueba y el estándar de no referencia no coinciden. En la situación más simple, la resolución discrepante se puede describir como un proceso de prueba de dos etapas:

  • Etapa 1: Evaluar a todos los sujetos utilizando la nueva prueba y el estándar que no es de referencia.
  • Etapa 2: Cuando la nueva prueba y el estándar de no referencia no concuerdan, usar un resolver (un estándar de referencia o un segundo estándar que no es de referencia) para ver cuál es el "correcto".

En el Apéndice aparece un ejemplo numérico que describe la resolución discrepante. Si el resolutor es un estándar de referencia, este proceso proporciona el estado de la condición para los sujetos que se volvieron a probar con el resolutor, pero no proporciona el estado de la condición para los sujetos cuando la nueva prueba concuerda con el estándar de no referencia (generalmente la mayoría de los asignaturas). Incluso cuando la nueva prueba y el estándar que no es de referencia coinciden, ambos pueden estar equivocados.

La FDA no recomienda el proceso utilizado por algunos investigadores mediante el cual el resolutor se usa para revisar la tabla de resultados original de 2x2 (prueba nueva versus estándar sin referencia). Creemos que la tabla 2x2 original está "revisada" de manera inapropiada en este método porque:

  • cuando los dos resultados originales concuerdan, usted asume (sin evidencia de respaldo) que ambos son correctos y no realiza ningún cambio en la tabla
  • cuando los resultados originales no están de acuerdo, y el estándar que no es de referencia no está de acuerdo con el resolutor, usted reclasifica (cambia) el resultado del estándar que no es de referencia al resultado del resolutor.

La tabla 2x2 revisada basada en la resolución discrepante es engañosa porque las columnas no están claramente definidas y no necesariamente representan el estado de la condición, como se supone. La suposición de que los resultados que concuerdan son correctos no se prueba y puede estar lejos de ser válida. La FDA recomienda que no presente dicha tabla en su análisis final porque puede ser muy engañosa. Debido a que los cálculos de sensibilidad y especificidad de una tabla de 2x2 revisada no son estimaciones válidas del rendimiento, no deben informarse.

La FDA no tiene conocimiento de ninguna forma científicamente válida de estimar la sensibilidad y la especificidad resolviendo solo los resultados discrepantes, incluso cuando el resolutor es un estándar de referencia. Para obtener estimaciones no sesgadas de sensibilidad y especificidad, la FDA cree

  • el resolver debe ser un estándar de referencia, y
  • debe resolver al menos un subconjunto de los temas concordantes.

La resolución discrepante con un resolutor de estándar de referencia puede indicarle si la nueva prueba o el estándar que no es de referencia es correcta la mayor parte del tiempo, pero no puede cuantificar cuánto más. Si el resolutor no es un estándar de referencia, los resultados de la prueba del resolutor pueden proporcionar poca o ninguna información útil sobre el rendimiento de la nueva prueba. La resolución de discrepancias mediante la repetición de pruebas mediante la nueva prueba o el estándar que no es de referencia tampoco proporciona ninguna información útil sobre el rendimiento.

4. Evite la comparación de los resultados de una nueva prueba con el resultado de un algoritmo de prueba que combina varios métodos comparativos (estándares que no son de referencia), si el algoritmo utiliza el resultado de la nueva prueba.

Al evaluar algunos tipos de pruebas, el “procedimiento” comparativo no es una prueba única, sino el resultado de una combinación de varios métodos comparativos y posiblemente información clínica. A menudo, se realizan e interpretan dos o más métodos comparativos de acuerdo con una secuencia de prueba o algoritmo preespecificado para determinar el estado de la condición.

La decisión de utilizar un segundo o tercer método comparativo puede depender del resultado del método comparativo inicial. Este enfoque puede ser estadísticamente razonable. Sin embargo, la FDA cree que este enfoque no es válido si el algoritmo utiliza el resultado de la nueva prueba no probada. Por ejemplo, la decisión de utilizar un método comparativo adicional no debe basarse en si la nueva prueba es positiva o negativa.

La FDA cree que es potencialmente engañoso establecer el rendimiento de una nueva prueba comparándola con un procedimiento que incorpora la misma nueva prueba. Cualquier estándar que no sea de referencia creado de esta manera probablemente estará sesgado a favor de la nueva prueba, es decir, tenderá a producir sobreestimaciones de la concordancia de la nueva prueba con el estándar que no es de referencia.

En resumen, al informar los resultados de un estudio que evalúa una prueba de diagnóstico, la FDA cree que es inapropiado para:

  • utilizar los términos "sensibilidad" y "especificidad" para describir la comparación de una nueva prueba con un estándar que no es de referencia
  • descartar nuevos resultados de pruebas equívocos al calcular las medidas de precisión o concordancia del diagnóstico
  • utilizar los resultados que se modifican o actualizan mediante una resolución discrepante para estimar la sensibilidad y especificidad de una nueva prueba o la concordancia entre una nueva prueba y un estándar que no es de referencia
  • comparar los resultados de una nueva prueba con el resultado de un algoritmo de prueba que combina varios métodos comparativos (estándares que no son de referencia), si el algoritmo utiliza el resultado de la nueva prueba.

7. Apéndices

7.1 Cálculo de estimaciones de sensibilidad y especificidad

La sensibilidad y la especificidad son medidas básicas de rendimiento para una prueba de diagnóstico. Juntos, describen qué tan bien una prueba puede determinar si una condición específica está presente o ausente. Cada uno de ellos proporciona información distinta e igualmente importante, y la FDA recomienda que se presenten juntos:

  • Sensibilidad se refiere a la frecuencia con la que la prueba es positiva cuando la condición de interés está presente
  • Especificidad se refiere a la frecuencia con la que la prueba es negativa cuando la condición de interés está ausente.

Tenga en cuenta que una prueba de diagnóstico en la que la sensibilidad es igual a [1– especificidad] no tiene valor diagnóstico. Es decir, si el porcentaje de sujetos con resultados positivos en la prueba cuando la afección está presente (sensibilidad) es el mismo que el porcentaje de sujetos con resultados positivos en la prueba cuando la afección está ausente (1 - especificidad), entonces el nuevo resultado de la prueba no se ve afectado. por la condición de interés, y no tiene valor diagnóstico para esa condición de interés. Sin embargo, una prueba en la que tanto la sensibilidad como la especificidad están cerca de 1 tiene una buena capacidad de diagnóstico.

Por lo general, para estimar la sensibilidad y la especificidad, el resultado de la nueva prueba se compara con el estándar de referencia utilizando sujetos que son representativos de la población de uso previsto (tanto con condición presente como con condición ausente).

Suponemos en todo momento que los datos de su estudio no incluyen múltiples muestras de pacientes individuales. Si tiene esos datos, le recomendamos que consulte con los estadísticos de la FDA sobre los métodos de cálculo adecuados.

Los resultados generalmente se informan en una tabla de 2x2 como la Tabla 1.

La nueva prueba tiene dos resultados posibles, positivo (+) o negativo (). Los sujetos con la condición de interés se indican como estándar de referencia (+), y los sujetos sin la condición de interés se indican como estándar de referencia ().


Métodos

Tiempo hasta el modelo del evento

En una cámara activada por movimiento colocada al azar, el tiempo hasta que se detecta la especie objetivo es una función de la abundancia, la tasa de movimiento y la detectabilidad (Jennelle et al.2002, Parsons et al.2017). El modelo TTE utiliza este hecho para estimar la abundancia a partir de observaciones del tiempo (comenzando desde cualquier momento arbitrario) hasta que se detecta un animal por primera vez. En este marco, separamos los dos componentes del proceso de detección: disponibilidad y percepción. Con frecuencia, en la literatura de las cámaras trampa, estos dos procesos se combinan de modo que la detección se define como la probabilidad de detectar un animal dado que está en una parcela muestreada por una cámara (Burton et al. 2015). Eliminamos la idea de muestrear una trama completa con una cámara y, en cambio, nos enfocamos solo en el área dentro de la cuenca visual de la cámara. De esta manera, reducimos la definición de probabilidad de detección a la probabilidad de que un animal sea capturado por una cámara activada por movimiento, dado que el animal está en la cuenca visual de la cámara. Comenzamos por formular el modelo TTE asumiendo una detección perfecta, y luego presentamos una extensión para tener en cuenta la detectabilidad de las variables.

En un marco de TTE, estamos interesados ​​en estimar λ observando T, el número de períodos de muestreo hasta que el primer animal encuentra la cámara. Para una sola observación de TTE Tij a la camara I = 1, 2, …, METRO y ocasión de muestreo j = 1, 2, …, J, registramos el primer período de muestreo k = 1, 2, …, K en el que observamos las especies de interés (Fig. 2). Por ejemplo, en la cámara 1 el día 1, si primero observamos la especie de interés en el tercer período de muestreo, registramos el TTE T11 = 3. Si no observamos un animal al final del KEn el período de muestreo, el TTE debe ser más largo que nuestro tiempo de observación, por lo que censuramos por la derecha en esta ocasión (Muenchow 1986, Pyke y Thompson 1986, Castro-Santos y Haro 2003, Bischof et al. 2014). Un ejemplo de historial de encuentros en la cámara 1 con J = 5 y K = 24 para cada ocasión de muestreo puede parecer T1j = <N / A, 23, N / A, N / A, 5>, donde una ocasión de muestreo censurada por la derecha está representada por N / A.

Estimamos la varianza muestral de N ^ utilizando las propiedades de la teoría de máxima verosimilitud y el método delta (Mood et al. 1974, Oehlert 1992, Williams et al. 2002). El código R para implementar el modelo TTE se proporciona en Datos S1 y Apéndice S1.

donde Γ (z + 1) es la función gamma Γ (z + 1) = z! y γ (z + 1, λITij) es la función gamma incompleta inferior γ z + 1, λ i T ij = ∫ 0 λ i T ij t z e - t d t. Se necesita un mayor desarrollo de la formulación geométrica-gamma porque hay una singularidad cercana en la matriz de Hesse. En este artículo, demostramos el modelo TTE formulado solo bajo detección perfecta.

Espacio para modelo de evento

Debido a que el modelo TTE requiere estimaciones de la tasa de movimiento para establecer los períodos de muestreo de manera adecuada, desarrollamos el modelo STE que no requiere esta información auxiliar. El modelo STE es conceptualmente similar al modelo TTE, pero colapsamos cada ocasión de muestreo en una muestra instantánea. Debido a esto, las estimaciones son independientes de la tasa de movimiento de animales. Al igual que con el modelo TTE, comenzamos modelando el número de animales a la vista de una cámara usando la distribución de Poisson 1. Sin embargo, en lugar de observar el tiempo hasta que observamos un animal usando la distribución exponencial, podemos recopilar datos sobre la cantidad del espacio S entre animales. Al igual que con el modelo TTE, cuando los eventos de interés están distribuidos por Poisson, el intervalo (de espacio en este caso) entre ellos se distribuye exponencialmente S

Para estimar la cantidad de espacio entre animales, tomamos observaciones de áreas aleatorias del paisaje en un instante en el tiempo. Si un observador dibujara repetidamente áreas aleatorias del paisaje hasta encontrar un animal, el llamado STE sería el área total muestreada hasta ese punto. Debido a que la muestra es instantánea, el STE medio mi[S] = 1 / λ depende solo del número de animales, por lo que podemos estimar la densidad sin más restricciones. Cuando se utilizan fotografías de lapso de tiempo, la probabilidad de detección se define como la probabilidad de que un animal sea capturado e identificado correctamente dado que se encuentra en la cuenca visual de la cámara. Al igual que con el modelo TTE, desarrollamos este modelo asumiendo una detección perfecta, que abordaremos más adelante en la discusión.

Para observar S en la práctica, implementamos aleatoriamente cámaras de lapso de tiempo que toman fotografías en momentos predefinidos. A diferencia del modelo TTE, donde dividimos las ocasiones de muestreo en períodos de muestreo, ahora definimos las ocasiones de muestreo como un solo instante en el tiempo. En cada ocasión de muestreo j = 1, 2, …, J (por ejemplo, cada 1 h), observamos una instantánea del número de animales a la vista de cada cámara. Registramos el STE como el área total muestreada antes de que se observe un animal por primera vez.

Como ejemplo, examinamos todas las fotografías tomadas a la vez (j = 1). Primero calculamos el área de cada cámara siguiendo la Ec. 5. Dado que utilizamos cámaras de lapso de tiempo en lugar de cámaras con sensor de movimiento, la distancia máxima r se define por puntos de referencia de campo en lugar de la distancia de activación. Después de ordenar las cámaras al azar, revisamos las fotografías hasta encontrar la primera detección de animal. Si la cámara 1 (con área a1) contiene al menos un animal, registramos el espacio hasta el primer evento Sj =1 = a1. Si, en cambio, la cámara 1 está vacía pero la cámara norte contiene al menos un animal, registramos Sj =1 = a1 + a2 +… + anorte (Fig. 3). Un ejemplo de historia de encuentros con J = 5 con un área de cámara promedio a ¯ = 30 m 2 puede verse como Sj = <180 m 2, 30 m 2, N / A, 300 m 2, N / A>, donde una ocasión de muestreo censurada por la derecha se representa como N / A.

Estimador de muestreo instantáneo

Podemos convertir a abundancia siguiendo la Ec. 6.

Supuestos

Los tres estimadores de abundancia asumen el cierre demográfico y geográfico del área de estudio, la ubicación aleatoria de la cámara y las observaciones independientes de los animales. Para cumplir con los supuestos de cierre, se debe elegir un marco de muestreo y un tiempo adecuados durante los cuales la población está cerrada por nacimiento, muerte, inmigración y emigración. Si bien los modelos asumen un cierre demográfico y geográfico a nivel del marco de muestreo, es importante señalar que no asumen un cierre geográfico a nivel de parcela, ya que norte-los modelos de mezcla sí lo hacen (Royle 2004). En segundo lugar, las cámaras deben desplegarse al azar en todo el paisaje en lugar de apuntar a características como carreteras o senderos (Rowcliffe et al. 2013). Los animales no deben ser atraídos ni repelidos por las cámaras, por lo que los sitios deben estar libres de cebos y mínimamente perturbados. A continuación, se supone que las detecciones de animales son independientes en el espacio y el tiempo. Siempre que las cámaras se desplieguen al azar, las propiedades del muestreo aleatorio significan que los animales capturados con una cámara no tienen más o menos probabilidades de pasar frente a la siguiente cámara. Sin embargo, es un poco más difícil abordar la independencia de las detecciones de animales en una sola cámara. Debemos considerar el comportamiento de los animales al definir las ocasiones de muestreo y dejar suficiente tiempo para que los animales se redistribuyan por el paisaje. Podemos ayudar a abordar la independencia de las detecciones seleccionando ocasiones de muestreo de forma aleatoria o sistemática, pero aún podemos ver la autocorrelación entre las observaciones. En estos casos, el bootstrapping puede ayudar a estimar adecuadamente la varianza.

Los modelos TTE y STE asumen que los animales siguen una distribución de Poisson en la escala espacial de la cámara. Si los animales se agrupan debido a las características del paisaje, podríamos incorporar covariables en λ para ayudar a abordar la variación adicional en el paisaje. Además, el modelo TTE requiere una estimación independiente de la cantidad de tiempo promedio que tarda un animal en moverse por el área de la cámara. Estas estimaciones se pueden obtener a través de datos auxiliares como collares del sistema de posicionamiento global (GPS).

Todos los modelos se formulan actualmente bajo el supuesto de que la probabilidad de detección es 1. Cuando se utilizan fotografías de lapso de tiempo, como en los métodos STE e IS, esto puede ser bastante razonable. Las cámaras toman fotografías a intervalos específicos independientemente de si detectan un animal. Siempre que la vista frente a la cámara sea lo suficientemente clara y los espectadores de las fotografías estén entrenados constantemente, las fotografías reflejan una verdadera historia de captura de la presencia y ausencia de animales. Por otro lado, las cámaras con sensor de movimiento plantean un problema mayor para la detección. Debido a que la probabilidad de detección disminuye con la distancia (Rowcliffe et al. 2011, Howe et al. 2017), el usuario puede querer usar solo aquellas fotografías con animales a poca distancia de la cámara para poder asumir una probabilidad de detección perfecta. Alentamos el trabajo futuro para extender estos modelos cuando PAG & lt 1.

Simulaciones

Realizamos simulaciones mecánicas para evaluar las estimaciones de abundancia y las varianzas de esas estimaciones para los tres modelos. Simulamos tasas de movimiento lento y rápido para poblaciones de 10 animales y 100 animales. Cada individuo realizó una caminata aleatoria independiente no correlacionada de 1000 pasos con longitudes de paso fijas (longitud 1 para la población lenta y longitud 3 para la población rápida) y ángulos de giro aleatorios, delimitados dentro de un área unitaria de 30 × 30. Los animales se capturaron en un momento dado en cualquiera de las 10 cámaras cuadradas de 1 × 1 unidades colocadas al azar si sus coordenadas caían dentro de las coordenadas de la cámara, incluidos dos bordes.

Para los métodos IS y STE, creamos historiales de encuentros basados ​​en el número de animales en cada cámara en cada décimo paso de tiempo. Para el método IS, usamos el recuento de animales en las cámaras en cada momento de muestreo. Para el método STE, creamos una lista ordenada aleatoriamente de las cámaras en cada paso de tiempo muestreado y registramos el número de la primera cámara que contenía al menos un animal durante ese tiempo. Para el modelo TTE, muestreamos animales durante ocasiones de muestreo de 10 pasos (cada paso representó un período de muestreo en la ocasión de muestreo). Dejamos 10 pasos entre el final de una ocasión de muestreo y el comienzo de la siguiente. En cada cámara y ocasión de muestreo, registramos el número de pasos hasta que el primer animal fue captado por la cámara.

Realizamos 1000 simulaciones para cada combinación de longitudes de paso (rápido y lento) y tamaño de población (10 y 100). Calculamos el error estándar en cada estimación utilizando las fórmulas analíticas de error estándar y el método delta. Para verificar nuestras estimaciones de error estándar, también calculamos la desviación estándar de las estimaciones de abundancia de las simulaciones repetidas.

Estudio de caso: estimación de la abundancia de alces

Para demostrar el uso de estos métodos en el campo, usamos un conjunto de datos de 80 cámaras remotas implementadas durante febrero de 2016. Implementamos estas cámaras en las Montañas Beaverhead de Idaho en una combinación de terrenos públicos y privados, con permiso de los propietarios. El área de estudio fue definida por un búfer de 2 km alrededor de 3525 ubicaciones GPS desde el 18 de diciembre de 2014 hasta el 20 de marzo de 2015 de 33 terneros y hembras de alce. Esta área se caracterizaba por comunidades altas de hierba y artemisa del desierto y colinas azotadas por el viento, donde el movimiento de los alces era mayormente desenfrenado por la topografía o la densa vegetación. Comparamos las estimaciones de nuestros modelos con las estimaciones de abundancia de una prospección aérea realizada en febrero de 2009 en esta área y corregida por el sesgo de visibilidad (Samuel et al. 1987, 1992). Reconocemos que esto no es abundancia verdadera, pero sirve como una cifra aproximada con la que comparar nuestras estimaciones.

Dentro del marco de muestreo, seleccionamos al azar nueve parcelas utilizando un muestreo estratificado de teselación aleatoria generalizada (GRTS) (Stevens y Olsen 2004) con el paquete R spsurvey (Kincaid y Olsen 2017, R Core Team 2015). El muestreo estratificado de teselación aleatoria generalizada permite al usuario reemplazar parcelas en la muestra ordenada, por lo que reemplazamos dos parcelas debido a la falta de accesibilidad durante el invierno y / o la falta de aprobación del propietario (Stevens y Olsen 2004). Dividimos cada parcela de 1,5 × 1,5 km en nueve secciones iguales y colocamos sistemáticamente una cámara en cada sección. Dentro de los límites de la subparcela de 500 × 500 m, intentamos colocar la cámara para maximizar la captura de alces. Sin embargo, en esta área de estudio, una subparcela de 500 × 500 m es relativamente homogénea, y las observaciones de campo sugirieron que el movimiento de los alces era bastante desenfrenado a esta escala. Por lo tanto, aunque la ubicación subjetiva en el nivel de la subparcela no se adhiere al muestreo aleatorio perfecto, no creemos haber violado el supuesto de manera severa. Al colocar las cámaras, nos aseguramos de que no haya dos cámaras en la misma carretera, sendero o cresta, para reducir la autocorrelación entre las cámaras. Debido a la falta de árboles, colocamos las cámaras en postes en T a una altura aproximada de 4 a 5 pies. Apuntamos las cámaras hacia el norte para limitar la luz solar directa en el encuadre y limpiamos cualquier vegetación que obstruyera la vista de la cámara. Las cámaras con flash infrarrojo, activadas por movimiento (modelos HC600, PC800 y PC900 Reconyx, Holmen, Wisconsin, EE. UU.) Tenían una alta sensibilidad de disparo y tomaban ráfagas de cinco imágenes sin demora entre las activaciones de disparo. Además del disparador de movimiento, las cámaras tomaron fotografías cada cinco minutos de 06:00 a 18:00.

Calculamos el área visible de la cámara según las especificaciones de la cámara (TrailcamPro 2017) usando Eq. 5. Basamos el área visible de la cámara en el modelo Reconyx HC600, dejando θ = 42 °. Las cámaras tenían vistas largas y sin obstáculos, por lo que configuramos r = 50 m para reducir la clasificación errónea y el recuento incorrecto. Solo contamos los alces dentro de esa distancia, que identificamos mediante una señalización colocada en el campo.

Para el modelo TTE, estimamos la duración del período de muestreo en 1 h. Estimamos la distancia a través de una cámara en 30 my calculamos la velocidad de los alces a partir de 1746 ubicaciones de 53 collares de GPS en el área de Beaverhead desde enero de 2015 (IDFG, datos no publicados). La velocidad media de los alces fue de aproximadamente 30 m / h (incluidos los tiempos de búsqueda de alimento y descanso), por lo que establecimos la duración del período de muestreo en una hora. En cada cámara, tomamos muestras durante cuatro horas (cuatro períodos de muestreo de 1 h), comenzando cada ocho horas a lo largo de febrero de 2016. En cada ocasión de muestreo, registramos el primer período en el que se detectó un alce. Si no se detectaron alces durante una ocasión de muestreo determinada, censuramos por la derecha esa ocasión.

Para el modelo STE, creamos una lista de cámaras ordenada al azar y grabamos la primera cámara que detectó alces en cada ocasión de muestreo. Aunque el muestreo debería ser instantáneo, definimos el período de muestreo como 1 min para asegurarnos de que teníamos suficientes detecciones. Cualquier fotografía de alce durante ese minuto contaba como una detección. Tomamos muestras de cada cámara durante un minuto cada hora, desde el 1 de febrero hasta el 13 de febrero de 2016. Seleccionamos este período de tiempo para asegurarnos de que los alces no estuvieran migrando dentro o fuera del rango de invierno. Si ninguna cámara observó alces en una ocasión de muestreo determinada, censuramos por la derecha en esa ocasión.

Para el estimador IS, contamos todos los alces visibles en un subconjunto de fotografías tomadas entre el 1 de febrero y el 29 de febrero de 2016. Usamos fotografías tomadas a la hora, cada hora, para reducir la autocorrelación entre muestras. Si no se tomó ninguna fotografía en una ocasión determinada, registramos el recuento como cero. Idealmente, cuando se utilizan recuentos repetidos de áreas fijas, las réplicas espaciales deben volver a aleatorizarse cada vez. Sin embargo, con el estimador IS, las cámaras no se vuelven a desplegar en cada ocasión de muestreo. j, por lo que el estimador de varianza debe tener en cuenta la posible correlación entre recuentos en la misma cámara. Debido a que la mayoría de los estimadores de varianza analítica pueden tener un sesgo bajo cuando las muestras están correlacionadas, queríamos probar el desempeño de nuestro estimador contra la estimación del error estándar de un bootstrap no paramétrico (Efron y Tibshirani 1993). Creamos 1000 nuevos conjuntos de datos muestreando las cámaras con reemplazo y tomando todos los conteos en esas cámaras. Estimamos la abundancia con cada conjunto de datos. Estimamos el error estándar de N ^ con la desviación estándar de estas estimaciones repetidas.


Resultados

Comparación de métodos de recolección para abejas nativas

Tanto el número de especímenes recolectados como su riqueza taxonómica difirieron entre los métodos de recolección (Cuadro 2). La red de barrido dirigida fue, con mucho, el método más eficaz para el muestreo de abejas con respecto tanto a la abundancia como a la riqueza de unidades taxonómicas, y las trampas de paleta azul fueron las siguientes más efectivas en términos de números absolutos (Tabla 2 Apéndice S2: Tabla S1). Sin embargo, cuando se estandarizaron para aproximar una duración de muestreo igual a los otros métodos (3 h), las trampas de paleta azul capturaron un número comparable de abejas en el plato (Tabla 2).

Método Red de barrido dirigida Veleta azul Paleta amarilla Trampa de cacerola azul Trampa de cacerola amarilla Trampa de sartén amarilla grande
Individuos capturados 1324 347 (3.86) ‡ ‡ Los números entre paréntesis se dividen por 90 para estandarizar los resultados a 3 h con el fin de comparar cuantitativamente los resultados con los otros métodos.
15 (0,17) ‡ ‡ Los números entre paréntesis se dividen por 90 para estandarizar los resultados a 3 h con el fin de comparar cuantitativamente los resultados con los otros métodos.
8 15 6
Unidades taxonómicas capturadas † † Dada la variación en el tamaño corporal entre sexos (K. S. Prendergast, datos no publicados), y las diferencias conocidas en las preferencias de color entre sexos (Heneberg y Bogusch 2014), para las especies en las que se recolectaron ambos sexos, se trataron como unidades taxonómicas distintas.
134 31 (0.34) ‡ ‡ Los números entre paréntesis se dividen por 90 para estandarizar los resultados a 3 h con el fin de comparar cuantitativamente los resultados con los otros métodos.
10 (0,11) ‡ ‡ Los números entre paréntesis se dividen por 90 para estandarizar los resultados a 3 h con el fin de comparar cuantitativamente los resultados con los otros métodos.
7 6 5
Genera atrapado 20 11 7 4 3 2
Familias atrapadas 4 4 4 3 3 2
  • † Dada la variación en el tamaño corporal entre sexos (K. S. Prendergast, datos no publicados), y las diferencias conocidas en las preferencias de color entre sexos (Heneberg y Bogusch 2014), para las especies en las que se recolectaron ambos sexos, se trataron como unidades taxonómicas distintas.
  • ‡ Los números entre paréntesis se dividen por 90 para estandarizar los resultados a 3 h con el fin de comparar cuantitativamente los resultados con los otros métodos.

Las trampas de paletas azules capturaron más individuos y unidades taxonómicas que las trampas de paletas amarillas, mientras que las trampas de paletas amarillas fueron más efectivas que las trampas de paletas azules. Las trampas de plato amarillo grandes (no UV) fueron las menos efectivas (Tabla 2).

Hubo diferencias significativas en el número de abejas nativas individuales capturadas entre los diferentes métodos (PAG & lt 0.0001 Apéndice S2: Tabla S1). Todas las comparaciones por pares entre la red de barrido dirigida y todos los métodos pasivos fueron significativamente diferentes (PAG & lt 0,0001). Todas las comparaciones por pares entre las trampas de paleta azul y otros métodos fueron significativamente diferentes (PAG & lt 0.0001 Apéndice S2: Tabla S2), pero no lo fueron una vez que se estandarizaron los datos de las trampas de paletas (PAG & gt 0.05 Apéndice S5: Tabla S2). Hubo una interacción significativa entre método × hábitat (PAG & lt 0.0001 Apéndice S2: Tabla S1), pero los principales hallazgos de la superioridad de las redes de barrido específicas fueron consistentes en todos los hábitats (Fig. 2).

La riqueza de unidades taxonómicas también difirió entre los métodos de muestreo (PAG & lt 0.0001, Apéndice S2: Tabla S3, Apéndice S3: Tabla S1), siguiendo un patrón similar al de las abundancias (Apéndice S2: Tabla S4). La red de barrido dirigida capturó más del 90% de todas las unidades taxonómicas (Cuadro 2). Las trampas de plato azul capturaron un poco más de unidades taxonómicas que las trampas de plato amarillo, pero la diferencia no fue significativa (Tabla 2 Apéndice S2: Tabla S4). Al igual que con la abundancia, las trampas de paleta azul capturaron más unidades taxonómicas en general que los otros métodos pasivos (Tabla 2, Apéndice S2: Tabla S4), pero no cuando las tasas de captura se estandarizaron a tres horas (Tabla 2, Apéndice S5: Tabla S4). No hubo interacción método × hábitat (PAG = 0.376 Apéndice S2: Tabla S3).

De las 145 unidades taxonómicas (separadas para cada sexo), de aquellas con norte ≥ 10, los 43 se recolectaron a frecuencias más altas mediante redes de barrido específicas, excepto cuatro: Amegilla clorocianea (Hembra 196 veleta azul, 17 redes de barrido focalizado, 2 veleta amarilla y 1 trampa de bandeja azul) A. clorocianea (macho 68 veleta azul y 9 redes de barrido dirigido) el cleptoparásito de Amegilla, Thyreus waroonensis (hembra 11 veleta azul y 2 redes de barrido focalizadas) y Lasioglossum (Chilalictus) ricino (Hembras 14 paletas azules, 12 redes de barrido focalizadas, 9 trampas de bandeja amarilla, 4 paletas amarillas y 2 trampas de bandeja azul Apéndice S3: Tabla S1).

Ninguna especie fue exclusiva de las trampas de bandeja amarillas grandes o las trampas de bandeja de color azul ultravioleta o amarillo ultravioleta. Solo dos especies, Lasioglossum (Chilalictus) sp.12 (mujer) y Braunsapis nitida (hembra), ambos singleton, eran exclusivos de las trampas de veleta amarilla. Cinco unidades taxonómicas eran exclusivas de las trampas de paleta azul (Lanario de Lasioglossum (Chilalictus) [masculino], Lasioglossum (Chilalictus) inflatum [mujer], Homalictus (Homalictus) sphecodoides [mujer], todos solteros, Euryglossula fultoni [masculino, norte = 3], y Lanario de L. (Chilalictus) [mujer, norte = 4]). Por el contrario, 98 unidades taxonómicas fueron capturadas exclusivamente por redes de barrido focalizadas (Apéndice S3: Tabla S1).

Hubo una interacción significativa sexo × método (PAG = 0,0002), lo que indica que los sexos se muestrearon de manera diferente según el método utilizado (Apéndice S2: Tabla S5).

Las curvas de rarefacción y las estimaciones de Chao siguieron el mismo patrón general basado en el número observado de unidades taxonómicas por método de muestreo (Tabla 3 Apéndice S4: Fig. S1). Si bien los métodos de muestreo pasivo siguieron una pendiente poco profunda con un esfuerzo de muestreo creciente (Apéndice S4: Fig. S1), la red siguió un patrón curvilíneo y aún no se estabilizó (Apéndice S4: Fig. S1), lo que indica que a pesar del alto esfuerzo de muestreo, es probable que haya más unidades taxonómicas con un mayor esfuerzo de muestreo. Considerando las unidades taxonómicas capturadas como un porcentaje de la estimación de Chao 1, las redes, las bandejas amarillas grandes y las bandejas azules tuvieron valores superiores al 70%, mientras que el número recolectado en las paletas azules fue solo el 55,6% del valor estimado, y para las trampas de paleta y amarilla, la riqueza de unidades taxonómicas fue sólo el 46,7% y el 44,5%, respectivamente, del valor estimado (Cuadro 3). Cabe señalar que los intervalos de confianza de las estimaciones de Chao 1 fueron relativamente amplios (Cuadro 3).

Método Observado Chao 1 significa Límite inferior del IC del 95% Límite superior del IC del 95% Chao 1 SD % obs de Chao 1
Sartenes amarillas grandes 4 5.2 4.12 16.5 2.14 76.9
Sartenes amarillas 6 13.5 6.92 66.7 10.9 44.5
Sartenes azules 9 12.4 9.58 29.4 3.9 72.3
Paletas amarillas 10 21.4 12.1 73.8 12.3 46.7
Paletas azules 32 57.5 39.4 119.9 17.9 55.6
Red de barrido dirigida 134 181.5 154.6 243.5 21.2 73.8

Notas

  • IC, intervalos de confianza SD, desviación estándar% obs, porcentaje del número observado de unidades taxonómicas es del calculado por el análisis Chao 1.

Una matriz de similitud de Bray-Curtis de composición de especies reveló que de los cinco métodos de recolección, las trampas de plato de diferentes colores eran las más similares. Tanto las paletas azules como las amarillas eran más similares a las trampas de plato azul que a las trampas de plato amarillo. El método más exitoso, la red de barrido dirigida, tenía una composición de especies muy similar a las trampas de paleta azul, pero poca similitud con los otros métodos (Tabla 4). Un análisis NMDS que comparó la composición taxonómica entre los métodos tuvo un estrés bajo (0.01), lo que indica un buen ajuste a los datos, y mostró que las dos pequeñas trampas de plato reflectantes de UV eran más similares entre sí (Fig. 3). La composición taxonómica de las abejas capturadas en grandes trampas de plato amarillo fue muy diferente a todos los demás métodos. La red de barrido dirigida también fue diferente a todos los demás métodos, pero más similar a las paletas azules.

Método Red de barrido dirigida Veleta azul Paleta amarilla Trampa de cacerola azul Trampa de cacerola amarilla Trampa de sartén amarilla grande
Red de barrido dirigida
Veleta azul 23.75
Paleta amarilla 5.68 15.77
Trampa de cacerola azul 4.15 21.36 24.53
Trampa de cacerola amarilla 4.01 15.04 22.31 30.58
Trampa de sartén amarilla grande 2.53 5.88 0.00 14.11 0.00

Abejas nativas observadas frente a redes de barrido específicas

Debido a su inaccesibilidad (fuera del alcance de la red entomológica de barrido) o la dificultad para capturar taxones de vuelo rápido, no todas las abejas que se observaron fueron capturadas. De un total de 5299 abejas nativas registradas por muestreo activo, 1324 fueron capturadas y 4366 fueron observadas: una proporción de abejas observadas y capturadas de 1: 3. En todas las encuestas, se pescó una media de 6,32 ± 1,07 (error estándar) de abejas frente a 17,16 ± 4,01 observadas. La proporción de abejas capturadas con redes y abejas observadas no difirió según el hábitat (PAG = 0.147 Apéndice S2: Tabla S2). Sin embargo, hubo diferencias significativas entre taxones en la proporción de abejas capturadas en relación con la de abejas observadas (& lt0.001 Tabla 5 Apéndice S2: Tabla S6), con diferencias en la mayoría de las comparaciones por pares entre taxones (prueba post hoc de Tukey Apéndice S2: Cuadro S7). Las mayores diferencias en las tasas de captura observadas con redes fueron para el género Amegilla, que incluía solo una especie de cuerpo grande (A. Clorocynea), y para Exoneura, un género de abeja social pequeña. Para Amegilla, los números más altos observados en relación con los capturados se relacionaron con su vuelo extremadamente rápido y errático y la corta duración de posarse en la flor. Para Exoneura, la alta proporción observada: capturada se debió probablemente a las grandes cantidades que a menudo se alimentan simultáneamente en los arbustos, lo que hace que la captura de algunos individuos sea fácil pero imposible de atrapar a todos los que se alimentan. Excluyendo los taxones que se encuentran raramente, la mayoría de los taxones se observaron con más frecuencia que los que se anotaron, excepto por Meroglossa, representado por una sola especie (M. rubricata) que se observó a menudo en nidos trampa, pero rara vez en busca de alimento, y Lipotriches, principalmente representado por L. flavoviridis, una especie común presente en la mayoría de los sitios y que se alimenta de una amplia gama de flora.

Vuelo muy rápido y rápido, rara vez se posa largo sobre las flores.

Al alcance de las redes de barrido, a menudo se alimentan de la vegetación que se puede barrer con redes

Rara vez se encuentra individualmente

Volar rápidamente alrededor de las inflorescencias a menudo en una nube.

Nunca en la flora a nivel del suelo prefieren las ramas de los árboles en flor, pero si están al alcance, son relativamente fáciles de capturar barriendo las nubes.

Velocidad de vuelo intermedia

Rara vez se encuentra individualmente

Prefiere los arbustos y árboles para alimentarse, nunca al nivel del suelo.

Velocidad de vuelo intermedia

Prefiere los arbustos y árboles para alimentarse, nunca al nivel del suelo.

Rara vez se encuentra individualmente

Volar rápidamente alrededor de las inflorescencias a menudo en una nube.

Nunca en la flora a nivel del suelo prefieren las ramas de los árboles en flor, pero si están al alcance, son relativamente fáciles de capturar barriendo las nubes.

Los machos pueden ser territoriales con las flores.

Velocidad de vuelo intermedia

Forraje a múltiples alturas, incluida la flora baja.

Velocidad de vuelo intermedia

A menudo se alimentan de la flora baja.

Velocidad de vuelo intermedia

Polinizadores buzz: permanecen en las flores durante un período de tiempo más largo

Forraje a varias alturas, incluido el nivel del suelo

Bájese solo brevemente en las flores

Forraje a varias alturas, incluido el nivel del suelo

Velocidad de vuelo intermedia

Se observa con frecuencia simplemente descansando dentro de las entradas de los nidos-trampa.

Velocidad de vuelo intermedia

Prefiere los arbustos y árboles para alimentarse, nunca al nivel del suelo.

  • Categorías de tamaño corporal: pequeño, 0,48–1,78 mm ITD mediano, 1,79–3,10 mm grande, 3,11–4,41 mm. Las categorías se basaron en restar el tamaño corporal mínimo, medido por la distancia intertegular (DTI), del máximo y dividir por tres.

Colecciones observadas vs pasivas

Tanto las abejas nativas como las abejas melíferas fueron encuestadas utilizando registros de observación y colecciones pasivas. Para ambos, los conteos observacionales excedieron ampliamente los números registrados por todos los métodos de muestreo pasivo combinados. Se recolectaron un total de 572 abejas a través de todos los métodos de muestreo pasivo, mientras que se observaron 19.825, lo que equivale a un número observado 34,7 veces mayor que el número capturado por las trampas pasivas. El número de abejas nativas observadas fue 11 veces mayor que las capturadas pasivamente (391 individuos de abejas nativas atrapadas por trampas pasivas, en comparación con 4366 observadas), a pesar de que se emplearon más métodos pasivos que activos.

Nidos-trampa

Sólo un pequeño subconjunto de las posibles especies de abejas que anidan en cavidades utilizó los nidos-trampa. De los 34 megachílidos que anidan en cavidades (incluido el cleptoparásito Coelioxys) capturadas, solo 10 especies usaron los nidos-trampa, y de las 17 abejas hylaeine, solo cuatro especies usaron los nidos-trampa (Tabla 6). Sin embargo, el valor de los nidos-trampa radicaba en poder confirmar que los machos y las hembras pertenecían a la misma especie, es decir, que no había machos de Megachile (Eutricharaea) chrysopyga, Fabricante de Megachile (Mitchellapis), y Hylaeus (Euprosopis) violaceus fueron recolectados en el campo, pero emergieron de tubos de abejas. No solo la composición de las especies que anidan en trampas representa solo una fracción de la diversidad de las especies que anidan en cavidades, sino que las abundancias relativas no reflejan las capturadas en el campo (Cuadro 6).

Taxón Especies No de tubos No. de abejas emergidas Proporción de tubos Proporción de abejas emergidas No. de abejas que anidan en cavidades recolectadas durante los censos Proporción de abejas que anidan en cavidades recolectadas durante los censos
Hylaeinae Hylaeus (Euprosopis) violaceaus 15 68 0.093 0.133 3 0.004
Hylaeus (Gnathoprosopis) amiculus 1 1 0.006 0.002 7 0.009
Hylaeus (Gnathoprosopis) euxanthus 1 1 0.006 0.002 14 0.018
Meroglossa rubricata 4 8 0.025 0.016 19 0.024
Megachilidae Megachile (Eutricharaeae) obtusa 3 14 0.019 0.028 27 0.035
Fabricante de Megachile (Mitchellapis) 39 145 0.24 0.285 3 0.004
Megachile apicata 1 1 0.006 0.002 10 0.013
Aurifrons megachile 6 37 0.037 0.070 25 0.032
Megachile erythropyga 85 227 0.525 0.446 6 0.008
Megachile fultoni 1 1 0.006 0.002 24 0.031
Megachile “houstoni” M306 / F367 † † Especie no descrita, alojada en el Museo WA como M306 / F367.
1 1 0.006 0.002 151 0.195
Megachile ignita 3 3 0.019 0.006 20 0.026
Megachile (Hackeriapis) tosticauda 2 2 0.012 0.004 6 0.008
Totales 162 509
  • Se presentan el número de tubos ocupados, el número de abejas que emergen, la proporción de todos los tubos ocupados por una especie dada, la proporción de todas las abejas que anidan en cavidades. Para comparar con los resultados de la encuesta, se proporciona el número de una especie determinada recolectada durante las encuestas de abejas y la proporción de todas las abejas que anidan en cavidades recolectadas durante las encuestas (es decir, No. de especies recolectadas / No. de todas las abejas que anidan en cavidades recolectadas). .
  • † Especie no descrita, alojada en el Museo WA como M306 / F367.

Jardines móviles

Los jardines móviles no tuvieron éxito, a pesar de que las plantas tenían una alta densidad de flores. Durante los cuatro meses (56 días de muestreo), solo S. aemula fue visitado, y en solo cinco días en tres sitios. se debe notar que S. aemula fue la única planta que floreció durante la temporada de la encuesta, las otras tres se restringieron al primer mes (solo D. revoluta tenía algunas flores todavía presentes en diciembre). Un total de 15 abejas visitaron las plantas móviles del jardín, pero solo una de ellas era nativa (L. (Chilalictus) ricino, hembra), el resto eran abejas.

Comparación de diferentes métodos de muestreo pasivo para abejas y abejas nativas y la influencia del tipo de hábitat

Hubo una diferencia significativa en las tasas de captura de individuos de abejas nativas por diferentes métodos (PAG & lt 0.001 Apéndice S2: Tabla S8). Significativamente más individuos fueron atrapados en trampas de veleta azul que todos los demás métodos (PAG & lt 0,001) ninguna otra comparación fue significativamente diferente (PAG & gt 0,05). No hubo interacción significativa entre el método y el hábitat (PAG = 0.115 Apéndice S2: Tabla S8), aunque las trampas de paletas capturaron más abejas en matorrales que en áreas residenciales, donde los otros métodos eran comparables entre hábitats, pero el tamaño de la muestra era demasiado pequeño para sacar conclusiones válidas (Fig. 2a).

Las tasas de captura de abejas difieren significativamente según el método (PAG & lt 0.001 Apéndice S2: Tabla S6). Las comparaciones por pares entre las trampas de paleta de colores y todas las trampas de plato fueron altamente significativas (PAG & lt 0,001). Las paletas azules también capturaron un número significativamente mayor de abejas que las paletas amarillas (PAG = 0,001). Las comparaciones entre las trampas de plato no fueron significativas. También hubo una interacción significativa entre el método y el hábitat (PAG & lt 0.001 Apéndice S2: Tabla S8), donde las trampas de paletas, que capturaron más abejas en general, tuvieron tasas de captura más altas en los remanentes de matorrales que en los hábitats residenciales, mientras que para los otros métodos, estas trampas no capturaron abejas en la mayoría de los casos, excepto por algunos valores atípicos, en ambos tipos de hábitat (Fig. 2b).

Al evaluar cada método con respecto a si había diferencias en la abundancia de abejas nativas y abejas melíferas, se encontró que las diferencias relativas en la abundancia de abejas melíferas vs. abejas nativas diferían entre los métodos (Apéndice S2: Tabla S9). La abundancia de abejas nativas y abejas melíferas fue similar para las trampas de paleta azul (promedio de abejas nativas 8.26 ± 1.45 vs. PAG = 0.171), mientras que hubo una tendencia a que las abejas se registren en abundancias más altas según los conteos de observación (promedio de abejas nativas 94.3 ± 11.0 versus promedio de abejas melíferas 360.3 ± 97.1, PAG = 0.077 Apéndice S2: Tabla S7). Ambos tipos de trampas de pan amarillo capturaron significativamente más abejas nativas que abejas melíferas (trampas de pan con fluorescencia UV, abejas nativas promedio 0.392 ± 0.116 vs. abejas melíferas promedio 0 ± 0, PAG & lt 0.001 y amarillo grande, promedio de abejas nativas 0.303 ± 0.119 vs. promedio de abejas 0.024 ± 0.024, PAG = 0.001), pero la tendencia se invirtió para las paletas amarillas, que capturaron seis veces más abejas que las abejas nativas (promedio de abejas nativas 0.722 ± 0.172 vs. PAG & lt 0.001 Apéndice S2: Tabla S9).


Probabilidad

Gail F. Dawson MD, MS, FAAEP, en Easy Interpretation of Biostatistics, 2008

CUANTIFICACIÓN DE OCURRENCIAS DE POSIBILIDADES

La estadística inferencial se basa en la probabilidad de que un determinado resultado suceda por casualidad. En la teoría de la probabilidad, la palabra Salir se refiere al resultado observado. No refleja necesariamente los años de vida ajustados por calidad (CUALY) como la variable de resultado que vemos en los ensayos clínicos. Es simplemente el resultado de un evento. El rango de probabilidades varía entre 0 (sin probabilidad de que ocurra el evento) y 1 (el resultado siempre ocurrirá). Es raro encontrar circunstancias en la naturaleza donde la probabilidad de ocurrencia sea igual a 0 o 1. Si ese fuera el caso , no habría necesidad de aplicar la teoría de la probabilidad. Todos los eventos que se estudian en medicina tienen una probabilidad de ocurrencia entre 0 y 1. Esto se expresa como un decimal, como 0.35. La interpretación más simple e informativa de la probabilidad convierte estos valores en porcentajes para expresar la posibilidad de que algo suceda. Se dice que un resultado con una probabilidad de 0,35 tiene un 35% de probabilidad de ocurrencia. En promedio, sucederá 35 veces de cada 100 oportunidades. De ello se deduce que un resultado con una probabilidad del 100% significa que no hay posibilidad de que el resultado no suceda (¡pero esto nunca sucede!).

A pag El valor es realmente una probabilidad de que un resultado dado pueda ocurrir por casualidad. Por lo general, se expresa como un decimal, como 0.07. A pag el valor, cuando se multiplica por 100, es un porcentaje. En el ejemplo anterior, el pag El valor de 0.07 significa que hay un 7% de probabilidad de que el resultado observado pueda suceder solo por casualidad. (Esto se basa en una suposición subyacente de que se han cumplido ciertas condiciones, que veremos más adelante). Otra forma de afirmar esto es: si el estudio se repitiera cientos de veces en las mismas circunstancias, utilizando miembros de la misma población, un promedio de solo siete de estos estudios de cada 100 daría el resultado que observamos basado solo en el azar. La razón por la que cada estudio no da resultados idénticos en estas situaciones es porque se utilizan diferentes muestras, lo que da como resultado estimaciones diferentes del parámetro. Discutiremos este concepto nuevamente pero, por ahora, solo tenga en cuenta que el pag valor representa una probabilidad, que se puede expresar como un porcentaje.


Experimentos en Ecología | Biología

¿Estás investigando sobre experimentos sobre ecología? Estás en el lugar correcto. El artículo mencionado a continuación incluye una colección de diecinueve experimentos sobre ecología: 1. Estudio de la estructura de la comunidad 2. Estudio de la biomasa 3. Ciencia del suelo 4. Ecosistema acuático 5. Análisis físico-químico del agua.

  1. Experimentos sobre el estudio de la estructura de la comunidad
  2. Experimentos sobre el estudio de la biomasa
  3. Experimentos en ciencia del suelo
  4. Experimentos sobre ecosistemas acuáticos
  5. Experimentos de análisis físico-químico del agua

1. Experimento sobre el estudio de la estructura de la comunidad: (8 experimentos)

1. Objetivo del experimento:

Determinar el tamaño mínimo del cuadrante por especie, método de área-curva.

Requerimientos:

Clavos, cordón o cuerda, escala métrica, martillo, lápiz, cuaderno.

I. Prepare una estructura en forma de L de 1 × 1 metro en el área indicada utilizando 3 clavos y atándolos con una cuerda o cuerda.

ii. Mida 10 cm en un lado del brazo L y lo mismo en el otro lado de L, y prepare un área de 10 x 10 cm2 utilizando otro juego de clavos y cuerda. Tenga en cuenta el número de especies en esta área de 10 x 10 cm cuadrados.

iii. Aumente esta área a 20 × 20 cm cuadrados y observe las especies adicionales que crecen en esta área.

iv. Repita el mismo procedimiento para 30 × 30 cm cuadrados, 40 × 40 cm cuadrados y así sucesivamente hasta cubrir un área de 1 × 1 metro cuadrado (Fig. 67) y anote el número de especies adicionales cada vez.

Registre sus datos en la siguiente tabla:

v. Prepare un gráfico utilizando los datos registrados en la tabla anterior. El tamaño de los cuadrantes se representa en el eje X y el número de especies en el eje Y (Fig. 67 B).

La curva comienza a aplanarse o muestra solo un aumento constante (Fig. 67 B) en un punto del gráfico.

El punto del gráfico, en el que la curva comienza a aplanarse o muestra solo un aumento constante o gradual, indica el tamaño mínimo o el área mínima del cuadrante adecuado para el estudio.

2. Objetivo del experimento:

Estudiar las comunidades por el método del cuadrante y determinar el% de frecuencia, densidad y abundancia.

Medidor de escala, cuerda, cuatro clavos o cuadrante, cuaderno.

La frecuencia es el número de unidades de muestreo o cuadrantes en los que se encuentra una especie determinada.

La frecuencia porcentual (% F) se puede estimar mediante la siguiente fórmula:

La densidad es el número de individuos por unidad de área y se puede calcular mediante la siguiente fórmula:

La abundancia se describe como el número de individuos por cuadrante de ocurrencia.

La abundancia de cada especie se puede calcular mediante la siguiente fórmula:

Coloque un cuadrante (Fig. 68) en el campo o área específica a estudiar. Observe cuidadosamente las plantas que se encuentran allí. Escriba los nombres y el número de individuos de especies de plantas en el cuaderno, que están presentes en los límites de su cuadrante. Coloque al azar al menos 10 cuadrantes (Fig. 69) de la misma manera y registre sus datos en la forma de la Tabla 4.1.

En la Tabla 4.1, se determinaron los% de frecuencia, densidad y abundancia de Cyperus. Las lecturas de las otras seis plantas, ocurridas en los cuadrantes estudiados, también se llenan en la tabla. Calcule la frecuencia, densidad y abundancia de estas seis plantas para practicar. (Para la clase práctica tome sus propias lecturas. Las lecturas de la Tabla 4.1 son solo para dar una explicación del asunto).

Calcule la frecuencia, densidad y abundancia de todas las especies de plantas con la ayuda de las fórmulas dadas anteriormente y observe los siguientes resultados:

(i) En términos de% de frecuencia (F), el campo está dominado por & # 8230

(ii) En términos de densidad (D), el campo está dominado por & # 8230

(iii) En términos de abundancia (A), el campo está siendo dominado por & # 8230

Tabla 4.1: Tamaño del cuadrante: 50 cm × 50 cm = 2500 cm 2

3. Objetivo del experimento:

Determinar el número mínimo de cuadrantes necesarios para una estimación fiable de la biomasa en los pastizales.

Medidor de escala, cuerda, cuatro clavos (o cuadrante), cuaderno, papel cuadriculado, hoja de herbario, cinta de violonchelo.

I. Coloque de 20 a 50 cuadrantes de tamaño definido al azar en el prado que se estudiará, haga una lista de diferentes especies de plantas (por ejemplo, AJ) presentes en cada cuadrante y anote sus nombres botánicos o números hipotéticos (por ejemplo, A, B, C, & # 8230, J) como se muestra en la Tabla 42. u

ii. Con la ayuda de los datos disponibles en la Tabla 4.2, averigüe el total acumulado del número de especies para cada cuadrante.

iii. Ahora tome una hoja de papel cuadriculado y marque el número de cuadrantes en el eje X y el número total acumulado de especies en el eje Y del papel cuadriculado.

Observaciones y resultados:

Se obtendría una curva. Tenga en cuenta que esta curva también comienza a aplanarse. El punto en el que esta curva comienza a aplanarse nos daría el número mínimo de cuadrantes necesarios para colocar en el pastizal.

4. Objetivo del experimento:

Estudiar la frecuencia de especies herbáceas en pastizales y comparar la distribución de frecuencia con el diagrama de frecuencia estándar de Raunkiaer & # 8217s.

Cuadrado, lápiz, cuaderno, papel cuadriculado.

I. Coloque 10 cuadrantes en el área dada y calcule la frecuencia porcentual de diferentes especies de plantas mediante el método y la fórmula dados anteriormente en el Ejercicio No. 2.

ii. Organice sus datos en la forma de la siguiente Tabla 4.3:

Raunkiaer (1934) clasificó la especie en una comunidad en las siguientes cinco clases, como se muestra en la Tabla 4.4:

Organizar la frecuencia porcentual de las diferentes especies de la Tabla 4.3 anterior en las cinco clases de frecuencia (A-E) según lo formulado por Raunkiaer (1934) en la Tabla 4.4.

Dibuje un histograma (Fig. 70) con el porcentaje del número total de especies en el eje Y y las clases de frecuencia (A-E) en el eje X.

Este es el diagrama de frecuencia (Fig.70):

Observaciones y resultados:

El histograma toma una curva & # 8220J- # 8221 como sugirió Raunkiaer (1934), y esto muestra la distribución normal del porcentaje de frecuencia. Si la vegetación en el área es uniforme, la clase & # 8216E & # 8217 es siempre más grande que la clase & # 8216D & # 8217. Y en caso de que la clase & # 8216E & # 8217 sea más pequeña que la clase & # 8216D, la comunidad o vegetación en el área muestra una perturbación considerable.

5. Objetivo del experimento:

Estimar el índice de valor de importancia para las especies de pastizales sobre la base de la frecuencia relativa, la densidad relativa y el predominio relativo en pastizales protegidos y pastoreados.

Cuadrado de madera de 1 & # 2151 metro, lápiz, cuaderno.

¿Qué es el índice de valor de importancia?

El Índice de Valor de Importancia (IVI) muestra la imagen completa o general de la importancia ecológica de la especie en una comunidad. El estudio de la estructura de la comunidad se realiza mediante el estudio de la frecuencia, densidad, abundancia y cobertura basal de las especies. Pero estos datos no brindan una imagen general de la importancia de una especie, por ejemplo, la frecuencia nos da una idea sobre la dispersión de una especie en el área, pero no da una idea sobre su número o el área cubierta.

La densidad da la fuerza numérica y nada sobre la extensión o cobertura. IVI obtiene una imagen completa de la importancia ecológica de una especie en una comunidad. Para encontrar el IVI, los valores porcentuales de frecuencia relativa, densidad relativa y dominancia relativa se suman, y este valor de 300 se denomina Índice de valor de importancia o IVI de una especie.

La frecuencia relativa (RF) de una especie se calcula mediante la siguiente fórmula:

La densidad relativa (RD) de una especie se calcula mediante la siguiente fórmula:

La dominancia relativa de una especie se calcula mediante la siguiente fórmula:

El área basal de una especie vegetal se calcula mediante la siguiente fórmula:

Área basal de una especie = p r 2

donde p = 3.142, y r = radio del tallo

I. Descubra los valores de frecuencia relativa, densidad relativa y dominancia relativa mediante las fórmulas mencionadas anteriormente.

ii. Calcule el IVI sumando estos tres valores:

IVI = frecuencia relativa + densidad relativa + dominancia relativa.

Organizar las especies en orden de importancia decreciente, es decir, la especie que tiene el IVI más alto es de mayor importancia ecológica y la que tiene el IVI más bajo es la de menor importancia ecológica.

6. Objetivo del experimento:

Determinar la cobertura basal o cobertura vegetal de una comunidad herbácea mediante el método del cuadrante.

Cuadrado de madera de 1 × 1 m, Verniercalliper, lápiz, cuaderno.

I. Coloque un cuadrante con marco de madera de 1 x 1 metro al azar en una parcela de vegetación seleccionada y cuente el número total de individuos de las especies seleccionadas dentro del cuadrante.

ii. Corta algunos tallos de algunas plantas de esta especie individual y mide el diámetro del tallo con la ayuda de Verniercalliper.

iii. Calcule el área basal de los individuos mediante la fórmula:

Área basal promedio = π r 2 donde r es el radio del tallo.

iv. Tome 5 lecturas, organícelas en forma de tabla y averigüe el área basal promedio mediante la fórmula anterior.

v. Coloque el cuadrante nuevamente al azar en otro lugar y anote las mismas observaciones en la tabla.

vi. Coloque unos 10 cuadrantes de la misma manera y anote cada vez el número total de especies y el área basal promedio de un solo individuo.

Observaciones y resultados:

(a) Para encontrar el área basal promedio, divida la suma del área basal promedio en todos los cuadrantes con el número total de cuadrantes estudiados.

(b) Para encontrar la cobertura basal total de una especie en particular, multiplique el área basal promedio de todas las observaciones por la densidad de esa especie en particular como en:

Cobertura basal de una especie en particular = Área basal promedio x Densidad (D) de esa especie.

La cobertura basal de una especie en particular se expresa en & # 8230 cm2 / m2. metro.

7. Objetivo del experimento:

Medir la cobertura vegetal de pastizales mediante el método de marco de puntos.

Aparato de marco puntual, hoja de papel cuadriculado, hoja de herbario, cinta de violonchelo, cuaderno.

Un aparato de marco puntual es un marco de madera simple de unos 50 cm de largo y 50 cm de alto en el que se insertan 10 pasadores móviles en un ángulo de 45 °. Cada pasador móvil mide unos 50 cm de largo.

I. Coloque el aparato de marco de puntos (con 10 pines) en un lugar de la vegetación de los pastizales (Fig. 71) y anote varias especies de plantas golpeadas por uno o más de los 10 pines del aparato. Trate esto como una unidad de muestreo.

ii. Ahora coloque el aparato al azar en 10-25 o más lugares y anote cada vez las diversas especies de plantas de manera similar. En caso de que tres plantas de cualquier especie toquen tres alfileres en una unidad de muestreo colocada en un lugar, la fuerza numérica de esa especie en particular en esta unidad de muestreo será de tres individuos. Escriba este valor contra la especie debajo de esta unidad de muestreo.

Observaciones y resultados:

Anote los detalles en la forma de la siguiente Tabla 4.5:

Ahora calcule la frecuencia porcentual de cada especie como ya se hizo en el Ejercicio No. 2. Asigne las diversas especies entre las cinco clases de frecuencia (A, B, C, D, E) mencionadas en el Ejercicio No. 4, averigüe el valor porcentual de cada clase de frecuencia y prepare un diagrama de frecuencia como se hizo en el Ejercicio No. 4. Compare el diagrama de frecuencia así desarrollado con el diagrama de frecuencia normal.

Conozca las tres especies más frecuentes en el área estudiada. También averigüe si la vegetación es homogénea o heterogénea. También intente determinar los valores de densidad de especies individuales. También averigüe en cada lugar el número total de individuos de cada especie que son golpeados por 10 pines del aparato de marco de puntos.

8. Objetivo del experimento:

Preparar una lista de plantas que se encuentran en un pastizal y también preparar un cuadro a lo largo del transecto lineal.

I. Prepare un transecto de línea de 25 pies de largo en un pastizal seleccionado atando cada extremo de un cordón de 25 pies a las protuberancias superiores de dos clavos.

ii. Anote los nombres de las especies de plantas cuya proyección toca un borde del cordón a lo largo del transecto de la línea y asígneles un número definido (por ejemplo, 1, 2, 3, 4, & # 8230, etc.).

iii. Tome varias de estas muestras a intervalos regulares o irregulares en el pastizal a lo largo del transecto lineal.

iv. También registre las especies de plantas de diferentes tipos de pastizales de manera similar.

Registre sus datos en la siguiente Tabla 4.6 de la siguiente manera:

La Tabla 4.6 da la lista completa de plantas que se encuentran en el pastizal seleccionado. También averigüe el nombre de las especies representadas en número máximo en cada localidad.

Estos datos también proporcionarán una imagen clara de las especies dominantes de los pastizales en un área en particular.

2. Experimento de estudio de biomasa: (2 experimentos)

Por lo general, se expresa como el peso seco de todos los materiales vivos (plantas y animales) en un área. Bajo biomasa incluimos plantas (sus partes aéreas y subterráneas) así como animales. Las hojas y ramitas caídas de las plantas también se tienen en cuenta a la hora de estudiar la biomasa.

En los bosques, el humus se encuentra en diferentes etapas de descomposición. El suelo del bosque permanece cubierto de materia orgánica que se encuentra poco o nada descompuesta. A esto se le llama basura. Una materia parcialmente descompuesta está presente debajo de esta capa. Se llama duff. Más materia descompuesta, que ha perdido su forma original, está presente debajo de duff y se llama moho de la hoja.

9. Objetivo del experimento:

Medir la biomasa vegetal aérea en una pradera.

Determinar la biomasa de un área en particular.

Clavos (4), escala métrica, cuerda, khurpa (un instrumento de deshierbe), bolsas de polietileno, horno.

I. Haz un cuadrante del tamaño de 50 cm × 50 cm en el campo cavando los clavos y conectándolos con la cuerda. Elimine todas las partes aéreas de las plantas que crecen en ese límite con la ayuda de un instrumento de deshierbe. Recógelos todos en una bolsa de polietileno.

ii. Recoge las hojas caídas y otras partes de las plantas en la segunda bolsa de polietileno.

iii. Recoge todos los animales como hormigas, larvas, lombrices, insectos, etc., en la tercera bolsa de polietileno.

iv. Excavando el suelo a unos 20 a 25 cm., Saque todas las partes subterráneas de las plantas y recójalas en una bolsa separada después del lavado.

De la misma manera, coloque algunos cuadrantes más en el área de estudio y recoja todos los materiales en bolsas de polietileno.

Peso seco de las partes aéreas = 15 g.

Peso seco de las partes subterráneas = 4 g.

Peso seco de los animales = 1 g.

. . . Peso seco total = 20 g.

El área de campo de 50 × 50 cm contiene = 20 g. biomasa seca total

. . .El área de campo de 100 × 100 cm contendrá

80 g. es la biomasa de 100 × 100 cm. área de campo.

Resultados de diferentes partes:

(i) 50 x 50 cm. el área del campo contiene 15 g. de partes aéreas.

100 × 100 cm. el área de campo contendrá

= 15 × 100 × 100/50 × 50 = 60 gramos. biomasa.

(ii) 50 x 50 cm. el área del campo contiene 4 g. de partes subterráneas.

100 × 100 cm. el área de campo contendrá

= 4 × 100 × 100/50 × 50 = 16 gramos. biomasa

(iii) 50 x 50 cm. el área del campo contiene 1 g. de animales

100 × 100 cm. el área de campo contendrá

1 × 100 × 100/50 × 50 = 4 g. biomasa.

Un área de campo de un metro cuadrado (100 × 100 cm.) Contiene 80 g. biomasa en términos de peso seco del total de partes de plantas y animales.

10. Objetivo del experimento:

Determinar índices de diversidad (riqueza, Simpson, Shannon-Wiener) en pastizales pastoreados y protegidos.

Estudiar la diversidad de especies (riqueza y uniformidad), índice de dominancia, índice de similitud, índice de disimilitud e índice de diversidad de especies en pastizales pastoreados y protegidos.

La diversidad de especies es una abstracción estadística con dos componentes.

Estos dos componentes son:

(i) Riqueza (o número de especies), y

(ii) Uniformidad o equidad.

En cualquier pradera, a estudiar, si hay setenta especies en un rodal, entonces su riqueza es setenta. Elija plantas individuales de diferentes especies con la ayuda de khurpa, cuente el número de especies en un rodal del área provista y calcule la riqueza. Por otro lado, si todas las especies del pastizal tienen el mismo número de individuos, entonces su uniformidad o equidad es alta y si algunas especies tienen solo unos pocos individuos, la uniformidad es baja.

Las especies que tienen un mayor control sobre el flujo de energía y el medio ambiente en un hábitat determinado se denominan ecológicamente dominantes. Según Simpson (1949), el índice de dominancia (C) se calcula mediante la fórmula

donde∑ (sigma) se refiere a la suma, ni se refiere al valor de importancia de la especie en términos de número de individuos o biomasa o productividad de cada especie en una unidad de área, y N se refiere al total de valores de importancia correspondientes de todos los componentes especies en la misma unidad de área y período. Cuente el índice de dominancia mediante la fórmula mencionada anteriormente.

El índice de similitud entre dos rodales de vegetación se puede calcular mediante la fórmula S = 2 C / (A + B), donde S es el índice de similitud, C es el número de especies comunes a ambos rodales y A y B son el número de especies en el rodal A y el rodal B. Por ejemplo, si hay 20 especies en el sitio A y 20 en el sitio B y 14 especies son comunes en ambos sitios, el índice de similitud (S) será

(D) Índice de disimilitud:

El índice de disimilitud se cuenta mediante la fórmula D = 1 & # 8211 S, donde D es el índice de disimilitud y S es el índice de similitud. Por ejemplo, si hay 20 especies en el sitio A y 20 especies en el sitio B y 14 especies son comunes en ambos sitios, el índice de similitud (S) llega a 0,7 como se calculó anteriormente en caso de índice de similitud. Por lo tanto, el índice de disimilitud (D) puede contarse como

El índice de diversidad de especies (d) se calcula mediante la siguiente fórmula dada por Menhinick (1964):

donde d = índice de diversidad, S = número de especies y N = número de individuos de esa especie en particular.

3. Experimento en ciencia del suelo: (1 experimento)

11. Objetivo del experimento:

Estudiar las características de diferentes tipos de suelos.

Muestras de diferentes tipos de suelos (por ejemplo, suelo arcilloso, arena o suelo aluvial, humus, suelo negro, suelo amarillo, suelo rojo, laterita o suelo laterítico).

Método y observaciones:

Se toman y estudian diferentes muestras de suelo de forma individual.

Algunas de sus principales características se mencionan a continuación:

I. Es un suelo compacto y de textura pesada.

ii. El tamaño de sus partículas es inferior a 0,002 mm.

iii. Tiene espacios muy diminutos entre sus partículas.

iv. Es bastante pegajoso cuando está mojado, pero se endurece y desarrolla grietas al secarse.

v. Tiene mayor capacidad de retención de agua y mala aireación.

vi. Se encharca fácilmente.

vii. Sus partículas están cargadas negativamente y tienen la capacidad de absorber cationes de Mg, Ca, K, P, Fe y Na.

viii. Este suelo está formado por aluminosilicato hidratado.

ix. Es bastante rico en carbonato de calcio y carbonato de magnesio.

X. El espacio poroso entre sus partículas es mayor que la arena.

xi. Este suelo tiene un alto grado de fertilidad.

Sobre la base de las características anteriores, la muestra dada pertenece a suelo arcilloso.

II. Arena fina o suelo aluvial:

I. Este suelo es suelto, de textura ligera y de color gris plateado.

ii. El tamaño de sus partículas está entre 0,02 mm y 0,2 mm.

iii. Tiene poca capacidad de retención de agua.

iv. Este suelo muestra una tasa de infiltración de agua bastante rápida.

vi. El contenido de carbonatos de este suelo es muy bajo.

vii. No se encharca fácilmente.

viii. Muestra buena aireación.

ix. No es pegajoso ni plástico cuando está mojado.

X. Tiene contenidos muy bajos de fosfato, nitrógeno y materia orgánica.

xi. Tiene partículas brillantes de silicato de aluminio o mica.

xii. Algunas cantidades de hierro, magnesio, sodio, aluminio, silicio y calcio están presentes en este suelo.

xiii. Sus partículas se calientan con una larga exposición al sol.

Las características anteriores muestran que la muestra de suelo dada pertenece a arena fina o suelo aluvial.

I. Es materia descompuesta de restos vegetales y animales.

ii. Esta materia orgánica es amorfa y de color marrón oscuro a negro.

iii. Es soluble en una solución alcalina diluida como KOH y NaOH pero insoluble en agua.

iv. En realidad, es una capa de materia orgánica en la parte superior del perfil del suelo. Es el hábitat de la mayoría de los descomponedores. Los principales descomponedores son las bacterias y los hongos.

v. Está compuesto por proteínas ricas en nitrógeno, lignina y polisacáridos.

vi. También están presentes una gran cantidad de carbono y pequeñas cantidades de azufre, fósforo y algunos otros elementos.

vii. Es de naturaleza coloidal.

Sobre la base de las características anteriores, se puede concluir que el material dado es humus.

I. Este es un suelo de color negro. El color negro se debe a la presencia de hierro en este suelo.

ii. En este suelo están presentes altos porcentajes de óxidos de hierro, carbonatos de calcio, carbonatos de magnesio y alúmina.

iii. También contiene gran cantidad de nitrógeno y materia orgánica. Sin embargo, contiene una cantidad muy baja de fósforo.

iv. Si se moja agregando un poco de agua, esta tierra es pegajosa. Al secarse, se contrae y presenta grietas.

v. Tiene alta capacidad de retención de agua.

vi. Es muy productivo y se adapta a la mayoría de cultivos como el algodón.

Con base en las características antes mencionadas, se puede concluir que la muestra dada pertenece a suelo negro.

I. El color amarillo de este suelo se debe a la mayor hidratación del óxido férrico.

ii. Es un suelo poroso con pH casi neutro.

iii. El tamaño de las partículas de este suelo está entre 0,002 mm y 0,02 mm.

iv. Es un suelo derivado del granito con humus moderadamente rico.

v. Contiene una cantidad muy baja de óxidos de fósforo, nitrógeno y potasio.

vi. Contiene gran cantidad de óxido de silicio y alminosilicato.

Las características anteriores muestran que se trata de una muestra de suelo amarillo.

I. Esta es la muestra de suelo de color rojo.

ii. El color rojo se debe a la difusión de gran cantidad de compuestos de hierro como el óxido ferroso y el óxido férrico.

iii. Es un tipo de suelo ligeramente ácido. Su pH varía entre 5 y 8.

iv. También hay una cierta cantidad de óxido de silicio y óxido de aluminio en este suelo.

v. Este suelo no es bueno para la agricultura porque es pobre en nitrógeno, fósforo y humus.

Debido a las características anteriores, la muestra dada es de suelo rojo.

VII. Suelo de laterita:

I. Este es un suelo amarillento o de color rojo. Al exponerse al sol se vuelve negro.

ii. Se produce a partir de rocas ricas en aluminio.

iii. Es un tipo de suelo bastante compacto formado por óxidos hidratados de hierro y aluminio.

iv. También contiene pequeñas cantidades de compuestos como óxido de magnesio y óxido de titanio.

v. Pequeñas cantidades de nitrógeno, fósforo, magnesio, potasa y cal también están presentes en este suelo.

vi. También es bastante rico en humus.

vii. Debido a las características anteriores, este suelo es bueno para la agricultura.

Las características antes mencionadas muestran que la muestra dada es de laterita o suelo laterítico.

4. Experimento sobre ecosistemas acuáticos: (1 experimento)

Los organismos vivos están interrelacionados estructural y funcionalmente con el mundo externo o el medio ambiente, y esta relación funcional y estructural de las comunidades y el medio ambiente se denomina sistema ecológico o ecosistema.

El ecosistema normalmente contiene:

Teniendo en cuenta los organismos y las condiciones de su hábitat, el ecosistema se puede clasificar de la siguiente manera:

El ecosistema del estanque se puede estudiar de la siguiente manera:

12. Objetivo del experimento:

Estudiar los componentes bióticos de un estanque. Haz un diagrama de un ecosistema de estanque.

Lupa de mano, red colectora, mallas de diferentes tamaños, tubos colectores, gancho de hierro, tijera, fórceps y centrífuga.

Los componentes bióticos de un estanque se pueden estudiar exactamente de acuerdo con la clasificación de un ecosistema de estanque dada anteriormente. Los hidrófitos se pueden recoger a mano y recoger en bolsas de polietileno. Otras plantas sumergidas también se pueden sacar con ganchos de hierro (Fig. 74).

El fitoplancton y el zooplancton se pueden recolectar en botellas de plancton.

Con la ayuda de redes de plancton, los microorganismos se pueden recolectar en tubos.

Los macroproductores y macroconsumidores se pueden estimar en gramos / metro cúbico mediante el método del cuadrante utilizado en el ejercicio de la biomasa.

Los microproductores y microconsumidores se pueden estimar en gramos / litro de agua recolectada como muestra de una parte no perturbada del estanque.Se pueden separar centrifugando una pequeña cantidad de agua de estanque (que contiene microproductores y microconsumidores) en un tubo de ensayo.

Sobre la base de su posición trófica en el ecosistema, los diferentes organismos pueden agruparse de la siguiente manera:

Vallisneria, Ceratophyllum, Hydrilla, Potamogeton, Chara, etc.

(ii) Flotante libre:

Azolla, Eichhornia, Lemna, Pistia, Spirodella, Salvinia, etc.

(iii) Flotante enraizado:

Trapa, Jussiaea, Nymphaea, Potamogeton, Nelumbium, etc.

Marsilea, Typha, Ranunculus, Polygonum, Cyperus, etc.

Agal miembros de Chlorophyceae, Xanthophyceae, Bacillariophyceae, Myxophyceae, etc.

(I) Consumidores de 1er orden (Consumidores primarios):

por ejemplo, zooplancton, algunos insectos.

(ii) Consumidores de segundo orden (consumidores secundarios):

por ejemplo, peces, ranas y algunos insectos.

(iii) Consumidores de tercer orden (consumidores terciarios):

5. Experimento de análisis físico-químico del agua: (7 experimentos)

13. Objetivo del experimento:

Medir la temperatura y el pH de diferentes cuerpos de agua.

Termómetro máximo-mínimo o termómetro o termo termo.

La temperatura del estanque se puede determinar mediante cualquiera de los siguientes aparatos:

(a) Termómetro máximo-mínimo:

Contiene dos indicadores (Fig. 73). Con la ayuda de un imán, estos indicadores se ajustan a la temperatura atmosférica actual. Baje rápidamente el termómetro a la profundidad deseada en el estanque. Déjelo ahí durante 10 minutos.

Saque el termómetro rápidamente y anote las lecturas de ambos indicadores. De los dos indicadores, uno permanece en el punto y el otro se mueve hasta cierto punto dando la lectura de temperatura a esa profundidad particular del estanque.

Es un instrumento que da lectura correcta de temperatura en grados centígrados. Contiene un cable largo. Al final del cable se adjunta un termopar (Fig. 75).

Hay un miliamperímetro que está calibrado en C ° y da lectura directa. Baje rápidamente el termopar hasta la profundidad deseada y observe la temperatura.

También es uno de los buenos aparatos para medir la temperatura de un estanque. Después de bajar a la profundidad deseada, sáquelo cuando esté completamente lleno de agua. Con la ayuda de un buen termómetro sensible, anote la temperatura del agua.

El pH del agua del estanque se puede probar con un medidor de pH, papel de pH o B.D.H. Indicador universal.

14. Objetivo del experimento:

Determinar la transparencia o turbidez de diferentes cuerpos de agua.

Transparencia (claridad del estanque):

Está directamente relacionado y depende principalmente de la presencia de microorganismos y partículas microscópicas del suelo en el agua del estanque. Si la cantidad de partículas de suelo y organismos microscópicos es mayor, el agua del estanque será menos transparente. También depende de la profundidad del agua del estanque. El valor de turbidez será muy bajo en aguas profundas.

El instrumento para conocer el valor de turbidez se llama disco de Secchi (Fig. 76). Es un disco circular con blanco y negro u otros colores contrastantes. El disco se baja al agua. Tenga en cuenta la profundidad del agua donde no hay contraste de color en el disco.

15. Objetivo del experimento:

Para conocer la intensidad de luz disponible para el estanque.

La intensidad de la luz disponible para el estanque se mide con la ayuda de un & # 8216 fotómetro & # 8217 (Fig. 77).

Un & # 8216fotómetro & # 8217 consta de una célula fotoeléctrica y un microamperímetro. El fotómetro para estanque está especialmente sellado en recipientes herméticos equipados con una ventana de vidrio. La célula fotoeléctrica es sensible a la luz y genera corriente cuando la luz incide sobre ella. La intensidad de la luz es proporcional a la corriente generada en la célula fotoeléctrica por la luz que incide sobre ella. Las lecturas se pueden anotar en microamperímetro.

Calcule la intensidad de la luz mediante la siguiente fórmula:

Intensidad de luz = r × 100 / a

donde r & # 8211 Lectura de luxómetro o fotómetro

a = Luz reflejada del cartón.

16. Objetivo del experimento:

Medir la cantidad de oxígeno disuelto en cuerpos de agua contaminados y no contaminados.

Para medir la cantidad de oxígeno disuelto en el agua de un estanque.

Muestra de agua, matraz cónico con tapón de vidrio, sulfato manganoso, solución de yoduro de potasio (alcalina), pipetas, ácido sulfúrico (concentrado), solución de tiosulfato de sodio, solución de almidón, frascos de reactivo.

Preparación de reactivos:

(a) Solución de almidón:

Agrega 1 g. almidón en 100 ml de agua destilada, calentar y disolver.

(B) Solución de yoduro de potasio (alcalina):

Calentar 200 ml de agua destilada y disolver en él 100 g. KOH y 50 g. KI.

(C) Solución de sulfato manganoso:

Agregue 200 gmMnSO4 . 4H2O en 200 ml de agua destilada. Caliéntelo para disolver la sal máxima. Déjelo enfriar y luego fíltrelo.

(D) Solución de siosulfato de sodio:

Disuelva 24,82 gmNa2ASI QUE4 . 5H2O en una cierta cantidad de agua destilada y complete el volumen a 1 litro agregando más agua destilada. Para estabilizar la solución, agregue una pequeña pastilla de hidróxido de sodio. La solución así preparada es una solución madre 0,1 N. En 250 ml de esta solución madre agregue 750 ml de agua destilada para diluir la solución de tiosulfato de sodio.

I. Tomar 100 ml de muestra de agua en un matraz cónico con tapón de vidrio de 250 ml y agregar 1 ml de solución de sulfato manganoso y 1 ml de solución alcalina de yoduro de potasio con pipetas separadas. La aparición de un precipitado marrón indica la presencia de oxígeno en la muestra de agua.

ii. Agítelo bien y luego deje que el precipitado se asiente.

iii. Agregue 2 ml de ácido sulfúrico (concentrado) y vuelva a agitar bien. El precipitado se disolverá.

iv. Decantar el líquido y valorarlo con una solución de tiosulfato de sodio. La solución de almidón se utiliza como indicador. El color negro azulado desaparece cuando se alcanza el punto final.

Cálculos y resultados:

El oxígeno disuelto en mg / litro se calcula mediante la siguiente fórmula:

= (ml × N de tiosulfato de sodio) × 8 × 1000 / V1 - V2

donde V1 = Volumen de muestra de agua titulado,

V2 = Volumen de MnSO4 y solución de KI añadida.

17. Objetivo del experimento:

Determinar el total de sólidos disueltos (TDS) en agua.

Agua, muestra, plato evaporador, papel de filtro Whatman, horno, desecador, balanza, vasos de precipitados.

I. Pesar un plato evaporador limpio y seco de 200 ml de capacidad.

ii. Agite bien la muestra de agua y fíltrela a través de papel de filtro Whatman.

iii. Tomar 100 ml de filtrado en un plato evaporador previamente pesado y mantenerlo en un horno a 180 ° C durante algún tiempo. El agua se evaporará y la muestra se secará.

iv. Enfriarlo en un desecador y pesar. Calcule el total de sólidos disueltos usando la siguiente fórmula:

Total de sólidos disueltos (mg / 1) = (a-b) × 10 / V

a = Peso del plato y muestra filtrada seca (en gramos)

b = Peso del plato evaporador vacío (en g).

V = Volumen de muestra evaporada (en ml).

18. Objetivo del experimento:

Contar el fitoplancton por el método del hemocitómetro.

Hemocitómetro, muestra de agua, cubreobjetos, microscopio, cuentagotas.

El hemocitómetro es un tipo especial de portaobjetos de vidrio que tiene más de 500 pequeñas cámaras ranuradas o cámaras de recuento (1 × 1 × 0,5 mm) en la parte central. Este portaobjetos especialmente diseñado se utiliza para contar los microorganismos o el plancton presentes en una gota de agua.

I. Tome un hemocitómetro y coloque una gota de muestra de agua concentrada en sus cámaras de conteo.

ii. Coloque un cubreobjetos, espere unos 2-5 minutos y examínelo bajo el microscopio de alta potencia. Cuente el plancton presente en cada cámara.

19. Objetivo del experimento:

Determinar la biomasa de plancton de un estanque.

Agua de estanque, botella de agua poco profunda, equilibrio químico, horno, vaso de precipitados, embudo, papel de filtro Whatman.

I. Recoger 1000 ml de agua superficial del estanque con la ayuda de una botella de agua poco profunda. Esta agua contiene fitoplancton y zooplancton.

ii. Pese un papel de filtro seco. Supongamos que es A1 gm.

iii. Toma otro papel de filtro. Hágalo mojado y péselo. Supongamos que es A2 gm.

iv. Filtre la muestra de agua a través de un papel de filtro Whatman y pese este papel de filtro que contiene plancton. Supongamos que es A3 gm.

v. Ahora ponga este papel de filtro que contiene plancton en el horno durante 24 horas a 85 ° C. Pese este papel de filtro seco con plancton. Supongamos que es A4 gm.

Cálculos y resultado:

Calcule la biomasa (peso fresco o peso seco de organismos) en mg / litro de la siguiente manera:

(i) Peso fresco de plancton / 1000 ml = A3& # 8211 A2gm.

(ii) Peso fresco de plancton / ml = A3 & # 8211 A2g / 1000


6 INFORMES

6.1 La sección de "métodos"

La razón para ordenar los elementos en ADEMP es que este suele ser el orden apropiado para informarlos en una sección de métodos. Si el estudio de simulación se ha planificado y escrito antes de ejecutarlo, la sección de métodos está escrita en gran parte. Este es un pedido particularmente útil para otros investigadores que deseen replicar el estudio. Deben incluirse detalles para permitir la reproducción en la medida de lo posible, como el valor de nortesim y cómo se decidió esto, dependencia entre conjuntos de datos simulados. Otro elemento importante para informar es una justificación de los objetivos elegidos para contextos aplicados particulares.

6.2 Presentación de resultados

Algunos estudios de simulación pueden ser muy pequeños, por ejemplo, explorar una o dos medidas de desempeño bajo un solo mecanismo de generación de datos. Estos se pueden informar en el texto (como en He et al 60). En otros casos, hay suficientes resultados que se hace necesario reportarlos en forma tabular o gráfica. Para cualquier tabulación o gráfico de resultados, existen cuatro dimensiones potenciales: mecanismos de generación de datos, métodos, estimaciones y medidas de desempeño. Esta sección proporciona algunas consideraciones para presentar estos resultados.

En las presentaciones tabulares, es común dividir filas de acuerdo con los mecanismos y métodos de generación de datos como columnas (como en Chen et al 61), aunque si hay más métodos que mecanismos de generación de datos, es mejor intercambiarlos (como en Hsu et al 62). Las medidas de desempeño y las estimaciones pueden variar entre columnas o filas, dependiendo de lo que hace que la tabla sea más fácil de digerir (ver, por ejemplo, Alonso et al 63).

Hay dos consideraciones clave en el diseño de tablas. La primera es cómo colocar las comparaciones importantes una al lado de la otra. Las comparaciones más importantes serán típicamente de métodos, por lo que el sesgo (por ejemplo) para diferentes métodos debe organizarse en filas o columnas adyacentes.

La segunda consideración se refiere a la presentación de las SE de Monte Carlo, y esto tiende a confundir a la primera. Al presentarlos junto a los resultados de rendimiento, por ejemplo, entre paréntesis, la tabla se vuelve desordenada y difícil de digerir, ocultando comparaciones interesantes. Por este motivo, algunos autores informarán el máximo de Monte Carle SE en el título de las tablas. 43, 64 Los resultados no deben presentarse con una precisión mayor que la justificada por el Monte Carlo SE (p. Ej., 3dp para cobertura). En nuestra revisión del Volumen 34, siete artículos presentaron SE de Monte Carlo para el rendimiento estimado: tres en el texto, dos en una tabla, uno en un gráfico y uno en un título flotante.

La principal ventaja de las pantallas gráficas de rendimiento es que es más fácil detectar patrones rápidamente, particularmente en dimensiones que no se comparan una al lado de la otra. Una segunda ventaja es que es posible presentar estimaciones de datos brutos (por ejemplo, ), así como los resultados de rendimiento que los resumen (ver, por ejemplo, la figura 3 de Lambert et al 65). En nuestra experiencia, estas gráficas son formas populares e intuitivas de resumir el y modelos SE. Otro ejemplo de una gráfica de datos estimados es un histograma dado en Kahan 31 (esto fue particularmente importante como Bias≃0, pero casi no estaba cerca de θ). Incluso si no se planea incluir gráficos de estimaciones en las publicaciones, instamos a que se utilicen en la exploración de los resultados de la simulación.

La principal desventaja de las presentaciones gráficas de resultados es que los gráficos pueden ser menos eficientes en cuanto al espacio que las tablas, no es posible leer los números exactos y, con frecuencia, se requerirán gráficos separados para diferentes medidas de rendimiento.

En comparación con las tablas, es más fácil que los gráficos de resultados de rendimiento se adapten a la visualización de los SE de Monte Carlo directamente, y esto debe hacerse, por ejemplo, como intervalos de confianza del 95%. Las consideraciones sobre el diseño de parcelas para facilitar las comparaciones más relevantes se aplican al igual que con las tablas. Los métodos a menudo tienen nombres que son difíciles de organizar uno al lado del otro de manera legible; por lo general, es preferible organizar los métodos en filas horizontales y las medidas de rendimiento en columnas.

Como se señaló anteriormente, los diseños factoriales completos pueden plantear problemas para la presentación de resultados. Una opción para la presentación es presentar los datos asumiendo que no hay interacción, a menos que haya una obviamente presente. Un enfoque alternativo adoptado por Rücker y Schwarzer es presentar todos los resultados de un estudio de simulación factorial completo con 4 × 4 × 4 × 4 × 3 = 768 mecanismos de generación de datos y la comparación de seis métodos. 66 Su propuesta es una “gráfica de bucle anidado”, que recorre factores anidados, generalmente mecanismos de generación de datos, para una estimación, y grafica los resultados de diferentes métodos uno encima del otro. 66 Este es un gráfico útil, pero no se adapta a todos los diseños (y dificulta la representación de Monte Carlo SE).

No existe una forma correcta de presentar los resultados, pero recomendamos una reflexión cuidadosa para facilitar la legibilidad y la claridad, teniendo en cuenta las comparaciones que deben realizar los lectores.


¿Qué prueba estadística recomendaría para comparar dos métodos de muestreo del comportamiento animal? - biología

Módulo 2: Métodos de recopilación de datos - Capítulos 2

Lección en línea

Métodos de investigación del ocio

Una vez que se ha determinado una pregunta de investigación, el siguiente paso es identificar qué método será apropiado y efectivo.

La siguiente tabla describe las características básicas de diferentes metodologías.

Metodologías de investigación cualitativa y cuantitativa

Cuantitativo los métodos de investigación incluyen:

Cualitativo los métodos de investigación incluyen:

Cada método de investigación tiene sus fortalezas y debilidades. Al diseñar un estudio de investigación, es importante decidir cuál será el resultado (datos) que producirá el estudio y luego seleccionar la mejor metodología para producir la información deseada.

Técnicas de recopilación de datos

Hay dos fuentes de datos. La recopilación de datos primarios utiliza encuestas, experimentos u observaciones directas. La recopilación de datos secundarios se puede realizar mediante la recopilación de información de una fuente diversa de documentos o información almacenada electrónicamente. Los estudios de mercado y el censo de EE. UU. Son ejemplos de fuentes comunes de datos secundarios. Esto también se conoce como "minería de datos".

Técnicas clave de recopilación de datos

Escribir una introducción

En cualquier propuesta de investigación, el investigador debe evitar la palabra "investigación". Esta palabra se percibe en un sentido negativo.

Los componentes clave de una buena introducción incluyen

Tratamientos experimentales

Los diseños experimentales son la base de la significación estadística. A continuación se muestra un ejemplo de los fundamentos de un diseño experimental.

Un investigador está interesado en el efecto de un programa de recreación al aire libre (la variable independiente, el tratamiento experimental o la variable de intervención) sobre los comportamientos (variables dependientes o de resultado) de los jóvenes en riesgo.

En este ejemplo, se espera que la variable independiente (programa de recreación al aire libre) produzca un cambio en la variable dependiente. Incluso con un estudio bien diseñado, queda una pregunta: ¿cómo puede el investigador estar seguro de que los cambios en el comportamiento, si los hubo, fueron causados ​​por el programa de recreación al aire libre y no por alguna otra variable externa o interviniente? Un diseño experimental no elimina variables intervinientes o extrañas, pero intenta dar cuenta de sus efectos.

El control experimental está asociado con cuatro factores principales (Huck, Cormier y Amp Bounds, 1974).

Grupo de tratamiento: La porción de una muestra o población que está expuesta a una manipulación de la variable independiente se conoce como grupo de tratamiento. Por ejemplo, los jóvenes que se inscriben y participan en programas de recreación son el grupo de tratamiento, y el grupo al que no se brindan servicios de recreación constituye el grupo de control.

Hay dos criterios principales para evaluar la validez de un diseño experimental.

Errores: son condiciones que pueden confundir el efecto de la variable independiente con el de alguna otra (s) variable (s).

True Designs: cinco pasos básicos para el diseño de investigación experimental

1. Examine la literatura para buscar investigaciones actuales relacionadas con su estudio.
2. Definir el problema, formular una hipótesis, definir términos y variables básicos y operacionalizar las variables.
3. Desarrolle un plan de investigación:
una. Identifique las variables de confusión / mediadoras que puedan contaminar el experimento y desarrolle métodos para controlarlas o minimizarlas.
B. Seleccione un diseño de investigación (consulte el Capítulo 3).
C. Seleccione sujetos al azar y asígnelos al azar a grupos.
D. Validar todos los instrumentos utilizados.
mi. Desarrollar procedimientos de recopilación de datos, realizar un estudio piloto y perfeccionar el instrumento.
F. Enuncie las hipótesis nula y alternativa y establezca el nivel de significación estadística del estudio.
4. Realice los experimentos de investigación.
5. Analizar todos los datos, realizar las pruebas estadísticas adecuadas e informar los resultados.

La principal diferencia entre los diseños verdaderos y los cuasi diseños es que los cuasi diseños no utilizan la asignación aleatoria a los grupos de tratamiento o control, ya que este diseño se utiliza en entornos naturales existentes.

Los grupos reciben pruebas preliminares, luego un grupo recibe un tratamiento y luego ambos grupos reciben una prueba posterior. Esto crea una cuestión continua de validez interna y externa, ya que los sujetos son autoseleccionados. Los pasos utilizados en un cuasi diseño son los mismos que los diseños reales.

Diseños ex post facto

Un diseño ex post facto determinará qué variables discriminan entre grupos de sujetos.

Pasos en un diseño ex post facto

Los estudios ex post facto no pueden probar la causalidad, pero pueden proporcionar información sobre la comprensión del fenómeno.

OTROS MÉTODOS DE CAMPO / TÉCNICAS DE GRUPO

Técnica de grupo nominal (NGT)

La NGT es una técnica de estructuración de discusiones grupales. Es útil para proporcionar un esfuerzo centrado en temas. La NGT proporciona un método para identificar problemas que preocupan a grupos de intereses especiales o al público en general. Ewert (1990) señaló que la NGT es una técnica de toma de decisiones colectiva para su uso en la planificación y gestión de parques y recreación. La NGT se utiliza para obtener información sobre problemas, comportamientos y necesidades de investigación futuras del grupo.

Fuente: (Mitra & amp Lankford, 1999)

El método delphi se desarrolló para estructurar las discusiones y resumir las opciones de un grupo seleccionado para:

Aunque los datos pueden resultar valiosos, el proceso de recopilación lleva mucho tiempo. Cuando hay tiempo disponible y los encuestados están dispuestos a ser interrogados durante un período de tiempo, la técnica puede ser muy poderosa para identificar tendencias y predecir eventos futuros.

La técnica requiere una serie de cuestionarios e informes de retroalimentación para un grupo de personas. Cada serie se analiza y el instrumento / declaraciones se revisan para reflejar las respuestas del grupo.Se prepara un nuevo cuestionario que incluye el nuevo material y se repite el proceso hasta llegar a un consenso.

La lectura a continuación es un estudio de investigación que utilizó la técnica delphi y el análisis de contenido para desarrollar un programa nacional de certificación profesional.

Richard Krueger (1988), describe el grupo focal como un tipo especial de grupo en términos de propósito, tamaño, composición y procedimientos. Un grupo de enfoque se compone típicamente de siete a doce participantes que no están familiarizados entre sí y está dirigido por un entrevistador capacitado. Estos participantes son seleccionados porque tienen ciertas características en común que se relacionan con el tema del grupo focal.

El investigador crea un ambiente permisivo en el grupo focal que nutre diferentes percepciones y puntos de vista, sin presionar a los participantes para que voten, planifiquen o lleguen a un consenso. La discusión de grupo se lleva a cabo varias veces con tipos similares de participantes para identificar tendencias y patrones en las percepciones. El análisis cuidadoso y sistemático de las discusiones proporciona pistas y conocimientos sobre cómo se percibe un producto, servicio u oportunidad.

Un grupo de enfoque puede definirse como una discusión cuidadosamente planificada diseñada para obtener percepciones sobre un área de interés definida en un entorno permisivo y no amenazante. Se lleva a cabo con aproximadamente siete a doce personas por un entrevistador calificado. La discusión es relajada, cómoda y, a menudo, agradable para los participantes mientras comparten sus ideas y percepciones. Los miembros del grupo se influyen entre sí respondiendo a ideas y comentarios en la discusión.

CARACTERÍSTICAS DE LOS GRUPOS DE ENFOQUE

Las entrevistas de grupos focales suelen tener cuatro características:

Otros tipos de procesos grupales utilizados en los servicios humanos (delfos, nominales, de planificación, terapéuticos, de sensibilidad o de asesoramiento) pueden tener una o más de estas características, pero no en la misma combinación que las de las entrevistas de grupos focales.

Mapeo cognitivo / conductual

La información de mapeo cognitivo y espacial proporciona un mapa espacial de:

Todos los tipos de actividades recreativas y viajes implican algún nivel de conocimiento ambiental porque las personas deben identificar y ubicar destinos y atracciones recreativas.

El mapeo cognitivo permite a los administradores de recursos recreativos la oportunidad de identificar dónde los usuarios y visitantes perciben que se encuentran las mejores áreas recreativas. Es importante comprender las percepciones de los usuarios para gestionar áreas de uso intensivo en términos de mantenimiento, supervisión, presupuestación, desarrollo de políticas y planificación.

Los mapas cognitivos dividen el sitio de investigación en zonas. Las zonas identifican los recursos geográficos, climáticos, paisajísticos, marinos y recreativos existentes. Las cuadrículas permiten a los encuestados indicar los sitios de recreación primarios y luego se desarrolla una combinación para identificar las áreas de alto impacto. Los investigadores recopilan datos en áreas de recreación (playa, campamento, puerto deportivo, comienzo de senderos, etc.) entrevistando a visitantes y recreacionistas. Durante el proceso de recopilación de datos, se deben elegir sitios, días, horas y encuestados aleatorios (cada enésimo) para aumentar la confiabilidad y la generalización de los datos.

La investigación observacional se utiliza para estudiar comportamientos no verbales (gestos, actividades, agrupaciones sociales, etc.).

Sommer & amp Sommer (1986) desarrollaron la lista que se muestra a continuación para ayudar en la investigación de observación.

La observación casual se realiza normalmente como entrevistas no estructuradas. Durante las primeras etapas de un proyecto de investigación, la observación casual permite al investigador (es) observar a los sujetos antes de diseñar cuestionarios y / o formatos de entrevista.

Tipos de estudios de observación

Documentos (también llamados datos secundarios o minería de datos)

La minería de datos se usa comúnmente en investigación tanto cualitativa como cuantitativa. Los datos secundarios proporcionan datos que proporcionan un marco para el proyecto de investigación, el desarrollo de preguntas de investigación y la validación de los resultados del estudio.

Las fuentes de datos secundarios que se utilizan con frecuencia son:

El análisis de contenido describe sistemáticamente la forma o el contenido del material escrito y / o hablado. Se utiliza para estudiar cuantitativamente los medios de comunicación. La técnica utiliza datos secundarios y se considera una investigación discreta.

El primer paso es seleccionar los medios a estudiar y el tema de investigación. Luego, desarrolle un sistema de clasificación para registrar la información. Las técnicas pueden usar jueces capacitados o se puede usar un programa de computadora para clasificar los datos para aumentar la confiabilidad del proceso.

El análisis de contenido es un proceso tedioso debido al requisito de que cada fuente de datos se analice en una serie de dimensiones. También puede ser inductivo (identifica temas y patrones) o deductivo (cuantifica frecuencias de datos). Los resultados son descriptivos, pero también indicarán tendencias o temas de interés.

La lectura a continuación es un estudio de investigación que utilizó la técnica delphi y el análisis de contenido para desarrollar un programa nacional de certificación profesional.

El metanálisis combina los resultados de los estudios que se están revisando. Utiliza técnicas estadísticas para estimar la fuerza de un conjunto dado de hallazgos en muchos estudios diferentes. Esto permite la creación de un contexto del cual pueden surgir investigaciones futuras y determinar la confiabilidad de un hallazgo al examinar los resultados de muchos estudios diferentes. Los investigadores analizan los métodos utilizados en estudios anteriores y cuantifican colectivamente los hallazgos de los estudios. Los hallazgos del metanálisis forman una base para establecer nuevas teorías, modelos y conceptos.

Thomas y Nelson (1990) detallan los pasos del metanálisis:

La investigación histórica también se conoce como investigación analítica. Las características metodológicas comunes incluyen un tema de investigación que aborda eventos pasados, revisión de datos primarios y secundarios, técnicas de crítica para búsquedas históricas y evaluación de la información, y síntesis y explicación de hallazgos. Los estudios históricos intentan proporcionar información y comprensión de eventos históricos, legales y políticos del pasado.

McMillan y Schumacher (1984) identificaron cinco procedimientos básicos comunes a la realización de la investigación histórica. Proporcionan un enfoque sistemático del proceso de investigación histórica.

Paso 1: Defina el problema, haciendo preguntas pertinentes como: ¿Es apropiado el método histórico? ¿Se dispone de datos pertinentes? ¿Los hallazgos serán significativos en el campo de los servicios de ocio?

Paso 2: Desarrollar la hipótesis de investigación (si es necesario) y los objetivos de la investigación para proporcionar un marco para la realización de la investigación. Las preguntas de investigación se centran en eventos (quién, qué, cuándo, dónde), cómo ocurrió un evento (descriptivo) y por qué sucedió el evento (interpretativo). Esto contrasta con los estudios cuantitativos, en los que el investigador está probando hipótesis y tratando de determinar la significancia entre las puntuaciones de los grupos experimentales y de control o las relaciones entre la variable x y la variable y.

Paso 3: Recoger los datos, que consiste en tomar notas copiosas y organizar los datos. El investigador debe codificar temas y subtemas para organizar y archivar los datos. Los tipos de análisis de datos empleados en la investigación histórica incluyen (basado en McMillan & amp Schumacher, 1984):

Paso 4: Utilizando críticas externas e internas, la investigación debe evaluar los datos. Las fuentes de datos incluyen documentos (cartas, diarios, facturas, recibos, periódicos, diarios / revistas, películas, fotografías, grabaciones, registros personales e institucionales y presupuestos), testimonios orales de los participantes en los eventos y reliquias (libros de texto, edificios, mapas, equipo, mobiliario y otros objetos).

Paso 5: Informe de los hallazgos, que incluye un enunciado del problema, revisión del material fuente, supuestos, preguntas de investigación y métodos utilizados para obtener los hallazgos, las interpretaciones y conclusiones, y un completo sistema de referencia bibliográfica.

El enfoque de métodos múltiples fomenta la recopilación, análisis e integración de datos de varias fuentes y el uso de una variedad de diferentes tipos de métodos de investigación.

Copyright 2001. Northern Arizona University, TODOS LOS DERECHOS RESERVADOS


Conclusiones

Hemos desarrollado software para crear simulaciones semisintéticas basadas en datos reales para comparar el rendimiento de algunos de los métodos de análisis de vías más populares. Los métodos más potentes son sigPathway y GSEA, que tienen un rendimiento similar y detectan señales secundarias en función de la superposición de vías. Al adoptar un enfoque aplicado a la comparación de métodos, se obtiene información valiosa sobre el poder de cada método GSA. Con tal información se lleva más confianza a cualquier estudio de seguimiento funcional.


Ver el vídeo: Cómo elegir la prueba estadística para comparar 2 grupos. 2 variables. Pasos en SPSS. (Junio 2022).


Comentarios:

  1. Niallan

    Muchas gracias, ¿cómo puedo agradecerte?

  2. Sinh

    Felicidades, brillante idea y en tiempo y forma

  3. Shaktigrel

    Después del mío es el tema muy interesante. Da contigo Trataremos en PM.

  4. Sisi

    ¡Hay que vivir cómo arder! No llegaremos a tiempo. Y entonces la vida terminará.

  5. Moritz

    que excelentes palabras



Escribe un mensaje